everyone-can-use-english

想象一个场景：你打开 YouTube 刷到一个TED演讲视频，生词密密麻麻，语速快得跟不上，眼睛盯着字幕逐字逐句猜意思，看完一遍好像懂了，但关上视频立刻全忘——这就是大多数人在"学英语"中反复经历的困境。一款叫 Enjoy（来自做空英语的ZUODAO团队）的应用，正在用 AI 重新定义这个过程。

一切从一篇文章说起

2010年，一篇名为《人人都能用英语》的文章在互联网流传，作者李笑来老师写下了一个看似反常识的观点：绝大多数人学不好英语，不是因为"没天赋"，而是因为"根本不会用"——用错误的方法、抱着恐惧的心态，永远停留在"学"的阶段，却从未真正"用"起来。

14年后，这个观点演变成了一套完整的开源项目：ZuodaoTech/everyone-can-use-english。GitHub 上 36,000+ Stars，5,000+ Forks，背后是一个叫 Enjoy 的 AI 英语学习应用，以及配套的"一千小时"训练体系。

核心思路：用中学，而不是学中学

Enjoy 的设计哲学很简单：不要孤立地背单词，把英语放回真实的语境里去。 它不是一个背单词 App，不是一个语法练习器，而是一个语境拆解工具。

具体怎么用？用户可以把 YouTube 视频、Netflix 影片、本地文档、甚至网页文章丢给 Enjoy，AI 会在上下文中解析每一个生词的含义，生成复习卡片，记录学习轨迹。这就像请了一个24小时在线的私人家教，专门针对你正在看的内容讲解——而不是拿着单词书让你从 A 到 Z 背。

三位一体的产品矩阵

这个 GitHub 仓库实际上是一个 monorepo，包含三个相互关联的产品：

1. Enjoy 桌面应用（Electron）——主产品，一个带 AI 能力的英语学习客户端。技术栈：TypeScript + Electron + Vite + React + Tailwind CSS + Radix UI，AI 能力接入 LangChain，支持本地 Ollama 模型调用。前端还集成了 @mozilla/readability 做网页内容提取，@divisey/js-mdict 做离线词典查询（MDict 格式 .mdx 词典文件）。可以说这是整个项目技术含量最高的部分。

2. 1000h-portal（Nuxt.js）——官网和训练体系入口。Nuxt 3 + Tailwind CSS，负责展示"一千小时"训练法的课程内容。

3. 一千小时训练体系——一套基于"可理解输入"理论的英语习得方法论。核心理念来自语言学家 Stephen Krashen 的二语习得理论，主张通过大量接触可理解性输入来自然获得语言能力，而非传统学校的"翻译+语法+刷题"模式。

你能用它做什么

• 视频沉浸式学习：将 YouTube/Netflix 视频导入，自动生成语境词典和生词卡，看一集《老友记》比刷一套题收获更大。
• 文档精读：上传 PDF 或 Markdown 文档，AI 逐段解析，长难句拆分讲解。
• 语音影子跟读：对着应用做口语练习，AI 评估发音并给出改进建议（评估结果存于 assessment.png 区域）。
• AI 对话练习：基于正在学习的内容，AI 生成针对性对话场景，把"背对话"变成"用对话"。
• 单词本复习：配合 Anki 等间隔重复工具使用，管理生词复习周期。
• 浏览器插件：不装桌面版也能用——YouTube/Netflix 页面内直接划词查词，适合碎片化学习。

桌面版怎么跑起来

如果你想本地运行 Enjoy，需要 Node.js 20+ 和 Yarn 4+：

git clone https://github.com/ZuodaoTech/everyone-can-use-english.git
cd everyone-can-use-english
corepack enable
yarn install
yarn enjoy:start

首次启动会自动下载离线词典文件（.mdx 格式），需要等待几分钟。如果想用本地 Ollama 模型跑 AI 功能，需要先装好 Ollama 并配置相关环境变量。

注意：项目没有提供 Dockerfile，也不支持 docker-compose。如果你希望在公司内网或服务器上部署，无法通过容器方式一键运行——需要直接部署 Nuxt 官网（1000h-portal）或将 Electron 桌面应用用 yarn enjoy:package 打包后再分发。

争议与局限

这个项目也有一些值得注意的地方：

1. "一千小时"方法论门槛不低。虽然核心理念通俗易懂，但真正执行起来需要极强的自律——每天投入2-3小时，坚持一年。这个标准对大多数上班族来说本身就很难做到。

2. 桌面版搭建有门槛。没有容器化意味着本地编译依赖 Node.js 20+、Yarn 4+ 以及各种系统依赖（mdx 词典文件），中途可能遇到 Node 版本问题、Electron 构建问题等。

3. AI 模型依赖。如果用 OpenAI/Claude 等商业模型，学习数据会上传；用本地 Ollama 则没有这个问题，但需要自己的 GPU。

4. 开源许可证。主仓库是 GPL-3.0（strong copyleft），enjoy 子包是 MIT。如果你要将这个项目集成到自己的商业产品中，需要注意 GPL 的传染性。

行业意义

Enjoy 的出现代表着 AI + 语言学习赛道的一个分支趋势：不再追求"快速背完8000词"，而是追求"在真实语境中习得语感"。传统语言学习产品（Duolingo、扇贝等）聚焦于"检测你会不会"，Enjoy 聚焦于"帮你真的学会"。

从数据上看，36,000+ Stars 说明这套方法论确实击中了相当一部分学习者的痛点。尤其在"哑巴英语"重灾区的中文互联网语境下，一个强调输入先于输出、语境先于语法的产品，有其独特的市场价值。

如果你也在学英语的泥潭里反复挣扎，与其再刷一套题，不如试试把喜欢的美剧或 YouTube 视频导入 Enjoy——也许这就是你等待的那把钥匙。