startup-plan/核心架构/deep-research-report (4).md

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

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

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。

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

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。

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：

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}
  ]
}

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"
}

{
  "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