diff --git a/核心架构/deep-research-report (1).md b/核心架构/deep-research-report (1).md
new file mode 100644
index 0000000..b1aa52a
--- /dev/null
+++ b/核心架构/deep-research-report (1).md	
@@ -0,0 +1,197 @@
+# 知习产品设计研究报告
+
+## 执行摘要
+
+本报告对 Duolingo 和 Brilliant 的学习流程和激励机制进行了深入调研，旨在为新产品“知习”提供参考。Duolingo 通过**每日目标+连胜**机制激励学习者：用户需设定每日学习时长并维持连续学习（火焰图标显示连胜天数），完成目标即可保持或增加连胜【5†L71-L79】；同时每做完课程会获得经验值（XP）并在排行榜中与其他用户竞争【56†L185-L193】。Brilliant 同样要求学习者每日完成至少指定数量的练习（如每天3题）才能延续连胜【25†L10-L15】，并为错过的日子自动消耗免费获得的“连胜补偿”道具来保护连胜【25†L10-L15】【26†L12-L20】。Duolingo 在免费模式下限制“生命值”（heart），答错扣血，鼓励购买道具或练习恢复【36†L221-L226】；Brilliant 则无生命值惩罚，答错后直接给出正确答案与解析，将错误视为学习机会【48†L193-L200】。两者都采用游戏化元素提升粘性：Duolingo 通过升级订阅（如 Super）提供无限心、免广告等特权【36†L230-L237】；Brilliant 提供会员订阅可不限次数学习，并在免费用户做题遇限额时推荐升级【31†L213-L221】【48†L220-L228】。
+
+以下章节将分别详细分析这两款产品在问题需求1–18中的实现方式与差异，并提出“知习”融合创新方案，包括每日学习流程建议、会话页面链路、反馈与容错机制、进度指标设计、通知策略、数据模型设计等，同时给出流程图和建议的交互示意。
+
+## 1. 新用户第一次进入后的 onboarding
+
+- **Duolingo：** 首次进入时，用户选择要学习的语言，然后回答有关**学习动机和目标**的问题（如“你为什么学西语？工作/旅行/兴趣”等），并可开启通知提醒以建立学习习惯【6†L75-L83】。系统还询问用户是否从头学习或参加分级测试，方便跳过熟悉内容【6†L75-L83】。这些步骤快速引导用户设定每日目标并激活提醒功能，个人资料也会被创建以保存进度【6†L75-L83】。
+
+- **Brilliant：** Brilliant 的注册流程相对简洁。用户用邮箱或第三方账号注册后，可直接选择感兴趣的主题或课程（数学、科学、编程等），然后进入主界面。登录后，首页会显示“Today”（今日问题）标签页，提供每日一道挑战题（Daily Challenge）【48†L169-L177】【31†L213-L221】；另外，新用户会看到试用 Premium 的提示。入门不设置复杂目标，而是通过探索课程和每日挑战激发兴趣。
+
+## 2. 第次学习任务如何开始
+
+- **Duolingo：** 完成初始设置后，主页（学习路径）会自动定位到第一个单元。用户可以点击该单元中的“START”开始第一节课。例如，在西班牙语课程中，用户会进入“Basics 1”等新手单元。系统通常会先让用户进行几道基础练习（如图片翻译、听力填词等）来快速上手，保证对新语言有初步接触【6†L108-L117】【56†L117-L122】。
+
+- **Brilliant：** Brilliant 的首页会推荐一条学习路径或课程。对于免费用户，每天最多可完成两个练习或课程【31†L213-L221】。用户第一次使用时，可以直接尝试首页推荐的“今日问题”（Today 标签中的题目）【48†L169-L177】。此外，Brilliant 也支持浏览各大“Learning Paths”（学习路径）或课程目录，用户可随意选择任一课题开始，真正实现兴趣驱动的学习。
+
+## 3. 学习路径如何展示
+
+【7†embed_image】Duolingo 的学习路径采用线性进度图谱，每个圆形节点对应一个关卡（与旧体系中的一个“皇冠等级”对应）【33†L70-L78】【6†L144-L150】。下图示例显示西班牙语课程中的一个路径界面：当前学习单元以绿色高亮（“Express travel needs”），该节点上的小星表示关卡进度，顶部显示当前课程（法国国旗）、火焰图标（连胜天数）、宝石等资源【6†L144-L150】。路径从上到下依次展开不同技能的新关卡和复习关卡，用户完成一关后自动解锁下一关；故事和练习内容也被整合在路径中【33†L93-L100】【6†L144-L150】。
+
+Brilliant 则以课程和**学习路径**为组织单位【31†L195-L203】。其主页列出了多个学习路径（如“数学基础”、“编程与CS”等），每条路径由多个课程组成，按照逻辑顺序排列【31†L195-L203】。用户在课程列表界面可以看到各路径下的课程进度和已完课程数。与 Duolingo 的线性图不同，Brilliant 更多强调知识点的层级关系和主题分类，路径帮助用户建立从基础到高级的学习连续性【31†L195-L203】。
+
+## 4. 单次学习 session 的步骤
+
+- **Duolingo**：一旦启动课程，一次 session 通常包含若干练习题（包含翻译、听力、口语等混合题型【56†L117-L122】）。下面是一个示例流程表（表a）概览：
+
+  | 步骤 | 界面/内容                                                   | 用户操作                         | 系统反馈                             | 数据事件                        |
+  |----|-----------------------------------------------------------|------------------------------|----------------------------------|-------------------------------|
+  | 1  | 主页上的学习路径：用户所在课程的当前单元显示（绿色高亮）【6†L144-L150】  | 点击当前单元的“START”按钮开始学习     | 打开本单元的第一个练习                 | 触发 `LessonStarted`            |
+  | 2  | 练习页面（示例见下图）：显示题目（如上图“Translate the word”）【55†】  | 根据题型选择答案（点击单词/输入翻译等）  | 用户答案提交，若正确显示绿色对号，若错误显示红色提示与正确答案 | 触发 `AnswerSubmitted`(正确/错误)，若错误触发 `LoseHeart`【36†L221-L226】 |
+  | 3  | （重复）下一个题目：UI 显示进度条和剩余生命（心形）【36†L221-L226】【55†】  | 继续答题                         | 同上                                 | 触发 `AnswerSubmitted` 等      |
+  | 4  | 完成练习：所有题目结束后出现课程完成页               | 点击“继续”或返回按钮返回主页        | 显示本次获得的XP奖励、连胜信息等         | `LessonCompleted` 事件：累加XP、更新连胜等    |
+
+  【55†embed_image】上图示例展示了Duolingo的练习页面。绿色进度条显示本课已完成进度，右上角心形图标（数值5）表示剩余生命【36†L221-L226】；中央显示题目（例如图示通过选择冠词完成西语句子），底部提供回答输入框或选项按钮【36†L221-L226】。以上流程不断循环答题和反馈，直至完成课程。
+
+- **Brilliant**：Brilliant 的学习 session 以**互动式题目**为单元。典型流程如下（表b）：
+
+  | 步骤 | 界面/内容                               | 用户操作           | 系统反馈与事件                             |
+  |----|-------------------------------------|----------------|--------------------------------------|
+  | 1  | 课程/题目列表：展示选定课程的当前题目，如视频、图示解说加题目内容 | 点击开始或进入题目   | 打开第一道互动题目                         |
+  | 2  | 题目页面：呈现问题描述及交互控件（输入框、选项或计算界面），题目可能包含图片、动画等辅助说明 | 提交答案（填空或选择） | 系统立即显示答案解析：若回答正确，页面弹出**恭喜**提示并解释；若错误，不惩罚且直接给出正确答案和解析【48†L193-L200】 |
+  | 3  | （如有）下一个题目：自动跳转或点击“下一题”进入下一问题 | 继续答题           | 同上                                     |
+  | 4  | 课程结束：完成最后一道题后，系统显示课程完成界面或提示    | 返回课程首页或其他界面 | 触发 `LessonCompleted`：授予相应XP，同时记录一次“完成课程”事件。根据设置，用户完成课程可获得一次**连胜补偿**（若有空位）【26†L12-L20】。 |
+
+  Brilliant 的特点是**即时解析**。每答完一道题，系统都会提供带解释的正确答案，不限制答题次数，鼓励用户反复思考【48†L193-L200】。完成课程后，用户会获得对应的经验值（XP）并更新连胜计数。经验值的多少取决于题目难度和时间投入【31†L243-L252】，并即时反映在联赛排名中（每周结算排名）【31†L184-L193】【31†L243-L252】。
+
+## 5. 每一步如何给反馈
+
+- **Duolingo：** 每题答题后立即给出反馈：如果回答正确，界面出现绿色勾号和鼓励消息，动画角色也会表示祝贺；错误时则出现红色叉号，同时显示正确答案并可能附带简短说明【36†L221-L226】。为避免过度惩罚，错误后用户可通过“报告”按钮反馈题目问题【11†L61-L69】。总体上，Duolingo 的微文案（如“Correct!”、“Try again!”）亲切鼓励，旨在让用户感觉学习愉快。
+
+- **Brilliant：** Brilliant 在用户答题后不突出“对错”标签，而是直接展示答案和详细解析【48†L193-L200】。若回答正确，则页面可能显示“Great job!”等正面反馈；若错误，界面不会发出刺耳噪音或惩罚，而是以讲解方式说明正确思路【48†L193-L200】。这种即时、正向的反馈方式强调知识理解，减少挫败感。
+
+## 6. 用户答错后如何处理
+
+- **Duolingo：** 答题错误会扣除一颗生命（heart）【36†L221-L226】。如果当天累计错题数达到上限（通常为5次），课程会中断，需要完成额外的“练习课”才能恢复生命值，或用户可以花费宝石（Gems）或购买道具来立即补充生命【36†L221-L226】。此外，用户可使用界面上的“报告”功能反馈错题所在【11†L61-L69】。总之，Duolingo 对错误有较严苛的限制机制，但也提供付费和练习两种补救途径。
+
+- **Brilliant：** 答错后不会扣除任何资源，也不会强制重做。系统只会显示正确解答并提供解析【48†L193-L200】。用户可以在没有惩罚的环境中继续学习，错误仅作为学习过程的一部分，不会中断当前学习进度或破坏连胜（只要有可用的连胜补偿道具）【26†L12-L20】。
+
+## 7. 如何降低挫败感
+
+- **Duolingo：** 为减轻因为失去连胜带来的挫败感，Duolingo 引入了“连胜保存”（Streak Freeze）等机制。用户可以用宝石购买 Streak Freeze，以在错过一天学习时保持连胜不变【36†L221-L226】。在 A/B 测试中，Duolingo 曾推出每周免费一次的“周末护符”，允许用户周末双日缺席仍不失去连胜【5†L131-L139】。此外，订阅 Super 后可享无限生命和额外保护道具【36†L230-L237】。总体而言，Duolingo 通过道具和练习课设计降低用户因为失误而失去积极性的风险。
+
+- **Brilliant：** Brilliant 在设计上最大限度避免负面反馈：错误不遭惩罚，只提供正确答案与解析，从而让用户在安全氛围中学习【48†L193-L200】。连胜系统也较为宽松：用户完成每个课程或练习都会自动获得一个连胜补偿道具（最多可储存2个），这样偶尔缺勤不会立即清零连胜【26†L12-L20】【25†L10-L15】。这一模式让用户可以无压力地每天保持学习习惯，同时有效保留任务中断时的激励。
+
+## 8. 进度条、等级、Streak、目标如何设计
+
+- **Duolingo：** 进度条和等级方面，Duolingo 使用“经验值（XP）+排行榜+联赛”来追踪进度【56†L185-L193】。每日学习目标如15/30分钟一旦完成，对应的火焰图标（连胜）天数就会增加【5†L71-L79】。课程内的进度通过绿色条形条和星级显示；整个课程的掌握度通过皇冠等级（最多5级）表示【33†L70-L78】【56†L117-L122】。此外，Duolingo 有**课程等级**概念：每完成一次单位会升级（通关），累计通关单位数可提升用户在课程中的等级【56†L194-L204】。超级用户还可参与排行联赛，XP高者提升联赛等级【56†L185-L193】。
+
+- **Brilliant：** Brilliant 的进度指标主要是经验值（XP）和联赛等级【31†L184-L193】【31†L243-L252】。连胜规则为“每天完成至少3个题目或1个完整课程”【25†L10-L15】，每达标一天连胜+1（否则重置或消耗补偿）；当前连胜在首页突出显示。XP 用于每周联赛，周榜前30名进入竞争，每周重置XP，并根据排名上下分区【31†L184-L193】【31†L243-L252】。联赛分为10级（从 Hydrogen 到 Einsteinium）【31†L189-L193】。Free 用户的学习目标（今日待做题数）通常在首页“学习路径”界面和今日挑战中提示，已完成题目会在路径上标记为完成，帮助用户跟踪进度。
+
+## 9. 每日任务如何展示
+
+- **Duolingo：** 首页突出显示用户的当前连胜（火焰图标）和每日目标进度。例如，目标XP进度条会在首页出现，表明当天已获得多少经验。Duolingo 还使用任务/挑战体系：底部菜单的宝箱图标进入任务界面，其中包括每周任务、好友任务和时限挑战【33†L93-L100】。完成当日目标后，系统会给予鼓励并展示已完成，提示用户保持习惯。
+
+- **Brilliant：** Brilliant 的“每日任务”表现为“每日问题”（Daily Challenge）【48†L169-L177】。登录时，用户可以在“Today”标签页看到当日题目和解答入口，解答之后即完成今日任务。另外，用户主页或课程路径界面也会标注已学课程数，提醒剩余可学习的内容。总体上，Brilliant 强调每日持续参与，将每日解决新问题作为日常任务来激励学习。
+
+## 10. 通知提醒如何设计
+
+- **Duolingo：** Duolingo 强烈依赖推送通知来促进复习和保持习惯。用户可以在设置中开启定时练习提醒、智能排程等功能【36†L260-L263】。系统常推送如“你的连胜即将中断”“别忘了今日学习目标”等个性化消息【5†L81-L88】。此外，如果用户连续登录（早起/夜猫奖励）或达成里程碑，也会通过通知或邮件表扬用户。总之，Duolingo 的通知设计结合了成就提醒和轻微催促，帮助用户形成学习习惯。
+
+- **Brilliant：** Brilliant 也通过推送和邮件提醒用户保持习惯【43†L39-L47】。其通知类别包括“每日练习提醒”、“联赛排名提醒”、“课程推荐”以及“连胜提醒”等【43†L39-L47】。用户可在偏好设置中选择启用哪些通知（应用推送或邮件均可）。这些提醒帮助用户记得做每日挑战或继续学习，并关注每周联赛进度。
+
+## 11. 学习完成页如何设计
+
+- **Duolingo：** 完成一节课（或一组题目）后，Duolingo 通常会弹出一个结算页面，显示本次获得的经验值、金币奖励、新解锁的内容（如单元完成）等，同时更新当前连胜和挑战进度。这一页面还可能提供继续练习或返回主页的按钮。用户可直观看到“+X XP”和连胜天数等信息，以巩固成就感。
+
+- **Brilliant：** Brilliant 在完成课程序列后，主要通过更新数字来反馈进度：系统会自动增加用户的经验值（XP）并记录课程完成情况。这些结果会在用户首页或联赛页面中体现【31†L243-L252】。一般而言，Brilliant 不像游戏一样弹出花哨的结算页，而是让用户直接看到下一道任务或回到课程列表，体验较为平滑。完成课程后的经验值更新直接反映在联赛排名上，而不是特别独立的“完成页”界面【31†L243-L252】。
+
+## 12. 付费点如何出现
+
+- **Duolingo：** Duolingo 的商业化主要通过应用内广告和付费订阅来实现。在免费模式下，用户在每节课后会看到插播广告；用户也可以在商店购买宝石用于补充生命或购买连胜保护道具【36†L230-L237】。订阅会员（Super Duolingo）可免广告并获得无限生命和更多连胜保护道具【36†L230-L237】。Duolingo Max 订阅还提供 GPT-4 智能练习等额外功能【36†L242-L246】。此外，Duolingo 试题和课程无法重置等限制也鼓励用户升级付费版本。
+
+- **Brilliant：** Brilliant 的付费点主要是课程访问权限和练习次数。非会员用户每天只能学习有限的课程（通常2节）【31†L213-L221】，超出后将看到升级提示。Brilliant 会在首页和课程目录中展示 Premium 会员权益：购买会员后可无限制访问所有课程和历史每日题【48†L220-L228】。新注册用户通常会收到7天免费试用的推荐【48†L220-L228】。总体而言，Brilliant 借由限制免费内容和频次来引导用户升级付费，从而实现变现。
+
+## 13. App 端为什么适合这些机制
+
+移动应用天然适合零碎时间的学习和游戏化体验。Duolingo 提到其“**碎片化学习**”设计：短小的课程便于用户在早晨喝咖啡、上下班途中等场景完成学习【56†L278-L283】。App 端可以使用推送通知及时提醒，并利用触屏交互（拖拽、点击等）使答题过程更直观。Brilliant 的互动题目（如拖拽、动画演示）在 App 上操作更流畅，也能充分利用图形和触觉来增强趣味性。因此，移动端能够让用户随时随地保持学习习惯，并结合游戏化（声音、振动、动画）增强沉浸感【56†L278-L283】。
+
+## 14. Web 端是否需要这些机制
+
+Web 端同样可以采用类似的学习引导和激励机制，只是推送提醒需要依赖邮件或浏览器通知来替代移动端的推送。Duolingo 和 Brilliant 都在网页上同步应用了课程路径、XP、连胜、练习题等核心机制（学习进度可跨设备实时同步【21†L125-L129】），因此关键的游戏化元素在 Web 端依然适用。Web 用户习惯可能偏向一次性较长学习，会更依赖课程进度提示和等级徽章等显示，而不是碎片化提醒。但总的来说，知习在 Web 端依旧可保留每日目标、进度条和排行榜等机制，只需配合电子邮件提醒等方式来促进日常使用。
+
+## 15. 知习应该复刻的核心机制
+
+综合以上分析，“知习”应借鉴并融合 Duolingo 和 Brilliant 的以下核心机制：**关卡路径与个性化练习**（如 Duolingo 设计的线性学习路径与练习课【33†L70-L78】【56†L117-L122】）；**多样化互动题型**（阅读、听力、口语等混合练习【56†L109-L117】）；**即时解析与鼓励**（借鉴 Brilliant 错题不惩罚而提供解析的方式【48†L193-L200】）；**成就激励**（每日目标、连胜展示、经验值和排行榜激励）【5†L71-L79】【56†L185-L193】。这些机制结合能既保证知识点的稳步学习，又不断给予学习动力。例如，可在课程中增加 Duolingo 式的复习关卡和 Brilliants 式的挑战题，既强化记忆又保持趣味。  
+
+## 16. 知习应该避免过度游戏化的地方
+
+应当避免 Duolingo 早期那种“答错即惩罚、过度卡通化”的做法。Brilliant 的经验表明，**避免使用刺耳音效或惩罚性反馈**会让用户更愿意尝试（正如 Brilliant 答错时仅给出正确解释而不惩罚【48†L193-L200】）。知习不应使用嘲讽或惩罚用户的机制，也应避免将学术内容完全隐藏在游戏货币后面，防止让学习变得商业化。过多推送成就或过度竞争也可能增加压力；应保持鼓励式的文案和界面，突出学习本身的进步与乐趣。
+
+## 17. 知习的数据对象设计建议
+
+建议关键数据对象包括：
+
+- **用户（User）**：用户ID、昵称、学习语言/主题、头像、订阅状态、累计经验值（XP）、当前连胜天数、剩余生命值（hearts）或相似资源、个人学习目标（每日时长或任务数）、通知偏好设置等字段。
+
+- **课程/路径（Course/Path）**：课程ID、名称、描述、所属学科/语言、学习路径顺序（课程序列）。
+
+- **单元/关卡（Lesson/Unit）**：单元ID、所属课程、单元序号、包含的知识点标签、完成要求（如题目数）。
+
+- **题目（Problem/Exercise）**：题目ID、所属单元、题干（文字/图片/音频）、题型（选择、填空、对话等）、标准答案、解析内容、难度等级等。
+
+- **学习进度（Progress）**：记录用户每道题的作答记录（答对/答错次数）、最后答题时间；记录用户每节课是否完成、获得XP数；每日学习记录（日期与完成题数、使用“连胜补偿”等）。
+
+- **激励道具（StreakCharge/Heart）**：若使用生命值和连胜补偿，需记录用户当前心数、已用补偿数、可用补偿数等，用以管理错误限次和连胜保护。
+
+- **任务/挑战（Quest/DailyGoal）**：每日目标设置（如每日需完成题数或分钟数）、每日完成情况，用于每日提醒和统计。
+
+- **通知日志（Notification）**：保存发送给用户的通知记录、类型（提醒、奖励等），以便用户选择查看或撤销。
+
+以上对象构成了知习的主要数据模型，支撑用户管理、学习流程、进度跟踪和激励系统等。
+
+## 18. 知习的学习 session 页面链路建议
+
+知习的学习 session 页面可参考如下步骤链路设计：主页显示学习路径和今日任务提醒，用户点击进入单元后进入题目页面，题目页面即时反馈并自动过渡到下一题，最后展示课程完成总结并返回主页。具体链路可用如下 **Mermaid 流程图**表示：  
+
+```mermaid
+flowchart LR
+    Home[主界面] --> LessonSelect[选择课程/单元]
+    LessonSelect --> Question1[练习题 1]
+    Question1 --> Feedback1{反馈}
+    Feedback1 --> Question2[练习题 2]
+    Question2 --> Feedback2{反馈}
+    Feedback2 --> ... 
+    ... --> QuestionN[练习题 N]
+    QuestionN --> FeedbackN{反馈}
+    FeedbackN --> Summary[课程完成页]
+    Summary --> Home
+```  
+
+该流程中，每道题后都进行即时反馈（成功/失败提示和解析），并自动导航到下一题或完成页。完成页展示本节课累计获得的经验、更新连胜并可跳转回主页或继续学习。
+
+## 融合方案：知习每日学习和留存设计
+
+基于以上分析，**知习**的每日学习和留存方案可设计如下：
+
+- **每日流程**：每天系统在清晨推送提醒（比如“早晨好，今天学习了吗？”），同时主页显示“今日目标”进度（例如需完成X道题或Y分钟学习）。用户进入学习后，依照预设的关卡路径开始答题，既包含新知识也包括复习内容。每日推荐一道“今日挑战”题作为热身，并记录完成情况。学习过程中，每答题都会即时给出反馈和解析。达到当日目标后给予奖励（如虚拟徽章或额外经验），鼓励用户连续多日保持习惯。
+
+- **Session 页面链路**：如上图所示，从主页（展示用户进度、任务和排行榜）→ 关卡选择页 → 题目页 → 反馈弹窗 → 下一题 → … → 完成页，再返回主页。完成页要汇总本节课获得的经验、成就徽章和更新后的连胜天数，提供简要鼓励文案和返回按钮。
+
+- **反馈规则**：正确时使用奖励性文案和动画；错误时不使用惩罚音效或弹窗，而是直接显示正确答案及详细解析【48†L193-L200】。错题可标记为“待复习”，并安排在后续复习中再次出现。
+
+- **错误处理**：引入类似 Duolingo 的生命值系统限制连续错误，但数量可调（例如5次错题/生命）。引入 Brilliant 的**连胜补偿道具**：用户每完成一节课可获得一个补偿道具（最多可持有两次），错过学习时自动使用以保留连胜【26†L12-L20】。同时提供额外练习机会来恢复生命值，而非直接让用户付费。
+
+- **进度指标**：主页显示连续学习天数和等级进度条。用户每天完成目标可获得经验值（XP），并在排行榜/联赛中与其他用户竞赛【56†L185-L193】【31†L184-L193】。设置10级联赛（可参考Brilliant称呼）激励用户每周比拼经验。课程完成度通过关卡图谱展示，完成关卡点亮星星。每日目标（如题目数量或分钟数）进度条直观呈现，完成后有提示。
+
+- **通知策略**：推送消息包括每日学习提醒、连胜提醒、进度反馈等，用户在偏好中可自行定制【36†L260-L263】【43†L39-L47】。比如：开始新一天时推送“新目标已刷新”，距离断更时推送“别忘了保持连胜哦”。完成每周学习目标后可发放勋章并通知表扬。
+
+- **低挫败机制**：避免生硬惩罚。提供**连胜补偿**和足够提示，错误时只能温柔提醒并引导学习。对重要概念设置额外引导练习，帮助克服困难而非退出。教学内容要有难度曲线避免突跳；使用关卡设计将知识渐进引入，结合概念提示帮助理解。
+
+- **货币化触点**：在用户达成免费每日任务后，页面可友好提示“升级会员可获得更多练习机会与功能”（如额外学习资源或无广告体验）。在超出免费练习限制时，弹出升级选项。完成课程后，如果有“冥想奖励”或“主题礼包”等激励道具，也可引导使用虚拟货币或订阅来获得。重点是将付费点设置在自然需求节点（练习次数用尽、想要无广告等），而非学习必经流程中强制出现。
+
+  
+**数据模型建议：** 建议关键对象包括用户（含属性：ID、昵称、头像、订阅状态、每日目标设定、连胜天数、剩余生命值、累计XP、通知偏好等）、课程（ID、名称、学科）、单元/关卡（ID、所属课程、序号、知识点等）、题目（ID、单元、题干、答案、解析、题型）、练习记录（用户-题目答题历史：次数、是否正确、时间）、每日学习记录（日期、完成题数、使用补偿次数）、连胜补偿（用户ID、当前持有补偿数）等。这些对象字段可以支持前述功能。
+
+```mermaid
+flowchart LR
+    Home("主页: 学习路径 + 今日目标")
+    Home --> LessonList("课程/单元选择页")
+    LessonList --> Question1("题目1 页面")
+    Question1 --> Feedback1{"反馈弹窗"}
+    Feedback1 --> Question2("题目2 页面")
+    Question2 --> Feedback2{"反馈弹窗"}
+    Feedback2 --> NextQuestion["..."]
+    NextQuestion --> QuestionN("最后一道题页面")
+    QuestionN --> FeedbackN{"反馈弹窗"}
+    FeedbackN --> Summary("课程完成页")
+    Summary --> Home
+```
+
+以上流程确保用户在移动端能顺滑地完成每节课，并即时获得反馈和激励。通过借鉴 Duolingo、Brilliant 的设计要素，“知习”将提供具有趣味性、反馈性和激励性的日常学习体验，促进用户持续参与并养成良好学习习惯。  
+
+**参考资料：** Duolingo 和 Brilliant 官方博客及帮助文档【33†L70-L78】【36†L221-L226】【25†L10-L15】【26†L12-L20】【48†L193-L200】【31†L184-L193】【5†L71-L79】【56†L278-L283】等。
\ No newline at end of file
diff --git a/核心架构/deep-research-report (2).md b/核心架构/deep-research-report (2).md
new file mode 100644
index 0000000..10cad6a
--- /dev/null
+++ b/核心架构/deep-research-report (2).md	
@@ -0,0 +1,251 @@
+# StudyFetch 与 Knowt 对知习的产品设计启发报告
+
+## 执行摘要
+
+从“上传材料→生成学习工件→进入复习循环”这条主链路看，**StudyFetch** 更像一个“重编排、重掌控、重掌握度追踪”的系统：它把 **Study Set** 作为核心容器，围绕同一份材料衍生出笔记、闪卡、QuizFetch、Practice Test、Tutor Me、Spark.E Chat 等一整套学习工件，并把来源回链、信心评分、掌握度、热力图、未来到期量、专题表现等都纳入统一学习闭环中。官方文档明确写到 Study Sets 是学习体验的基础层；上传材料后可生成笔记、闪卡、测验和练习考试；Spark.E/ Tutor Me 进一步把这些工件接回到问答与讲解流程里。citeturn3view1turn4view2turn8view0turn37view4turn38view0
+
+**Knowt** 则更像一个“低门槛、低摩擦、轻量高频”的系统：其入口高度集中在 Create / Upload / Materials，AI Summarizers 在上传后就会询问要生成 notes 还是 flashcards；从 note 一键再生 flashcards 或 practice test；从 flashcard 直接进入 Learn / Practice Test / Spaced Repetition / Flashcards 等模式；同时 Kai 还能通过 Chat / Call with Kai 贴着具体 notes 或 flashcards 做讲解与提问。它的免费层对“创建与学习模式”非常慷慨，但 AI 使用量按月受限。citeturn17view0turn24view0turn20view1turn20view2turn21view0turn17view4turn17view5
+
+对“知习”的直接启发是：**底层要像 StudyFetch 一样把“材料”做成长期可追溯的 canonical object，上层要像 Knowt 一样把“生成与进入学习”做得足够轻**。换言之，知习最适合采用“材料仓 + 工件工作台 + 掌握度引擎”的结构：上传后先做抽取、分段、知识点聚类与来源定位，再一键生成闪卡、测验、练习卷、AI 导学/陪练和学习指南；生成后允许快速编辑；学习时持续记录错误、信心、重做历史与专题掌握度。另一个必须前置处理的问题是 **隐私与训练用途的明示**：StudyFetch 的 2024 消费者隐私政策写明用户上传内容“可能”被用于 AI/ML 训练等业务用途，而其 2025 研究页又写明“Student data is never used to train our AI systems”，企业/伦理页则限定为 enterprise data 不用于训练；Knowt 的消费者隐私政策则允许站点与 App 上广告/分析提供方收集一部分标识符与行为数据，但在学校 DPA/组织模式下又会关闭广告、禁用外部分享并弱化个人画像。知习应当把这些“说法分裂”彻底消灭掉。citeturn31view0turn30search2turn35view0turn29view0turn29view1
+
+## 研究范围与证据口径
+
+本报告**只研究 StudyFetch 与 Knowt**，且优先使用它们的官方产品页、帮助中心、官方博客/研究页、官方应用商店说明与官方隐私/定价页面；未采用第三方测评来支撑核心判断。凡官方来源没有给出明确答案的地方，一律标记为 **“未说明”**；凡是我基于多个官方页面做出的产品结构归纳，会明确写成“按官方入口/文档呈现推断”。citeturn2view0turn17view0turn31view0turn29view0
+
+需要特别提醒两点证据限制。其一，**StudyFetch 的学生免费层公开矩阵不完整**：官方明确有“Start for Free”，并写到免费计划下录课次数按月有限，但没有在公开学生页面上给出完整、统一、可核验的免费配额表；因此凡涉及精确额度的地方，本报告不做推断。citeturn14view1turn15view0 其二，**Knowt 的 AI 限额确实存在，但公开页面未显示精确配额数字**；官方帮助中心只说明 Basic 免费层有 AI usage 限制、按月重置，且可在 Settings 里查看不同 AI 类型的使用情况。citeturn17view3turn17view4turn17view5
+
+## StudyFetch 产品拆解
+
+StudyFetch 的核心组织方式不是“单次生成”，而是 **先建 Study Set，再把材料、工件、练习与 AI 辅导都挂在同一个学习空间里**。官方教程把 Study Set 定义为学习体验的“foundation and core organizational layer”；材料上传支持文档、录课、YouTube、音视频、Google Docs、手写笔记、Paste Notes、甚至“无材料从主题生成材料”；在上传文档时还能直接勾选生成笔记、抽取图片、按章节切分。citeturn3view1turn4view4
+
+下图根据 StudyFetch 官方教程与功能页，把它的端到端链路压缩成一个设计视图：**材料先进入 Study Set，Study Set 再统一派生笔记、闪卡、QuizFetch、Practice Test、Tutor Me 和 Spark.E**；其中笔记可在上传时直接生成，而闪卡、测验、练习卷与 Tutor Me 则各自有明确的 Create 流程。citeturn3view1turn4view0turn4view1turn9view0turn10view1
+
+```mermaid
+flowchart TD
+    A[创建 Study Set] --> B[上传材料]
+    B --> B1[文档 / 录课 / YouTube / 音视频 / Google Docs / 手写 / 无材料主题]
+    B1 --> C{上传期配置}
+    C --> C1[抽图 Extract images]
+    C --> C2[生成 Notes]
+    C --> C3[Chapter Splitting]
+    C --> D[Study Set Dashboard / Materials]
+
+    D --> E[Notes]
+    D --> F[Flashcards]
+    D --> G[QuizFetch]
+    D --> H[Practice Test]
+    D --> I[Tutor Me]
+    D --> J[Spark.E Chat]
+
+    F --> F1[选材料/上传新材料]
+    F1 --> F2[选题型与数量]
+    F2 --> F3[名称/语言/插件/Focus Topic]
+    F3 --> F4[学习模式 Standard / Spaced / Confidence / Bookmarked]
+    F4 --> F5[Stats / 来源回链 / Spark.E 辅助]
+
+    G --> G1[选材料或闪卡]
+    G1 --> G2[选题型/题量/考试格式]
+    G2 --> G3[答题]
+    G3 --> G4[确认答案]
+    G4 --> G5[信心评分]
+    G5 --> G6[即时反馈与掌握度]
+    G6 --> G7[结果页 / Topic Performance / Continue Learning]
+
+    H --> H1[选材料或闪卡]
+    H1 --> H2[选题型/题量]
+    H2 --> H3[作答与提交]
+    H3 --> H4[查看对错 / Spark.E 解释]
+    H4 --> H5[Retake]
+
+    I --> I1[材料 / Topic / Screenshare]
+    I1 --> I2[页码范围 / 学习模式 / 目标 / 语言]
+    I2 --> I3[生成课件式 Tutor Session]
+    I3 --> I4[语音 / 文本 / Lesson Plan / 进度条]
+```
+
+| 维度 | StudyFetch 观察与对知习启发 |
+|---|---|
+| 自动生成内容 | 严格按教程，**上传阶段可直接自动生成的是 Notes**：上传文档时可勾选 “Generate Study Notes”，并选择 Summarized / In-Depth / Comprehensive；但官方首页与应用商店同时把上传后的总体产出描述为 flashcards、quizzes、detailed notes、personalized learning sessions。较稳妥的结论是：**Notes 是上传期直接自动生成；其余工件以同一材料为基础、通过后续 Create 流程派生**。知习应把“上传即刻产出”和“上传后可派生产出”在 UI 上严格区分。citeturn4view4turn15view1turn30search0 |
+| 闪卡入口与链路 | 入口在 **Practice → Flashcards → Create Flashcard Set**；可从 Materials、Topic、Quizlet、Anki、Scratch 创建。From Materials 流程依次为：选材料/上传新材料 → 配置题型与数量 → 配置名称/语言/插件/Focus Topic → 生成。知习应复制这种“**来源先选清楚，题型配额再定制**”的顺序。citeturn4view0turn5view0turn5view1 |
+| Quiz / Test 入口与链路 | **QuizFetch** 与 **Practice Test** 是两条明确分开的产品流程。QuizFetch：Practice → QuizFetch → New QuizFetch / Create menu → 来源选材料或闪卡 → 选题型与题量、可选 exam-specific 格式 → 命名/语言/插件/Focus Topic → Create quiz。Practice Test：Practice → Test → New Test / Create menu → 来源选材料或闪卡 → 选题型与题量 → 开始答题与提交。知习应保留“**轻量 quiz**”与“**完整 practice test**”两种不同负荷的测验工件。citeturn9view0turn5view4 |
+| 是否有 AI tutor | 有，且不止一种：**Spark.E Chat、Tutor Me、Spark.E Call** 均属于 tutor/辅导入口；首页还明确写 Spark.E “knows your coursework”，可 via chat or voice 进行解释和出题。citeturn2view0turn30search0turn31view1 |
+| tutor 是否基于用户材料 | 是。Spark.E Chat官方写明会分析 lecture slides、notes 等上传内容，提供 context-aware support；Tutor Me 的 “Create from Materials” 则要求先选已上传材料，还能选页码范围。知习应支持 **按材料、按页段、按专题** 创建 tutor session，而不是只给一个泛化聊天框。citeturn4view2turn10view2 |
+| 是否要求确认 AI 生成内容 | 官方明确展示的是 **生成前的配置确认**：用户要先选来源、题型、数量、语言、插件，再点击 Create；但**未说明**生成后必须逐卡/逐题人工审批才能保存或进入学习。知习可以比它更进一步：在“自动生成后进入学习前”插入一个**快速审阅层**。citeturn5view1turn9view0turn10view1 |
+| 生成结果如何编辑 | 闪卡支持进入 Editing View 后**改现有卡、加新卡、改名、合并卡组**；Notes 明确支持 edit and customize；而 Quiz/Test 官方教程只明确支持**改名**与对题目**点赞/点踩反馈**，是否支持逐题改写，**未说明**。知习应把“可学可改”做到更统一：闪卡、题目、学习指南段落都应可编辑。citeturn6view2turn6view0turn4view3turn8view4turn38view3 |
+| 如何进入学习/复习循环 | 闪卡进入 **Standard / Spaced Repetition / Confidence / Bookmarked** 四类学习模式；QuizFetch 通过 confidence + immediate feedback 形成 adaptive review；Practice Test 在批改后进入查看答案与重做；Tutor Me 会保存 session，可回访之前课程。知习应把 “**生成**” 和 “**进入哪种训练环**” 明确分开。citeturn7view3turn7view4turn7view5turn37view0turn7view2turn11view3 |
+| 如何记录错题/弱项 | QuizFetch 会根据正确率与信心度计算掌握进度；答错时会说明该题还需连续答对几次才能重新掌握；题目过多错误时系统会暂停推进并建议先复习；Topic Performance 会显示每个主题的状态。闪卡则通过 confidence ratings、ease factor、bookmarks 记录弱项。Practice Test 则以正确/错误结果页支持复盘。citeturn37view1turn37view4turn37view5turn8view0turn8view3turn7view0 |
+| 如何展示学习进度 | 展示层极丰富：闪卡有 Card Progress、Heatmap、Hourly Breakdown、Ease-Factor、Future-Due、Buttons-Pressed；QuizFetch 有点阵进度条、overall mastery、topic graph、Stats 页；Practice Test 有 completion percentage 和 question map；Tutor Me 有 lesson progress bar 与 lesson plan topic progress。知习如果只做一个“完成百分比”，会明显不如这两者，尤其不如 StudyFetch。citeturn8view0turn8view1turn8view3turn37view2turn38view0turn6view6turn10view5 |
+| 移动端职责 | 官方没有直接用“职责”定义移动端；**按官方 App 描述推断**，移动端主要承担：材料上传、录课、随手生成闪卡/测验/笔记、语音导师访问、进度/成就/连续学习跟踪，以及跨设备可随时进入学习。知习移动端应偏“采集 + 练习 + 陪练”。citeturn15view1 |
+| Web 端职责 | 官方同样未以“职责”明说；**按教程入口推断**，Web 端是主要的**编排与控制中心**：Study Set 管理、复杂上传、章节切分、Notes/Flashcards/Quiz/Test/Tutor 的创建、插件配置、Stats 分析等都在 Web 文档里呈现得最完整。知习 Web 端应偏“编排 + 审核 + 深度分析”。citeturn3view1turn4view0turn9view0turn10view1turn38view0 |
+| 免费层限制 | 官方确认有免费入口，也明确写到 **Live Lecture 在免费计划中只有“每月有限录制次数”**；但公开学生侧资料没有统一给出 flashcards / quizzes / tutor / uploads 的完整免费额度表。因此本维度更准确的表述是：**有免费层，但精确限额未说明**。citeturn15view0turn14view1turn12search9 |
+| 知习应复制的核心点 | 最值得复制的是五件事：**材料中心化容器（Study Set）**、**来源回链**、**同一材料多工件派生**、**掌握度驱动的 Quiz/Test/Flashcard 复习引擎**、**材料接地的 Tutor**。这是 StudyFetch 相比很多“只会生卡”的产品更强的地方。citeturn3view1turn7view3turn37view2turn37view4turn10view2 |
+| 知习应避免的坑 | 最应避免三点：**隐私表述冲突**（消费者隐私政策称上传内容可能被用于 AI 训练等业务用途，但研究页又说 student data never used to train AI systems；enterprise/ethics 页只承诺 enterprise data 不训练）；**功能过多但确认流分散**（闪卡、Quiz、Test、Tutor 都有独立创建流程）；**免费层公开边界模糊**。知习必须用一个统一、版本化、可勾选的隐私与配额界面解决这三件事。citeturn31view0turn30search2turn35view0turn4view0turn4view1turn9view0turn10view1 |
+| 对知习的数据对象模型建议 | 以 StudyFetch 为母本，知习应至少有：**Workspace / Course（类似 Study Set）**、**Material**、**MaterialSlice/PageRange**、**Artifact**（flashcard / quiz / test / study guide / tutor session）、**SourceReference**、**MasteryState**、**StudySession**、**Feedback**、**ChatThread**。尤其要保留 SourceReference，因为 StudyFetch 已经把来源定位直接带到卡片/题目上。citeturn3view1turn7view3turn37view2 |
+| 对知习的页面/交互建议 | 直接借鉴其 IA：**Dashboard → Workspace → Materials → Generate → Study**。但要把 StudyFetch 里分散在 Flashcards/Quiz/Test/Tutor 的重复“Create”步骤，收敛成知习里的一个 **统一生成工作台**，让用户先选材料，再批量选要生成哪些工件。citeturn3view1turn4view0turn4view1turn9view0turn10view1 |
+
+## Knowt 产品拆解
+
+Knowt 的产品骨架比 StudyFetch 更轻：**Create / Upload / Materials 是中心**。AI Summarizers 负责把 PDF / PPT / Video / Audio / Lecture recording 变成 notes 与 flashcards；notes 再能一键生 flashcards 或 practice test；flashcards 则承担 Learn / Practice Test / Spaced Repetition / Flashcards 等学习模式。官方移动端页还强调 Discover Material、Exam study on the go、跨端同步。citeturn17view0turn24view0turn20view2turn17view6turn22view4
+
+下图基于 Knowt 官方帮助中心与官网，把其主链路抽象为“**上传/记录 → notes 或 flashcards → from note / from flashcards 进入学习工件 → Kai 陪练**”。与 StudyFetch 相比，它更少依赖“学习空间容器”，更强调“从当前文件立刻进入当前学习动作”。citeturn17view0turn24view0turn20view1turn20view2turn22view1turn36view0
+
+```mermaid
+flowchart TD
+    A[Home / Create / Upload] --> B[AI Summarizer]
+    A --> C[Create Flashcards]
+    A --> D[Create Notes]
+    A --> E[Record Lecture]
+
+    B --> B1[上传 PDF / PPT / Video / Audio / Drive / Snap-and-Solve]
+    B1 --> B2[选择生成 Notes / Flashcards / 不生成]
+    B2 --> F[Materials]
+
+    D --> F
+    C --> G[Flashcard Set]
+    E --> H[Lecture Notes + Flashcards]
+
+    F --> F1[打开 Note]
+    F1 --> F2[Generate Flashcards]
+    F1 --> F3[Take a Practice Test]
+    F1 --> F4[Call with Kai / Chat with Kai]
+
+    G --> G1[Flashcards Mode]
+    G --> G2[Learn Mode]
+    G --> G3[Practice Test Mode]
+    G --> G4[Spaced Repetition]
+    G --> G5[Call with Kai / Chat with Kai]
+
+    F2 --> G
+    H --> F
+    H --> G
+
+    G2 --> R[即时反馈 / 调整难度]
+    G3 --> S[反馈 / 重新测试 / 仅错题重测]
+    G4 --> T[新卡配额 / 间隔设置 / 难点优先]
+```
+
+| 维度 | Knowt 观察与对知习启发 |
+|---|---|
+| 自动生成内容 | **AI Summarizers** 的官方步骤非常明确：上传文件后，Kai 会先问是要生成 **notes** 还是 **flashcards**，并允许选择长度与格式；官网/登录页/录课页又把结果扩展描述为 study guides、practice tests、quizzes 与 AI explanations。高置信结论是：**直接上传后最明确的第一产出是 notes 或 flashcards；practice test / tutor / study guide 是围绕这些材料继续派生的能力**。citeturn17view0turn33view1turn36view0 |
+| 闪卡入口与链路 | 入口非常多，但都很短：Web 端可 Create → Flashcards，或 AI Summarizer 上传后直接要 flashcards；也可以从 Note 页点击 **Generate Flashcards**，再在 “Have Kai make them / Create normally” 中二选一。App 端也支持从首页 Create、Upload，或在 note 的 More 菜单里直接 Create flashcards。知习应当复制这种“**从任何当前上下文一跳生卡**”的 frictionless 设计。citeturn17view8turn24view0turn24view1turn20view0 |
+| Quiz / Test 入口与链路 | 官方学生文档里，最清楚的是 **Practice Test**，而不是一个独立命名的 quiz 对象。From Note：超过 200 words 后即可点击 **Take a Practice test**；From Flashcards：打开 set → Practice Test → 选择题型、question format、learning options → Start → 可重考、可按“仅错题”重测。对于“单独的学生 quiz 工件”，**未说明**。知习应把“测验/练习卷”的对象定义得比 Knowt 更清晰。citeturn20view1turn20view2 |
+| 是否有 AI tutor | 有。官方把 Kai 描述为 personalised AI study helper / AI study buddy；学校方案页明确出现 **1:1 virtual tutor**；帮助中心还提供 **Call with Kai**。citeturn22view0turn22view1turn33view1 |
+| tutor 是否基于用户材料 | 是。Knowt 明确说 Kai 可回答关于 notes、videos、PPTs 的问题；Call with Kai 是挂在 specific notes 或 flashcards 上的；录课页写到记录/上传 lecture 后，除了 notes & flashcards，用户还能 ask Kai to explain concepts and do practice questions。知习应把 tutor 绑定到“材料或工件上下文”，而不是做一个脱离来源的通用聊天。citeturn22view1turn36view0turn33view1 |
+| 是否要求确认 AI 生成内容 | 有**前置选择确认**：AI Summarizer 会在上传后询问要 notes 还是 flashcards，也可选择 “I don’t want anything made”；从 notes 生成 flashcards 时还可在 “Have Kai make them / Create normally” 中选择路径。官方**未说明**存在逐卡逐题的 mandatory 审核步骤。知习适合把这种“轻确认”升级为“快速审阅批处理”。citeturn17view0turn24view0 |
+| 生成结果如何编辑 | Notes 可在 Materials 中打开后编辑，并通过右上角 3 dots 调整设置；Flashcards 可从 Materials 进入 edit，修改现有卡片并新增 term。更进一步，Knowt 还支持给 flashcards 加 **custom hints** 与 **custom multiple choice options**，但这两项当前只在 Plus/Ultra 可用。知习应把“生成后精修”的能力做成基础能力，而非高阶付费附件。citeturn17view2turn24view1turn21view3turn25view0 |
+| 如何进入学习/复习循环 | Flashcard set 是循环核心：进入 **Flashcards / Learn / Practice Test / Spaced Repetition**；Learn Mode 会即时反馈并动态调整难度；Spaced Repetition 可设置每天新卡数与复习间隔；Practice Test 支持新测、重测和“只重做错题”。这套路径非常“轻”，知习应当保留。citeturn21view0turn21view1turn20view2 |
+| 如何记录错题/弱项 | Learn Mode 会告诉用户哪里答错并让其在会话中聚焦改进点；Practice Test 支持**retake with incorrect only**，说明系统能区分错题集合；教师侧 Progress Hub 还能看到 individual flashcard mastery、用时、平均分与哪些术语最薄弱。对普通学生是否存在完整的长期弱项 dashboard，官方学生文档**未说明**。citeturn21view0turn20view2turn27view0 |
+| 如何展示学习进度 | 学生侧官方帮助中心明确说 Learn Mode 会 track progress、Practice Test 会 track progress 并给反馈；但帮助中心没有像 StudyFetch 那样公开展示完整的学生统计图谱，因此更完整的“时间/热力/未来到期”学生可视化属于**未说明**。教师侧则明确有 Progress Hub，可看每位学生在不同 mode 的活动时长、平均分、individual flashcard mastery。citeturn21view0turn20view2turn27view0 |
+| 移动端职责 | **按官方移动页、应用商店页与帮助中心推断**，移动端承担：发现资料、随手上传/录课、从手机生成 notes/flashcards/tests、进行 Learn/Practice Test/Spaced Repetition、查看 AI usage、跨端同步继续学习。知习移动端应重点承担“采集、轻编辑、练习、继续上次学习”。citeturn17view6turn22view4turn17view1turn17view2turn17view3turn20view2turn21view0turn21view1 |
+| Web 端职责 | **按帮助中心入口推断**，Web 端承担：Create 工作流、AI Summarizers、Materials 管理、从 notes 派生 flashcards/practice tests、查看 plan 与 AI usage、教师 class / progress / AI tools 管理。知习 Web 端应承担“批量生成、结构化编辑、班级/组织分析”。citeturn17view8turn17view0turn20view1turn17view3turn27view1 |
+| 免费层限制 | Knowt 的免费层公开信息相对清晰。**Basic = Free**；可创建 notes & flashcards、使用 free study modes、浏览大量公共资料。帮助中心进一步明确：免费学生可 **unlimited create flashcards & notes**，可 **unlimited study** 于 learn/test/matching/flashcard/spaced repetition；但 **AI usage 有月度限制并会重置**。公开页面未列出精确 AI 配额数字。citeturn17view4turn17view5turn17view3 |
+| 知习应复制的核心点 | 最值得复制的是四点：**“任何当前上下文都能一跳生成工件”**、**从 note 一键进入 flashcards / practice test**、**免费学习模式足够完整**、**手机录课与跨端同步**。如果 StudyFetch 提供的是“强系统”，Knowt 提供的就是“强易用性”。citeturn24view0turn20view1turn20view2turn21view0turn36view0 |
+| 知习应避免的坑 | 应避免三类摩擦：**AI 限额信息过于隐蔽**（当前要到 Settings → AI usage 才能看到使用情况）；**某些能力的对象边界不够清楚**（学生侧更强调 Practice Test，独立 Quiz 对象表述不一致）；**某些派生动作带有硬门槛**（例如 note 需超过 200 words 才能 take a practice test）。知习应把限额、对象边界与生成前置条件都前置可见。citeturn17view3turn20view1turn20view2 |
+| 对知习的数据对象模型建议 | 以 Knowt 为母本，知习的数据对象应强化 **Material** 的中心地位，并允许 **Note ↔ FlashcardSet ↔ PracticeTest** 互相派生；同时应有 **TutorContext** 绑定到具体 note/flashcard/test item，而不是只绑定到用户全局聊天。citeturn24view0turn20view1turn22view1turn36view0 |
+| 对知习的页面/交互建议 | 借鉴 Knowt 的最佳做法，知习应让 **任一材料详情页** 至少有四个立即可见 CTA：**生成闪卡、生成测验/练习卷、开始 AI 导学、编辑学习指南**。与其把动作藏进各功能子页，不如在材料页就让用户完成 80% 决策。citeturn24view0turn20view1turn22view1 |
+
+## 关键对比与设计判断
+
+下面这张对比表，只保留最影响“知习”架构选择的差异点。
+
+| 对比轴 | StudyFetch | Knowt | 对知习的判断 |
+|---|---|---|---|
+| 核心容器 | 明确以 **Study Set** 为主容器，材料与工件围绕它组织。citeturn3view1 | 更像 **Materials / File-first**，从当前 note 或 flashcard 直接进入学习动作。citeturn24view0turn20view1 | 知习应采用“双层结构”：上有 Workspace/Course，下有 Material-first。 |
+| 上传后的首要动作 | 上传阶段最明确的是**生成 Notes**，其余工件多为后续派生。citeturn4view4turn15view1 | 上传后会直接询问要 **notes 还是 flashcards**。citeturn17view0 | 知习上传完成页应立即给出“生成哪些工件”的批量选择面板。 |
+| 闪卡生成方式 | 强配置：来源、题型、数量、语言、插件、Focus Topic。citeturn5view0turn5view1 | 强低摩擦：上传即生、从 note 一键生、Chat with Kai 辅助生。citeturn24view0turn20view0 | 默认要像 Knowt 一样快，但高级设置要像 StudyFetch 一样深。 |
+| Quiz / Test 架构 | QuizFetch 与 Practice Test 分工清晰，一个偏 mastery/adaptive，一个偏考试模拟。citeturn9view0turn5view4 | 学生端最清楚的是 Practice Test；独立 quiz 对象未充分公开。citeturn20view1turn20view2 | 知习应明确区分 **Quiz** 与 **Practice Test** 两种工件，避免对象边界模糊。 |
+| AI tutor 接地程度 | Spark.E / Tutor Me 深度接材料、页段、题目与来源。citeturn4view2turn10view2turn7view0 | Kai 也能接 notes / flashcards / lecture，但更多表现为“当前文件上的陪练”。citeturn22view1turn36view0 | 知习应做“材料接地 tutor”，并支持按页面、段落、题目切上下文。 |
+| 学习循环设计 | 非常强调掌握度、信心、未来复习与专题表现。citeturn7view3turn8view3turn37view4turn38view0 | 强调 Learn / Spaced / Practice Test 的轻量循环与错题重做。citeturn21view0turn21view1turn20view2 | 知习应把 StudyFetch 的掌握度引擎嫁接到 Knowt 式低摩擦学习模式上。 |
+| 结果可编辑性 | 闪卡与 Notes 较强；Quiz/Test 逐题编辑公开度不足。citeturn6view2turn4view3turn38view3 | Notes、flashcards 可编辑，且支持 hints / custom MC options。citeturn17view2turn24view1turn21view3turn25view0 | 知习要做到“所有工件都可编辑”，尤其是题目与学习指南段落。 |
+| 免费层公开度 | 有免费层，但学生侧精确公开矩阵模糊。citeturn15view0turn14view1 | 免费层对学习模式很清楚，AI 受月限但公开额度未见。citeturn17view4turn17view5turn17view3 | 知习必须做一张公开、统一、按能力分层的额度表。 |
+| 隐私/训练表述 | 官方来源之间存在明显张力与版本差异。citeturn31view0turn30search2turn35view0 | 消费者隐私允许广告/分析数据处理；学校 DPA 模式更收敛。citeturn29view0turn29view1 | 知习必须一开始就做“训练用途、分享范围、保留期限”的单一事实源。 |
+
+综合判断是：**StudyFetch 更适合拿来设计“知习的后台与掌握度引擎”，Knowt 更适合拿来设计“知习的前台生成与进入学习的交互速度”**。如果知习只能复制一半，那最优先复制的应该不是“更多花样”，而是 **StudyFetch 的来源追溯和掌握度结构**，加上 **Knowt 的上下文一跳生成**。citeturn7view3turn8view0turn24view0turn20view2
+
+## 知习方案建议
+
+基于以上对比，知习不应做成“上传器 + 若干孤立功能页”，而应做成一条清晰的 **材料→抽取→工件→学习→回写掌握度** 闭环。StudyFetch 证明了“材料中心化 + 掌握度驱动 + tutor 接地”的价值；Knowt 证明了“低摩擦派生 + note/flashcard/test 互转 + 跨端继续学习”的价值。citeturn3view1turn37view4turn24view0turn20view2
+
+**合并后的知习主链路**建议如下：
+
+```mermaid
+flowchart TD
+    A[上传材料] --> B[抽取与解析]
+    B --> B1[文本抽取 / 版面分析 / 图像OCR / 章节切分 / 知识点聚类]
+    B1 --> C[材料详情页]
+
+    C --> D[统一生成工作台]
+    D --> D1[闪卡]
+    D --> D2[Quiz]
+    D --> D3[Practice Test]
+    D --> D4[AI Tutor Session]
+    D --> D5[学习指南]
+
+    D1 --> E[快速审阅与编辑]
+    D2 --> E
+    D3 --> E
+    D4 --> E
+    D5 --> E
+
+    E --> F[开始学习]
+    F --> F1[闪卡模式]
+    F --> F2[Quiz 模式]
+    F --> F3[Practice Test 模式]
+    F --> F4[Tutor 模式]
+    F --> F5[学习指南阅读模式]
+
+    F1 --> G[记录正确率 / 信心 / 复习时间 / 收藏 / 易错标签]
+    F2 --> G
+    F3 --> G
+    F4 --> G
+    F5 --> G
+
+    G --> H[专题掌握度 / 错题簇 / 复习计划]
+    H --> I[推荐下一步动作]
+    I --> D
+```
+
+**知习的数据对象模型**建议如下。这个模型同时吸收了 StudyFetch 的 Study Set / source trace / Stats 思路，与 Knowt 的 Materials / note-to-test / current-file actions 思路。citeturn3view1turn7view3turn24view0turn20view1
+
+| 对象 | 关键字段 | 设计目的 |
+|---|---|---|
+| Workspace | id, name, subject, exam_date, owner_id | 对应课程/考试/项目级容器，承接 Study Set 的组织价值。 |
+| Material | id, workspace_id, type, source, file_meta, language, visibility, parse_status | 上传材料的 canonical object。所有工件都必须能追溯回 Material。 |
+| MaterialSlice | id, material_id, page_range, section_title, token_span, embedding_ref | 支持按页段、章节、知识点做 tutor、题目与来源回链。 |
+| Artifact | id, workspace_id, artifact_type, generation_job_id, status, title | 统一承载 flashcard_set / quiz / practice_test / study_guide / tutor_session。 |
+| FlashcardItem | id, artifact_id, card_type, front, back, distractors, hint, source_refs | 兼容术语卡、填空卡、选择卡、图像遮挡卡。 |
+| QuestionItem | id, artifact_id, question_type, stem, options, answer, rubric, source_refs | 统一 Quiz 与 Practice Test 题目对象。 |
+| StudyGuideBlock | id, artifact_id, block_type, heading, body, source_refs | 学习指南以块级结构可编辑，而不是一整篇不可拆文本。 |
+| TutorSession | id, artifact_id, mode, context_scope, transcript_ref, summary | 支持“按材料”“按页段”“按题目”的 AI tutor。 |
+| SourceReference | id, material_slice_id, artifact_item_id, quote_span, confidence | 用于“这张卡/这道题来自哪一页哪一段”。 |
+| ReviewEvent | id, user_id, artifact_item_id, mode, correctness, confidence, latency | 记录每次学习行为，供掌握度与推荐引擎使用。 |
+| MasteryState | id, user_id, artifact_item_id, mastery_score, ease, due_at, weak_flag | 支持 spaced repetition、错题簇和专题掌握度。 |
+| Recommendation | id, user_id, reason_code, target_artifact_id, target_mode | 承接“继续学习 / 推荐学习工具 / 推荐重练题组”。 |
+
+**知习的页面与链接建议**，应当把“材料页”设为第一枢纽，把“统一生成工作台”设为第二枢纽。
+
+| 页面 / 路由建议 | 页面职责 | 关键 CTA / 深链建议 | 必须出现的确认点 |
+|---|---|---|---|
+| `/inbox` 上传收件箱 | 拖拽上传、录音、拍照、导入云盘 | 上传完成后直接深链到 `/materials/{id}` | 上传前：版权/隐私/训练用途声明；上传后：是否生成工件 |
+| `/materials/{id}` 材料详情 | 预览原文、目录、解析结果、章节切分、源文本高亮 | `生成闪卡`、`生成Quiz`、`生成练习卷`、`开始导学`、`生成学习指南` | 生成前：范围选择、语言、难度、题型、是否保留引用 |
+| `/generate` 统一生成工作台 | 一次勾选多种工件并共享设置 | 支持“本次同时生成：闪卡+Quiz+学习指南” | 生成前最终确认；显示预计耗时与额度消耗 |
+| `/artifacts/{id}/review` 快速审阅 | 批量 Accept / Edit / Delete | 对每张卡、每道题、每个指南块做快速操作 | 进入学习前的可选快速确认 |
+| `/study/{artifact_id}` 学习页 | 闪卡/Quiz/Test/Tutor/Guide 具体学习模式 | `重新生成当前项`、`查看来源`、`稍后复习` | 提交答案前确认；退出时自动保存 |
+| `/progress` 进度页 | 错题簇、专题掌握度、未来待复习、连续学习 | `继续上一轮`、`只练弱项`、`打开学习指南` | 无需额外确认，但需显式展示算法依据 |
+| `/settings/privacy` 隐私与配额 | 数据导出、删除、训练授权、组织模式 | `导出我的材料`、`删除原文件`、`关闭训练授权` | 所有高敏设置需二次确认 |
+
+**可编辑 UI / 工作流备注**，建议知习明确区分“自动生成”“快速审阅”“深度编辑”三层，而不是把编辑能力藏在少数对象里。
+
+| 场景 | 推荐做法 | 为什么这样做 |
+|---|---|---|
+| 上传后首屏 | 不要直接把用户扔进某一个学习模式；先到材料详情页，显示解析摘要与分段结果 | StudyFetch 太强但入口多；Knowt 很快但对象边界有时不够清楚。 |
+| 生成闪卡/题目 | 默认先给 10–20 个样本供快速 Accept / Reject / Edit，再允许“一键批量通过剩余项” | 可兼顾效率与质量，解决两边都“生成后缺少统一审阅层”的问题。 |
+| 学习指南 | 必须块级可编辑，并可“锁定来源引用” | 避免一整篇 AI 文本难以修正，也利于 tutor 精确引用。 |
+| 错题回收 | 错题不应只是一个列表，应自动聚类成“概念薄弱点”“题型薄弱点”“来源页段薄弱点” | StudyFetch 的 Topic Performance 很强，知习可以再往前一步。 |
+| AI tutor | tutor 对话上方始终显示上下文范围，例如“第 3 章第 12–18 页 / 当前第 7 题 / 当前学习指南第 4 节” | 让用户知道 AI 是“基于什么在说”，降低幻觉感。 |
+
+**确认/同意点**应设计成产品硬规则，而不是法律页角落里的小字。最少应有四个节点：上传前（版权与隐私责任）、解析后（是否生成哪些工件）、首次进入 AI tutor（是否允许调用原文件内容作为上下文）、数据用途设置页（默认不用于模型训练，若要用于训练必须单独 opt-in）。之所以要这么做，是因为 StudyFetch 的公开来源在训练用途上存在表述张力，而 Knowt 的消费者/学校模式在广告与数据治理上也并不相同。citeturn31view0turn30search2turn35view0turn29view0turn29view1turn36view0
+
+**数据隐私建议**应至少落到以下规则：默认不把用户上传材料用于基础模型训练；若未来要做训练改进，必须按“可撤回、范围可选、按工作区生效”的显式授权来做；原文件与派生工件的可见性分开控制；提供导出与删除；组织/学校模式下禁广告、禁外部公开分享、弱化画像字段，并支持未成年人策略；同时在每次上传时提醒用户不得侵犯第三方版权或隐私权。Knowt 的上传页与学校 DPA 模式已经给出一部分正反案例，而 StudyFetch 的公开政策冲突正好说明“单一事实源”有多重要。citeturn36view0turn29view1turn29view0turn31view0
+
+最后，仍有几项**开放问题/限制**应在下一轮产品访谈或可用性测试中继续验证。StudyFetch 公开学生资料**未说明**：学生免费层对 uploads / flashcards / quizzes / tutor 的统一额度表，以及 Quiz/Test 是否支持逐题编辑。Knowt 公开学生资料**未说明**：除 Practice Test 外，是否存在独立、稳定定义的学生 quiz 对象，以及完整的学生侧长期统计大盘。在知习立项时，这两类问题都不该被留给用户自己摸索，而应该在信息架构与定价页面中直接回答。citeturn15view0turn14view1turn38view3turn20view1turn20view2turn17view3
\ No newline at end of file
diff --git a/核心架构/deep-research-report (3).md b/核心架构/deep-research-report (3).md
new file mode 100644
index 0000000..468833d
--- /dev/null
+++ b/核心架构/deep-research-report (3).md	
@@ -0,0 +1,257 @@
+# NotebookLM 与 ima 深度研究报告
+
+## 执行摘要
+
+如果“知习”要做成一个真正可用、可被信任、可持续积累的学习型产品，最值得吸收的不是某个单点功能，而是两套不同的产品抽象：**NotebookLM 的“项目型笔记本”**，以及 **ima 的“长期知识库工作台”**。NotebookLM 把一次研究或一次课程学习压缩进一个独立 notebook，上传来源后立刻进入“来源—问答—产物”闭环，而且其最强优势并不是播客或思维导图，而是**回答始终带证据、引文可悬停、可跳回原文上下文**这一套可信答案契约。citeturn32view0turn39view0turn20view0
+
+ima 的思路则明显更偏“活知识库”：它以知识库为中心，覆盖个人库、共享库、知识库广场，以及“基于全网/基于知识库”的双问答入口，并把报告、PPT、播客、测验、录音纪要、笔记写作等都串在一个工作台里。它的核心价值不只是“能问”，而是**知识可沉淀、可协作、可流动、可复用**。这使它非常适合长期学习、备课、研究资料归档与组织协作。citeturn36view0turn26view0turn28view1turn26view1turn28view3
+
+因此，对“知习”最优的方向不是二选一，而是做一个**双层结构**：底层是长期 Knowledge Base，负责导入、加工、权限、版本与共享；上层是面向一次学习任务的 Study Notebook 或 Study Session，负责选源、问答、引用、总结、测验、播客与复习进度。这样既能获得 NotebookLM 的聚焦与可信回答，也能保留 ima 的长期沉淀与知识流转能力。citeturn32view0turn39view0turn28view1turn28view3
+
+从设计优先级看，“知习”应把资源优先放在五件事上：**高质量导入与解析、可验证引用、阅读态中的问答、学习工坊式派生产物、学习进度闭环**。如果这五件事没有做好，公共广场、Agent 个性化、社交分发都会变成噪音放大器；这其实正是 NotebookLM 与 ima 两者长处互补、短板互补后给出的最清晰结论。citeturn39view0turn32view0turn36view0turn28view3
+
+## NotebookLM 完整链路
+
+NotebookLM 的官方公开资料非常完整，且有简体中文帮助中心可直接复核。这使它特别适合被当作“知习”的**可信问答与学习产物系统**参考样板。官方信息显示，NotebookLM 的基本抽象不是“总知识库”，而是**围绕单个项目或主题的 notebook**；每个 notebook 独立，不能跨 notebook 同时访问内容。用户新建 notebook 后上传或发现来源，系统在 Chat 面板中自动生成总摘要，并在 Studio 面板中生成或建议产物，形成非常短的首个价值回路。citeturn32view0turn16view0
+
+```mermaid
+flowchart LR
+    A[首页] --> B[新建 Notebook]
+    B --> C[上传或发现来源]
+    C --> D[Sources 面板整理来源]
+    C --> E[Chat 自动生成总摘要]
+    E --> F[提出问题或下达操作指令]
+    F --> G[回答内嵌引用]
+    G --> H[悬停看引文]
+    G --> I[点击跳回原文上下文]
+    E --> J[Studio 生成学习产物]
+    J --> K[学习指南/FAQ/简报]
+    J --> L[思维导图]
+    J --> M[抽认卡/测验]
+    J --> N[音频概览]
+    J --> O[演示文稿/信息图]
+    G --> P[保存到笔记]
+    P --> Q[持续追问与复用]
+```
+
+| 维度 | NotebookLM 现状 | 对知习的启示 |
+|---|---|---|
+| 产品定位 | AI 研究助手，围绕“单个 notebook 对应单个项目/主题”展开；目标是帮助理解复杂信息、整理思路，而不是做一个无限扩张的长期总库。citeturn32view0turn14view4 | “知习”不应只有一个永久大库；必须有**按课程/专题切分的任务容器**。 |
+| 支持导入类型 | 支持复制文本、Google Docs/Slides/Sheets、Word、PDF、CSV、PPTX、图片、音频、网页 URL、ePub、公开视频 YouTube URL；单来源最多 50 万词或 200MB，免费版每 notebook 最多 50 个来源。citeturn16view1turn19view0 | 导入层要覆盖文档、网页、图像、音频、视频转写；并把**文件大小/字数/来源数**作为清晰配额展示。 |
+| 首次上传全流程 | 新建 notebook → 上传/发现来源 → Chat 面板立即生成总摘要 → 用户直接问答；Studio 同时能生成笔记、音频、思维导图、报告、抽认卡/测验等。citeturn32view0 | 首屏必须让用户在第一次导入后**立刻看到摘要、至少一条可问建议、至少一个可生成学习产物**。 |
+| 层级结构 | 顶层是 notebook；其下是 sources；5 个以上来源时可自动标签与分类，但并没有跨 notebook 的统一知识库对象。citeturn32view0turn10view0 | “知习”应保留 notebook 的聚焦感，但外面要再加一层 durable KB。 |
+| AI 问答入口 | 入口核心在 Chat 面板；可勾选/取消勾选来源，限定回答使用范围；桌面端还支持配置回答风格与长度。citeturn39view0 | 问答入口应始终与“当前来源集”绑定，而不是只做全局聊天框。 |
+| 回答如何引用来源 | 回答直接引用来源中的文字、图片与片段；悬停可看完整引文，点击可跳到原文位置与上下文。citeturn39view0 | 这是 NotebookLM 最该复制的地方：**引用不是装饰，而是证据交互**。 |
+| 来源与引用如何展示 | 左侧 Sources 面板管理来源；对话内保存可点击内嵌引用；打开来源可看 source guide；公开分享时还能选“仅限对话”或“完整笔记本”。citeturn16view1turn32view0turn18view0 | “知习”应区分**阅读态、问答态、分享态**三种证据显露级别。 |
+| 派生内容支持 | Studio 支持笔记、音频概览、视频概览、思维导图、报告；报告类型含 FAQ、学习指南、简报文档；还支持抽认卡/测验、数据表格、演示文稿、信息图。citeturn32view0turn17view2 | “知习”应把**学习指南、测验、思维导图、播客**做成一等对象，而不是藏在 prompt 里。 |
+| Web 与 App 差异 | 移动端仅支持 PDF/网站/YouTube/音频/复制文字导入；不支持笔记、思维导图、FAQ、学习指南、时间轴、简报文档，不支持分享、对话配置和分析；但支持 Fast Research、音频概览、抽认卡/测验、信息图、演示文稿等部分功能。citeturn33view0 | 适合采取**桌面全功能、移动端消费和轻编辑优先**的分层，而不是强行完全同构。 |
+| 追问方式 | 标准连续对话可追问；也可把回答保存为笔记后继续问；音频概览还支持互动模式，允许听播客时插话追问，但目前仅英语。citeturn39view0turn40view2 | “知习”应允许**阅读中问、回答后追问、听播客时追问**三种链路。 |
+| 会话历史持久化 | 对话记录会保留且仅自己可见；用户可手动删除；Studio 产物也可再次加载。citeturn39view0turn40view2 | 历史不应只是聊天记录，而应成为**可回访、可复用、可再派生**的学习资产。 |
+| 可信度机制 | 明确声明对话回答只使用来源数据；引用可核查；同时官方也提示 AI 回答和输出可能不准确。隐私上，除非用户主动提供反馈，NotebookLM 内容不会直接用于训练基础模型。citeturn39view0turn18view1turn32view0 | “知习”应采用**证据前置 + 风险提示 + 默认不训练**的透明策略。 |
+| 付费墙与限制 | 免费可用；付费通过 Google AI 方案升级额度。公开帮助页列出标准版与 Plus/Pro/Ultra 在 notebook 数、来源数、聊天数、音频/视频/报告/测验/思维导图等方面的差异，高级共享仅向付费用户开放。citeturn19view0 | “知习”应把**存储、问答次数、派生产物次数、协作权限**拆开分层，而不是只卖“高级版”。 |
+| 知习应复制 | 复制 NotebookLM 的三件事：**项目型 notebook、来源选择器、回答内证据跳转**。这些共同构成其“可信学习”体验的主骨架。citeturn32view0turn39view0 | 建议原样吸收。 |
+| 知习应改造 | 不要照搬其“notebook 是唯一顶层对象”的做法；否则长期学习资料会越来越碎。NotebookLM 的强项是聚焦，不是沉淀。citeturn32view0 | 需要在 notebook 外再加 durable KB。 |
+| 知习数据对象建议 | 从 NotebookLM 侧应吸收的对象是：Notebook、Source、SourceLabel、Thread、Message、CitationAnchor、Artifact、StudyProgress。citeturn32view0turn39view0turn20view0 | 数据对象要先围绕**证据锚点与学习产物**设计。 |
+| 知习页面与 UI 建议 | 桌面端最值得借鉴的是 Sources / Chat / Studio 三栏；移动端则按“聊天、音频、测验、演示文稿”做标签化收纳。citeturn32view0turn33view0 | “知习”桌面宜三栏，移动宜分标签与底部工具栏。 |
+
+## ima 完整链路
+
+ima 的公开官方资料没有像 NotebookLM 那样系统化的帮助中心，但其官网、App Store 页面与腾讯科技官方发文已经足以重建一条相对完整的产品链路。与 NotebookLM 明显不同，ima 的顶层抽象是**知识库**，而不是 notebook；并且其定位从一开始就不是“研究助手”，而是**以知识库为基础的 AI 工作台**，强调“搜—读—写”一体化以及长期沉淀、共享与应用。citeturn36view0turn26view0turn28view3
+
+```mermaid
+flowchart LR
+    A[首页/个人知识库] --> B[新建个人库或共享库]
+    B --> C[导入来源]
+    C --> C1[本地文件]
+    C --> C2[微信文件]
+    C --> C3[公众号文章/网页]
+    C --> C4[图片/音频]
+    C --> C5[笔记/既有问答结果]
+    C --> D[文档解读与要点提炼]
+    D --> E[基于知识库问答]
+    D --> F[基于全网问答]
+    E --> G[问答索引/跳原文]
+    F --> H[深度研究/脑图]
+    E --> I[笔记写作]
+    E --> J[AI解读]
+    J --> J1[思维导图]
+    J --> J2[AI播客]
+    J --> J3[AI测验]
+    E --> K[任务模式]
+    K --> K1[报告]
+    K --> K2[PPT]
+    K --> K3[播客]
+    B --> L[共享/权限设置]
+    L --> M[知识库广场/知识号]
+    E --> N[问答历史与持续使用]
+```
+
+| 维度 | ima 现状 | 对知习的启示 |
+|---|---|---|
+| 产品定位 | 以知识库为基础的 AI 工作台，强调“搜-读-写”一站式体验，覆盖学习、办公、研究、整理、共享与内容生成。citeturn36view0turn28view3 | 顶层心智比 NotebookLM 更广，适合长期使用；“知习”可借其沉淀感，但不宜一开始做得过宽。 |
+| 支持导入类型 | 官方公开资料明确支持本地文件、微信文件、公众号文章、网页、图片、音频；腾讯科技还披露可把笔记和 ima 内问答结果加入知识库；官网搜索结果显示支持 PDF/Office/Markdown 等 19 种格式；单文件上传上限已增至 200MB。citeturn36view0turn26view0turn5search1turn30view2 | “知习”应优先做**本地文件 + 网页 + 图片 + 音频 + 笔记剪藏**，并为生态化来源预留扩展位。 |
+| 首次上传全流程 | 用户进入个人知识库或共享知识库后导入材料；文档解读会生成总结、提炼要点；随后可基于知识库或全网问答，也可直接进入 AI 解读或任务模式生成报告/播客/PPT。该流程在官方资料中分散出现，但能拼出较完整的“导入—解读—问答—生成”闭环。citeturn26view0turn36view0 | 首传后不要只停在“导入成功”，而要立即给出**解读卡片、可问问题、可生成内容**。 |
+| 层级结构 | 显式顶层对象是知识库；已支持多个个人知识库、共享知识库、知识库广场/知识号；共享库内存在管理员、成员、访客等角色；版本日志还显示知识库文件夹、搜索、移动、重命名等能力。citeturn28view1turn26view1turn29view2turn30view0turn37search0 | 这说明“知习”需要**KB 层、文件夹层、角色权限层**；不能只有平铺文件列表。 |
+| AI 问答入口 | 腾讯科技明确写出 ima 有“基于全网”和“基于知识库”两种问答模式；还支持深度研究、生成脑图、文档解读、附件问答、@知识库回答，以及移动端按住说话快捷提问。citeturn26view0turn28view3turn29view2turn30view1 | “知习”应至少有三类入口：**阅读态问答、知识库问答、开放检索问答**。 |
+| 回答如何引用来源 | 官方没有像 NotebookLM 那样给出统一的“内嵌 hover 引文”说明，但版本日志清楚显示：问答索引可跳至 Word、笔记、txt、md、ppt 原文，PDF 原文索引可跳转到引用位置；报告可查看参考源。根据这些公开信息，ima 的引用更像“索引/参考源/跳回原文”机制，而不是强定义的对话内证据卡。这里属于基于官方版本日志的谨慎推断。citeturn30view1turn30view2 | “知习”应把 ima 的“跳原文”做得更显性，升级成**统一证据系统**。 |
+| 来源与引用如何展示 | 官方公开内容显示，文档问答会自动匹配相关图表；任务模式报告支持查看参考源、目录展示与导出；问答结果内表格展示也被单独优化。citeturn36view0turn30view1turn30view2 | “知习”可把来源展示做成三层：**引文片段、源内定位、可视化补充**。 |
+| 派生内容支持 | 官方说明覆盖总结、要点提炼、思维导图、AI 播客、知识小测验、报告、PPT、录音纪要、笔记写作和配图；但可访问资料中未见 NotebookLM 那种明确的一等“学习指南”对象。citeturn36view0turn26view0turn30view0 | “知习”应在 ima 的生产力产物之上，再补一个更强的**教学法导向产物层**。 |
+| Web 与 App 差异 | ima 的公开呈现更像“桌面客户端/小程序 + App”，而非标准浏览器型 SaaS。官网首页明显以“打开电脑版”为主；小程序已支持在微信中直接导入文件、分享/加入知识库，并基于知识库或全网问答；App 端则持续补齐按住说话、Pad PDF 对照翻译、报告导出 Word/PDF、多个人知识库等能力。citeturn3view0turn28view1turn29view2turn30view0 | “知习”若面向中文学习场景，端策略应考虑**桌面深度创作、移动轻输入/复习、社交入口导入**三分。 |
+| 追问方式 | 公开版本日志显示问答消息可修改；笔记面板的 AI 写作支持多轮追问和知识库调用写作；移动端还有按住说话发问。citeturn28view0turn29view2 | “知习”应把追问做成**问题修订、上下文续问、语音补问**三种模式。 |
+| 会话历史持久化 | 官网与搜索结果把“问答历史”作为一级导航；但公开资料未说明留存周期、删除策略与细粒度控制。citeturn3view0turn38search0 | “知习”应明确历史模型：**自动保存、分线程、可删除、可转学习卡**。 |
+| 可信度机制 | 官方对外反复强调知识库 + RAG 链路；共享库可设置成员是否可查看原文件、是否需审批加入；知识库广场与知识号承载专业/权威内容；腾讯科技还公开表示，用户上传的个人资料仅用于 AI 检索与推理，不用于模型训练。citeturn28view1turn28view3 | ima 在“权限、安全、知识流通”上思路成熟；但“答案证据交互”仍弱于 NotebookLM。 |
+| 付费墙与限制 | App Store 标注免费；共享知识库访客仅可进行 3 轮问答，加入成为成员后无限问答；公开权益页写明兑换码可解锁任务模式并扩容到 100G；大学生认证也可获得 100G 与任务模式；单文件上传上限 200MB。公开入口更像“权益解锁”，而非清晰的标准订阅价阶。citeturn36view0turn28view1turn24search1turn30view2 | “知习”适合采用**免费基础 + 存储权益 + 生成额度 + 协作权限**的组合，而不是只卖一个 pro。 |
+| 知习应复制 | 最值得复制的是：**多知识库结构、共享库权限、公共知识发现、任务模式把知识库转成可交付成果**。citeturn28view1turn26view1turn26view2turn28view3 | 建议吸收为“长期层”。 |
+| 知习应改造 | ima 的信息架构偏宽，学习专用产物不够强；证据展示虽然存在，但不够统一、显性。citeturn36view0turn30view1turn30view2 | “知习”应更聚焦“学习材料生成与证据验证”，减少泛工作台噪音。 |
+| 知习数据对象建议 | 从 ima 侧最该吸收的对象是：KnowledgeBase、Folder、Source、PermissionRole、SourceReference、Artifact、TaskRun、PublicListing、HistoryThread。citeturn28view1turn26view1turn30view2 | “知习”需要把**权限与共享**纳入一开始的数据模型。 |
+| 知习页面与 UI 建议 | 适合借鉴 ima 的“知识库首页 + 阅读/问答一体 + 任务模式 + 广场”框架，但要把广场降级为次级入口，把证据面板前置。citeturn3view0turn36view0turn26view1 | “知习”首页应先是**我的学习资产**，再是“发现”。 |
+
+## 核心对比
+
+一句话概括：**NotebookLM 优化的是“在封闭来源集里做高信任学习”，ima 优化的是“围绕长期知识库做导入、协作与生产”**。因此“知习”不能只学其中一边，否则要么资料沉淀能力不足，要么回答可信度与学习结构不够强。citeturn39view0turn32view0turn28view1turn28view3
+
+| 维度 | NotebookLM | ima | 知习取舍 |
+|---|---|---|---|
+| 产品定位 | 项目型研究/学习助手 | 知识库型 AI 工作台 | 采用“双层定位”：长期 KB + 短期学习 notebook/session。citeturn32view0turn36view0 |
+| 支持导入类型 | 全面且规范，含网页、音频、YouTube、ePub 等 | 更偏中文生态与工作资料，含微信文件、公众号文章 | 优先覆盖中文学习高频来源，同时保留多模态标准导入。citeturn16view1turn36view0turn26view0 |
+| 首次上传流程 | 导入后立刻得到总摘要与 Studio 建议 | 导入后偏“解读/问答/任务”分流 | 首传后应同时露出：摘要、问题建议、学习产物、任务产物。citeturn32view0turn26view0turn36view0 |
+| 层级结构 | notebook > source | knowledge base > folder/source/role | 用 KB 承载长期沉淀，用 notebook/session 承载一次学习任务。citeturn32view0turn28view1turn30view2 |
+| AI 问答入口 | 以 Chat 面板为中心 | 全网问答、知识库问答、文档解读、任务模式 | 问答入口要“场景化”，但必须统一回答协议。citeturn39view0turn26view0 |
+| 回答如何引用来源 | 强证据合同，悬停与跳转完善 | 以索引/参考源/跳原文为主，证据显性略弱 | 以 NotebookLM 为底线，以 ima 的索引覆盖更多格式。citeturn39view0turn30view1turn30view2 |
+| 来源/引用如何展示 | 来源面板 + 聊天内引文 + 上下文跳转 | 参考源 + 原文跳转 + 配图/表格增强 | 做“证据三层 UI”：引文、原文定位、可视化辅助。citeturn39view0turn36view0turn30view1 |
+| 派生内容 | 学习导向极强，学习指南/测验/抽认卡清晰 | 生产导向更强，报告/PPT/纪要/播客更全 | 学习工坊做 NotebookLM 风格，任务工坊做 ima 风格。citeturn32view0turn36view0turn26view2 |
+| Web 与 App 差异 | 浏览器为主，移动端有限制 | 桌面客户端/小程序/App 并行 | 桌面做深度学习，移动做复习与轻操作，社交入口做导入。citeturn33view0turn3view0turn28view1 |
+| 追问方式 | 连续对话成熟，音频可互动 | 问答消息可修改，笔记支持多轮追问 | 既要上下文追问，也要“改写问题再问”。citeturn39view0turn40view2turn28view0 |
+| 会话历史 | 明确保留、可删除 | 有问答历史入口，但公开规则较少 | 历史策略必须在产品内显式说明。citeturn39view0turn38search0 |
+| 可信度机制 | 引文核查 + source-only 回答 + 隐私透明 | 权限安全 + RAG + 专业知识库 + 不训练用户资料 | “知习”应同时做**证据可信**与**知识源可信**。citeturn39view0turn18view1turn28view3 |
+| 付费墙与限制 | 免费 + AI 方案升级配额 | 免费 + 权益解锁 + 共享场景限制 | 商业化要拆成存储、计算、协作三条。citeturn19view0turn24search1turn28view1turn36view0 |
+| 知习应复制 | 强引文与学习产物分类 | 多库、广场、任务模式、中文导入生态 | 两者都要，但必须统一底层对象与证据协议。citeturn32view0turn39view0turn28view1turn36view0 |
+| 知习应改造 | 补长期沉淀层 | 收窄信息架构、强化教学法对象 | 最终目标不是“更像谁”，而是“更适合学习闭环”。citeturn32view0turn36view0 |
+| 知习数据对象建议 | 偏 notebook / citation / artifact | 偏 KB / role / task / public listing | 采用复合模型，而非单核模型。citeturn32view0turn28view1turn28view3 |
+| 知习页面/UI建议 | 三栏式研究界面 | 知识库首页 + 广场 + 任务模式 | 桌面三栏，首页 KB 卡片化，移动以复习与轻问答为主。citeturn32view0turn3view0turn36view0 |
+| 整体 UX | 克制、专注、以证据为核心 | 宽而强、以知识流与产出为核心 | “知习”应走中间路线：专注学习，但保留沉淀与协作。citeturn32view0turn36view0 |
+| 数据模型 | 轻容器、强来源、强产物 | 重知识库、重权限、重流转 | 先建强对象模型，再做花哨功能。citeturn32view0turn28view1turn28view3 |
+| 商业化 | 方案订阅、按额度分层 | 免费入口 + 权益解锁 + 生态扩散 | 可先免费切入，再按“存储/生成/协作/公开发布”分层。citeturn19view0turn24search1turn36view0 |
+
+## 知习 一体化方案
+
+“知习”最合理的整合方向，是把 **NotebookLM 的可信学习界面** 放在 **ima 的长期知识库骨架** 上。也就是说，用户的资料不应该只存在于一次性 notebook 里，也不应该一股脑堆进无边界的大库；而应先进入可管理、可共享、可分权限的 Knowledge Base，再从中抽取一组来源创建某次课程或专题的 Study Session。这样既保留长期记忆，也保留短期聚焦。citeturn32view0turn28view1turn28view3
+
+```mermaid
+flowchart LR
+    A[知习首页] --> B[我的知识库]
+    A --> C[新建学习专题]
+    B --> D[导入中心]
+    D --> D1[文件/网页/图片/音频]
+    D --> D2[剪藏/笔记]
+    D --> D3[外部生态导入]
+    D --> E[解析与索引]
+    E --> F[来源预览与清洗]
+    F --> G[进入 Knowledge Base]
+    G --> H[从 KB 选源创建 Study Session]
+    H --> I[阅读 + 问答]
+    I --> J[内嵌引用]
+    J --> K[跳原文/看上下文]
+    I --> L[学习工坊]
+    L --> L1[总结]
+    L --> L2[思维导图]
+    L --> L3[学习指南]
+    L --> L4[测验/抽认卡]
+    L --> L5[播客]
+    L --> L6[讲义/PPT]
+    L --> M[任务工坊]
+    M --> M1[报告]
+    M --> M2[作业草稿]
+    M --> M3[复习提纲]
+    L --> N[学习进度]
+    N --> O[错题/薄弱点复习]
+    O --> H
+```
+
+### 推荐数据对象模型
+
+下表是面向“知习”的推荐对象模型。它刻意把 **KB** 和 **Study Session** 分开，这正是吸收两款产品长处之后最关键的结构决定。
+
+| 对象 | 核心字段 | 关系 | 设计理由 |
+|---|---|---|---|
+| User | id, profile, prefs | 1:N Workspace / KB / Session | 记录个体偏好，但不把个体记忆和知识内容混在一起。 |
+| Workspace | id, name, type | 1:N KnowledgeBase | 面向个人、班级、项目组等组织场景。 |
+| KnowledgeBase | id, title, scope, visibility | N:1 Workspace；1:N Source / Folder | 承载长期沉淀，是 ima 的强项。 |
+| Folder | id, name, parent_id | N:1 KnowledgeBase | 满足课程章节、学期、专题等层级归档。 |
+| Source | id, type, uri, title, version_state | N:1 KB / Folder；1:N Chunk / CitationAnchor | 统一管理文件、网页、图片、音频、笔记等来源。 |
+| SourceVersion | id, source_id, checksum, created_at | N:1 Source | 支持重新解析、重建索引、版本回退。 |
+| Chunk | id, source_id, text, embedding_id | N:1 Source | 检索核心对象。 |
+| CitationAnchor | id, source_id, chunk_id, locator | N:1 Source / Chunk | 支持“句子级/段落级/页码级/时间戳级”跳转。 |
+| StudySession | id, title, goal, selected_sources | N:M Source；1:N Thread / Artifact | 对应一次课程学习、一次备考专题、一次论文阅读。 |
+| Thread | id, session_id, mode | N:1 Session | 支持阅读问答、开放检索问答、复习问答等不同线程。 |
+| Message | id, thread_id, role, text, cited_anchors | N:1 Thread | 聊天记录和证据引用统一存储。 |
+| Artifact | id, session_id, type, prompt, output_ref | N:1 Session | 总结、脑图、学习指南、测验、播客、PPT、报告等统一管理。 |
+| QuizAttempt | id, artifact_id, score, weak_points | N:1 Artifact | 把“生成测验”升级成“有反馈的学习闭环”。 |
+| FlashcardState | id, artifact_id, card_id, mastery | N:1 Artifact | 记录“已掌握/未掌握/待复习”。 |
+| SharePolicy | id, owner_id, object_type, mode | 作用于 KB / Session / Artifact | 需要同时支持私有、团队共享、只读分享、公开发布。 |
+| MemoryProfile | id, user_id, editable_fields | N:1 User | 若未来做个性化记忆，必须用户可见、可改、可删。 |
+
+### 推荐页面与 UI 设计
+
+从界面层看，最值得采用的是“**首页看资产，阅读时问答，学习时进工坊**”这三个主要场景，而不是让用户一进入产品就面对一个大而空的聊天框。NotebookLM 已经证明三栏结构适合深度研究；ima 则证明知识库首页、共享、发现与任务模式对长期使用很重要。citeturn32view0turn3view0turn36view0
+
+| 页面 | 主任务 | 关键模块 | 设计要点 |
+|---|---|---|---|
+| 首页 | 进入长期资产或新建学习专题 | 最近知识库、最近专题、继续学习、导入捷径 | 默认入口应是“继续学习”，不是空白输入框。 |
+| 导入中心 | 把资料变成可问可学对象 | 文件上传、网页导入、剪藏、解析预览、清洗选项 | 解析前给用户一次“保留哪些页面/段落/图片/时间段”的机会。 |
+| 知识库页 | 组织长期资料 | 文件夹树、来源列表、筛选、权限、共享 | 更像资料库，而不是聊天页。 |
+| 阅读问答页 | 看原文、问问题、核引文 | Reader、Chat、Citation Drawer | 桌面端三栏：左来源树，中阅读区，右问答与引用。 |
+| 学习工坊 | 生成学习材料 | 总结、脑图、学习指南、测验、播客、讲义/PPT | 强制所有产物都挂回 Session 与 CitationAnchor。 |
+| 任务工坊 | 生成可交付内容 | 报告、作业草稿、汇报稿、讲义生成 | 与学习工坊并列，避免学习能力被“办公化”淹没。 |
+| 复习中心 | 形成闭环 | 错题、薄弱点、复习计划、掌握度 | 这是两款产品都还没做深的空位，知习应优先占领。 |
+| 发现页 | 使用公共优质内容 | 推荐知识库、官方课程包、学科精选 | 作为二级入口，不应压过“我的学习资产”。 |
+
+### 推荐 ER 图
+
+```mermaid
+erDiagram
+    USER ||--o{ WORKSPACE : owns
+    WORKSPACE ||--o{ KNOWLEDGE_BASE : contains
+    KNOWLEDGE_BASE ||--o{ FOLDER : organizes
+    KNOWLEDGE_BASE ||--o{ SOURCE : stores
+    SOURCE ||--o{ SOURCE_VERSION : has
+    SOURCE ||--o{ CHUNK : splits_into
+    CHUNK ||--o{ CITATION_ANCHOR : grounds
+    USER ||--o{ STUDY_SESSION : creates
+    STUDY_SESSION }o--o{ SOURCE : selects
+    STUDY_SESSION ||--o{ THREAD : contains
+    THREAD ||--o{ MESSAGE : includes
+    MESSAGE }o--o{ CITATION_ANCHOR : cites
+    STUDY_SESSION ||--o{ ARTIFACT : generates
+    ARTIFACT ||--o{ QUIZ_ATTEMPT : records
+    ARTIFACT ||--o{ FLASHCARD_STATE : tracks
+    USER ||--o{ MEMORY_PROFILE : edits
+    USER ||--o{ SHARE_POLICY : controls
+```
+
+最终建议可以压缩成一句产品决策：**知习应当是“学习型知识库 + 证据型问答 + 工坊型产物 + 进度型复习”的组合，而不是“聊天 + 上传”或“网盘 + AI”中的任何一种。** 这也是 NotebookLM 与 ima 在产品形态上最值得被综合、同时也最值得被超越的地方。citeturn39view0turn32view0turn28view1turn28view3
+
+## 优先来源
+
+下表列出本报告优先采用的官方/一级来源。两款产品都未在可访问范围内提供类似论文级的公开技术细节，因此 NotebookLM 主要依赖官方帮助中心与 Google 官方发布文，ima 主要依赖官网、App Store 页面与腾讯科技官方发文。
+
+| 产品 | 优先来源 | 用途 |
+|---|---|---|
+| NotebookLM | 官方帮助中心总入口。citeturn16view0 | 确认功能全景与官方术语。 |
+| NotebookLM | 《在 NotebookLM 中创建笔记本》。citeturn32view0 | 确认首传流程、三栏结构、Studio 产物、分享与分析。 |
+| NotebookLM | 《为笔记本添加或探索新来源》。citeturn16view1 | 确认导入类型、来源限制、静态副本逻辑。 |
+| NotebookLM | 《在 NotebookLM 中使用对话功能》。citeturn39view0 | 确认问答入口、内嵌引用、历史保留与保存到笔记。 |
+| NotebookLM | 《在 NotebookLM 中使用思维导图》。citeturn20view0 | 确认脑图交互与下载分享。 |
+| NotebookLM | 《在 NotebookLM 中生成音频概览》。citeturn17view1turn40view2 | 确认播客形态、互动模式、分享方式与语言。 |
+| NotebookLM | 《NotebookLM 移动应用入门》。citeturn33view0 | 确认 Web/App 差异。 |
+| NotebookLM | 《升级 NotebookLM》。citeturn19view0 | 确认免费/付费额度与高级共享。 |
+| NotebookLM | 《NotebookLM 中的隐私权和使用条款》。citeturn18view1 | 确认训练与反馈政策。 |
+| ima | 官网首页与可索引页面。citeturn3view0turn37search0turn38search0 | 确认入口结构、问答历史与知识库角色线索。 |
+| ima | iOS App Store 官方产品页。citeturn36view0 | 确认定位、核心功能、导入来源、AI 解读、播客、测验、图表增强。 |
+| ima | App Store 版本历史。citeturn29view2turn30view0turn30view1turn30view2 | 确认多个人知识库、问答索引跳原文、报告参考源、PPT、附件问答、200MB 等演进细节。 |
+| ima | 腾讯科技《ima.copilot 上线 Windows 版本》。citeturn26view0 | 确认“全网/知识库”双问答、深度研究、文档解读、笔记/Q&A 入库。 |
+| ima | 腾讯科技《ima 升级知识库：支持共享和上线小程序》。citeturn28view1 | 确认共享知识库、角色权限、访客 3 轮问答、小程序导入与问答。 |
+| ima | 腾讯科技《知识库支持发布和发现》。citeturn26view1 | 确认知识库广场、公开生态与跨端同步。 |
+| ima | 腾讯科技《上线 PPT 生成功能》。citeturn26view2 | 确认任务模式与知识库驱动的输出逻辑。 |
+| ima | 腾讯科技 WAIC 演讲稿。citeturn28view3 | 确认三层架构、RAG、权限/安全、用户上传资料不训练。 |
+| ima | 官方权益兑换页与 App Store 活动。citeturn24search1turn36view0 | 确认任务模式与 100G 存储的权益化解锁信号。 |
\ No newline at end of file
diff --git a/核心架构/deep-research-report (4).md b/核心架构/deep-research-report (4).md
new file mode 100644
index 0000000..4923231
--- /dev/null
+++ b/核心架构/deep-research-report (4).md	
@@ -0,0 +1,364 @@
+# 知习复习系统设计研究报告
+
+## 执行摘要
+
+这份报告的核心判断很明确：**知习不应该简单复刻 Anki，也不应该简单复刻 Quizlet。**更好的方案是，**后端学 Anki 的状态机、到期队列、lapse 与 relearn 机制；前端学 Quizlet 的低摩擦创建、清晰 mastery 分组、错题定向返练与“今天学什么”的任务化呈现。**Anki 的优势在于它把学习对象、调度状态、错题回流、搜索过滤和统计都公开成了可解释的系统；Quizlet 的优势在于它把学习体验包装成普通用户更容易理解的 Flashcards、Learn、Progress 和移动端个性化 feed。citeturn28view0turn3view0turn17view0turn26view0turn12view1turn32view0turn31search0
+
+如果知习首版面向大众用户，而不是重度自定义人群，那么最值得复制的不是 Anki 的整套“高级控制台”，而是它的**四态复习内核**：`new → learn → review → relearn`；同时，最值得借鉴 Quizlet 的不是所有学习模式，而是它的**人话化呈现方式**：用 Not Studied / Still Learning / Mastered 这样的分组，配合错题再练和移动端推荐，让用户知道自己“今天该干什么”。citeturn28view0turn17view0turn32view0turn31search0
+
+从调度透明度看，Anki 明显更适合做“底层设计样本”。官方文档公开了学习步长、毕业间隔、Hard/Easy/Again 的行为、FSRS 的 desired retention、以及因 lapse 进入 relearning 的流程。Quizlet 官方则更像公开“行为级 UX”而非“公式级算法”：帮助中心详细写了 Flashcards、Learn、Test、Write、Progress 的入口和规则，官方博客/功能页摘要又把 Learn 与 spaced repetition、scheduled reviews、Memory Score 关联起来，但没有像 Anki 那样公开按钮到间隔的详细公式。因此，**知习的算法层应以 Anki 为主样本，交互层应以 Quizlet 为主样本。**citeturn34search3turn33search2turn17view1turn12view1turn13view1turn32view0turn35search0turn35search1turn37search0
+
+我对知习的总体建议是：首版采用**“Anki 状态机 + Quizlet 表层交互”**。默认只给用户看两个按钮“忘了 / 记得”，把 Anki 风格的 Hard / Easy 放在高级模式里；首页不直接展示复杂牌组树，而是展示**今日必做复习、错题返练、今日新增、可选加练**四类任务；掌握度不要只看今天正确率，而要用**长期状态 + 最近表现 + 下次间隔**来推导。这样既能避免 Anki 的上手陡峭，也能避免 Quizlet 那种“学习模式很多，但到期复习主线不够硬”的问题。citeturn2view0turn4view0turn3view5turn32view0turn13view2turn31search0
+
+## 研究范围与证据边界
+
+本文只研究 **Anki** 与 **Quizlet**，不展开其他产品。证据优先级如下：**Anki Manual、Anki FAQs、AnkiWeb/官方 app 页面；Quizlet Help Center、Quizlet 官方功能页与博客摘要、官方升级页与帮助文档。**对于 Quizlet，由于部分官方功能页或博客正文无法直接抓取，我只在能直接验证的官方摘要范围内使用相关结论；因此，凡涉及 Quizlet 调度机制，我都只做**行为级分析**，不做未证实的公式还原。
+
+本文对知习的设计建议默认基于以下假设：知习首版面向**大众学习者**，核心场景是长期记忆巩固；支持文本卡、图片卡、音频卡，移动端是主要复习入口，网页端承担更重的创建与管理职责；首版不以插件生态、教师课堂管理、富文本模板编排为中心。
+
+一个重要边界是：Anki 的文档非常透明，适合直接拆解调度与状态；Quizlet 的文档更偏“用户视角的帮助说明”，适合提炼交互与任务组织。正因为这两者公开程度不同，本文在做产品建议时会明确区分“**事实**”与“**设计推断**”。citeturn28view0turn29view0turn30view0turn12view0turn12view1turn12view2turn12view4turn25view0turn40search2
+
+## Anki机制深析
+
+**卡片对象与数据结构。**Anki 的基本单位不是“卡片行”，而是 **note → fields → card types/templates → cards**。一个 note 可以包含多个 field，一个 note type 可以定义一个或多个 card type，于是同一条知识内容可以派生出多张卡片，例如正向卡、反向卡、填空卡、图片遮挡卡。官方文档明确说明了 note、field、card type、note type 之间的关系，还强调 note type 与 deck 是相互独立的：同一 note type 可以跨 deck 使用，反之亦然。这个设计的产品意义是：**内容复用**与**调度实例**天然分层，未来要支持多视角提问、同源多卡、统一修订时非常重要。citeturn28view0turn23search12turn29view0
+
+**创建方式。**Anki 支持从头手工添加 note，也支持导入文本文件、打包牌组，并支持共享牌组导入。创建时用户选择 note type、deck、fields、tags，Anki 负责据此生成卡片。官方还提供 Basic、Basic reversed、type in the answer、Cloze、Image Occlusion 等标准 note type，并建议长期最好围绕自己的学习内容建立专属 note type。对知习而言，这说明：**Anki 的“高表达力”来自 note/card 分层，而不是来自单张卡片本身。**citeturn29view0turn23search15turn28view0
+
+**完整复习链路。**Anki 的学习入口是 deck overview。进入 deck 后，系统先显示今日任务，拆成 New、Learning、To Review 三类，并可在启用 bury siblings 时显示将被埋藏的兄弟卡数。开始学习后，先只展示问题，用户点击 Show Answer 后，再用 Again、Hard、Good、Easy 对回忆质量进行评分。Anki 官方还明确表示，如果四键对用户来说太复杂，也可以只使用 Again 和 Good。citeturn33search4turn2view0
+
+下图把 Anki 官方文档整理成了一个可产品化理解的复习链路：先看今日概览，再按队列优先级取卡，再根据用户评分更新状态与间隔。图中的状态和优先级都来自官方手册与 FAQ。citeturn33search4turn4view5turn17view0turn17view1
+
+```mermaid
+flowchart TD
+    A[Deck overview<br/>New / Learning / To Review] --> B{取卡优先级}
+    B -->|先| C[同日 learning]
+    B -->|再| D[跨日 learning]
+    B -->|再| E[review]
+    B -->|后| F[new]
+    C --> G[展示问题]
+    D --> G
+    E --> G
+    F --> G
+    G --> H[Show Answer]
+    H --> I{评分}
+    I -->|Again| J[回到首个学习步 / 进入重学]
+    I -->|Hard| K[重复当前步或给较短增长]
+    I -->|Good| L[进入下一步或安排下次复习]
+    I -->|Easy| M[直接毕业或给更长间隔]
+    J --> B
+    K --> B
+    L --> B
+    M --> B
+```
+
+**学习步长与新卡毕业。**在 learning/relearning 阶段，Anki 使用显式的 steps。文档给出的示例是 `1m 10m 1d`：Again 回到第一步；Good 前进到下一步；最后一步按 Good 时毕业；Easy 无论当前在哪一步都可直接变成 review card；Hard 在第一步会取前两步的平均值，在后续步则重复当前步。若当前没有别的题可做，Anki 默认会把 learning 卡提前最多 20 分钟展示；若步长跨过 day boundary，则会自动转成“天”为单位。这个设计告诉我们，Anki 把“当天记忆巩固”与“长期间隔调度”分成了两层，而不是让一个公式包办所有事情。citeturn34search3turn33search3turn34search1
+
+**SM-2 模式下的复习调度。**Anki 23.10+ 同时支持 legacy SM-2 家族算法与 FSRS。SM-2 分支的关键参数在官方手册中公开得很清楚：Starting Ease 默认 2.50；Hard Interval 默认 1.20；Easy Bonus 默认 1.30；Interval Modifier 默认 1.00；对 review 卡按 Again 时，New Interval 默认 0.00，也就是默认重置，之后再受 minimum interval 约束。Anki FAQ 还补充说明：它与原始 SM-2 的一个重要差别是，**学习阶段的反复失败不会持续下调 ease，避免卡片掉进“低间隔地狱”**；同时，晚做但仍答对的卡，延迟也会被计入下次间隔。citeturn33search2turn33search1
+
+**FSRS 模式下的复习调度。**Anki 官方 FAQ 明确说明，FSRS 基于三变量记忆模型：Retrievability、Stability、Difficulty；用户最关键的可调项是 desired retention，默认推荐值是 0.90，并提醒过高目标会显著增加工作量。官方还指出，FSRS 往往会给新毕业卡更长的首次间隔，例如 Good 可能是 3–5 天，Easy 可能超过一周；同时，FSRS 更擅长处理 overdue review，并在启用后把 review sort order 从“relative overdueness”切到“ascending retrievability”。这意味着 Anki 在 FSRS 下已经从“按日程是否拖欠”升级为“按遗忘风险排序”。citeturn16view1turn17view1turn27search0turn27search2turn2view1turn3view4
+
+下表把 Anki 的按钮行为整理成设计时最有参考价值的形式。
+
+| 状态 | Again | Hard | Good | Easy | 设计含义 | 来源 |
+|---|---|---|---|---|---|---|
+| New / Learning | 回到第一个学习步 | 第一学习步时取前两步平均值；其他步重复当前步 | 前进到下一步；若步数耗尽则毕业 | 直接毕业并给 Easy Interval | 同日巩固是显式步长，不是纯公式 | citeturn34search3turn34search1 |
+| Review in SM-2 | 进入 lapse / relearn；默认 New Interval=0 | 按 Hard Interval 给较短增长 | 按 ease 正常增长 | 在 Good 基础上乘 Easy Bonus，且 ease 更激进 | 评分不仅是“对/错”，还是增长速度控制杆 | citeturn33search2turn33search1 |
+| Review in FSRS | 调整 D/S/R 并进入更保守的后续安排 | 增长较保守 | 以 target retention 安排下一次 | 更大幅增长 | 目标由“经验倍数”变成“目标可回忆率” | citeturn17view1turn27search0 |
+
+**错题回流、掌握与异常卡。**Anki 把 review 阶段忘记的卡定义为 lapse，Again 会让它进入 relearning，minimum interval 默认 1 天；如果 relearning steps 留空，则会直接被赋予 1 天的新间隔。对于反复遗忘的卡，Anki 有 leech 机制：默认阈值是 8 次 lapse，并且每增加一半阈值会再次提醒；默认处理是打上 leech tag 并 suspend。除此之外，Anki 还支持 Custom Study / Filtered Deck 直接“复习遗忘的卡”或按最多 lapses 选卡。对知习最重要的启示是：**错题不应该只是统计项，而应自动进入新的训练通道。**citeturn17view0turn17view3turn16view3turn17view4
+
+**今天的复习呈现。**Anki 的 today 不是一个“推荐流”，而是一个**清单化的 due system**。它有 daily new limit、maximum reviews/day、learning 与 review 的显示顺序，以及 sibling burying。官方还特别提醒：若每天学 20 张新卡，随着旧卡累积，复习量可能很容易逼近 200 次/日。这个提醒对于知习非常关键，因为它说明“新卡入口”如果不控量，迟早会反噬 review queue。citeturn4view0turn4view1turn4view5
+
+**组织、检索与分析。**Anki 的组织策略是：deck 用来放宽主题，tags 用来做细粒度组织，deck 不要切得过碎；deck 还可以用 `::` 形成树状 subdeck。检索上，Anki 提供非常强的查询语言，支持 field、tag、deck、card state、flag、interval、due、reps、lapses，甚至在 FSRS 启用后还可按 `prop:s / prop:d / prop:r` 搜索。统计上，Anki 有 today、forecast、review count、review time、ease、card type、hourly breakdown 等图；但官方也提醒，不要把某一天的 Today 页数字当成整体进展的好代理。citeturn28view0turn29view0turn30view0turn30view2turn3view5
+
+**平台与收费边界。**Anki 生态由桌面端、AnkiMobile、AnkiDroid 与 AnkiWeb 组成。AnkiWeb 是免费的同步与在线学习服务，官方 app 页面明确说明桌面端可在主要桌面平台免费下载使用，AnkiWeb 免费同步，iOS 端的付费购买用于资助开发。与此同时，Anki 的深度能力显著偏向桌面端：add-ons 入口在桌面版菜单中，Shared Deck 也不能直接加到 AnkiWeb，需要先导入桌面端或移动端再同步。官方还说明 AnkiWeb 主要是电脑版本的 companion，并非完全等价替代。对知习而言，这意味着**网页端创建更强、移动端复习更强**并不是缺陷，而是一种可接受的形态。citeturn22view0turn21search14turn23search0turn28view0
+
+## Quizlet机制深析
+
+**卡片对象与数据结构。**Quizlet 的主对象是 **flashcard set**。官方帮助中心把它定义为“term/definition”或“question/answer”的列表；内容可包含 words、images、diagrams、audio。与 Anki 相比，Quizlet 的公开模型明显更扁平：它更像“集合 + 行”，而不是“note/field/template/card instance”四层分离。对大众用户而言，这种结构上手成本低；但对长远的多模板、多视角提问、同源多卡调度来说，它不如 Anki 那样强。citeturn26view0turn38search4
+
+**创建方式。**Quizlet 支持手工创建 set、从已有文档导入内容、复制并编辑他人的 set，还支持在特定场景下创建 multiple-choice set。导入时每一行变成一张卡；创建时可设置 term/definition 的语言，支持图片与格式增强；published sets 默认是 public，但可切换可见范围，包括 Everyone、Certain classes、People with a password、Just me。多选题创建当前只支持网站，不直接支持原生移动端；导入同样是网站优先。这一组特征说明，Quizlet 在内容创建上追求的是**低门槛与快速发布**，而不是 Anki 那种模板化建模能力。citeturn29view2turn25view2turn25view3turn26view1turn25view4
+
+**完整学习链路。**Quizlet 的 review-centric 主线不是一个“due queue”，而是一组学习模式。最核心的四个是 Flashcards、Learn、Test、Progress。Flashcards 负责翻卡和初步自我熟悉，Learn 负责目标驱动的个性化学习路径，Test 负责一次性练习测验，Progress 负责按长期表现分组。官方帮助中心直接写明：Learn 会根据用户目标和对内容的熟悉程度创建个性化 study path；其描述又强调它“基于 learning science principles，并由 machine learning 驱动”。官方博客与功能页摘要则进一步把 Learn / spaced repetition / scheduled reviews / Memory Score 连在了一起。也就是说，Quizlet 的调度逻辑公开得不如 Anki 细，但它明确在朝**“个性化路径 + 定时复习 + 长期记忆指标”**的方向包装。citeturn12view1turn35search1turn35search0turn37search0
+
+下图把 Quizlet 的当前学习闭环抽象成产品流程。它不是严格的 due-driven queue，而是 mode-driven learning loop。citeturn12view0turn12view1turn13view2turn32view0
+
+```mermaid
+flowchart TD
+    A[打开 set] --> B{选择学习模式}
+    B --> C[Flashcards]
+    B --> D[Learn]
+    B --> E[Test]
+    B --> F[Progress]
+    C --> C1[翻卡 / 播放音频 / 打乱 / 分到 Know 或 Still Learning]
+    D --> D1[设定目标与选项]
+    D1 --> D2[个性化 study path]
+    D2 --> D3[错题继续练 / 可要求重打]
+    D3 --> F
+    E --> E1[选题量与题型]
+    E1 --> E2[提交后看分数与回顾]
+    F --> F1[Not Studied / Still Learning / Mastered]
+    F1 --> D
+```
+
+**Flashcards。**Quizlet 的 Flashcards 模式支持翻面、前后移动、完成整轮；还允许 play、shuffle，以及把卡片分进 Still learning / Know 两组，并可选择回答方向。这里最重要的设计点不是“翻卡”本身，而是它把用户主观反馈降成了**非常易懂的二元分组**。和 Anki 的 Again/Hard/Good/Easy 比，Quizlet 的词汇显著更大众。citeturn13view0turn31search2
+
+**Learn。**Learn 是 Quizlet 最接近“调度器”的模式。官方文档写明它可以设置目标，并提供多种可定制选项，例如 answer side、question types、shuffle、audio、grading option，以及与 Write/Spell 相关的行为。对于 typed question，如果启用“retype correct answers for questions you missed”，错题会被要求重新输入正确答案。这种设计非常值得知习直接借鉴，因为它把“错题重练”从一个事后复盘动作，变成了会话内的即时闭环。citeturn12view1turn13view1
+
+**Test。**Test 更像一次性 assessment，而不是长期 mastery 引擎。它允许用户选择题量和题型，提交后显示分数与回顾，但官方帮助明确说明：**Test 不保存 progress**。这意味着 Quizlet 自己也在区分“用于评价的模式”与“用于长期积累进度的模式”。知习应该吸收这个边界，不要把考试页和复习页混在一个调度概念里。citeturn13view2
+
+**Write 与错题回流。**Quizlet 的 Write 帮助文档显示，系统会跟踪你答错的项目，用户可以点 “Don’t know” 看答案，然后继续；完成后还能只学习 miss 过的题。Learn 又允许对 miss 的 written question 要求重打正确答案。再加上 Progress 的 “Still Learning” 组，Quizlet 其实构成了三层错题回流：**会话内重打、模式内重练、跨模式定向回到 still learning**。这是它最适合知习借鉴的部分之一。citeturn12view11turn13view1turn32view0
+
+**掌握度与今日任务。**Quizlet 的长期 mastery 公开得最清楚的不是公式，而是分组。Progress 会把 terms 根据 across activities 的答题表现，分成 Not Studied、Still Learning、Mastered；Progress 只在 Plus 中开放，并且不会追踪 game modes，但会在网站和移动端同步。与此同时，官方移动端 home feed 说明又显示：移动端首页会基于用户学习内容展示 quick study activities、progress updates 与 recommendations。这说明 Quizlet 对“今天学什么”的答案不是“哪些卡 due 了”，而是“哪些内容值得你现在继续学”。citeturn32view0turn31search0
+
+**组织、搜索与分析。**Quizlet 的主要组织对象是 folders、tags 与 classes。它把 tags 定义为“像 subfolders 一样”，用来在 folder 内按 topic/subject/exam 做组织；classes 则主要面向教师，学生更多依赖 folders 与 tags。搜索方面，官方帮助支持按 school、course、word count、creator type、content type 等条件筛选。分析方面，个人侧以 Progress 为主，教师侧则有 Class Progress，可追踪 study activity 与 best scores。和 Anki 相比，Quizlet 的分析明显更偏“用户能理解的进度板”，而不是“底层调度可解释性”。citeturn25view1turn26view2turn13view3turn32view0turn26view3
+
+**平台与收费边界。**Quizlet 官方支持 iOS、Android 与网页。帮助文档反复显示 IOS / Web / Android 三端说明，但一些能力是非对称的：导入 set 只能在网站上做，多选题 set 的创建也只能在网站上做；离线学习则被列在订阅权益里。付费方面，Quizlet 当前把 free、Plus、Plus Unlimited、Teachers 等计划区分得比较细：免费账户可学习 flashcards、practice questions、interactive diagrams and activities；而 Learn、Test、Progress、offline、custom study paths、smart grading 等则受订阅或限额影响。官方还给出一些例外：进入 class 的成员，对该 class 内的 set 可以免费用 Learn 与 Test；被分配 assignment 的学生可免广告和学习限额。对知习而言，这带来一个重要商业设计启示：**不要把整个 review loop 的关键部分切得过碎，否则用户会觉得“我不是不能学，而是每一步都差一点”。**citeturn25view0turn29view2turn26view1turn12view6turn40search2turn26view3turn10view12
+
+## 对照分析与十八项映射
+
+先给出你要求的核心对照表。为了可读性，我增加了“主要来源”一列。
+
+| 产品 | Card model | Fields | Templates | Scheduling algorithm | User feedback options | Mobile/web parity | Free limits | Error handling | Mastery metrics | Typical UX | 主要来源 |
+|---|---|---|---|---|---|---|---|---|---|---|---|
+| Anki | `note → fields → card types → cards`；一条 note 可派生多张卡 | 用户自定义 fields，note type 与 deck 独立 | 明确的 front/back template，支持 field replacement；更深层可自定义 | 公开支持 legacy SM-2 与 FSRS；学习步长、relearn、ease、desired retention、排序规则都可解释 | Again / Hard / Good / Easy；官方也说明可只用 Again/Good | 多端同步，但桌面端能力最强；AnkiWeb 主要是 companion；add-ons 偏桌面；iOS 为官方付费 app | 没有“核心复习订阅墙”；桌面与 AnkiWeb 免费，iOS 付费资助开发 | lapse→relearn；leech 默认 8 次并可 suspend；支持 forgotten cards custom study | 没有单一 mastery 分数；更多依赖 new/learn/review/relearn、young/mature、retention/stats/FSRS 属性 | queue-first、due-driven、参数导向、偏 power user | citeturn28view0turn29view0turn33search2turn17view1turn22view0turn23search0turn17view3turn3view5 |
+| Quizlet | `set → rows(term/definition or question/answer)`；公开模型更扁平 | term/definition 两列为主，可配语言、图片、音频、diagram；特定场景支持 multiple choice | 公开帮助中心没暴露 Anki 那样的模板层；更像固定结构 + 少量模式配置 | Learn 被描述为 personalized study path、learning science + machine learning；官方又把其与 spaced repetition、scheduled reviews、Memory Score 关联，但未公开公式 | Flashcards 中有 Know / Still Learning；Learn 有目标与题型；Write/typed 可以重打；Progress 提供定向复习入口 | iOS/Android/Web 都有；但导入与 multiple-choice 创建偏 Web；offline 属订阅能力 | free 可学 flashcards 等；Learn/Test/Progress/offline/custom study paths 等有订阅或限额边界；class/assignment 有例外 | 会话内错题重打、Write 的 missed items、Progress 的 Still Learning 组形成回流 | Progress 的 Not Studied / Still Learning / Mastered；公开功能页摘要还指向 Memory Score | mode-first、goal-driven、表层轻、偏大众用户 | citeturn26view0turn29view2turn26view1turn12view1turn35search0turn37search0turn25view0turn40search2turn12view11turn32view0 |
+
+下面把你要求的 **18 个设计面向** 全部映射到 Anki、Quizlet 与知习建议上。
+
+| 设计面向 | Anki 现状 | Quizlet 现状 | 对知习的建议 | 依据 |
+|---|---|---|---|---|
+| 卡片数据结构 | note/field/card type/card 分层，表达力极强 | set + term/definition 扁平模型，低摩擦 | 采用 **ContentUnit + ReviewCard + ScheduleState** 三层；不要首发就暴露模板编辑器 | citeturn28view0turn26view0 |
+| 卡片创建方法 | 手工添加、共享牌组、文本导入、Cloze、Image Occlusion | 手工创建、导入、复制编辑、多选题 set | 首发只做：手工创建、粘贴导入、复制一套内容；Cloze/图片遮挡列为后续 | citeturn29view0turn23search15turn29view2turn25view2 |
+| 学习流程 | deck overview → question → show answer → rating → next | open set → Flashcards / Learn / Test / Progress | 首页不要直接进 deck 树，改成“今日任务页 → 进入会话” | citeturn33search4turn12view0turn12view1turn32view0 |
+| 用户如何标记记住/忘记 | Again/Hard/Good/Easy，可降为 Again/Good | Know/Still Learning；错题由模式自动跟踪 | 默认只给“忘了 / 记得”，高级模式再露出“四键” | citeturn2view0turn31search2 |
+| 间隔调度 | SM-2 与 FSRS 均公开，支持 learn/relearn/review | 行为级公开，公式未公开；Learn/Memory Score 更像黑箱 | 后端采用 Anki 风格状态机；若资源足够，用 retention-target 引擎；若资源有限，先用 SM-2-lite | citeturn33search1turn17view1turn12view1turn35search0 |
+| 今日复习呈现 | 明确 today counts：New/Learning/Review | 没有 Anki 式 due 计数主线，更接近 recommendations + Progress | Today 页分四栏：必做复习 / 错题返练 / 今日新增 / 可选加练 | citeturn33search4turn31search0turn32view0 |
+| 错题如何进入返练 | lapse 进 relearn；custom study 可拉 forgotten cards | Write/typed 可重打；Still Learning 可定向刷 | 建议“会话内 delayed retry + 会话后 relearn task”双层回流 | citeturn17view3turn17view4turn12view11turn32view0 |
+| 掌握度推进 | 没单一 mastery score；young/mature/retention 更底层 | Not Studied / Still Learning / Mastered；另有 Memory Score 线索 | 表层用 4–5 档 mastery，底层仍按 schedule state 运转 | citeturn28view0turn32view0turn37search0 |
+| deck / set 组织 | deck 适合粗分类，tags 做细分；可树状 subdeck | folders、tags、classes | 容器用文件夹，细分用标签；避免首发就让用户维护深树 | citeturn28view0turn29view0turn25view1turn26view2 |
+| 搜索与过滤 | 强 DSL：state、due、ivl、lapses、flags、FSRS props | 搜索筛选更轻：school/course/content type 等 | 首发做“筛选 chips”，不要做 Anki 级 DSL；后续再加高级查询 | citeturn30view0turn30view2turn13view3 |
+| 学习分析 | 统计非常细，但更偏系统健康 | Progress 更偏用户理解的长期分组 | 知习应同时做“系统健康指标”和“用户可懂 mastery 指标”两层 | citeturn3view5turn32view0turn13view2 |
+| App vs Web 差异 | 桌面更强；AnkiWeb 辅助；移动端用于随时复习 | Web 更强于创建；移动更强于 daily feed 与随时学 | 接受“Web-first authoring, mobile-first review” | citeturn22view0turn23search0turn29view2turn31search0 |
+| 免费层限制 | 主要是平台付费差异，不是核心复习能力订阅墙 | 核心学习能力被拆进订阅与限额，且存在班级例外 | 知习不要把基础复习闭环锁进付费；把高级创作和洞察做成付费更合理 | citeturn22view0turn40search2turn26view3 |
+| 适合大众用户的机制 | 状态机与 due queue 很强，但 UI 过重 | 低摩擦 set、Progress 分组、模式清晰 | 复刻：二键默认、导入快、错题返练、today tasks、清晰 mastery | citeturn2view0turn31search2turn32view0 |
+| 初期过于高级的机制 | 模板、note type、DSL、preset、add-ons | 复杂订阅矩阵、教师生态、网站专属多选 | 首发先不要上 HTML 模板、复杂预设、全量教师功能 | citeturn23search0turn30view0turn40search2turn26view1 |
+| 知习应复制的核心机制 | learn/relearn/review、lapse、bury siblings、backlog order | Progress buckets、typed retry、goal/task surface | **后端复制 Anki，前端复制 Quizlet** | citeturn17view1turn17view3turn4view5turn32view0turn13view1turn31search0 |
+| 知习推荐数据对象 | Anki 说明了内容与调度实例分离的价值 | Quizlet 说明了扁平容器的重要性 | 设计 `StudySet / ContentUnit / ReviewCard / ScheduleState / Attempt / RetryTicket / DailyTask` | citeturn28view0turn26view0 |
+| 知习建议复习页流程 | Anki 擅长 due-system；Quizlet 擅长 task surface | Quizlet 擅长把目标和进度讲成人话 | Today 页任务化，Review 页单线程，错题自动回流，结束页给 mastery 变化 | citeturn33search4turn32view0turn31search0 |
+
+## 知习集成方案
+
+知习最稳妥的方案，是把 **“调度状态”** 与 **“用户看到的掌握度”** 分离。Anki 证明了状态机必须足够严谨，否则复习队列会失真；Quizlet 证明了掌握度必须足够简单，否则普通用户不知道自己在变好还是变差。我的建议是：**底层保留 schedule state，表层输出 mastery bucket。**citeturn28view0turn17view1turn32view0
+
+下面这个图展示了我建议的知习双层模型：左边是调度状态，右边是面向用户的掌握层级。右侧不是独立调度器，而是由左侧状态与间隔推导出来的展示层。
+
+```mermaid
+flowchart LR
+    subgraph 调度状态
+        N[New] --> L[Learn]
+        L --> R[Review]
+        R --> RL[Relearn]
+        RL --> R
+    end
+
+    subgraph 用户掌握层
+        M0[未学]
+        M1[在学]
+        M2[熟悉]
+        M3[稳定]
+        M4[掌握]
+    end
+
+    N -.推导.-> M0
+    L -.推导.-> M1
+    RL -.推导.-> M1
+    R -.next interval < 7d.-> M2
+    R -.7d 至 20d.-> M3
+    R -.≥21d 且近期稳定.-> M4
+```
+
+知习的数据对象我建议如下。这个设计吸收了 Anki 的内容/卡片分离，也保留了 Quizlet 那种 set 容器与简单组织能力。
+
+| 对象 / 表 | 关键字段 | 作用 |
+|---|---|---|
+| `study_set` | `set_id, owner_id, title, visibility, folder_id, tags[]` | 类似 Quizlet set / Anki deck 的容器层 |
+| `content_unit` | `unit_id, set_id, fields_json, media_json, source_type` | 知识内容原子，对应 Anki note 的简化版 |
+| `card_blueprint` | `blueprint_id, answer_mode, prompt_mapping, answer_mapping` | 只做平台定义，不首发开放用户 HTML 模板 |
+| `review_card` | `card_id, unit_id, blueprint_id, sibling_group_id, status` | 真正被调度的一张卡，类似 Anki card instance |
+| `schedule_state` | `card_id, engine, state, step_index, due_at, interval_days, ease_factor, stability, difficulty, retrievability, lapse_count` | 调度内核；SM-2 字段与 FSRS 字段可以共存 |
+| `review_attempt` | `attempt_id, session_id, card_id, mode, rating, correctness, latency_ms, answered_at` | 记录每次作答事件，供调度与分析使用 |
+| `retry_ticket` | `ticket_id, card_id, source_attempt_id, retry_after_cards, retry_after_at, reason` | 会话内错题返练队列 |
+| `mastery_snapshot` | `card_id, mastery_bucket, mastery_score, updated_at` | 给 Today、列表页、详情页直接读 |
+| `daily_task` | `task_id, user_id, task_type, date, card_count, query_scope` | Today 页的任务对象 |
+| `study_session` | `session_id, user_id, task_id, started_at, ended_at, stats_json` | 会话层，承载 streak、耗时、Again 率等 |
+
+知习的默认调度参数，我建议不要把 Anki 的所有高级参数都暴露给用户；但产品内部需要一套明确默认值。这里我给出一个**FSRS-ready，但可用 SM-2 fallback 落地**的方案。之所以把新卡量设得更低，是因为 Anki 官方已经明确提示：20 张新卡/天对很多人会推高到约 200 次复习/天，这对大众用户太重。citeturn4view0
+
+| 参数 | 建议默认值 | 是否暴露给用户 | 说明 |
+|---|---|---|---|
+| 每日新增上限 | `8` | 暴露 | 用“今日新增上限”表达，不让用户碰底层步长 |
+| 今日必做复习 | `全部 due`；若 backlog 很大，先切 `60` 张为建议批次 | 半暴露 | 不硬性吞掉 due，而是用“先完成这一批”分段 |
+| 学习步长 | `10m, 1d` | 不暴露 | 保留 Anki “同日巩固 + 次日复现”的好处 |
+| 新卡 Easy 毕业间隔 | `3d` | 不暴露 | 比 1d/2d 更像“真轻松” |
+| 重学步长 | `10m` | 不暴露 | 错题先做短时回流 |
+| lapse 最小间隔 | `1d` | 不暴露 | 与 Anki 默认一致，避免当日无限打转 |
+| desired retention | `0.90` | 不直接暴露 | 用“轻松 / 标准 / 冲刺”三档映射，例如 0.86 / 0.90 / 0.93 |
+| 如果走 SM-2 fallback：starting ease | `2.50` | 不暴露 | 兼容 Anki 风格增长 |
+| 如果走 SM-2 fallback：hard interval | `1.20` | 不暴露 | 保守增长 |
+| 如果走 SM-2 fallback：easy bonus | `1.30` | 不暴露 | 奖励真正熟练项 |
+| 如果走 SM-2 fallback：lapse new interval | `0.20` | 不暴露 | 我建议比 Anki 默认 0.00 更温和，减少大众用户挫败 |
+| leech 阈值 | `8` | 不暴露 | 但不要首发就自动 suspend；先提示“建议重写这张卡” |
+
+在用户交互层，我建议知习采用 **二键默认 + 四键高级模式**。理由很简单：Anki 官方明确表示用户完全可以只用 Again 和 Good；而大众学习者通常并不天然理解 Hard 与 Easy 的调度含义。知习可以默认只展示“忘了 / 记得”，用户在设置里切换成“忘了 / 吃力 / 记得 / 很熟”。这样在行为数据上仍可兼容更细粒度评分，但不会让首日用户被算法语义绊住。citeturn2view0
+
+知习还应该把错题回流做成**双轨机制**：一条轨是 Quizlet 风格的会话内短延迟重试，另一条轨是 Anki 风格的会话后重学。也就是说，用户这道题答错以后，不只是在统计里 +1，而是立刻生成一张 `retry_ticket`，例如“隔 3 题后再见一次”；与此同时，这张卡的 schedule state 也进入 `relearn`，例如 10 分钟后重新出现。这样既能抓住短时纠错窗口，又不至于当场无限循环。这个想法直接来自 Anki 的 relearn steps 与 Quizlet 的 retype missed answers。citeturn17view3turn13view1turn12view11
+
+知习的 Today 页我建议做成下面这样的任务流，而不是传统 deck list。这个设计既保留了 Anki 的 due 严肃性，也借了 Quizlet 的 task 化表达。citeturn33search4turn32view0turn31search0
+
+```mermaid
+flowchart TD
+    A[Today 页面] --> B[必做复习]
+    A --> C[错题返练]
+    A --> D[今日新增]
+    A --> E[可选加练]
+    B --> F[开始会话]
+    C --> F
+    D --> F
+    E --> F
+    F --> G[ReviewCard]
+    G --> H{作答模式}
+    H -->|自评| I[展示答案后评分]
+    H -->|客观判分| J[输入/选择后自动判分]
+    I --> K{是否做错}
+    J --> K
+    K -->|是| L[生成 retry_ticket + 进入 relearn]
+    K -->|否| M[更新 schedule_state + mastery_snapshot]
+    L --> N[隔 3 题后再试]
+    M --> O[下一张]
+    N --> O
+```
+
+知习的 API / 事件流也应该围绕 “任务、尝试、调度、掌握、返练” 五类对象组织。我建议的典型链路如下。
+
+```mermaid
+sequenceDiagram
+    participant U as User
+    participant A as App
+    participant API as Review API
+    participant S as Scheduler
+    participant M as Mastery Engine
+
+    U->>A: 打开 Today
+    A->>API: GET /daily-tasks/today
+    API->>S: 生成 due/new/relearn 队列
+    S-->>API: 任务列表 + 首卡
+    API-->>A: Today 数据
+
+    U->>A: 提交作答
+    A->>API: POST /review-attempts
+    API->>S: 更新 schedule_state
+    API->>M: 重算 mastery_snapshot
+    S-->>API: next due / retry ticket
+    M-->>API: mastery 变化
+    API-->>A: 下一张卡 + 提示文案 + 计数更新
+```
+
+配套的接口大致可以长这样：
+
+```json
+GET /v1/review/daily-tasks/today
+
+{
+  "date": "2026-05-21",
+  "tasks": [
+    {"taskType": "due_review", "count": 42},
+    {"taskType": "error_repractice", "count": 9},
+    {"taskType": "new_cards", "count": 8},
+    {"taskType": "optional_drill", "count": 15}
+  ]
+}
+```
+
+```json
+POST /v1/review/attempts
+
+{
+  "sessionId": "sess_123",
+  "taskType": "due_review",
+  "cardId": "card_456",
+  "mode": "self_rate",
+  "rating": "again",
+  "correctness": false,
+  "latencyMs": 7400,
+  "answeredAt": "2026-05-21T09:35:12Z"
+}
+```
+
+```json
+{
+  "nextCardId": "card_789",
+  "scheduleState": {
+    "state": "relearn",
+    "dueAt": "2026-05-21T09:45:12Z",
+    "intervalDays": 0
+  },
+  "retryTicket": {
+    "queued": true,
+    "retryAfterCards": 3
+  },
+  "mastery": {
+    "bucket": "在学",
+    "score": 0.38
+  }
+}
+```
+
+最后，知习的复习页本身不要塞太多功能。一个好的 ReviewCard 页只需要五个东西：**题面、可选提示、答案区/作答区、单一主操作、简短反馈。**Anki 擅长严肃地推进状态，Quizlet 擅长让用户“不思考系统，只思考题目”。知习首版应该优先追求后者的简洁表层，再把前者的严谨状态机藏到系统里。citeturn33search4turn12view0turn12view1
+
+## 分阶段取舍
+
+如果只看“适合大众用户”的机制，我会把知习首发的 P0 重点放在下表这些东西上。这些能力几乎都可以直接从 Anki 与 Quizlet 的强项里找到动机。
+
+| 机制 | 建议阶段 | 为什么必须先做 |
+|---|---|---|
+| Today 任务页 | P0 | 让“今天学什么”一眼可见，避免让用户先理解 deck 结构 |
+| 二键默认评分 | P0 | 降低 Anki 式评分成本，同时保留以后升级四键的空间 |
+| learn / review / relearn 三种核心状态 | P0 | 这是复习系统真实性能的底盘 |
+| 会话内错题 delayed retry | P0 | 直接提升错题纠正效率，成本低、感知强 |
+| 会话后 relearn 队列 | P0 | 让“错题”真正进入未来，而不是只留在统计 |
+| 掌握度 buckets | P0 | 用用户能看懂的方式表达长期进步 |
+| 粘贴导入与快速建卡 | P0 | 借 Quizlet 的低摩擦优势，加速冷启动 |
+| 文件夹 + 标签 | P0 | 够用且简单，比深层牌组树更适合大众 |
+
+这些建议分别来自 Anki 的状态机、relearn、today 概览，以及 Quizlet 的 Flashcards、Progress、导入创建和任务化推荐。citeturn33search4turn17view3turn31search2turn32view0turn29view2turn31search0
+
+相反，下面这些东西很强，但我明确不建议知习在首发阶段做满。
+
+| 机制 | 建议阶段 | 为何不适合首发 |
+|---|---|---|
+| 用户自定义 HTML/CSS 模板 | 后续 | 表达力强，但学习成本和 QA 成本都高 |
+| 多 note type / 多 card type 自定义编辑器 | 后续 | 适合高级用户，不适合大众应用首日 |
+| Anki 级搜索 DSL / Filtered Deck Builder | 后续 | 功能强，但心智负担极高 |
+| 手动调 ease / FSRS 参数 / 预设矩阵 | 后续 | 大众用户不会用，且容易误用 |
+| 自动 suspend leech | 后续 | 对普通用户来说太“黑箱”，更适合先做提示而非自动惩罚 |
+| 复杂教师 / 班级 / 课堂分发体系 | 后续 | 除非知习首发就是教育机构产品，否则不应抢占主线 |
+| 过碎的订阅矩阵 | 慎用 | Quizlet 当前就展示了一个例子：功能多层切分会影响认知简洁度 |
+
+其依据也很明确：Anki 的模板、预设、加插件、DSL 搜索都强，但明显面向更高意愿学习系统本身的人群；Quizlet 的复杂订阅层、教师例外、多端能力差异，则说明能力拆分一多，产品表层很容易“到处差一点”。citeturn23search0turn30view0turn23search8turn40search2turn26view3
+
+如果只能用一句话概括知习的产品路线，我的建议是：
+
+**首发做硬复习，不做硬配置；首发做清晰任务，不做复杂体系；首发做错题闭环，不做参数控制台。**
+
+从具体路线看，我建议：
+
+- **P0**：Today 任务页、ReviewCard、二键评分、错题短延迟重试、relearn、导入建卡、基础 mastery。
+- **P1**：四键高级模式、按标签/掌握度定向加练、考试前冲刺、兄弟卡 bury、更多客观判分题型。
+- **P2**：网页高级内容编辑器、模板系统、搜索 DSL、教师班级、公开 Memory Score 解释页。
+
+## 开放问题与局限
+
+关于 Quizlet，有两点需要明确说明。第一，**我能直接获取到的官方帮助中心正文，没有像 Anki 一样公开其按钮到间隔的精细调度公式**；第二，Quizlet 官方公开页面与搜索摘要已经明显出现了 **spaced repetition、scheduled reviews、Memory Score** 这组表述，但部分功能页正文无法直接抓取，因此我在报告里只把它们当作**产品方向信号**，而不是可逐项落地的算法文档。citeturn12view1turn35search0turn37search0
+
+因此，如果知习团队当前最关心的是**调度实现**，应优先按 Anki 的公开机制来设计；如果最关心的是**大众用户上的产品包装**，应优先按 Quizlet 的 Learn / Progress / home feed 逻辑来做表层体验。换言之，**算法看 Anki，交互看 Quizlet**，这是本报告最稳的结论。citeturn17view1turn33search4turn32view0turn31search0
\ No newline at end of file
diff --git a/核心架构/deep-research-report.md b/核心架构/deep-research-report.md
new file mode 100644
index 0000000..846e531
--- /dev/null
+++ b/核心架构/deep-research-report.md
@@ -0,0 +1,103 @@
+# 执行摘要  
+本报告对 Notion 和 Heptabase 两款知识工作台进行深入调研和比较，以指导“知习”Web 知识工作台的设计。Notion 以层级化页面和数据库为核心，拥有可扩展的侧边栏导航、全局搜索、丰富的模板和 AI 辅助功能；而 Heptabase 则以“卡片+白板”为基础，主张视觉化知识网络和双向链接、内置 AI 聊天与操作。【8†L152-L159】【40†L162-L170】我们假设目标用户为知识工作者、研究者与终身学习者，规模从个人到小团队，以 Web 应用（兼顾桌面/移动端）为主。报告首先分别介绍 Notion 与 Heptabase 的工作流与组织方式，再通过对比表归纳关键异同，最后提出融合两者优势的“知习”方案。建议第一阶段聚焦实现核心功能（灵活的内容块/卡片编辑、全局搜索、基本 AI 辅助、无限白板画布等），暂缓深度自动化代理、企业级权限等复杂模块。  
+
+## Notion 工作台架构与流程  
+【35†embed_image】下图展示了 Notion 桌面端工作区界面，左侧为可伸缩的导航侧边栏，右侧为内容编辑区。Notion 将所有内容组织在一个或多个“工作区”内，每个工作区又可细分为**团队空间（Teamspace）**（仅付费版支持）和**页面**。侧边栏中“页面与数据库”列表可自由排列和嵌套，支持无限层级组织【8†L152-L159】；页面之间可拖拽重新排序。侧边栏顶部包含**切换工作区**、**搜索**、**Home**、**会议**、**Notion AI**、**收件箱**等入口【8†L184-L193】，如图所示可一键访问全局搜索或最近访问内容。  
+
+从用户流程看，打开 Notion 后用户首先来到**Home**页（桌面/网页版提供），Home 提供**最近访问页面**、**快捷操作**、**日历与任务摘要**等功能【9†L153-L162】。用户可以在 Home 添加「快捷方式」，一键打开常用页面或创建待办。左侧点击**页面/数据库**则进入对应页面编辑，内容区默认空白画布，可任意书写文本、添加标题或其它块。新的页面可通过侧边栏“+”或快捷键（Mac 按 `⌘+⌥+⇧+9`）快速创建【14†L267-L269】。Notion 编辑区采用**区块（block）模型**：每段文本、列表、待办、表格等都是一个区块，可上下拖动、嵌套和转换类型。输入 `/` 弹出命令菜单，可选择各种内容块【14†L304-L307】；输入快捷符号（如 `#`、`-`、`>` 等）也能快速生成标题、列表、引用等【14†L206-L214】。编辑时，顶部工具栏自动淡出，只留白板式的内容输入体验【8†L172-L175】。  
+
+Notion 还集成了全局搜索和命令面板：侧边栏搜索（或快捷键 `⌘+P`）可在整个工作区内搜索页面、数据库及内容【8†L184-L193】；`Cmd/Ctrl + /` 快捷键可调出全局操作菜单，对选中区块执行编辑、复制、颜色标记等操作【14†L304-L307】。此外，Notion 支持**双向链接**：在文本中 `@` 或 `[[` 提及页面可建立链接，并在目标页面自动生成反向链接列表【18†L225-L233】。比如，引用某页则该页下方会显示 “Backlinks” 列表，方便回溯上下文。Notion 还支持数据库模板、看板视图、日历等多种视图（见【23†L169-L177】【23†L189-L197】）。  
+
+**Notion 多端与可扩展性：**Notion 提供 Web、桌面（Win/Mac）和手机端应用，付费用户可开启离线模式【24†L376-L384】。免费版对上传大小（单文件 5MB）与版本历史（7 天）有限制，Plus/Business 版解除这些限制【24†L348-L356】【24†L362-L370】。免费版还限制访客数量（10 名）、去水印、团队空间等功能；商业版及以上则支持更长历史（90 天+无限）、精细权限、SSO 和企业搜索【24†L362-L370】【24†L422-L430】。总的来说，Notion 在内容规模上几乎无上限，已被众多大公司（98%《福布斯》云百强）采用，但单页极大量内容可能造成卡顿。  
+
+```mermaid
+graph TD
+    subgraph Notion_界面
+        A[工作区] --> B[侧边栏：工作区切换、搜索、Home、Inbox、团队空间等]
+        B --> C[页面/数据库列表]
+        C --> D[页面/子页面 ...]
+        D --> E[区块 (文本、表格、待办等)]
+        B --> F[全局搜索]
+        B --> G[收藏/最近访问]
+        B --> H[团队空间（付费）]
+    end
+```
+
+## Heptabase 知识组织流程  
+【34†embed_image】如上图所示，Heptabase 界面分为左侧栏、标签页区和右侧工具栏三个部分。左侧栏上半部呈“应用操作系统”风格：顶端有**“研究主题”**按钮和常驻的各类 *App*（收件箱 Inbox、日记 Journal、白板 Whiteboards、卡片库 Card Library、标签库 Tag Database、收藏 Highlight、聊天 Chat 等）【11†L37-L45】【11†L53-L62】。用户点击“研究主题”可以上传文档、PDF、YouTube 链接等内容，系统会自动将它们转换成卡片并新建一个白板布局供用户思考【11†L41-L49】。左下则是类似浏览器的**标签页系统**：新建标签可搜索打开卡片、白板、网页等【11†L76-L84】。通过 `Cmd+K` 快捷键可打开快速动作面板，查询所有快捷键与命令【12†L7-L10】。  
+
+在 Heptabase 中，**卡片** (note card) 是基本单元：它们存储在“卡片库”应用中，可以包含各种区块（标题、列表、待办、表格、代码段、公式、图片、音视频等）【40†L170-L177】。在卡片编辑器中输入 `/` 可插入各种元素，输入 `@` 可链接其他卡片；信息面板会列出该卡片被哪些卡片引用（区块级反链），共同构成用户专属的知识网络【40†L174-L177】。卡片可以通过快捷键（`Cmd+N`）创建，所有新建的卡片会汇入**收件箱**（Inbox），以便后续整理【11†L53-L58】。Heptabase 还支持高级导入：内置 PDF 解析、高亮和 YouTube 转录功能，将内容直接生成对应卡片。  
+
+**白板** (Whiteboard) 是 Heptabase 的核心思考空间：它是一个无限大的画布，可放置卡片、文本、分段框（Section）等对象【40†L181-L190】【40†L199-L207】。当主题较大时，用户可在白板内部创建**子白板**（nested whiteboard）来分层组织概念【40†L183-L189】。与 Notion 不同，白板**不拥有卡片**：所有卡片属于卡片库，通过拖拽或右键可将卡片放到任意白板上【40†L183-L189】。同一张卡片可以同时出现在多个白板中，卡片信息面板显示其所在的所有白板，方便快速定位上下文【40†L191-L194】。白板左侧有工具栏，可添加“选择”、“创建卡片”、“上传文件”、“连接线”、“文字”、“分段”等工具【40†L213-L222】；右键单击空白处也能新增心智图节点、日记卡、子白板等【40†L199-L207】。这样，用户可直观地将笔记卡片可视化，画出概念图、思维导图，并用各种样式的箭头连接各元素【40†L213-L222】【31†L148-L157】。  
+
+**示例流程**：用户可先在卡片库中创建或从研究按钮导入笔记。然后在左侧白板列表中新建或打开白板，将相关卡片拖入，通过**连接线**和**心智图模式**整理思路【40†L213-L222】。在右上角可打开**聊天面板**，与内置 AI 聊天机器人对话（AI 视当前白板或卡片为上下文，生成摘要、答案等）。完成思考后，用户可将 AI 回答拖曳为卡片或留在白板上标注。Heptabase 支持键盘导航和布局优化（如自动整齐排列）以减少操作负担【31†L148-L157】。  
+
+**多端与性能：**Heptabase 自闭测起就支持 **离线桌面应用**（Mac/Windows/Linux）【32†L1-L4】。截至 2023 年，其 Web 版、iOS 和 Android 手机端已全面上线【32†L1-L4】。跨设备实时同步机制使笔记同步无延迟【32†L1-L4】。7 月发布的搜索引擎优化版本号称能在 1 秒内搜索数万个区块【32†L1-L4】，表明面对大规模笔记库的查询性能优异。  
+
+```mermaid
+graph TD
+    subgraph Heptabase_界面
+        A[工作区] --> B[左侧：研究按钮 / Inbox / Journal / 白板 / 卡片库 / 标签库 / 高亮 / Chat]
+        B --> C[收件箱 (新建卡片汇总)]
+        B --> D[卡片库 (所有卡片列表)]
+        B --> E[白板列表 (主白板/子白板)]
+        D --> F[卡片 (支持“@”引用，块级反链)]
+        E --> G[白板 (放置卡片、创建连接/心智图)]
+        A --> H[标签页系统 (搜索打开卡片/网页等)]
+        H --> D
+        H --> E
+        subgraph Heptabase_操作
+            F --> I[创建/编辑卡片 (/菜单，键盘快捷键)]
+            G --> J[思考与笔记可视化 (拖拽卡片、连接线)]
+            A --> K[全局搜索 / Cmd+K 快捷]
+        end
+    end
+```
+
+## Notion vs Heptabase 主要功能对比
+
+| 功能/特性           | Notion                                                    | Heptabase                                                    |
+|------------------|------------------------------------------------------------|-------------------------------------------------------------|
+| **工作区架构**        | 以“工作区”为顶层，可创建多个；免费版单一工作区【8†L138-L146】。导航侧边栏列出团队空间（付费）、页面、数据库和库等【8†L152-L159】【8†L178-L186】。团队空间（商业版+）支持组织项目和权限。            | 单工作区架构，无团队空间概念。左侧栏为“操作系统”：包含**研究主题按钮**及多种应用（Inbox、白板、卡片库、标签库、日记、聊天等）【11†L37-L45】【11†L53-L62】。无传统侧边层级树，内容由卡片和白板组成。            |
+| **知识库组织**       | 灵活的层级页面体系，用户可在一个页面下嵌套任意子页面或数据库条目【8†L152-L159】。数据库用于结构化记录（任务、项目等），支持多种视图（表格、看板、日历、列表等）。可使用模板建立知识库。       | 以视觉图板为主：所有信息都以**卡片**（笔记）形式存在，通过 **白板** 组织和可视化。卡片按主题/标签分类（标签库），或按时间记录（Journal）。白板可无限嵌套（子白板），形成树状结构【40†L183-L190】。卡片库展示所有笔记，便于检索和重用。             |
+| **文档/页面 vs 卡片/白板** | Notion 的基本单位是页面，每个页面内含多个**区块**（文本、列表、图表等）【14†L304-L307】。页面可无限嵌套；数据库条目也表现为页面并可链接。没有“白板”视图，主要是线性文档结构。          | Heptabase 的基本单位是 **卡片**（等价于便签、段落级笔记），卡片内也由区块构成【40†L170-L177】。白板是可放置卡片的画布，支持任意拖拽、自由布局。卡片和白板相互独立：卡片可在多个白板出现【40†L191-L194】。缺乏传统文档，取而代之的是网状知识图谱。          |
+| **内容创建流程**     | **新页面**：侧边栏“+”或快捷键创建空白页面；/命令或模板快速插入各类内容【14†L267-L269】【14†L304-L307】。**数据库条目**：选定数据库后在内部新增记录即创建新页面。支持从外部剪贴、Markdown 导入。     | **新卡片**：在任何白板或卡片库内使用 `Cmd+N`，或右键菜单“新建卡片”，亦可通过侧边研究按钮上传生成。所有新卡片先聚集到 Inbox【11†L53-L58】。**新白板**：白板列表中新建或在白板内右键创建子白板。可直接在白板上编辑文本、添加图片或手绘思维图节点【40†L199-L207】。导入功能直接将 PDF/视频等转为卡片。          |
+| **内容发现/搜索**     | Notion 提供**全局搜索**（可快速找到页面、数据库、日期等），并支持通过名称跳转到最近访问页面【8†L184-L193】。搜索还可跨接入 Slack/GDrive 等（企业版）【5†L152-L161】。侧边栏的 Home/收藏也辅助发现常用内容。    | Heptabase 通过标签页系统进行**全局搜索**：在“新标签”界面可输入关键词查找卡片或白板，也可打开网站或 YouTube。左侧“卡片库”列表可查看所有卡片，标签库管理标签。白板右上角的搜索工具仅搜索当前白板内容【40†L213-L222】。新的搜索引擎号称能秒级搜遍海量卡片【32†L1-L4】。       |
+| **编辑体验**        | WYSIWYG 富文本编辑，块级编辑和排版。输入 slash 弹出菜单添加区块【14†L304-L307】；快捷键操作块（复制、移动、嵌套）【14†L303-L311】。支持 Markdown 语法部分转换（#、- 等）【14†L206-L214】。编辑时界面简洁，打字即沉浸式模式【8†L172-L175】。没有画布式布局。   | 卡片编辑器类似文档编辑器：支持丰富块（列表、待办、表格、公式、代码、附件等）【40†L170-L177】。使用 `/` 插入内容，`@` 链接卡片【40†L174-L177】。白板编辑是自由布局：可拖拽卡片、连线和绘图节点。界面操作多以右键菜单或工具栏完成（添加卡片、文本、分段等）【40†L199-L207】【40†L213-L222】。整体交互强调可视化和空间思维。     |
+| **块 vs 卡片**     | Notion 强调**区块**概念：页面内容均以区块形式组织，可嵌套和转换【14†L304-L307】。区块属于其所在页面，不独立存在。数据库记录也是页面。   | Heptabase 强调**卡片**概念：卡片可视作最小知识单元，存在于卡片库中，用户可将卡片拖入任意白板【40†L181-L189】。卡片独立于白板存在，可在多处复用。卡片内亦采用块结构以组织内容【40†L170-L177】。       |
+| **双向链接/白板支持** | Notion 支持页面间链接：在文本输入 `@` 或 `[[` 可链接其他页面。被链接的页面会自动显示“Backlinks”列表【18†L225-L233】。此外可在页面内嵌入提及链接块，使链接页面成为该页面的子页面【18†L285-L290】。没有内置画布或图谱视图。  | Heptabase 卡片之间通过 `@` 建立引用，信息面板展示区块级别的反向链接【40†L174-L177】。白板上可用**箭头**绘制显式连接，或启用心智图模式自动布局【40†L213-L222】【31†L148-L157】。整合的 AI 动作可将卡片内容自动生成关系图。Heptabase 本质上构建了一个概念网络。     |
+| **大规模内容**      | Notion 已在企业级规模应用，支持海量页面和数据库条目。免费版存储无限制（仅限单文件大小），付费后无限上传【24†L348-L356】。版本历史按计划保存（免费7天，Plus30天，企业无限【24†L362-L370】）。但极大页面（含数千区块）可能影响性能。  | Heptabase 也支持**无限笔记和白板**【26†L24-L32】，无额外费用区别（容量均无限制）。桌面端离线存储和云同步结合，搜索引擎优化确保了对成千上万卡片的快速检索【32†L1-L4】。其存储方案允许用户跨设备无缝访问历史内容。   |
+| **快捷键/命令面板**  | 大量键盘快捷：如 `⌘+N` 新建页面【14†L267-L269】、`⌘+/` 打开块命令菜单【14†L304-L307】、`Tab`/`Shift+Tab` 缩进等。支持键盘导航块【14†L301-L310】。全局搜索 (`⌘+P`) 和区块插入(`/`) 提供快速操作。   | Heptabase 使用 `Cmd+K` 调出快速命令面板【12†L7-L10】；`Cmd+N` 新建卡片（插入 Inbox）；左右移动选项卡。左侧标签页系统可通过搜索快速打开卡片、白板或网页【11†L76-L84】。白板内支持拖拽多选；几乎所有操作均有快捷键（页面右下的「键盘快捷键」可查看）。  |
+| **Web/多端体验**   | Notion 主要为云端 Web 服务，附带桌面与移动应用。Plus 版以上支持移动和桌面端全功能离线模式【24†L376-L384】。桌面端与网页版体验基本一致，移动端可查看/编辑大部分内容，但部分高级功能（如部分整合或大型视图）相对弱一些。  | Heptabase 初衷即离线桌面应用【32†L1-L4】，2023年推出功能完整的 Web 版和移动版【32†L1-L4】。目前所有功能（白板编辑、卡片创建、AI 聊天）在 Web/桌面/移动端均得到支持。根据官方报道，所有客户端已采用新的同步与搜索算法，可无缝跨端使用【32†L1-L4】。 |
+| **AI 集成**        | Notion 内置**AI 助手**，称为 Notion AI/代理（Agents）：可基于工作区上下文生成文档、回答问题、总结内容、自动填写数据库等【24†L424-L430】。部分 AI 功能（对话、翻译、摘要）对所有用户试用，商业版包含完整功能【24†L424-L430】。企业版可开启大型模型“零数据保留”。  | Heptabase 将 AI 深度融入知识流程：**AI Chat** 可基于用户当前卡片/白板上下文对话，回答问题并可拖成新卡【40†L228-L231】；**AI Actions** 提供对卡片的快速翻译、总结、心智图生成等操作【15†L129-L137】【40†L232-L234】。用户也可在对话中 @ 引用卡片作为上下文，AI 回答自动附带引用来源。Heptabase 重视 AI 作为学习助手，与内容紧密整合。 |
+| **收费模式**        | Notion 采用免费+订阅制：免费版提供无限页面/区块，但限制附件大小 (5MB)、版史（7天）、访客人数等【24†L348-L356】【24†L392-L398】。Plus（\$10/月/人）解锁无限上传和30天历史【24†L348-L356】【24†L362-L370】。Business（\$20/月/人）增加 SSO、团队空间、权限控制、Notion AI 完整版等【24†L422-L430】【24†L442-L450】。Enterprise 定制价格，含审计日志、SCIM 等企业功能【24†L467-L474】。  | Heptabase 仅订阅制，无永久免费版（提供 7 天试用【28†L160-L169】）。**Pro** 版 (\$8.99/月，年付约\$6.99) 提供无限制笔记/白板/标签和 100 AI 积分【26†L24-L32】【26†L32-L34】。**Premium** (\$17.99/月) 包含 Pro 所有内容、无限 PDF 上传与解析、额外 1,800 AI 积分、付费 AI 模型和 AI 辅导【26†L44-L52】。**Premium+** (\$53.99/月) 则提供 33% 折扣的 AI 积分包（月含8,100积分）【26†L58-L66】。所有计划均允许无限协作者邀请【26†L24-L32】，付费区分主要在于 AI 功能深度与配额。 |
+
+## “知习”Web工作台融合方案  
+
+基于上述分析，我们建议“知习”工作台结合 Notion 的灵活页面/块架构与 Heptabase 的可视卡片/白板思维。核心功能应包含：  
+- **内容结构**：支持多级**团队空间/项目区**，以及页面和卡片两种内容类型。用户可在团队空间下建立页面（富文本文档）或卡片（便签式笔记）。页面内部仍采用区块编辑模式，支持嵌套；卡片独立存储，可拖入**白板**进行组织【40†L181-L190】【14†L304-L307】。  
+- **导航与布局**：左侧树状导航展示团队空间和所有页面/白板。右侧或弹出工具栏提供页面属性、笔记详情、AI 对话等辅助功能【11†L105-L113】【8†L152-L159】。主页展示最近访问、待办提醒（可参考 Notion 的 Home 设计【9†L153-L162】）。  
+- **白板与思维导图**：实现一个无限画布供用户放置卡片、图片或文本，支持多种连接线（普通箭头、关联图示）【40†L213-L222】【31†L148-L157】。可选的心智图模式自动布局概念，帮助用户可视化思考。子白板功能允许主题细分【40†L183-L189】。  
+- **编辑与链接**：文本编辑器支持 Markdown 式块命令，如 `/` 列表、标题等【14†L304-L307】【40†L170-L177】；文本中 `@` 可链接页面或卡片，并在目标处自动生成反向引用【18†L225-L233】【40†L174-L177】。页面内容和卡片内容同样可无限嵌套与引用。提供常用快捷键（新建内容、切换页面、打开命令面板等）以提高效率【14†L267-L269】【12†L7-L10】。  
+- **搜索与发现**：开发全局搜索引擎，可在几百个页面和几千张卡片中秒级检索。类似 Heptabase，可区分全局搜索与当前白板内搜索。首页快捷入口和收藏夹帮助用户快速定位常用内容【9†L153-L162】【32†L1-L4】。  
+- **移动与同步**：客户端需支持跨平台（Web、桌面、移动），并具备离线浏览编辑功能（数据本地缓存与后台同步）。同步策略借鉴 Heptabase 的实时同步设计，以避免冲突。  
+- **AI 集成**：集成对话式 AI 助手：在页面或白板右侧可打开 AI 面板，与当前内容上下文对话，可生成摘要、答案或辅助笔记（可将输出保存为新卡片）【15†L129-L137】【40†L228-L231】。同时提供单卡片/页面的 AI 操作（翻译、总结、图示生成等）按钮【40†L232-L234】。初期可依赖现成大模型API，并允许用户自带 API Key（如 Heptabase 做法）【28†L186-L195】。  
+- **数据模型建议**：建议设计以下核心数据对象：  
+  - **Workspace/TeamSpace**：顶层容器，包含成员、权限设置；下属页面和板块。  
+  - **Page（页面）**：富文本文档，字段包括标题、父级（工作区或页面）、多个 Block；可包含数据库视图。  
+  - **Block（区块）**：页面的基本单元，类型可为段落、标题、列表、表格、嵌入等；支持子区块嵌套。  
+  - **Card（卡片）**：独立知识单元，字段包括标题、块内容、标签、引用关系等；存储在卡片库。  
+  - **Whiteboard（白板）**：可视画布，字段有标题、父板（可为另一白板）、卡片布局（卡片与其坐标）、连线信息及文本对象。  
+  - **Tag/Label**：用于给卡片/页面打标签，支持层级或分类管理。  
+  - **Database**：结构化表格（可选类似 Notion），包含属性定义和记录。  
+  - **Task/ToDo**：可视为特殊数据库记录，字段包括负责人、截止、状态等，用于任务管理（参考 Notion 任务数据库）。  
+  - **AI ChatSession**：记录与 AI 聊天的上下文和消息，字段含对话历史、关联页面/卡片。  
+  - **User/Permission**：成员身份与权限分组，支持协作空间权限和行级权限。  
+  这些对象可参考 Notion 的数据库模型和 Heptabase 的卡片/白板模型，确保灵活拓展且数据结构简洁。  
+
+- **页面结构建议**：界面采用典型三栏布局：**左栏**为导航（工作区/团队空间、页面和白板目录、标签与收藏等）；**中间主区**为当前文档或白板编辑区；**右栏（工具栏）**用于显示当前选定对象的元信息、快捷操作和 AI 面板。顶部可放置全局搜索、命令面板按钮和用户菜单。每个页面/白板都有 breadcrumb 导航及操作按钮（收藏、分享、版本历史等）。这样的布局兼具 Notion 的直观性和 Heptabase 的可视化特点，使用户在编辑和思考时均能快速访问工具和内容。  
+
+**优先/后置功能：**第一阶段优先实现内容创建、链接、搜索、基本 AI 和跨平台同步等核心功能；暂缓投资复杂自动化代理、高级权限分组、大规模表格分析等企业级功能。初期可简化团队协作模型（每个工作区统一权限）和细粒度数据库访问，以加快开发进度。  
+
+综上，融合方案力求兼容文本文档和可视知识图谱，提供灵活的编辑和浏览体验，同时借鉴两者成功要素（如 Notion 的块式编辑、Heptabase 的白板与 AI），构建出符合国内用户习惯的“知习”知识工作台。  
+