站点：https://l-m-sherlock.github.io/ZhiHuArchive/
作者：Thoughts Memo 汉化组 · 叶峻峣（Jarrett Ye，FSRS 算法作者）
关联：edu-companion（智能伴学系统）
定位：高效自学方法 × 自适应学习系统设计
这个站聚合了学习科学领域最前沿的中文翻译文献——从 Wozniak（SuperMemo 作者）、Andy Matuschak（《量子国度》作者）、到 Math Academy 团队的实践记录。以下按 7 个主题 聚合，每个主题都标注了对 edu-companion 的直接参考价值。
Math Academy（MA）是目前最成熟的 AI 自适应数学学习平台，它的技术架构几乎就是 edu-companion 的发展路线图。
MA 由四个相互配合的组件构成：
| 组件 | 功能 | edu-companion 对应状态 |
|---|---|---|
| 知识图谱 | 数千个数学主题 + 前置关系 + 包含权重 | 🟡 已有 pgvector 向量关联，缺少显式前置关系 |
| 学生模型 | 间隔重复追踪每个主题的掌握程度 | 🟡 TOC 有进度追踪，缺细粒度画像 |
| 诊断算法 | 用最少题目定位知识薄弱点 | 🔴 未实现 |
| 任务选择算法 | 精熟+交错+间隔 → 最优学习路径 | 🔴 未实现 |
| 文章 | 价值点 |
|---|---|
| MA 的 AI 是如何工作？ | 四组件架构详解——最好的入门 |
| 第四章：核心技术——知识图谱 | 前置关系 + 包含权重的细粒度设计 |
| MA 如何构建知识图谱？ | 纯手工构建 2500 主题的实战记录——“刚好在人力极限边缘” |
| AI 技术在教育领域的应用 | 省流版四组件速览 |
| MA 的 Eurisko 五年回顾 | 让高中生完成硕士级别课业的课程体系 |
你的知识图谱从”静态存储”升级为”决策引擎”的路径图就在这里。
核心差距不在 AI 能力，而在知识图谱的结构化程度——MA 花了一个月全职设置 2500 个主题×5 个前置关系的包含权重。你不需要照搬，但可以在高数题库场景下尝试引入前置关系标注。
edu-companion 目前用 embeddings 做向量检索式复习，但这组文章展示的 SRS（间隔重复记忆系统）远不止于此。
| 层次 | 代表性文章 | 核心观点 |
|---|---|---|
| 层次一：SRS 基础 | 间隔重复记忆系统、SRS 使记忆成为选择 | 测试效应+间隔效应=高效记忆，SRS 让记忆从偶然变为可控 |
| 层次二：SRS 用于概念理解 | SRS 可用于发展概念性理解、SRS 促进应用综合创造 | 自己写卡片能深入理解复杂材料，卡片设计可训练高阶思维 |
| 层次三：SRS 是刻意练习 | SRS 多大程度上算刻意练习？ | 指数退避 ≈ 聚焦弱点练习，复习环节可视为刻意练习的一种形式 |
| 文章 | 核心原则 |
|---|---|
| 卡片应确保从记忆中提取答案 | 必须实际提取，避免引导性问题 |
| 避免浅层次「模式匹配」 | 深层问题设计，防止表面记忆 |
| 用不同问题文本更好吗？ | 复习时用不同形式的问题，减少表面特征依赖 |
| 避免使用「对或错」卡片 | 简单 True/False 效果差 |
| 「跳过」机制保持情感连接 | 让用户把不关心的材料调低优先级，比删除更柔性 |
| 没有新卡片，复习会枯燥脱节 | 持续添加新内容，复习才与当下思考关联 |
| SRS 让你误以为记忆很差 | 反直觉认知偏差：容易记的内容推到远处了，日常看到的都是难的 |
Jarrett Ye（叶峻峣）是 FSRS（次世代 Anki 间隔重复算法）的开发者，这个站也是他的个人存档。
| 文章 | 内容 |
|---|---|
| FSRS4Anki 使用指南（搜索站内 FSRS） | 最新版本的使用教程 |
升级路径：向量检索式复习（当前）→ 概念性提取卡片（下一步）→ 综合应用卡片（远期）
你的复习不能只是”回顾材料片段”，而应该设计为概念性提取——给一个场景，让学习者判断用哪个定理。
这组文章为 edu-companion 提供了最坚实的理论根基。
| 文章 | 篇幅 | 核心价值 |
|---|---|---|
| Bloom 的两个标准差问题 | 3.3 万字 | 系统比较 DI、精熟学习、一对一辅导。一对一辅导可提升 2σ——这恰好是 AI 系统要替代的”理想教师” |
| 第十三章：精熟学习 | 全文 | “没掌握前置知识就不学新的”——你的 topic tree 有没有强制前置门槛？ |
| 第十九章：交错练习 | 全文 | 交错 vs 分块——交错感觉更困难，但长期保持更好。高数题库天然适合交错 |
| 第十二章：刻意练习 | 全文 | 刻意练习 ≠ 机械重复，需要个性化+即时反馈+逐步改进 |
| 刻意练习的问题 | 全文 | 过度淡化天赋因素，不是所有领域都适用 |
| 如何对数学进行刻意练习？ | 全文 | 自学本科/研究生数学的刻意练习路径 |
| 第二十章：测试效应 | 全文 | 提取练习 + 间隔重复 = 间隔提取练习 |
| Alpha School 教育模式 | 全文 | 间隔重复+精熟+游戏化+短时高强度→每天 2h 学完学校一天 |
精熟学习门控：你的高数题库可以引入”没掌握 Ch5 的前置概念，系统就不让跳到 Ch6”。
交错练习：题库混合章节出题，而不是一章一章地练。
两个标准差：这是你项目的终极目标——构建一个 AI 系统，让自学效果逼近一对一辅导。
这组文章对 AI 教育有清醒的认识，帮你避开”AI 万能”的坑。
| 文章 | 核心论点 |
|---|---|
| AI 大模型如何落地个性化学习？ | 需要”目标驱动的情境嵌入+动态认知支持+记忆强化机制”，不是简单对话 |
| 利用 AI 学数学？不如脚踏实地的传统 AI | LLM 不是最优方案，间隔重复+知识图谱+诊断测试才是 |
| AIGC 能解决个性化教育吗？很难 | AIGC 只是内容生成端，个性化需要诊断和路径规划——恰恰是 LLM 做不好的 |
| Alpha School 与生成式 AI 无关 | 所谓”AI 导师”本质是数据驱动的专家系统，和 ChatGPT 是两回事 |
| 俞敏洪：AI 或消灭大量老师 | 支持观点，但 AI 替代的是”人肉复读机”，不是真正的教师 |
| 在 AI 时代，应试教育怎么发展？ | AI 在应试教育上全面替代人类教师是迟早的事 |
不要追逐 LLM 热潮——Math Academy 的 AI 是专家系统（Symbolic AI），不是大模型。你的 RAG 目前的定位是”知识索引+问答”，很合理。
LLM 的定位应该是”解读向导”而不是”核心引擎”——用来解释概念、生成题目变体、答疑解惑，但学习路径规划应该由规则引擎+间隔重复算法负责。
以 Andy Matuschak 为核心的笔记方法论系统，对 edu-companion 的知识图谱可视化和TOC 机制有直接启发。
| 文章 | 核心概念 |
|---|---|
| 常青笔记写作是知识工作的基本单位 | 每天写常青笔记是知识工作者产出的主要指标 |
| 常青笔记应该是原子化的 | 笔记最好只讲一件事 |
| 常青笔记之间应该建立大量链接 | 链接网络让知识聚沙成塔 |
| 常青笔记应面向概念 | 笔记标题用完整句子，避免模糊主张 |
| 与 Andy Matuschak 畅聊 | 知识工作技能训练、笔记与创造力、Orbit 项目 |
| 笔记写作实践大多是无效的 | 大多数人笔记技能到平台期就停止了 |
| 数字笔记系统忽略连接的意义 | 实体卡可以排开看，数字笔记反而做不到 |
| 文章 | 核心 |
|---|---|
| 渐进阅读的必然性 | 把阅读拆解为原子化学习行为——“宇宙的必然” |
| 程序员视角的渐进阅读 | 从 Anki 2.9 万张卡片转用 SuperMemo 的全过程 |
| 记忆系统与解题练习 | “真正目标不是记住卡片答案，而是扩展思考和付诸实践的能力” |
| 常青笔记有助于积累阅读成果 | 写你所读，阅读成果在笔记间相互作用 |
你的 material_indexer pipeline（parse → chunk → embed） 本质上就是渐进阅读的自动化版本。
常青笔记的链接网络思想可以直接借鉴到你的知识图谱可视化——不是单纯的 tree view，而是让知识点之间的关联”可见可导航”。
这组文章探讨了”为什么自学那么难”和”如何真正自由地学习”。
| 文章 | 核心观点 |
|---|---|
| 内驱力到底是什么？如何产生？ | 内驱力是大脑寻求新信息的本能，由奖励中枢驱动 |
| 4 学习内驱力 | 学习内驱力是拼凑世界知识的神经机制 |
| 5 学校对学习内驱力的影响 | 强制学校教育抑制内驱力 |
| 7 学习内驱力与习得性无助 | “年龄增长丧失内驱力”是错误观念——实际上是学校教育扼杀的 |
| 自学为什么那么难？ | 因为学校抑制了从学习本身获取动力的天性 |
| 文章 | 内容 |
|---|---|
| 自由学习 | 定义：所有选择由学生自己决定。没有时间空间速度方法方向限制 |
| 自由学习的指数加速 | 兴趣驱动下学习目标与自由不矛盾，反而加速 |
| 自由学习 vs 应试如何平衡？ | 大一数学新生心路历程——和你的处境高度相似 |
| 学校的 100+ 恶习 | Wozniak 代表作，学校摧残学习的罄竹难书 |
| 自由学习的经验分享 | 离开学校后的自学实践——真实可操作 |
| Homeschool 是什么？ | 以兴趣为导向、自主驱动的教育方式 |
你的用户（深大学生）正处于”应试 vs 自由学习”的冲突中。系统应该既支持精熟学习式的强制门控（确保掌握），也支持自由探索式的自主学习（按兴趣走）。
两种模式可以共存——“目标模式”（跟着课程走）和”自由模式”（自己选知识点），用户自由切换。
这组文章讲的是如何真正理解一个概念，而不是表面记忆。
| 文章 | 核心观点 |
|---|---|
| 理解概念需与其尽力较量 | “你不能只是读——得想：这在哪适用、哪不适用？含义是什么？” |
| 概念发现故事 | 给数学概念编一个”被发现的故事”，建构式理解 |
| 用 SRS 掌握数学概念 | 量子物理学家 Michael Nielsen 用 Anki 掌握数学概念的经验 |
| 复杂概念难学因为工作记忆装不下 | 元素交互性高，需要先拆解前置概念 |
| 绘制概念图 | 方框-箭头式图表，有提取练习效果 |
| 绘制概念图涉及内隐提取练习吗？ | 研究发现概念图不触发内隐提取——需要主动回忆 |
你的高数题库可以在解析部分引入”概念发现故事”风格——不只给答案，而是讲清楚这个定理为什么会被发现、可以用在哪。
每个知识点的概念图可视化可以直接复用到你的知识图谱可视化组件。
| # | 文章 | 为什么 |
|---|---|---|
| 1 | Math Academy 的 AI 是如何工作？ | edu-companion 的架构参考书。看完就知道你做到哪、下一步往哪走 |
| 2 | Bloom 的两个标准差问题（3.3万字） | 精熟学习+一对一辅导的理论大综述。项目”为什么值得做”的最强背书 |
| 3 | Math Academy 如何构建知识图谱？ | 手工构建实战记录。“刚好在人力极限边缘”——你未来做内容标注的座右铭 |
| 4 | Alpha School 的教育模式 | 间隔重复+精熟+游戏化+短时高强度+自主进度的现实案例。产品形态参照 |
| 5 | 记忆系统与解题练习 | “真正目标不是记住答案，而是扩展思考和付诸实践的能力”——精炼概括整个项目的方向 |
edu-companion 不是在做另一个”AI 学习助手”，而是在复现 Math Academy 的工程理念 + Wozniak 的学习哲学 + Andy Matuschak 的知识工作方法论，为自学用户提供一个”有 AI 加持的精熟学习系统”。
整理完毕。如需深入某个主题下的具体文章全文，可以进一步提取。