大多数学习工具只解决了一半问题：它们能提醒你什么时候复习，却从不追问为什么你又忘了。这篇笔记记录我怎样把两件事接在一起，做成一个会自我复盘的学习系统。

遗忘不是失败，而是信号。它告诉你：这条知识还没有接到你已有的网络上。

一、遗忘有曲线，复习有时机

艾宾浩斯的遗忘曲线可以近似写成一个指数衰减：记忆保持率 $R$ 随时间 $t$ 下降，下降速度由记忆强度 $S$ 决定。

$$R(t)=e^{-t/S}$$

每一次成功的复习，都会让 $S$ 变大，曲线因此变得更平缓。间隔重复算法做的事情，就是在 $R$ 跌到某个阈值（比如 $0.9$）之前，把这张卡片重新推到你面前。

难度系数怎么更新

经典的 SM-2 算法用一个难度系数 $EF$ 来调整下一次间隔。你每次给出 $0$ 到 $5$ 的自评分 $q$，系数这样更新：

$$E{F}^{\prime }=EF+(0.1-(5-q)(0.08+(5-q)\times 0.02))$$

而第 $n$ 次复习的间隔是 $I_n=I_{n-1}\times EF$，$EF$ 不低于 $1.3$。

二、让 AI 回答「为什么忘了」

算法只知道你忘了，不知道原因。所以每当一张卡片连续两次答错，我会把它和最近的错误记录一起交给 AI，让它判断属于哪一类：

遗忘类型	典型表现	系统的处理
概念没懂	换个问法就答不出	生成一段新的解释，拆成两张更小的卡片
缺少连接	单独能记住，放进场景就想不起	补一张「和已知知识对比」的卡片
表述太长	答案对了一半	压缩答案，只留一个关键词
纯粹遗忘	看到答案立刻想起	什么都不改，交给间隔算法

三、把它接进日常

核心的调度逻辑其实很短：

// 每天早上：取出今天到期、且保持率低于阈值的卡片
export function dueToday(cards: Card[], now = Date.now(), threshold = 0.9) {
  return cards
    .map((c) => ({ card: c, r: Math.exp(-(now - c.lastReview) / c.strength) }))
    .filter(({ r }) => r < threshold)
    .sort((a, b) => a.r - b.r) // 最快被遗忘的排在最前
    .map(({ card }) => card);
}

每天固定做三件事：

• 早上清空今天到期的卡片
• 把连续答错的卡片送去诊断
• 每周日看一次「遗忘类型」的分布，调整自己的学习方式

四、几个反直觉的结论

1. 卡片越小越好。 一张卡片只问一件事，诊断才准确。
2. 答错比答对更有价值。 系统的改进几乎全部来自答错的那一刻。
3. 不要追求零遗忘。 保持率设在 $0.9$ 左右，复习量和记忆效果的平衡最好¹。

---

学习系统真正的价值，不是让你记住更多，而是让你更早知道自己哪里没懂。

Footnotes

1. 这个数字来自我自己几个月的记录，只是一个经验值，并不是严格的研究结论。 ↩