例如，我有一张法语闪卡：

单纯性热性惊厥的诊断标准：
- 年龄大于1岁
- 发热高于38°C (100.4°F) 时出现惊厥
- 对称性运动表现持续时间少于15分钟且无后遗症
- 每次发热仅发生一次惊厥
- 总发作次数不超过3次

illustrator.py 为我生成了这张图片：

同时还生成了以下文字内容，用于理解其思考过程：（请注意，这部分始终以英文呈现，无论原始语言为何）

主题：'单纯性热性惊厥的诊断标准'
记忆锚点：'热性/发烧：壁炉（发音类似 febrile）'
音标联想：'1 联想为泰语中的 T 音，如 tea、tie；3 联想为 M 音，如 mow、my、meh；8 联想为 F 音，如 fire、faux、few；5 联想为 L 音，如 low、lee、lie'
备注：
* 这些标准非常具体，应以易于记忆的方式呈现。
逐步分解：
* 年龄大于1岁：一个拿着茶杯的幼儿（T 代表 1）
* 发热超过38°C 时的惊厥：一个周围环绕火焰的体温计（F 代表 8）
* 持续时间少于15分钟且无后遗症的对称性运动表现：一只显示15分钟的钟表，两侧有对称移动的两个相同小人
* 每次发热仅发生一次惊厥：一道闪电击中壁炉（壁炉代表发烧）
* 总发作次数不超过3次：三支体温计，但只有两支显示高温
想象画面：
* 一个拿着茶杯的幼儿站在壁炉旁，一道闪电正击中壁炉。
* 壁炉上方是一只显示15分钟的钟表，钟表两侧是对称移动的小人。
* 幼儿旁边是一支周围燃烧着火焰的体温计，以及三支体温计，其中两支显示高温。
主题：'一个拿着茶杯的幼儿站在被闪电击中的壁炉旁，一只显示15分钟的钟表上有对称的小人，一支燃烧的体温计，还有三支体温计，其中两支显示高温'
描述词：'教育性、色彩丰富、引人入胜、生动、细致'
风格：'插画'
写实程度：'半写实'
一个拿着茶杯的幼儿站在被闪电击中的壁炉旁，一只显示15分钟的钟表上有对称的小人，一支燃烧的体温计，还有三支体温计，其中两支显示高温，教育性、色彩丰富、引人入胜、生动、细致，插画，半写实

[日期：2024年4月9日 版本：2.5 LLM 模型：openai/gpt-4-0125-preview 图像模型：openai/dall-e-3]

例如，对于这张表述不佳的抽认卡：

双侧对称性肺泡综合征，靠近肺门，常伴有胸腔积液，应考虑什么？
{{c1::APE}}

重写器会将其改进为：

在出现双侧对称性肺泡综合征、靠近肺门且常伴有胸腔积液的情况下，应考虑哪些情况？
{{c1::如果出现双侧对称性肺泡综合征、靠近肺门且常伴有胸腔积液，则应考虑APE。}}

重写器还可以根据需要使卡片更加简洁。例如，它可以将同一张卡片重新格式化为：

双侧对称性肺泡综合征、靠近肺门、常伴有胸腔积液的关键特征：
- {{c1::考虑APE}}

重写器真正的强大之处在于它的灵活性——唯一的限制就是你的想象力。它可以：

• 使问题在语法上完整且清晰
• 将内容组织成规范的问题、项目符号列表、表格，或任何你喜欢的格式
• 通过在必要时重复关键背景信息，使答案自成一体
• 调整文字的详略程度，从简明摘要到详细解释
• 在提高清晰度的同时保留精确的医学术语
• 在增强内容质量的同时保持填空标记的格式
• 适应任何格式风格（段落、列表、图表等）
• 将内容转化为记忆术、类比或记忆宫殿
• 为复杂主题创建层次化的结构
• 生成多种变体，以通过交错练习加强记忆

重写器不仅仅是一个用来修复表述不佳卡片的工具，它更是一位创意伙伴，可以帮助你探索新的信息组织和呈现方式。无论你想创建视觉思维导图、构建记忆宫殿，还是开发独特的记忆系统，重写器都能帮助你实现这些想法，同时保持Anki卡片的完整性。

针对上面关于婴儿热性惊厥的卡片，生成的记忆术最终出现在AnkiMnemonics字段中，内容如下：

1. “快乐的赫菲斯托斯发烧了，把他的唯一香蕉伸向火堆”
   * 快乐 年龄大于1岁 “快乐”让人联想到成熟，因此表示年龄已超过1岁
   * 发烧的赫菲斯托斯 发作时体温高于38°C 赫菲斯托斯是锻造之神，与火相关，而“发烧”则直接点明了这一概念
   * 伸出他唯一的香蕉 每次发热发作仅有一次惊厥 “唯一的香蕉”暗示着仅发生一次惊厥
   * 靠近火堆 总发作次数少于3次 “火堆”象征着发热，而其“靠近”的位置则暗示了数量上的限制，即总发作次数不超过3次
   
   2. “一个孩子绊倒在火堆里，对称地跳舞，只有一下抽搐，而且火堆不超过三个”
   * 一个孩子绊倒 年龄大于1岁 孩子刚开始学步的形象让人联想到刚过1岁的年纪
   * 在火堆里 发作时体温高于38°C “火堆”代表高温，也就是发热
   * 对称地跳舞 运动症状呈对称性 “跳舞”意味着运动，“对称地”则表明身体两侧的动作一致
   * 只有一下抽搐 每次发热发作仅有一次惊厥 “一下”强调了每次发作中惊厥的唯一性
   * 而且火堆不超过三个 总发作次数少于3次 “火堆不超过三个”用火堆的数量来比喻发热发作的次数，形象地表达了总发作次数不多的概念
   
   3. “一个发烧的、动作对称的孩子，在草原上锻造了一个独一无二的泡泡”
   * 一个孩子 年龄大于1岁 “孩子”表明对象是年幼者，因此年龄超过1岁
   * 发烧 发作时体温高于38°C “发烧”直接关联到发热的概念
   * 对称 运动症状呈对称性 直接对应“对称”这一特征
   * 锻造 持续时间少于15分钟且无后遗症 “锻造”让人联想到短暂而剧烈的动作，就像持续时间短、不会留下后遗症的惊厥一样
   * 独一无二 每次发热发作仅有一次惊厥 “独一无二”明确了惊厥的唯一性
   * 泡泡 总发作次数少于3次 “泡泡”象征着稀有和有限，正好对应总发作次数不多的情况
   * 在草原上 体温过高 “草原”代表着开阔的自然环境，“体温过高”则让人联想到阳光照耀下的草原般炽热的感觉
   
   [日期：2024年4月9日 版本：2.1 模型：openai/gpt-4-0125-preview]
   
   

针对上面关于婴儿热性惊厥的卡片，生成的记忆术最终出现在AnkiExplainer字段中，内容如下（我将其从法语翻译成英语以便通用记录）：

• 解释 简单性热性惊厥的特点是在发热过程中具有唯一性和短暂性，这有助于将其与其他复杂性惊厥或神经系统疾病区分开来。
  * 机制 发热可能会降低某些儿童的惊厥阈值，这就解释了为什么体温升高会在易感人群中引发惊厥。
  
  [日期：2024年4月9日 版本：1.7 LLM模型：openai/gpt-4-0125-preview]
  
  

这些工具的核心优势是什么？

基本上，如果您每天晚上运行这些工具来处理当天未能掌握的卡片，您的卡片库质量和学习效率将稳步提升：

• 自动优化您感到困难的卡片
• 节省手动改进卡片的时间
• 建立更牢固的记忆连接
• 通过详细的历史记录跟踪改进情况
• 在增强内容的同时保持卡片结构不变

什么是【主要系统】(Major System)？

主要系统是一种强大的记忆技巧，它将数字转换为辅音音素，再将这些音素组合成易于记忆的单词。例如：

• 0 = S 音（如“sea”）
• 1 = T 音（如“tea”）
• 2 = N 音（如“new”）
• 等等。

这样就可以通过将数字转化为单词来更容易地记住它们。例如，“92”可以变成“pen”（P=9，N=2）。

您可以在 维基百科 上了解更多相关信息。

什么是记忆锚点？

记忆锚点是您已经非常熟悉的既有联想，可用于构建新的记忆。例如，如果您已经强烈地将“拿破仑”与“法国”联系在一起，那么在学习法国历史的新知识时，就可以以拿破仑作为记忆锚点。

这些工具可以利用您个人的记忆锚点集合，生成基于已有知识的记忆术。

支持哪些大语言模型提供商？

这些工具使用 LiteLLM，它为几乎任何大语言模型提供商提供了统一的接口，包括：

• OpenAI
• Anthropic
• Google
• MiniMax（MiniMax-M2.7、MiniMax-M2.7-highspeed — 204K 上下文）
• OpenRouter
• Azure
• AWS Bedrock
• 本地模型
• 以及更多

只需按照 LiteLLM 格式指定模型（例如“openai/gpt-4”、“anthropic/claude-3-opus”或“minimax/MiniMax-M2.7”），其余工作将由工具自动完成。对于 MiniMax，请将您的 API 密钥放入 API_KEYS/ 目录下的名为 MINIMAX 的文件中（工具会将其加载为 MINIMAX_API_KEY）。

支持哪些语言？

这些工具支持您所选择的大语言模型所支持的任何语言。由于这些脚本通过 LiteLLM 支持几乎所有大语言模型提供商，您可以使用任何对您的语言效果良好的模型。例如：

• OpenAI 的模型支持 100 多种语言
• Anthropic 的 Claude 支持 100 多种语言
• 您也可以使用专门为您的语言训练的本地模型
• 等等。

这些工具会保留所有语言特定的格式，包括：

• 从右到左的文字
• 特殊字符和变音符号
• 语言特定的标点符号
• 等等。

记忆术是如何工作的？

记忆术工具使用了几种经过验证的记忆技巧：

• 数字方面使用【主要系统】(Major System)
• 生动的图像和可视化
• 个人记忆锚点
• 发音相似性
• 幽默和荒诞
• 基于故事的关联

这些方法能够创建令人难忘的联想，在保证准确性的同时强化记忆提取能力。

在哪里可以找到每个工具的示例数据集？

examples/ 文件夹中包含了每个工具的训练数据集和示例文件。虽然这些文件最初是用法语编写的，后来匆忙翻译成英语，但它们仍可作为创建您自己的数据集的良好模板。请参阅下方的“示例文件”部分，了解每个文件的详细信息。

该项目的未来发展方向是什么？

这套工具是在医学院期间学习数万张 Anki 卡片的过程中开发并经过实战检验的。它在高强度学习阶段维护和优化大型抽认卡库方面发挥了巨大作用。

然而，随着科研任务的增加，我现在已无太多时间将这些脚本改造成更加用户友好的软件包。目前这些工具虽然运行良好，但仍需：

• 打包成正式的 Anki 插件
• 通过 PyPI 进行安装
• 代码去重与清理
• 更完善的文档

我正在积极寻找各层次的贡献者，帮助使这些工具更易于被更广泛的 Anki 社区使用。无论您是经验丰富的开发者还是刚刚入门，我们都欢迎您的参与！我可以根据我在该代码库上的丰富经验提供指导和方向，而您则可以帮助完成打包和分发的技术性工作。

请查看下面的详细路线图，了解需要改进的地方。如果您有兴趣帮助将这些经过实战检验的脚本转化为精良的 Anki 插件，请随时与我联系——我非常乐意与您交流并协助您入门！

为什么各个工具之间存在代码重复？

该项目是在我学习 Python 的过程中，为解决医学院期间的实际需求而逐步发展起来的。每个工具都是在需要时独立开发的，优先考虑功能性而非代码的优雅性。虽然它们都能可靠地运行，但仍有很大的机会围绕共同的 API 统一代码库。

我可以提供详细的重构和整合代码的指导，但我本人没有足够的时间来实施这些改动。如果您有兴趣在保留其经过实战检验的功能性的前提下简化代码库，请查看下面的路线图。

我应该在什么情况下使用每个工具？

• 记忆术创建工具：最适合记忆数字、序列、列表和抽象概念
• 插画工具：非常适合视觉型学习者以及受益于图像表达的复杂主题
• 改写工具：当卡片措辞不清晰或希望有多种表述方式时使用。无需担心对格式良好的卡片进行操作——大语言模型经过训练，能够识别并保留符合最佳实践的卡片，避免不必要的更改扰乱您的学习过程
• 解释工具：非常适合理解自己为何答错某张卡片，并填补知识空白
• 记忆术助手：一款简单的脚本，可通过考虑新主题与您先前记忆术之间的【语义相似性】(Semantic similarity)，快速请求大语言模型生成新的记忆术。

如果我在同一张卡片上多次运行脚本，会发生什么？

对于大多数工具（记忆术生成器、插画师、解释器），之前的内容会使用 <details> 和 <summary> 标签保存在一个可折叠的 HTML 区域中。新的内容则显示在这个区域之上。这样可以方便地：

• 首先查看最新生成的内容
• 通过展开可折叠区域访问之前的版本
• 跟踪卡片随时间的变化过程

而“重写器”则有所不同——它会直接替换原始字段的内容，但会将所有之前的版本和元数据保存到一个单独的 AnkiReformulator 字段中。这样做既保持了卡片的可读性，又保留了完整的历史记录。

我如何追踪哪些卡片被修改过？

每款工具都会通过标签和元数据仔细记录修改情况，以确保透明性和可逆性。例如，当工具处理一张卡片时，它会添加一个带日期的标签，如 AnkiIllustrator::done::02/07/2023。这使得你可以轻松地：

• 快速识别哪些卡片被每款工具修改过
• 跟踪修改发生的时间
• 查找尚未处理的卡片
• 在需要时回滚更改（尤其是使用“重写器”时）

你可以在 Anki 浏览器中利用这些标签来评估有多少卡片可以从每款工具中受益，并查看已做的修改。需要注意的是，如果某个脚本执行失败，相应的笔记会被加上一个标签，比如 AnkiI::failed。

运行这些工具的成本是多少？

成本取决于你的使用模式以及启用的功能：

• 可以先从小规模开始，用几张卡片熟悉每款工具
• 内置的安全措施可防止意外超支：
  • 每次运行的卡片数量可以限制
  • 每个脚本的费用统计会存储在数据库中
  • API 调用失败不会计入配额
  • 你可以设置严格的支出上限
• 每张卡片的典型成本：
  • 重写器：约 $0.02–0.04（仅文本）
  • 记忆术：约 $0.02–0.04（仅文本）
  • 解释器：约 $0.03–0.06（涉及更复杂的推理）
  • 插画师：约 $0.02 加上图片费用（每张图片 $0.04–0.12）

数据库会跟踪每个脚本的总支出，便于你进行预算和监控成本。你也可以先使用较便宜的模型进行初步测试，再逐步升级到功能更强的模型。

我能在手机上使用这些工具吗？

虽然你需要在电脑上运行这些脚本（而不是手机），但所有更改都会直接应用到你的 Anki 笔记中。这意味着：

• 在电脑或服务器上运行脚本
• 同步电脑端的 Anki
• 同步后，改进后的卡片会出现在 AnkiMobile 或 AnkiDroid 上
• 所有生成的内容（改写、记忆术、图片等）在移动端都能完美运行。

示例文件

examples/ 文件夹中包含一些示例文件，可以帮助你快速入门。请注意，这些示例最初是用法语编写的（系统提示除外），随后被迅速翻译成英语——因此部分示例可能不太通顺，但仍能展示基本用法：

• anki_ai_utils_tmux_launcher.sh：这是我每天早上用来自动处理前一天遇到困难卡片的基于 tmux 的启动脚本。
• anchors.json：示例记忆锚点映射文件
• dataset_anchors.txt：用于记忆锚点处理的训练示例
• explainer_dataset.txt：解释器工具的示例
• illustrator_dataset.txt：用于图像生成的训练数据
• illustrator_sanitize_dataset.txt：用于清理图像提示的示例
• mnemonics_dataset.txt：用于记忆术生成的训练数据
• reformulator_dataset.txt：卡片改写的示例
• string_formatting.py：用于处理隐藏式填空和文本格式化。

你不担心大语言模型会产生幻觉吗？

尽管在将大语言模型用作搜索引擎或依赖其压缩的内部知识时，幻觉确实是一个值得关注的问题，但这些工具采用了不同的方法，能够有效降低这种风险：

1. 少样本学习：通过提供精心设计的示例，我们引导大语言模型遵循特定的模式和格式，从而减少编造信息的可能性。

2. 结构化输出：工具会强制执行严格的输出格式，使幻觉更容易被检测和纠正。

3. 保留源材料：这些工具并不生成新事实，而是专注于改写和增强你卡片中的现有内容。

4. 模型无关性：随着更可靠的新模型出现，你可以轻松切换到它们，而无需改变工作流程。

5. 任务专业化：通过专注于特定任务（如改写、记忆术生成等），与通用聊天模型相比，幻觉发生的范围被大大缩小。

虽然没有任何系统是完美的，但这种方法在医学院期间经过大量测试已被证明非常可靠。随着大语言模型的不断改进，我们可以预期幻觉现象会越来越少见。

数据集文件的格式是什么？

数据集文件（如 explainer_dataset.txt、reformulator_dataset.txt 等）是简单的文本文件，消息之间用 ---- 分隔。其中第一条消息被视为系统提示，之后是用户和助手交替发送的消息。这种格式模拟了典型的 LLM 对话流程，同时易于阅读和编辑。

要开始使用这些脚本（在有人帮我把它做成插件之前），大致步骤如下： 0. 注意：如果你不理解这些步骤，我建议你使用大语言模型自学。步骤会根据你使用的操作系统（macOS、Linux 或 Windows）略有不同，但核心思路是一致的。

1. 确保你的终端中已安装 Python。推荐使用 Python 3.12.7 或 3.11.x 版本，因为这是我当时使用的版本。如果尝试使用更新的版本，可能会遇到问题。
2. 使用 git clone https://github.com/thiswillbeyourgithub/AnkiAIUtils/ 克隆仓库。
3. 建议在这个新创建的文件夹中为 Python 创建一个虚拟环境，例如在我的 Linux 系统上可以运行 uv venv，然后执行 source .venv/bin/activate。
4. 运行某个脚本，请参考下面的各个使用部分。

重述器

重述器可以通过命令行运行：

python reformulator.py \
    --query "(rated:2:1 OR rated:2:2) -is:suspended" \
    --dataset_path "data/reformulator_dataset.txt" \
    --string_formatting "data/string_formatting.py" \
    --ntfy_url "ntfy.sh/YOUR_TOPIC" \
    --main_field_index 0 \
    --llm "openai/gpt-4" \
    --embedding_model "openai/text-embedding-3-small" \
    --max_token 4000 \
    --llm_temp 0

关键参数：

• query: Anki 浏览器查询语句，用于选择卡片（默认为最近失败的卡片）。
• dataset_path: 用于重述的示例提示。
• string_formatting: 自定义文本格式化函数。
• ntfy_url: 可选的 ntfy.sh 通知地址。
• main_field_index: 需要重述的字段索引（0 表示第一个字段）。
• llm: 使用 litellm 格式的 LLM 模型。
• embedding_model: 用于语义相似度搜索的模型。
• max_token: 每次查询的最大 token 数。
• llm_temp: LLM 的温度参数（0 表示输出一致）。

其他选项：

• --debug: 启用调试模式。
• --force: 即使卡片已经重述过，也强制处理。
• --print_db_then_exit: 显示数据库内容并退出。
• --parallel: 并发进程数（默认 4）。
• --exclude_media: 跳过包含媒体的卡片。
• --mode: 可以是 reformulate（重述）或 reset（恢复原始内容）。请注意，“reset” 功能并不能完全保证成功，但如果出现问题，我们特意保留了大量的日志，以确保你不会丢失任何数据。

记忆术生成器

记忆术生成器也可以通过命令行运行：

python mnemonics.py \
    --field_names "body" \
    --query "(rated:2:1 OR rated:2:2) -is:suspended" \
    --memory_anchors_file "data/anchors.json" \
    --dataset_path "data/mnemonics_dataset.txt" \
    --string_formatting "data/string_formatting.py" \
    --ntfy_url "ntfy.sh/YOUR_TOPIC" \
    --llm "openrouter/anthropic/claude-3-sonnet" \
    --embedding_model "openai/text-embedding-3-small" \
    --n_mnemonic 1

关键参数：

• field_names: 需要分析的笔记字段列表，用逗号分隔。
• query: Anki 浏览器查询语句，用于选择卡片（默认为最近失败的卡片）。
• memory_anchors_file: 将概念映射到记忆锚点的 JSON 文件。
• dataset_path: 用于生成记忆术的示例提示。
• string_formatting: 自定义文本格式化函数。
• ntfy_url: 可选的 ntfy.sh 通知地址。
• llm: 使用 litellm 格式的 LLM 模型。
• embedding_model: 用于语义相似度搜索的模型。
• n_mnemonic: 每张卡片需要生成的记忆术数量。

其他选项：

• --debug: 启用调试模式。
• --force: 即使卡片已经有记忆术，也强制处理。
• --note_mode: 不重复计算同一张笔记中的卡片。
• --do_sync: 在处理前后同步 Anki 数据。

记忆术生成器 CLI

记忆术生成器 CLI 提供了一个交互式界面来生成记忆术：

python mnemonics_creator.py \
    --top_k 100 \
    --n_gen 10 \
    --model "openrouter/anthropic/claude-3-sonnet" \
    --embed_model "openai/text-embedding-3-small"

关键参数：

• top_k: 作为示例使用的相似现有记忆术数量（默认 100）。
• n_gen: 每次查询生成的新记忆术数量（默认 10）。
• model: 使用 litellm 格式的 LLM 模型。
• embed_model: 用于语义相似度搜索的模型。
• query: 可选的初始查询。
• gui: 启用 GUI 界面（尚未实现）。

CLI 提供了一个交互式界面，你可以：

• 输入要生成记忆术的概念。
• 查看相关的现有记忆术作为参考。
• 从多个生成的选项中选择。
• 使用 vim 风格的键（j/k）或数字键进行导航。
• 将选定的记忆术保存到你的收藏中。

解释器

解释器可以通过命令行运行：

python explainer.py \
    --field_names "body" \
    --query "(rated:2:1 OR rated:2:2) -is:suspended" \
    --dataset_path "data/explainer_dataset.txt" \
    --string_formatting "data/string_formatting.py" \
    --ntfy_url "ntfy.sh/YOUR_TOPIC" \
    --llm "openrouter/anthropic/claude-3-sonnet" \
    --embedding_model "openai/text-embedding-3-small" \
    --llm_max_token 3000

关键参数：

• field_names: 需要分析的笔记字段列表，用逗号分隔。
• query: Anki 浏览器查询语句，用于选择卡片（默认为最近失败的卡片）。
• dataset_path: 用于生成解释的示例提示。
• string_formatting: 自定义文本格式化函数。
• ntfy_url: 可选的 ntfy.sh 通知地址。
• llm: 使用 litellm 格式的 LLM 模型。
• embedding_model: 用于语义相似度搜索的模型。
• llm_max_token: 每次查询的最大 token 数。

其他选项：

• --debug: 启用调试模式。
• --force: 即使卡片已经有解释，也强制处理。
• --note_mode: 不重复计算同一张笔记中的卡片。
• --do_sync: 在处理前后同步 Anki 数据。

插画师

插画师也可以通过命令行运行：

python illustrator.py \
    --field_names "front,back" \
    --query "(rated:2:1 OR rated:2:2) -is:suspended" \
    --memory_anchors_file "data/anchors.json" \
    --dataset_path "data/illustrator_dataset.txt" \
    --dataset_sanitize_path "data/illustrator_sanitize.txt" \
    --string_formatting "data/string_formatting.py" \
    --ntfy_url "ntfy.sh/YOUR_TOPIC" \
    --n_image 1

关键参数：

• field_names: 需要分析的笔记字段列表，用逗号分隔。
• query: Anki 浏览器查询语句，用于选择卡片（默认为最近失败的卡片）。
• memory_anchors_file: 将概念映射到记忆锚点的 JSON 文件。
• dataset_path: 用于生成插图的示例提示。
• dataset_sanitize_path: 用于净化不安全提示的示例。
• string_formatting: 自定义文本格式化函数。
• ntfy_url: 可选的 ntfy.sh 通知地址。
• n_image: 每张卡片需要生成的图片数量。

其他选项：

• --debug: 启用调试模式。
• --force: 即使卡片已经有插图，也强制处理。
• --disable_notif: 禁用 ntfy.sh 通知。

此待办事项列表由 MdXLogseqTODOSync 自动维护

• 将这些脚本改造成插件（为此，请帮助我完成剩余的待办事项，这样插件化过程会更加直接）

• 适用于所有工具

• 改为从环境变量加载 API 密钥
• 创建一个通用类，用于统一所有代码
  • 参数：
    • name（用于区分不同子模块：例如“illustrator”）
    • query
    • 输出字段名
    • template
    • tags_regex（用于指定模板中包含哪些标签）
    • llm 名称
    • embedding_model
    • llm_max_token
    • llm_temp
    • tkn_warn_limit（用于判断何时停止）
    • exclude_media
    • exclude_version
    • exclude_done
    • n_note_limit
    • do_sync
    • callback（如 ntfy_url 的函数）
    • debug
    • parallel
    • force
    • print_db_then_exit
  • 方法：
    • string_format（可被重载）
    • load_history
    • save_history
    • total_cost
    • execute_query（查找卡片并应用参数中的过滤条件）
    • loop_over_notes（检查是否确实声明了 compute_new_field）
    • addtags 和 removetags
  • 注意事项：
    • 在初始化时，检查是否确实存在 version 属性
    • 确保使用 self.lock
  • 重写每个脚本以使用该类
  • 将 --help 重定向到每个项目的类
  • 使每个类使用相同的入口点
• 使用 toml 替代 json？它还支持设置注释
• 在所有地方使用 beartype 进行静态类型检查和代码整洁化
• 将所有推理结果存储在压缩的 sqlite 数据库中，而不是 json 文件。后者会变得过于庞大
• 添加检查，确保已移除所有“已完成”标签
• 实际上无需存储“已完成”标签，因为所有重要信息都已存储在字段中
• 对示例使用 xml 格式
  • 同时利用 标签
• 告知用户每次回答花费的时间
• 添加一个参数，用于控制是否将标签纳入 LLM 的上下文中，否则 LLM 可能会被某些缩写词混淆
  • 但通过 regex 参数仅保留与正则表达式匹配的标签。这样我们可以只让 LLM 处理部分标签
• 使其可以通过 setup.py 在 pypi 上安装

• 记忆术生成器

  • 添加快捷键
    • 绑定 e 键编辑命题
    • 绑定重新开始生成
    • 绑定进入聊天模式并与用户共同构建记忆术

• 插画师

• 使用 LLM 提取数字
  • 请求 LLM 进行快速转换，例如将 48 小时转换为 2 天、单位换算等
• 增加对包含音频、图片等媒体的笔记的支持
• 添加一种不实际生成图像的模式。这实际上也可以用作记忆术

• 重构器

• 为 LLM 提供 5 到 10 个处理图片等媒体的示例，然后增加对它们的支持
• 使其能够使用特定的 fstring 模板进行字段替换。否则它只能重构单个字段
  • 更好的做法是添加一个参数来指定输出字段，以及一个参数来指定输入字段的逗号分隔列表

• 解释器

• 在开始时计算所有嵌入向量，从而提高速度
• 目前的实现相当糟糕。可以先用一次 LLM 调用来确定需要提出哪些后续问题，然后再用另一次 LLM 调用异步回答每个问题
  • 将每个新问题的答案保存为
    标签，以便在手机上只需轻触字段即可轻松访问

• Ankimnemonics

• 注释掉那些不遵守先添加主题规则的记忆术
• 弄清楚为什么有时运行过程中会卡住
• 使其能够区分“必须以明文形式出现”和“必须以记忆术形式出现”？

• AnkiAiFilter

• 使用类似于 wdoc 中的评估 LLM 来更好地过滤 Anki 查询
  • 实际上 wdoc 已经可以用于此目的！也许应该将其转换为插件？

• 标签器（正在进行中）

• 总是将标签前缀为 ankitagger:，但可自定义
• 总是按字母顺序对这些标签排序
• 添加模式：
  • “预设”模式：用户提供标签列表，LLM 根据查询为每条笔记找到应应用的标签
  • “自然列表”模式：LLM 自己创建标签列表
    • 遍历每条笔记，请求 LLM 生成标签
    • 同时显示迄今为止的标签列表
    • 最后再次遍历，并请求 LLM 根据嵌入向量筛选出应适用的标签
    • 但仍允许从预先准备好的列表开始
• 如果发现媒体，则添加图像支持的参数
  • 如果卡片包含图像，应先对其进行哈希处理，然后缓存调用一个视觉模型来描述图像类型，再利用该回答的嵌入向量，为 LLM 推荐合适的分类标签
  • 图像应有其专属标签，如“图像”、“决策树”、“分类”、“表格”等

致谢

本项目大量使用了 AnkiConnect 与 Anki 进行交互。