fsrs4anki
fsrs4anki 是一款专为 Anki 设计的现代化间隔重复调度插件，核心基于先进的自由间隔重复调度算法（FSRS）。它直接替代了 Anki 原有的默认调度系统，旨在解决传统记忆卡片软件中复习间隔设置不够精准、无法个性化适配用户记忆规律的问题。
fsrs4anki 特别适合追求高效学习的普通用户，无论是备考的学生、语言爱好者，还是需要进行大量知识管理的职场人士，都能从中受益。同时，由于其背后涉及复杂的机器学习模型，对算法感兴趣的研究人员也能从中获得启发。
fsrs4anki 的技术亮点在于它不仅仅是一个调度器，还包含一个强大的优化器。这个优化器利用机器学习技术，通过分析用户的实际复习历史数据，自动学习并调整出最符合个人记忆动态的参数组合。这意味着随着使用时间的增长，它的推荐会越来越准。目前，在 Anki 23.10 及以上版本中，fsrs4anki 已实现原生支持，配置简单，兼容性良好，是希望提升记忆效率用户的理想选择。
使用场景
医学生李明正在备考执业医师资格考试，面对数万条知识点卡片，他急需提升复习效率以应对即将到来的考试。
没有 fsrs4anki 时
- 默认调度算法千篇一律，无法区分难易度，导致简单卡片被过度复习，难点却复习不足。
- 每日复习量像过山车，考前几天积压数百张卡片，造成巨大的心理压力和焦虑感。
- 经常遇到“明明记得但忘了”的情况，因为系统未能捕捉到个人的真实遗忘曲线。
- 想要优化参数必须查阅大量文档并手动调试，门槛过高且容易出错。
使用 fsrs4anki 后
- 基于机器学习分析李明过往的答题表现，自动计算出最适合他的记忆参数和间隔时间。
- 每日新增与复习任务分布均匀，彻底消除了考前突击的负担，复习节奏更加从容。
- 针对薄弱知识点的间隔延长策略更精准，显著降低了长期遗忘率，巩固了核心考点。
- 优化器自动运行，无需人工干预即可随着使用时间的增长不断校准调度模型。
fsrs4anki 通过智能算法将机械的记忆训练转化为个性化的科学管理，不仅节省了宝贵的学习时间，还极大提升了备考效率。
运行环境要求
- 未说明
未说明
未说明
快速开始
FSRS4Anki
✨ 一个基于 自由间隔重复调度算法 的 Anki 现代间隔重复调度器 ✨
目录
简介
FSRS4Anki（Anki 的自由间隔重复调度器，Free Spaced Repetition Scheduler for Anki）主要由两部分组成：调度器（scheduler）和优化器（optimizer）。
- 调度器替换了 Anki 内置的调度器，并根据 FSRS 算法安排卡片。
- 优化器使用机器学习（machine learning）来学习您的记忆模式，并找到最适合您复习历史的参数。关于优化器工作原理的详细信息，请阅读 优化机制。
关于 FSRS 算法的详细信息，请阅读 该算法。如果您感兴趣，也可以阅读我的论文：
- 一种用于优化间隔重复调度的随机最短路径算法 (免费访问) [中文版], 以及
- 通过捕捉记忆动态优化间隔重复计划 (Google Scholar) [中文版].
FSRS Helper 是一个补充 FSRS4Anki 调度器的 Anki 插件。您可以在这里阅读有关它的信息：https://github.com/open-spaced-repetition/fsrs4anki-helper
如何开始？
如果您使用的是 Anki 23.10 或更新版本，请参考 Anki 手册 中的这一节。
如果您使用的是旧版本的 Anki，请参考 本教程。
请注意，在 Anki 23.10 或更新版本中设置 FSRS 要容易得多。
插件兼容性
某些插件可能会与 FSRS 产生冲突。作为一般原则，如果某个插件影响卡片的间隔（intervals），则不应将其与 FSRS 一起使用。
| 插件 | 是否兼容？ | 备注 |
|---|---|---|
| 复习热力图 | 是 :white_check_mark: | 不影响任何与 FSRS 相关的内容。 |
| 高级浏览器 | 是 :white_check_mark: | 请使用最新版本。 |
| 高级复习底部栏 | 是 :white_check_mark: | 请使用最新版本。 |
| 按钮插件之王 | 是 :white_check_mark: | 请使用最新版本。 |
| 通过/失败 | 是 :white_check_mark: | Pass 相当于 Good，Fail 相当于 Again。 |
| AJT 卡片管理 | 是 :white_check_mark: | 兼容 Anki 23.12 及更新版本。 |
| 增量阅读 v4.11.3（非官方克隆版） | 不确定 :question: | 如果您使用的是 FSRS 独立版本，它会显示 Anki 内置调度器给出的间隔，而不是自定义调度器。从技术上讲，此插件与内置 FSRS 兼容，但 FSRS 并非为增量阅读设计，且 FSRS 设置不适用于 IR 卡片，因为它们与其他类型的卡片工作方式不同。 |
| 延迟兄弟卡片 | 否 :x: | 延迟兄弟卡片将修改 FSRS 给出的间隔。但是，FSRS Helper 插件具有类似的功能，与 FSRS 配合得更好。请使用 FSRS Helper 插件代替。 |
| 自动难度因子 | 否 :x: | 启用 FSRS 后，难度因子（Ease Factor）不再相关，因此您将无法从使用该插件中获益。 |
| autoLapseNewInterval | 否 :x: | 启用 FSRS 后，新间隔（New Interval）设置不再相关，因此您将无法从使用该插件中获益。 |
| 直接奖励 | 否 :x: | 启用 FSRS 后，难度因子（Ease Factor）不再相关，因此您将无法从使用该插件中获益。 |
如果您想让我检查 FSRS 与某些插件之间的兼容性，请通过 issues 告诉我。
贡献
您可以通过 Beta 测试、提交代码或分享您的数据来为 FSRS4Anki 做出贡献。如果您想与我分享您的数据，请填写此表格：https://forms.gle/KaojsBbhMCytaA7h8
贡献者
 Expertium ⚠️ 📖 🔣 🤔 🐛 |
 user1823 ⚠️ 📖 🔣 🤔 🐛 |
 Christos Longros 🔣 🖋 |
开发者资源
如果您是考虑在自己的项目中使用 FSRS 算法（Free Spaced Repetition Scheduler，自由间隔重复调度器）的开发者，我们为您整理了一些有价值的资源。请查看 Awesome FSRS 仓库，您将在那里找到：
- 各种编程语言中的 FSRS 实现
- 相关论文和研究资料
- 使用 FSRS 的示例应用程序
- 其他与间隔重复系统相关的算法和资源
这份精心整理的列表将帮助您更好地理解 FSRS 并为您的项目选择合适的实现。我们鼓励您探索这些资源，并考虑为 FSRS 生态系统做出贡献。
研究资源
对于初次接触间隔重复算法的人来说，我们建议您从我们的综合指南开始：间隔重复算法：从新手到专家的三天之旅
通过我们精心策划的 数据集、代码与研究论文 集合，深入探索 FSRS 和间隔重复的学术基础。
探索我们广泛的 研究笔记 (Notebooks) 收藏，其中记录了关于 FSRS 和间隔重复算法的详细分析和实验。
星标数量随时间变化
致谢
特别感谢 墨墨背单词 (MaiMemo) 对 FSRS 开发的支持，他们允许其研究工程师 Jarrett Ye 投入部分工作时间到这个开源项目中。这极大地帮助了 FSRS 的持续改进和维护，造福整个社区。
我们还要向 Ankitects 的 Damien Elmes 表示诚挚的感谢，感谢他提供的宝贵技术支持，以及向 AnkiWeb 用户表示感谢，感谢他们提供了复习历史记录数据集。如果没有他们的集体贡献，FSRS 就不会取得当前的普及度和影响力。
版本历史
v6.0.02025/05/05v5.3.42025/02/25v5.3.32025/02/07v5.3.22025/01/22v5.3.12024/12/24v5.3.02024/12/18v6.1.12025/06/17v6.1.02025/05/20v6.1.32025/09/08v6.1.22025/08/04v5.2.12024/11/30v5.2.02024/10/26v5.1.02024/10/11v5.0.42024/09/12v5.0.32024/08/11v5.0.22024/07/29v5.0.12024/07/19v5.0.02024/07/10v4.15.22024/06/18v4.15.12024/04/30常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。