1885 年，德国心理学家赫尔曼·艾宾浩斯（Hermann Ebbinghaus）出版了他的划时代专著《Über das Gedächtnis》（《论记忆：实验心理学的贡献》）。通过缜密的自我实验，艾宾浩斯揭示了人类记忆保持力随时间推移呈指数级衰减的规律——这一现象如今被普遍公认为遗忘曲线。

如果没有刻意干预，记忆痕迹的衰减是非常迅速的。在获取新信息后的 24 小时内，人类大脑平均会遗失约 50% 到 70% 未经强化的细节。在一个月内，保持率会下降到惨淡的 20%。

记忆巩固的神经生物学

记忆形成不是一个静态的记录过程，而是突触连接的架构重组。当你第一次学习一个概念时，你的神经元会在海马体内部形成被称为短期记忆痕迹的临时连接。

为了将这些脆弱的神经发放模式转化为储存在新皮层中的稳定长期记忆，大脑依赖于突触巩固和长时程增强效应（LTP）。每当记忆在激活阈值降至提取能力以下之前被提取时，突触强度就会增加，随后的衰减速率也会显著放缓。

核心洞察： 在轻松时复习信息产生的认知收益微乎其微。突触强度的最大增加发生在**有难度的高效学习（Desirable Difficulty）**期间——即在记忆完全遗忘前、提取过程需要主动付出心理努力的那一刻。

解构 SM-2 算法

为了大规模运用这种高效难度，Reminda 采用了 Piotr Woźniak 经典的 SuperMemo-2 (SM-2) 算法的改进变体。核心引擎根据历史提取表现和一个被称为**简单度因子（EF）**的动态变量来计算自定义的复习间隔。

在每个复习周期中，数学更新遵循三个核心公式：

1. 简单度因子（EF）公式

在每次重复之后，卡片项的简单度因子（默认为 $2.5$ ）会根据用户反馈的质量得分 $q$ （范围为 $0$ 到 $5$ ）进行调整：

$\text{EF}' = \text{EF} + \left(0.1 - (5 - q) \times (0.08 + (5 - q) \times 0.02)\right)$

如果一个卡片项持续被评估为困难（ $q < 3$ ），其 EF 就会下降（最低不低于 $1.3$ ），导致复习间隔迅速缩短。相反，如果一个卡片项简单（ $q = 5$ ），其 EF 增加，会将下一次复习推向更远的未来。

2. 间隔更新规则

第 $n$ 次重复的间隔 $I_n$ （以天为单位）采用递归计算：

$I_1 = 1 \quad \text{天}$

$I_2 = 6 \quad \text{天}$

$I_n = I_{n-1} \times \text{EF} \quad \text{当 } n > 2$

// Reminda 内部简化版 SM-2 计算引擎
interface ReviewState {
 interval: number;
 repetition: number;
 easinessFactor: number;
}

function calculateNextReview(state: ReviewState, qualityScore: number): ReviewState {
 let { interval, repetition, easinessFactor } = state;

 if (qualityScore >= 3) {
 if (repetition === 0) {
 interval = 1;
 } else if (repetition === 1) {
 interval = 6;
 } else {
 interval = Math.round(interval * easinessFactor);
 }
 repetition += 1;
 } else {
 repetition = 0;
 interval = 1;
 }

 easinessFactor = easinessFactor + (0.1 - (5 - qualityScore) * (0.08 + (5 - qualityScore) * 0.02));
 if (easinessFactor < 1.3) easinessFactor = 1.3;

 return { interval, repetition, easinessFactor };
}

抽认卡设计的高效架构最佳实践

算法的有效性完全取决于输入它的原子单元。设计不良的抽认卡会导致干扰，从而引发算法停滞和复习疲劳。Reminda 的资深工程师和研究人员建议遵循三条严格的卡片原则：

1. 最小信息原则（原子卡片）

切勿试图在一张卡片上记住复杂的段落或多步骤列表。将概念拆解为微小、原子的组成部分。

差（高干扰）： AES-256-GCM 的特性和实现步骤是什么？
好（原子化）： 哪种加密模式在提供保密性的同时还提供内置的身份验证加密？ $\rightarrow$ GCM（伽罗瓦/计数器模式）。

2. 利用填空题（Cloze Deletion）补充上下文

填空题强迫目标提取，同时保留原始上下文，减少复习期间所需的认知摩擦。

“在客户端零知识安全中，对称加密密钥是使用高迭代次数的 {{c1::PBKDF2}} 派生的。”

3. 建立每日一致性而非突击死记硬背

SM-2 算法依赖于精确的时间序列数学。跳过复习日会导致过期卡片积压，从而使卡片评估超过其最佳衰减临界点。每天早晨花费 8 到 10 分钟，就能以几乎为零的额外认知负担维持最佳的长期保持力。

将间隔重复与 Reminda 的 AI 记忆引擎集成

在 Anki 等传统系统中，手动创建抽认卡是一项耗时的工作，这阻碍了大多数知识工作者坚持这一习惯。Reminda 通过将 SM-2 调度直接集成到你的工作区中消除了这一障碍。

当你在撰写笔记、剪藏技术文档或与 AI 思考伴侣交谈时，Reminda 会在后台静默识别核心概念、关键公式和架构定义。它会在后台自动生成原子抽认卡——让你无需打断主要工作流即可建立永久、可调用的掌握度。