什么值得做
GitHub 开源项目 · 11-6 写
amosblomqvist/learnharness · amosblomqvist

LearnHarness:一个 3 万订阅的 YouTube 博主,用一支视频给自己的开源家教拿到 5500 颗 star

它是什么 一个免费开源的桌面 AI 家教:先测出你理解断在哪,再按依赖图一步步推着教,另开会话做练习,学过的东西存成本地知识图谱;能接自己的 key、Claude Code 或已有订阅。

为什么火了 作者自己的 YouTube 视频带的量:上一支同题材视频 100 万播放、已经给他的上一个库带去约 4000 颗 star,这次是同一批观众的正式版;名字又踩中了 9 月起正热的「agent harness」。

C你可以怎么跟 别再做一个通用 AI 家教;如果你有观众,照它的路子先用视频验证一个 AI 工作流,再开源配套工具、出能装的正式版;没有观众的话,只能赌它没做好的手机端同步、Obsidian 接入或中文版。

C 级:star 主要来自作者自带的 YouTube 观众,跟进者拿不到;同理念的 TYSA 只有 21 颗,品类上还压着 5.5 万星的 DeepTutor 和大厂学习模式。打法值得学,直接跟不划算。 小圈子里在传
数据(每天更新) · 建库 2026-10-16 · 6,138 星 · 7 天 +1,633
GitHub · 星数
02.5k5k10-2410-2811-0111-0411-086.1k
数据 2026-10-24 → 2026-11-08(16 天,16 次观测)。10-28 以前的点来自 deeply / 存档补录,不是每天都有

2026 年 10 月 23 日,芬兰的 YouTube 博主 Eero Alvar 发了一支视频《Agent Harness for Learning Things》,简介第一行写着「This is my full system for learning things with AI」,后面跟着一个 GitHub 链接。第二天这个库涨了 278 颗 star,第三天 612 颗,建库 21 天到了 5524 颗。照着它的理念做的跟风库,同一时期只拿到 21 颗。这个项目拿到 star 靠的不是 GitHub,是作者自己的观众。这篇讲清楚这套打法,以及你能学到哪一步。

一支视频,一个链接

视频的章节就是这个产品的流程:Goal、Understanding、Optimization prerequisite、Teaching、Practice、Model of your understanding。从章节名看,他拿一个跟「最优化」有关的数学目标演示(推断):AI 先不讲,而是一层层问你,找出你的理解在哪个前置知识上断了,再从断的地方一步步往上推。

到 11 月 6 日,这支视频 46.7 万播放、1.1 万赞(YouTube,11-06),而他的频道一共只有 3.07 万订阅。播放是订阅的 15 倍,说明这支视频被推荐出去了,不只是老粉在看。

它是什么

一个免费开源(AGPL-3.0)的桌面应用,Mac、Windows、Linux 都有安装包,用 AI 当家教。README 第一屏把它讲成四步:

  • Measure:上课前先测出你在每个前置知识上理解到哪里为止。你回答问题,同时填「有多大把握」,还有一个「思考框」让你用自己的话说出是怎么想的。
  • Plan:从你现在的位置到目标画一张依赖图,你看得见,学的过程中会跟着改。
  • Teach:一次只推一个推理步骤,先让你猜,再解释,再检查;误解先修好,才往上搭。README 里的原话是,目标是让结论「显然成立,而不只是眼熟」。
  • Practice:另开练习会话,题目不提示考点,逼你自己想起该用哪条知识。

学过的东西存成「命题 + 推理链」的本地知识图谱,下次上课从图谱接着来。模型自选:填自己的 API key、接已经装好的 Claude Code CLI 或已有的订阅、接本地模型都行。不收订阅费、不加价,聊天记录和图谱是本地的纯文件,系统提示词能看能改。

为什么是它,为什么是现在

「AI 家教」这个题目一点不新。港大实验室的 DeepTutor 有 5.5 万颗 star;2023 年的 Mr. Ranedeer 提示词有 2.95 万颗;ChatGPT、Claude、Gemini 都内置了学习模式。LearnHarness 能在三周里跑出来,靠的是三件跟进者很难复制的事。

观众是作者攒好的。 两个月前(约 8-14),他发过一支《How I Use AI to Learn Things》,100 万播放。那支视频配了一个库 learn,写的是「My AI learning system from this video」,原样分享自己的配置,从 8-29 的 673 颗涨到 10-01 的 2970 颗,现在约 4000 颗。也就是说,「怎么用 AI 真正学会难的东西」这群观众他已经验证过一次,也已经把他们变成过 star。LearnHarness 是给同一批人的正式版:上一版要在 pi 这类编码 agent 里自己搭,这一版下载就能用。

名字踩中了热词。 2026 年 9 月,「agent harness」在 X 和 YC 圈子里突然成了热词:YC 9 月 7 日做了 harness 专题,Greg Isenberg 9 月 13 日发了「AGENT HARNESSES ARE THE NEW GPT WRAPPERS」。把一个家教应用叫「Agent Harness for Learning」,开发者一看就懂,也愿意点。这个词到底多带了多少 star,没法单独算出来(推断它只是放大器)。

对开发者等于免费。 能直接接 Claude Code CLI 和已经在付的订阅,一位博主就把文章标题写成「Get a Free Claude Tutor」(chen.media,11-01)。已经在付 AI 订阅的人,装上它不用再多花一分钱。

star 从哪来

日期当天涨星(Trendshift)发生了什么
10-16—建库
10-230YouTube 视频发布
10-24+278进 Trendshift TypeScript 日榜第 15
10-25+612全站日榜第 17、TypeScript 第 3;explainx 发「9 天 1.5k star」,reveneau 跟进
10-26+722Hacker News 上有人发了,14 分、0 条评论
10-27+712韩文博客、西语 LinkedIn 转发;中文 X 上 GitHubDaily 等搬运号也发过(具体时间和互动未核实)
10-28 起+535,之后回落到每天 180–240长尾还在,11-06 当天 +181

最高峰紧跟视频发布,时间对得严丝合缝。后面那些聚合站、搬运号是放大,不是起点。Hacker News 没起作用,GitHub 官方 trending 也上不去(它不收建库不满约两个月的库),全靠站外。

还有一个信号:5524 颗 star 配 866 个 fork,fork 和 star 的比例 15.7%,高于同期新库常见的一成左右;232 个 open issue、142 个 open PR,一个人维护、三周大的桌面应用,说明真有人装了在用。issue 里讨论最多的有「Mobile app + sync」「Obsidian Support」「Ability for Long term retention」,还有一条「Has someone tested this on non math subjects」(GitHub issues,11-06)。真实下载量没查到。

跟风的人拿到了什么

已经有人照抄。Akas333/TYSA(Teach Yourself Anything)约 10-26 建库,简介几乎是原话:「a learning harness that finds where your understanding…」,同样是 Electron 加知识图谱,到 11-06 是 21 颗 star。同期还有给 DeepSeek 套私人老师的 dsh-aha-tutor(27 颗)、给 Claude Code / Codex 做苏格拉底学习技能的 socratic-workshop(23 颗)。

理念、技术栈、名字都能抄,抄不走的是那支 46 万播放的视频。这个项目的 star,一大半是作者的观众给的,不是 GitHub 上的路人给的。

如果是你

C。 做一个「另一个 LearnHarness」拿不到 star,TYSA 的 21 颗已经说明了;这个品类上面还压着 5.5 万星的 DeepTutor 和大厂的学习模式。真正值得学的是打法:先用内容验证需求,再把自己的工作流开源,最后出能装的正式版、配第二支视频。但这条路的前提是你先有观众。

适合谁:已经在 YouTube、B 站、X 上有几万关注、在讲「怎么用 AI 做某件事」的开发者;或者愿意先花几个月做内容、再出工具的人。

不适合谁:没有自己分发渠道、想靠 GitHub 自然发现拿 star 的;想在「AI 家教」这个方向上再做一个通用版的;指望 Hacker News 带量的(它这里 14 分)。

怎么做:选一个你自己真在用、讲得出方法论的 AI 工作流(学习、写作、研究、记笔记都行),先做一支讲方法的视频,配一个「我视频里用的配置」的库,看 star 和评论区有没有人要。有了,再做成普通人下载就能用的桌面应用:三平台安装包、自动更新、能接用户已有的订阅。README 第一屏用四步流程加两张图讲完。名字顺手挂一个开发者圈正热的词。如果没有观众,能试的是它没做好的部分:issue 里排在前面的手机端加同步、Obsidian 接入、长期记忆复习,以及数学以外的科目;或者做中文版,接国内模型、发在 B 站和小红书。这些都是推断出来的空位,没有人验证过能拿到 star。

怎么获客:主渠道是你自己的视频,简介第一行放库链接;之后让聚合站和多语种搬运号自然放大。中文圈可以主动投给 GitHubDaily 这类搬运号。

死线:「agent harness」这个词正热,大约还有几个月。词热过去以后,名字带来的那部分点击就没了,但「内容带工具」这套打法不受影响。

算看错:① 有人没有自带观众,只靠 GitHub 和 X 做出一个学习类 agent 应用,一个月内过 1000 颗 star——说明这个品类本身就有自然需求,C 打低了;② 反过来,作者下一个库配了视频却没起来,说明连这套打法也只是一次性的;③ 大厂的学习模式加上跨会话知识图谱和独立练习会话,LearnHarness 的差异化消失,跟进的空间就更小了。

数据与出处

  • GitHub:amosblomqvist/learnharness 的 README 与 issues(11-06);逐日 star 和 fork(10-24 起每天记录,到 11-06);作者主页上其他库的 star 数。
  • Trendshift(trendshift.io/repositories/319002):10-21 到 11-06 的逐日涨星和榜单名次。
  • YouTube:《Agent Harness for Learning Things》(10-23 发布,11-06 时 467,566 播放)、《How I Use AI to Learn Things》(约 8-14,约 100 万播放);频道 @EeroAlvar。
  • learn 库的早期 star 数:Wayback Machine 8-29 快照,以及 10-01 的记录。
  • 二次传播:explainx(10-25)、reveneau(10-25)、teckdeck(10-26)、韩文博客与西语 LinkedIn(10-27)、chen.media(11-01);Hacker News 10-26 的帖子。
  • 「agent harness」热词:YC 9-07、Greg Isenberg 9-13、omarsar0 9 月中旬的 X 帖子。
  • 竞品与跟风者的 star 数:GitHub(11-06 前后)。

GitHub 仓库 ↗

研究底稿:竞品表、获客证据、完整研究报告
竞品
名字在哪上线规模它和这家不同在哪
HKUDS/DeepTutor开源2025-125.54 万星,近 7 天 +5,749实验室出品的 RAG + 多 agent 资料辅导;LearnHarness 重在诊断理解边界和逐步推理,而且是一个人做的桌面应用
Mr. Ranedeer AI Tutor开源2023-032.95 万星,停滞只是一段提示词,没有状态、知识图谱和练习调度
amosblomqvist/learn开源2026-08约 4,046 星作者自己的上一版,原样分享的个人配置,要靠 pi 这类 agent 环境来跑;LearnHarness 是给普通人装的应用
hhyqhh/inno-agent开源20261,381 星基于 Pi SDK 的学习伙伴,主打三层记忆和 IM 渠道,不是诊断式逐步教学
ChatGPT Study Mode / Claude Learning mode / Gemini Guided Learning大厂功能2025海量用户苏格拉底式聊天;没有显式的跨会话知识图谱和独立练习会话,数据在云上,提示词不能改
Google Learn Your Way / NotebookLM大厂功能2025大把资料改写成教材或播客,偏『读』,不做理解诊断
用户从哪来
  • 查实 作者自己的 YouTube 频道:《Agent Harness for Learning Things》2026-10-23 发布,46.7 万播放、1.1 万赞,简介第一行就是库链接;星数从 10-24 开始涨(Trendshift +278)
  • 查实 之前攒下的观众:《How I Use AI to Learn Things》100 万播放,配套库 learn 从 673 星(08-29)涨到 2,970(10-01);作者在库里合计约 1.1 万星
  • 查实 agent harness 热词:2026-09 YC harness 专题、Greg Isenberg『AGENT HARNESSES ARE THE NEW GPT WRAPPERS』、omarsar0 连发(x-radar)
  • 查实 AI 聚合站 / SEO 与多语种转发:explainx 10-25、reveneau 10-25、teckdeck 10-26、韩文博客 10-27、西语 LinkedIn 10-27、aifrontierpost 10-28、chen.media 11-01
  • 推断 中文 X 搬运号:搜索摘要里有 GitHubDaily、Geek Lite 在 X 上发过;原帖的时间和互动没核实
  • 查实 Trendshift 榜:10-24 至 10-29 进 TypeScript top25(最高 #3),全站 top25 有 3 天
  • 查实 Hacker News:10-26 一帖 14 分、0 评论,没起作用

LearnHarness(amosblomqvist/learnharness)为什么能跑出来

渠道:GitHub|建库 2026-10-16|截至 2026-11-06:5,524 星 / 866 fork / 232 open issue / 142 open PR(我们的 github 库 repo_profile)

一句话结论

这不是一个靠 GitHub 自然发现跑出来的库,是一个 3 万订阅的 YouTube 博主把自己第二支爆款视频的配套工具开源了。作者 Eero Alvar(GitHub amosblomqvist,芬兰)两个月前发的《How I Use AI to Learn Things》有 100 万播放,已经给他的上一个库 learn 带去约 4,000 星。这次他把那套个人学习流程做成了正式的桌面应用,10-23 配视频《Agent Harness for Learning Things》发布(13 天 46.7 万播放),第二天星数开始猛涨。名字又踩中了 2026 年 9 月起在 X 上被炒热的「agent harness」这个词。

1. 它是什么

一个开源(AGPL-3.0)的 Electron 桌面应用(macOS / Windows / Linux),用 AI agent 当家教。流程分四步:Measure(先探你理解到哪一步为止,收集答案、信心和「思考框」里的自述)→ Plan(画一张从你现有水平到目标的依赖图)→ Teach(一次只讲一个推理步骤,先让你预测、再解释、再检查)→ Practice(另开练习会话,题目不点名考点)。学过的内容存成「命题 + 推理链」的本地知识图谱,下次接着用。

  • 自带 key(30+ 家模型),也能接已装好的 Claude Code CLI 或支持的订阅,还能接本地模型;不收订阅、不加价;数据全在本地、存成纯文件;系统提示词可见、可改。
  • 出处:README github.com/amosblomqvist/learnharness ;官网 learnharness.ai/

2. 增长数据

日期星数(我们库)Trendshift 当日涨星事件
10-160—建库
10-23—+0(fork +14)YouTube 视频《Agent Harness for Learning Things》发布
10-2428+278Trendshift TypeScript 榜 #15
10-25787+612Trendshift 全站 #17、TS #3;explainx、reveneau 等聚合站开始写
10-261,412+722HN 有人发了,14 分、0 评论
10-272,144+712韩文、西语 LinkedIn 等二次传播
10-283,269+535我们库这天记了 +1,125,应是快照时点不同造成的(Trendshift 当天 +535),不是额外的爆点
10-29 → 11-063,647 → 5,524+390 → 每天约 180–240慢慢回落,长尾还在
  • 我们库:gain_7d = 1,605,max_day_gain 1,125(10-28,见上面的口径说明),fork/星 15.7%(新库 ≥5000 星的中位数约 11%),suspect 为空。trending_days_any = 0,原因是 GitHub trending 只收建库满约 60 天的库,不说明它不火。
  • Trendshift(https://trendshift.io/repositories/319002):10-21 至 11-06 共 +4,878 星、+880 fork、合并 PR 28 个,只有 1 个贡献者。
  • 参与度很高:232 个 issue、142 个 PR,对一个 3 周大、一个人维护的桌面应用来说是真有人在装、在用、在提需求的信号(真实使用量没核实)。

3. 用户从哪来(增长手段)

渠道证据确认?
作者自己的 YouTube 频道(主渠道)频道 @EeroAlvar 3.07 万订阅、18 支视频;《Agent Harness for Learning Things》10-23 发布,46.7 万播放、1.1 万赞,简介第一行就是库链接;星数从发布次日开始涨是
之前攒下的观众和信任《How I Use AI to Learn Things》(约 2026-08-14 发布)100 万播放;它的配套库 learn「My AI learning system from this video」从 673 星(08-29 Wayback)涨到 2,970(10-01),现在约 4,046。《Bodybuilding for the Mind》44.4 万、《Pi Setup After 6 Months》21.6 万。作者另有 pi-config 1,236 星等,合计约 1.1 万星是
被 Pi 编码 agent 社区认识作者早期视频和库都围绕 pi coding agent(pi-subagents、pi-dictate、pi-observational-memory)是(背景)
「agent harness」词汇热度2026 年 9 月 YC 做 harness 专题(09-07),Greg Isenberg「AGENT HARNESSES ARE THE NEW GPT WRAPPERS」(09-13,71 万粉),elvis/omarsar0 连发「build your own harness」(x-radar 语料)是(时机);对星数到底贡献多少没核实
聚合站 / SEO 二次传播explainx.ai(10-25「1.5k Stars in 9 Days」)、reveneau(10-25)、teckdeck(10-26)、gipyeong-lee 韩文博客(10-27)、MDALatam 西语 LinkedIn(10-27)、webconsulting.at、aifrontierpost(10-28)、coderefer(10-29)、chen.media(11-01「Get a Free Claude Tutor」)、arnavsheth.com(11-05)是
中文 X 搬运号搜索摘要里有 GitHubDaily on X「让AI 讲一个难懂的概念…」、Geek Lite on X;x-radar 本地语料里没搜到 learnharness,原帖的时间和互动没核实部分
Trendshift 榜10-24 至 10-29 进了 TypeScript top25(最高 #3)、全站 top25 3 天是
Hacker News10-26 一帖 14 分、0 评论,没起作用是(没作用)
广告 / 买量没发现;开源免费、不收钱,也没有投放的动机—

结论:主力是作者自己的 YouTube 视频,加上他「教你怎么用 AI 学习」这个题材已经验证过的观众;聚合站和中文搬运号属于放大。HN 和 GitHub trending 都没起作用。

4. 竞品

名字在哪上线规模和 LearnHarness 不同在哪
HKUDS/DeepTutor开源2025-12-285.54 万星,近 7 天 +5,749(我们库)港大实验室出品,RAG + 多 agent + 文档问答式辅导,Python 网页 / CLI;重点在「拿资料出题、答疑」,不是「先测你的理解边界再按依赖图一步步推理」
Mr. Ranedeer AI Tutor开源(提示词)2023-032.95 万星,已停滞一段 GPT-4 提示词,没有状态、没有知识图谱、没有练习调度
amosblomqvist/learn(作者自己的上一版)开源2026-08约 4,046 星作者「原样分享」的个人配置 / 技能,要靠 pi 这类 agent 环境来跑;LearnHarness 是给普通人装的桌面应用
hhyqhh/inno-agent开源约 2026-051,381 星同样基于 Pi SDK 的个人学习 agent(三层记忆 + IM 渠道),定位是「学习伙伴」,不是逐步推理式教学
Miaotofu01/Study-Mate开源约 2026-091,358 星中文「AI 学习搭档」,定路线、做项目
ChatGPT Study Mode / Claude Learning mode / Gemini Guided Learning大厂功能2025 年起海量用户内置在聊天产品里,苏格拉底式问答;但没有跨会话的显式知识图谱,也没有独立的练习会话,提示词不能改,数据在云上
Google Learn Your Way、NotebookLM大厂功能2025大把资料改写成个性化教材 / 播客;偏「读」,不做诊断和推理步骤
Akas333/TYSA(Teach Yourself Anything)开源约 2026-10-2621 星跟风者:简介几乎照搬「learning harness that finds where your understanding…」,也是 Electron + 知识图谱

5. 跟风者

  • Akas333/TYSA:建库约 11 天,21 星,简介和定位直接对标(「a learning harness that finds where your understanding…」,话题含 harness、knowledge-graph)。
  • 同期还有一些小库:BaronCyrus/dsh-aha-tutor(给 DeepSeek Harness 装私人老师,27 星)、smashburger-dev/socratic-workshop(Claude Code / Codex 的苏格拉底学习技能,23 星)。都没起来。
  • 「learning harness」这个品类词已经有人在抄;但没人带着自己的分发渠道来抄。

6. 为什么跑出来

  1. 分发是作者自带的:3 万订阅、单支视频能拿几十万到上百万播放的教育 / AI 博主。视频 10-23 发布,星数 10-24 开始涨,时间对得严丝合缝;视频简介第一行就是 repo 链接。
  2. 需求已经被他验证过一次:「How I Use AI to Learn Things」100 万播放 + learn 库 4,000 星,说明「怎么用 AI 真正学会难的东西」这个话题的观众已经存在,而且已经被他转化成过 star。这次是同一批观众的「正式版」。
  3. 踩中了时机词:2026 年 9 月「agent harness」在 X 和 YC 圈子里成了热词。把家教应用叫「Agent Harness for Learning」,开发者圈看得懂,也愿意点。
  4. 对开发者的门槛低到零:免费、AGPL、本地存储、自带 key,还能直接用 Claude Code CLI / 已有的订阅(chen.media 的标题就是「Get a Free Claude Tutor」)。已经付了大模型订阅的人不用再花钱。
  5. 有真东西,所以 fork 和 issue 都高:三个平台都有安装包(mac 签名公证过)、应用内更新、知识图谱、思考框、听写、背景研究;到 v0.4.1、28 个合并 PR。fork/星 15.7%,比同类新库高。

7. 差异化

  • 方法论:它不是「解释给你听」,而是「先测出你理解断在哪 → 按依赖图一步步推 → 修正误解后才往上搭 → 另开会话做不点名的提取练习」。这是认知科学里的诊断式教学 + 提取练习,作者在多支视频里反复讲过这套理念。大厂的 study mode 大多停在苏格拉底式追问。
  • 知识图谱存的是「命题 + 推理链」,不是能力评分,能跨会话复用。
  • 本地优先、提示词可改、模型自选(包括用订阅),对开发者 / 自学者友好。
  • 这些差异化是不是它跑出来的原因? 只算一半。星数的起点和节奏几乎完全由 YouTube 视频决定;差异化的作用是让视频有东西可讲(「AI 讲一遍只会让你觉得懂了」这个痛点很能引起共鸣),并让看完的人愿意装、提 issue。同样理念的小跟风库(TYSA)没有分发,就停在 21 星。

8. 曝光度判断

小圈子里在传:YouTube 视频 46.7 万播放,十来个 AI 聚合 / SEO 站和中、韩、西语圈子转过,但没有主流媒体报道;x-radar 本地语料里没有大号讨论它;HN 也没起来。不涉及收入(免费开源)。

9. 别人能借鉴的

  • 「视频 + 开源配套工具」的打法:先用一支讲方法论的视频验证需求(100 万播放),再出配套的个人版库(4K 星),最后出正式产品 + 第二支视频(5.5K 星且还在涨)。每一步都在给下一步攒观众。
  • 把热词套到一个非开发者的场景(harness → 学习),两边的人都能看懂。
  • 允许用户接已有订阅(Claude Code CLI 等),对开发者来说就是「免费家教」,非常好传。
  • README 首屏把「Measure / Plan / Teach / Practice」四步讲清楚,配一张截图、一张知识图谱图,一眼就懂。

10. 还不确定的

  • 真实下载 / 活跃用户数:releases 的下载量没查(GitHub API 当时被限流)。
  • 中文 X 上 GitHubDaily、Geek Lite 原帖的发布时间和互动数没核实,对 10-27/28 那几天的星数贡献有多大不清楚。
  • 我们库 10-28 记的 +1,125 和 Trendshift 的 +535 对不上,按快照时点不同处理,没逐小时核实。
  • 作者往后会不会收费(README 说以后只可能对托管 key / 托管服务收费)。
  • 学习效果没有公开研究(explainx 也指出了这一点)。

出处

文章由 AI 根据公开数据和我们每天采集的数据写成,数字带出处,推断已标明