本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

• 我的帖子已经打上 开源推广 标签： 是


• 我的开源项目完整开源，无未开源部分： 是


• 我的开源项目已链接认可 LINUX DO 社区： 是


• 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是


• 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

AIGC已经截图，github在readme添加了linux do友链

vibe coding 之后，你真的学到东西了吗？

一个开源工具「知返 AhaDiff」：把 AI 写的每次改动都给你讲清楚，让你vibe coding时不再无脑点继续的，从中学到真东西。

起因：使用ai进行vibe coding虽然快，但是代码中的改动却没有内化成自己的知识

我用 AI 写代码经常是这样：给ai相关需求，用ai写出一大段代码。我大致扫一眼，感觉没啥问题，就继续下去了；只要没出错就一直继续。

如果报错或者不符合我的需求就把问题告诉ai，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。

可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为ai替我完成了90%以上的代码改动。

并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过vibe coding指挥AI把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。

我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。

它就干一件事：把ai的改动变成能查证的笔记，能让你学到真知识

知返通过读你的一次代码改动，把它变成一份完整的学习材料：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘，而不仅仅只是展现相关改动的相关知识点。

运行面板：每学一次就多一条记录，带评分和质量趋势

并且为了避免ai的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上，再附带这个学习笔记对应的一个状态：

• 
  

  verified 有据可查

  
  


• 
  

  weak 证据偏弱

  
  


• 
  

  not_proven 没验证到

  
  


• 
  

  contradicted 和代码对不上

  
  


• 
  

  rejected 被否决

  
  

课程页：AI 把这次改动的相关知识点展现给你看

差异页：左边是代码diff，右侧的claim卡片点开，会跳转到对应diff，同时能看到这次改动对应的知识点

光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据fsrs算法，会加入之前做过的测验题

看懂了lesson的笔记知识点，不代表你真的会了，并且会用了，所以学习完课程之后还附带了测验和复习卡片。

测验是 通过选择题的方式呈现给你，可在settings中动态设置测验题的数量。

每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方

测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动

复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。

复习页：到期的卡片按 Again / Hard / Good / Easy 评分

测验和复习还嫌不够的话，再来个 Challenge（opt-in 的进阶玩法）：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对，把你漏掉、没掌握的地方挑出来，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id>，就能在webui中体现。

学得多了，知识会自己连成网，形成真正的概念图谱

借鉴了llm-wiki和graphify的思路。

同一个概念在好几次改动里反复出现，知返会把它们收集起来，连成一张概念图谱。

概念图谱：横跨多次改动的知识地图

每次学习都打分，能看出自己在不在进步

每跑一次，知返会从准确性、证据、覆盖率等八个维度打个 0 到 100 的分，判定这次课程学习算不算合格。你也可以设置不同的模型当「第二评委」复核一遍，避免同一个模型有没有考虑到的地方。

课程分数是透明的，点开能看到每一个维度的评分细节。

运行详情：八个维度的评分明细

觉得某次讲得还不够好？让它重学几遍，分数更高才留

打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。improve-run 能够解决这个问题。

对着某次 run 跑 ahadiff improve-run <run_id>，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。只有新生成的分数确实比原来高，才会留下来。

Tips：整个改进过程它不碰 git、不改 prompt、也不覆盖你原来那条已经保存的记录。只是生成更好的学习课程。

怎么用：

可以直接从 pip 安装：

pip install ahadiff

装好并配好 provider 之后，核心就两步：

# 学一次最近的改动

ahadiff learn HEAD~1..HEAD

​

# 打开本地网页，看笔记、做测验、复习

ahadiff serve

serve 会提供webui，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged。改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff中进行学习。

几个加强点：

• 
  

  你的代码diff默认不外传。隐私默认是 strict_local，diff 和代码都待在你本机；想用远端模型，得你自己显式打开，建议调成脱敏远端模式，日常使用更加方便。

  
  


• 
  

  用你自己的 key（BYOK），支持八种 AI 服务格式。如果不想使用api，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama。

  
  


• 
  

  能导出成 Anki 卡片，复习完成后还能导出为anki卡片，接入自己日常使用的anki软件。

  
  


• 
  

  能给 AI 助手写本地规则和 skills。如果你希望 Claude、Codex、Cursor、Copilot、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect，再按需要执行 ahadiff install codex 或 ahadiff install claude。它写的是项目本地指引，不会把代码上传出去。

  
  


• 
  

  改动太大也不怕撑爆模型。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff（综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。

  
  


• 
  

  懒得每次手动跑。ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn，适合边 vibe coding 边顺手把这次改动学掉。

  
  

设置页：填 key、选模型、调隐私和捕获上限，都在这

部分限制

• 
  

  现在已经发布到 PyPI，直接 pip install ahadiff 即可。源码安装也可以通过以下方式安装：uv tool install --editable .。

  
  


• 
  

  默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]'。

  
  


• 
  

  Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux上支持。

  
  

链接

• 
  

  GitHub：GitHub - AGI-is-going-to-arrive/ahadiff: Learn from your vibe coding instead of just clicking Accept. AhaDiff turns each AI diff into a code-verified lesson, quiz, and review. · 别再无脑 vibe coding 啦！让你从 vibe coding 中学到真东西。每次改动都变成能查证的课程、测验和复习。 · GitHub

  
  


• 
  

  项目介绍主页：知返 AhaDiff: AI 写完，Diff 教回

  
  

  

  
  

演示视频（使用remotion 制作，可能不够完善，请谅解）：

如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试^-^。

让你从每次vibe coding中学到真东西，而不只是无脑确认/继续。

觉得有用的欢迎给这个项目点个^-^

有问题的或者觉得可以改进的地方的欢迎提pr和issues。