别了,“新”范式的老问题

新的模型、新的界面并没有自动带来新的学习机制:状态、策略与过程仍然没有被系统化地表示。

大多数 AI 学习产品从“生成”开始:用户提问,模型回答;会话结束,学习过程也随之结束。学生是否记住、何时会忘、下一步该练什么,往往仍然由人判断。

  1. 01

    没有学习状态

    学习历史散落在对话、文档和人的记忆里。系统不知道学生已经掌握了哪些概念、在哪些地方反复出错,也不知道距离遗忘还有多久。每次新对话都从零开始,模型只能根据当前几句话猜测水平,无法把长期变化写进一个可计算、可检查的状态。

  2. 02

    没有调度策略

    今天练什么、隔多久复习、换不换题型、什么时候让模型解释,这些决定要么写死在代码里,要么交给用户临时判断。策略没有成为可比较的数据,无法测试、复现,也很难针对不同学科、班级或学习目标调整。

  3. 03

    没有回放机制

    一次答错之后,很难还原系统当时看到了什么状态、依据哪条策略、生成了什么内容。缺少事件记录与重放,测试只能看到最终分数,无法判断问题出在状态估计、策略选择还是生成质量。

HeurAMS 不把生成能力当作学习系统的全部。状态、策略与生成被拆成三层:算法维护可回放的学习状态,Lispite 描述可比较的调度策略,大模型只提供候选内容。

工作机制

状态估计、策略调度与内容生成分别处理。

  1. 01

    状态估计

    每次作答写入事件流;SM-2、FSRS、NSP-0 等算法更新记忆状态。状态是可序列化、可回放的数据。

    确定性 / 可测试
  2. 02

    策略调度

    Lispite 策略决定何时复习、抽什么题、何时请求生成。策略以数据存在,不写死在客户端。

    可替换 / 可比较
  3. 03

    内容生成

    大模型只接收经过状态层筛选的生成任务;输出经过结构校验后,才回到学习流程。

    受约束 / 可回退

模型不直接修改学习状态。

技术架构

内容、状态、生成三层分离;模型能力可替换,学习状态保持连续。

L1

内容层

单元集、题型、模板、文本与音频资源。人类可读、可 diff,能被任意工具编辑。

L2

状态层

作答事件、记忆状态、调度决策。给定同一事件流与策略,应得到同样的状态变化。

L3

生成层

LLM、TTS、模板与外部模型。只提供候选内容,不直接改写状态。

Lispite / 策略示意(非最终 API)
;; 策略是数据,不是客户端里的 if
(when (due? item)
  (ask item
    :type (select-type item)
    :hint (context item)
    :generate #t))
01作答事件02状态估计03Lispite 策略04生成任务05模型 / 模板06结构校验

术语表

Harness
连接生成模型与学习过程的调度中间件。
Lispite
HeurAMS 使用的 Lisp 策略方言,用 S 表达式描述调度规则。
FSRS
一种基于记忆稳定性与难度的间隔重复调度算法。
回放
从事件流与策略重新计算状态,用于测试、审计和复现。

实现栈

  • TypeScript(受限制子集)
  • Deno
  • Lispite
  • SM-2 / FSRS / NSP-0
  • Textual TUI
  • KiriMemo · 联调中

客户端

基于 HeurAMS 核心,我们开发了一系列应用程序,为不同平台、不同场景的教育需求设计。 它们数据互通,共用核心,共享生态。

HeurAMS-TUI 仪表盘截图,显示单元集加载进度与开始学习入口
HeurAMS-TUI 0.5.x · 仪表盘
已有原型Python / Textual

HeurAMS-TUI

旧版终端界面,用来验证单元集、调度、作答与状态更新。

联调中C++ / Qt6 / Kirigami

KiriMemo

面向桌面与移动端的原生客户端,目标是接入新内核的完整学习界面。

开发中ArkTS / ArkUI

ArkMemo

面向移动端的原生客户端,计划复用同一套状态与调度策略。

计划中Qt / Kirigami

HeurStudio

面向教研的单元集创建与编辑工具,计划接入内容与策略工作流。

旧版 TUI 截图为真实原型;KiriMemo、ArkMemo、HeurStudio 暂无公开截图。

端云协同

设备保存状态并完成即时调度,云端按需生成与同步。

设备端

方案

本地保存记忆状态与缓存内容,无网也能继续复习;到网后增量同步事件流。

云端

方案

按需请求变式题、解释与语音,同时接收学习事件,更新策略与内容。

教师 / 教研端

研究方向

用 Lispite 编写和比较策略,查看可回放的学习记录,而不是只看分数。

落地假设

先从需要自定义策略的教研团队与学校开始验证,再考虑个人学习者与端侧设备。

与其他工具的差异

Anki 是成熟的间隔重复工具;HeurAMS 关注生成内容如何进入可回放的学习调度。

HeurAMS、Anki 与 LLM 问答的对比
维度AnkiLLM 问答HeurAMS
内容手工制作卡片即时生成生成 + 模板,统一进流程
学习状态间隔重复数据无长期状态显式状态层,可回放
调度固定 / 插件算法由提示词临时决定Lispite 策略,可比较
可回放强弱设计目标
当前状态成熟产品广泛使用研究原型

当前进度

当前仓库状态与下一阶段。

内核原型原型

TypeScript 核心、Lispite 解释器与基础调度路径。

TUI 前端可用

旧版 Textual 界面,用于验证学习闭环。

KiriMemo联调中

目标客户端,尚未与新内核完成整合。

真实学习验证未开始

还需要小范围试用、指标设计与教师反馈。

  1. 现在

    内核与 TUI 原型

    原型

    TS 核心、Lispite 策略、旧版 TUI 可用。

  2. 进行中

    统一内核与客户端

    联调中

    KiriMemo / Web host / 内容管线接入同一状态与策略。

  3. 下一阶段

    真实学习验证

    计划

    收集真实学习事件,评估调度质量与可用性。

  4. 更远

    端云协同

    研究

    设备端离线状态与云端生成内容的协同。

团队与协作

HeurAMS 最初只是一个传统间隔重复应用程序,现由来自多个院校的本科生团队协同创作。 我们组成一个精益的团队,围绕以下四个方面开展工作:

  • 教育与实践工作

    收集遥测信息,归纳并比对学习反馈模式并组织规模化教育实践。

  • 产品与经管工作

    梳理用户场景、成本与落地路径,解析痛点并给出解决产品策略。

  • 用户交互设计工作

    设计用户交互,实现不同前端,完成学习界面、状态可视化与交互。

  • 核心与程序库工作

    编写、迭代与部署 TypeScript 核心,测试、构建与发布软件并维护服务器。

常见问题

HeurAMS 和 Anki 有什么区别?

Anki 是成熟的间隔重复工具;HeurAMS 把学习状态、调度策略和内容生成拆成三层,关注的是生成内容如何进入可回放的学习过程。

大模型生成错了怎么办?

生成层只提供候选内容;结构校验失败或置信度不足时,可以回退到模板或缓存内容。模型不直接改写学习状态。

与 LLM 问答有什么区别?

对话模型解决的是单次生成;HeurAMS 关心的是跨会话的学习状态、策略与可回放性。大模型可以被替换,状态和策略需要连续。

现在可以使用吗?

还没有完整产品。旧版 HeurAMS-TUI 原型可用;新内核与 KiriMemo 正在联调。当前页面主要说明架构与进度。

学习数据在哪里?

设计方向是本地优先:状态由事件流表示,设备保存自己的学习记录;云端同步是后续工作。当前没有公开的在线数据服务。

如何参与或合作?

可以通过 GitHub 仓库联系,也欢迎教育、认知科学、设计、经管和客户端方向的同学参与。

联系合作

当前主要通过 GitHub 协作。合作方向包括教育研究、认知科学、客户端开发、设计、经管与早期试用。

GitHub 是当前主要协作入口;仓库中的 Issue 与讨论都可用于联系。