FSRS算法详解：现代间隔重复技术的核心原理
FSRS（Free Spaced Repetition Scheduler）是由Jarrett Ye开发的一种现代间隔重复算法，目前已成为Anki等记忆软件的新一代调度引擎。相比传统的SM-2算法，FSRS通过精确建模记忆衰退过程，实现了更智能的复习时间安排。
一、核心记忆模型
FSRS基于三因素记忆模型，为每个记忆项目维护三个动态参数：
表格
复制
| 参数 | 含义 | 更新频率 |
|---|---|---|
| 难度(D) | 知识点的内在复杂度（0-10的连续值） | 每次复习后 |
| 稳定性(S) | 记忆痕迹的牢固程度（单位：天） | 每次复习后 |
| 可提取性(R) | 当前成功回忆的概率（0-1之间） | 每天衰减 |
这三个值共同构成卡片的"记忆状态"，其中R随时间自然衰减（公式：R = e^(-t/S)），而D和S仅在复习后根据用户表现更新。
二、算法工作流程
1. 初始状态设定新卡片首次出现时，FSRS会根据用户首次评分分配初始D、S值：
Again（失败）：难度显著增加，稳定性大幅降低
Hard（困难）：难度小幅增加，稳定性适度提升
Good（良好）：难度略微下调，稳定性正常增长
Easy（简单）：难度明显降低，稳定性获得额外加成
2. 间隔计算机制FSRS的目标是找到使回忆概率达到目标保留率（如90%）的最优间隔。算法通过以下步骤实现：
预测当前记忆状态的可提取性R
计算预测误差并与实际表现对比
使用梯度下降法动态调整D和S参数
根据更新后的S值确定下一次复习间隔
三、相比SM-2的核心优势
表格
复制
| 维度 | FSRS | SM-2 |
|---|---|---|
| 参数自适应 | ✅ 动态调整，基于用户行为反馈 | ❌ 固定参数 |
| 预测精度 | 误差率<15%（实测数据） | 误差率25%-30% |
| 难度评估 | 连续浮点数，精细量化 | 离散等级（1-4） |
| 计算复杂度 | O(n)带优化器 | O(1) |
| 适用场景 | 长期记忆保持 | 短期记忆训练 |
四、实际应用优化
1. 参数优化门槛传统观点认为需要1000条复习记录才能优化FSRS参数，但最新研究表明：
16条记录：优化效果开始优于默认参数（p<0.05）
32条记录：可稳定预测后续10-100条复习表现
100-200条记录：支持对1000条以上记录的长期预测
2. 短期调度优化针对新知识快速遗忘问题，FSRS采用非线性间隔增长策略：
初始阶段（≤7天）：小步快进，密集复习
稳定阶段：指数级增长间隔
通过
memory_state.rs模块实现动态衰减率调整
3. 学习成本计算FSRS引入中位数而非平均值计算学习成本，有效避免极端数据干扰，使算法更加稳健。
五、性能提升效果
根据用户反馈和实测数据：
记忆保留率提升：约15%
复习时间减少：约25%
学习负担减轻：尤其在考试高压和时间紧迫情境下效果显著
六、技术实现要点
FSRS的Anki实现位于rslib/src/scheduler/fsrs/目录，核心模块包括：
params.rs：参数优化器
memory_state.rs：记忆状态跟踪
simulator.rs：效果模拟与异常值处理
error.rs：预测误差计算
算法使用如下记忆强度预测模型（简化版）：
S(t) = S₀ * (1 + α*(t/β)^γ) * e^(-λ*t)
通过机器学习拟合用户行为，实现个性化调度。
使用建议：新用户建议先积累200+复习记录再运行参数优化，语言类卡片可启用"短期强化模式"（间隔≤3天），技术类复杂内容则建议增加初始复习密度
