别迷信艾宾浩斯：学习算法选型的坑与替代方案
本文从产品实践出发，对比艾宾浩斯、Leitner、SM-2、FSRS 等算法，指出艾宾浩斯在真实学习场景中的三个致命坑，并给出选型决策框架。
为什么我不再迷信艾宾浩斯曲线
2年前我第一次做背单词 App 时，几乎没犹豫就选了艾宾浩斯遗忘曲线作为复习算法。它被写进所有教科书，有明确的数学公式，看起来最“科学”。
结果上线一个月，用户留存掉了 40%。
不是曲线本身错了，是我把它用错了地方。艾宾浩斯原始实验用的是无意义音节，而我用它来安排真实单词的复习——单词有语义、有语境、有词根，记忆难度远低于无意义音节，但算法还是按原始衰减曲线在催用户复习，导致过度复习，用户觉得很烦。
艾宾浩斯算法的三个致命坑
坑一：固定时间窗，忽略个体差异
艾宾浩斯曲线假设遗忘速率对所有人和所有材料都一致。但实际中，一个单词对初学者可能是新知识，对进阶者只是确认。用同一套时间窗去推，要么压垮初学者，要么让进阶者觉得无聊。
示例对比：
| 用户类型 | 艾宾浩斯推荐的复习间隔 | 实际需要的间隔 |
|---|---|---|
| 初学者 | 1天、2天、4天、7天、15天 | 1天、3天、7天、14天、30天 |
| 进阶者 | 同上 | 3天、7天、14天、30天、60天 |
固定时间窗意味着你强迫所有用户走同一条遗忘曲线，结果就是谁都不舒服。
坑二：无法处理“已经记住”的情况
艾宾浩斯算法是纯时间驱动的：到点就提醒复习。它不考虑用户当前对这条内容的掌握程度。
如果一个用户在第一次复习时就正确回忆了，按 SM-2 或 Leitner 系统，这条卡片的间隔会翻倍。但艾宾浩斯不会——它还在用原始计划。这意味着用户被要求复习他已经牢牢记住的内容，浪费时间和耐心。
坑三：缺乏对“难度”的反馈
真实学习材料有难有易。一个单词“apple”和一个单词“ephemeral”的难度天差地别。艾宾浩斯公式里没有难度参数，所有条目被一视同仁。
这导致用户花大量时间复习简单的词，而真正需要重复的难词却被低频复习。
替代方案：三种主流算法对比
Leitner 系统
最简单的手动间隔重复系统。用户准备几个盒子，每个盒子对应不同复习频率。正确回答的卡片升级到更高盒子，错误回答的降级。
优点： 直观、无需计算、适合纸质卡片或简单 App。 缺点： 盒子数量固定，间隔跳跃大，无法自适应个体差异。
SM-2（SuperMemo 2）
Piotr Wozniak 的经典算法，引入“质量评分”（0-5），根据评分调整间隔和难度。
优点： 自适应个体表现，间隔随正确次数指数增长，已被 Anki 等工具验证。 缺点： 质量评分主观，不同用户评分习惯不同；算法对评分波动敏感。
**伪代码示例（TypeScript）：**
```typescript
function calculateNextReview(
quality: number, // 0-5
repetitions: number,
previousInterval: number,
easinessFactor: number
) {
if (quality < 3) {
repetitions = 0;
return { interval: 1, ef: easinessFactor };
}
if (repetitions === 1) {
return { interval: 1, ef: easinessFactor };
} else if (repetitions === 2) {
return { interval: 6, ef: easinessFactor };
} else {
const interval = Math.round(previousInterval * easinessFactor);
return { interval, ef: easinessFactor };
}
}
### FSRS（Free Spaced Repetition Scheduler）
较新的算法，基于机器学习模型，根据用户历史复习数据预测遗忘概率，动态调整间隔。
**优点：** 无需用户评分，自动学习用户记忆模式，准确度高。
**缺点：** 实现复杂，需要足够历史数据（通常 >100 次复习）才能收敛。
## 选型决策框架
**我后来做了一个简单的决策树来选学习算法：**
```text
1. **用户是否需要手动标记掌握程度？**
- 是：用 Leitner（简单）或 SM-2（精确）
- 否：用 FSRS（自动）
2. **数据量是否足够？**
- <100 条：用 SM-2 或 Leitner
- ≥100 条：考虑 FSRS
3. **产品形态是工具还是内容？**
- 工具（如背单词 App）：推荐 SM-2 + 难度标记
- 内容（如文章阅读）：推荐 FSRS 或自定义间隔策略
工程实践中的注意事项
1. 不要一次性推送所有复习
很多开发者拿到算法就一次性计算所有待复习条目，然后一股脑推给用户。这会造成认知过载。正确做法是每次只展示 5-10 条，复习完一批再加载下一批。
2. 允许用户手动跳过
无论算法多好，总有预测不准的时候。给用户一个“跳过/已掌握”按钮，并在算法中记录这个动作作为负样本。
3. 难度分级要独立于间隔
不要把“难度”和“间隔”混在一起。难度是输入参数，间隔是输出结果。在 SM-2 中，我建议把难度拆成两个独立因子：
- 语义难度（词根、词频）
- 用户历史表现（正确率、反应时）
4. 冷启动策略
新用户没有历史数据，建议用一套保守的默认间隔（如 1天、3天、7天、14天），并在前 10 次复习中收集数据，之后切换到主算法。
最后的判断
学习算法没有银弹。艾宾浩斯曲线作为理论基石值得尊重，但直接把它当产品算法用，大概率会翻车。
我现在的做法是：
- 小产品用 SM-2（它在 Anki 里被验证了十几年）
- 有数据后用 FSRS 做微调
- 永远保留用户手动干预的接口
算法是引擎，产品是车。引擎再好，车开起来不舒服，用户照样下车。
PaxLee