# 💡Summary > [!Info] > 一句话说清楚 > # 🧩 Cues # 🪞Notes ## 数据库字段变化  当你点击一个评分按钮，`review_cards` 表里这些字段会更新： | 字段 | 含义 | 点"忘了" | 点"简单" | | :------------- | :--------------- | :-------------------- | :------------------- | | `stability` | 记忆稳定性（天） | 大幅下降（如 10→0.4） | 大幅上升（如 10→45） | | `difficulty` | 卡片难度（1-10） | 上升 | 下降 | | `due` | 下次复习时间 | 几分钟后 | 几十天后 | | `scheduled_days` | 间隔天数 | ~0 | ~45 | | `state` | 卡片状态 | → Relearning(3) | 保持 Review(2) | | `reps` | 复习总次数 | +1 | +1 | | `lapses` | 遗忘次数 | +1 | 不变 | | `last_review` | 上次复习时间 | 设为现在 | 设为现在 | --- FSRS 的核心模型：记忆的三个变量 FSRS 基于「记忆三组件模型」，用三个变量描述你的记忆状态： 1. Stability (S) — 稳定性 - 定义：经过 $S$ 天后，你的回忆概率恰好降到 90% - $S=1$ → 1天后就只有 90% 概率记得 - $S=30$ → 30天后仍有 90% 概率记得 - 这是决定"多久后再复习"的核心变量 2. Difficulty (D) — 难度 - 范围 1~10，反映这张卡对你个人的难度 - 点"忘了"→ $D$ 上升，点"简单"→ $D$ 下降 - $D$ 影响 $S$ 的增长速率：越难的卡，$S$ 增长越慢 3. Retrievability (R) — 可提取性 - 你此刻能回忆起来的概率，随时间衰减 - 遗忘曲线公式：$R = (1 + t/(9 \cdot S))^{-1}$ - $t=0$（刚复习完）→ $R=100\%$ - $t=S$ → $R=90\%$ - $t=3S$ → $R \approx 70\%$ --- ## 调度逻辑：怎么算下次间隔 下次间隔 = $S \times (\text{desired\_retention}^{(1/\text{decay})} - 1)$ 默认 `desired_retention = 0.9`（目标保持 90% 回忆率）。 具体例子（假设当前 $S=10, D=5$）： | 评分 | S 变化 | 下次间隔 | 直觉解释 | | :------ | :-------- | :------- | :----------------- | | 忘了(1) | 10 → ~0.4 | 几分钟 | 记忆崩了，从头来 | | 困难(2) | 10 → ~13 | ~13天 | 勉强记得，小幅增长 | | 记得(3) | 10 → ~25 | ~25天 | 正常回忆，稳步增长 | | 简单(4) | 10 → ~50 | ~50天 | 太容易了，大幅拉长 | --- 状态流转 New(0) ──评分──→ Learning(1) ──毕业──→ Review(2) │ 忘了 ↓ Relearning(3) ──重新毕业──→ Review(2) - New→Learning：首次复习，间隔很短（1min, 10min） - Learning→Review：评分 Good/Easy 后"毕业"，进入正式复习周期 - Review→Relearning：在 Review 阶段点了"忘了"，退回短间隔重学 - Relearning→Review：重新答对后恢复，但 $S$ 已大幅缩小 --- 为什么这样设计？ 传统算法（如 SM-2）用固定的 `ease factor` 乘以间隔，问题是： - 一次遗忘就永久降低 `ease factor`（"ease hell"） - 无法区分"忘了一个月前学的"和"忘了昨天学的" FSRS 的改进： 1. 遗忘后的 $S$ 取决于遗忘前的 $S$ — 之前记得越久，遗忘后恢复越快（记忆残留效应） 2. $D$ 和 $S$ 解耦 — 难度影响增长速度，但不直接决定间隔 3. 可用真实复习数据优化参数 — `review_logs` 表就是为此准备的，未来可以用你的数据训练个性化参数