主动回忆、间隔安排与过程反馈。
这些研究支持练习循环的基本方向；每项具体产品规则会在本页标明输入、输出和边界。
阅读研究来源与原理映射↗技术披露
15 条计算链，逐条说清它们决定了什么。
从一次背诵动作，到下一次复习、今天的队列和计划预测，Lnk Lumen 把会实际影响学习决策、预测或反馈的计算链公开在这里。本页说明的是实现结构；是否属于正式背诵档，会在对应段落单独标明。
15独立计算链
4决策层：信号、记忆、排程、预测
本机训练记录与计算边界
公开权重、版本与已知限制
这里的“算法”指会改变学习决策、预测或反馈的计算链；普通页面排序、展示动画与视觉效果不参与统计。当前正式背诵档主要使用背诵、记忆、排程与预测链路。
证据边界
哪些部分有研究依据，哪些部分是产品规则。
主动提取、间隔安排与反馈设计有独立研究依据；FSRS 是公开可审查的记忆模型。行为评分、优先级、预测和支点属于 Lnk Lumen 的工程规则，仍需继续验证。
FSRS 管段落记忆，弱度只管诊断。
段落级 DSR 状态与字级弱度、耗时预测、每日优先级分别保存、分别计算，避免一个指标越权解释所有事情。
查看 FSRS 开源资料↗计划页显示的是学习安排估计。
“今日约几分钟”是当天实际入队项目的预估；“还需几小时”和“预计掌握度”是覆盖多轮练习的规划模拟。
核心数据流
从背诵动作到当天队列的计算过程。
数据仅保存在当前设备。复习日志保存状态前后快照与原因；撤销会恢复到复习前保存的状态。
- 背诵动作
- 行为评分、弱字符与有效时长
- FSRS 更新段落记忆状态
- 优先级与每日队列
- 今日任务、计划预测与时间线
独立知意测试档
理解练习单独记录，不借用背诵分数。
位置级客观题与逐句翻译保留在独立知意测试档。它们记录的是理解练习，不会直接改写字符弱度、FSRS 状态或背诵正确率，也不属于正式背诵档的当前功能承诺。
每题必须对应已审核的位置。
知识卡绑定篇目、段落、字词位置和义项；草稿或候选内容不能静默进入正式理解排程。题目不是孤立词典义，也不以整篇“会不会”为单位。
先完成一次独立提取，再练对应理解。
段落首次成功提取且不在重新学习状态后，才会解锁关联理解任务。这样不会把刚接触的内容直接当作遗忘，也不会要求先背完整篇。
参考译文和规则不发给浏览器。
翻译任务只把题目发到界面；参考译文、评分点和可选 AI 凭据保留在本机服务端。未配置受保护 AI 时，结果会明确标为“本机参考评分”，不冒充 AI 判别。
第一层 · 把一次背诵拆成信号
分别记录错误、提示、停顿、撤销和输入匹配。
这一层记录错误、提示、停顿、撤销、输入对齐和有效时长。后续记忆模型、诊断和排程分别使用这些信号。
01
行为评分推断
产品规则 · 可审查- 输入
- 错字、提示、撤销、首次响应时间、整段耗时与个人速度基线。
- 计算
- 错字会建议 Again；提示、撤销或明显过慢会建议 Hard；没有提示且明显快会建议 Easy；其余建议 Good。建议评分会和理由一起写入日志。
- 输出
- 一条供 FSRS 使用的 1–4 级评分建议，而不是直接替用户宣告掌握度。
边界：这是一套工程映射，不是某篇论文直接给出的评分规则；规则与阈值可以被复查和调整。
02
薄弱字符 EWMA
工程诊断 · 可解释- 输入
- 每个字的错误、提示、停顿与撤销事件。
- 计算
- 先按 0.45 / 0.25 / 0.20 / 0.10 合成当次弱度，再以 α = 0.30 的指数加权移动平均更新：新信号占三成，历史状态占七成。
- 输出
- 字级弱度，用于诊断、支点回避和队列排序。
边界：它不直接修改 FSRS 的记忆状态，避免一次卡顿被放大成整段“不会”。
03
输入法模糊匹配
交互容错 · 非记忆模型- 输入
- 用户输入与原文，均转为带声调数字的拼音序列。
- 计算
- 动态规划对齐逐字比较；完全同音、同声母或同韵母得到不同相似度，插入、删除和替换也有不同代价。严格前缀与宽松前缀分别判断。
- 输出
- 精确、近似、局部、未确定等匹配状态，以及具体字位。
边界：近音只是一种输入辅助，不等于内容正确；低于阈值不会被无条件放行。
04
拼音生成与人工覆盖
数据处理 · 人工优先- 输入
- 整句原文与逐字人工读音标注。
- 计算
- 先使用整句上下文生成拼音，再以人工标注覆盖特定字音、古音或破读。
- 输出
- 用于首次朗读和输入对齐的逐字拼音。
边界：自动生成不是审校；人工覆盖表的覆盖范围会单独披露，不能把未校读音称为权威标注。
第二层 · 让反馈回到下一次复习
根据复习记录更新记忆状态和下次复习时间。
主动提取、间隔安排与反馈设计是这一层的研究基础。Lnk Lumen 使用 FSRS 维护段落级记忆状态；字级信号用于诊断和排序。
05
FSRS 记忆调度
开源记忆模型 · DSR- 输入
- 评分、复习次数、遗忘次数、上一次状态与复习时点。
- 计算
- 用难度（Difficulty）、稳定性（Stability）和可提取率（Retrievability）描述一个段落；一次复习更新状态，再推算下一次到期时间。
- 输出
- 当前可提取率、下一次复习时间、记忆状态与可回放的引擎日志。
边界：FSRS 估计的是模型内的回忆机会，不是考试分数，更不是对人的能力评价。
06
短期再插队
队列规则 · 有上限- 输入
- 一项复习后的 FSRS 状态与预计到期时点。
- 计算
- 若仍处于 learning 或 relearning，项目会在预计到期时重新进入当前队列；同一轮最多再插回两次。
- 输出
- 让刚卡住的内容在同一轮里再次获得提取机会。
边界：它不是无限重试；上限存在是为了避免一项内容吞掉整天的练习预算。
07
支点选择与渐退
产品假设 · 确定性算法- 输入
- 分句边界、复习次数、支点密度、段落内容与固定种子。
- 计算
- 按分句均摊候选字，避开相邻字；相邻两次接触互斥。支点比例依次从 30% 降到 20%、12%、6%，最后归零。
- 输出
- 少量会轮换、会撤走的记忆支点。
边界：提示逐步减少是当前产品规则，尚未由本产品数据证明其对所有学习者都有效。
第三层 · 决定今天先做什么
今日队列按到期状态、优先级和时间预算生成。
到期复习先于新内容；新内容按计划、教材和原文段落顺序进入队列。优先级只用于到期项目之间的排序。
08
任务优先级
产品排程 · 权重公开- 输入
- 可提取率、逾期程度、字级弱度、目标日期压力与重要性。
- 计算
- 分数由 memory urgency 0.50、overdue 0.15、weakness 0.15、deadline 0.10、importance 0.10 加权；所有分量都限制在 0–1。
- 输出
- 到期任务之间的可解释排序与排入理由。
边界：权重代表当前产品取舍，不是科学上唯一正确的配方；版本会随实现统一更新。
09
动态新内容基准线
负荷控制 · 保守投放- 输入
- 用户基准线、每日上限、到期复习压力、剩余新内容、截止日期、单项估时和学习强度。
- 计算
- 先计算复习占用与新内容容量，再在正常基准、截止日需求和可承受上限之间取值；复习压力高时自动收缩。
- 输出
- 今天新内容的目标数量及原因。
边界：每日上限是可投入的最大值，不承诺每天都必须排满。
10
每日任务装箱与顺序
队列构建 · 预算约束- 输入
- 到期状态、优先级、原文位置、学习计划和每日秒数预算。
- 计算
- 先排到期与短期巩固，再排新内容；新内容保持计划、教材和原文段落顺序，并按每项预计秒数装入当天预算。
- 输出
- 今日队列、每一项被排入的理由和预计时长。
边界：“今日约几分钟”是实际入队项目的预计秒数之和，和目标日前的累计投入不是同一个数字。
第四层 · 预测学习投入
先说明估计来自哪里，再显示“还要多久”。
预测用于规划时间。样本不足时，系统按篇幅、文体和多轮提取使用保守初值；有效训练记录会逐步校正个人估计。
11
单项耗时估算与实测校正
个体化估时 · 逐步混入- 输入
- 字数、文体、学习状态、复习次数、稳定度、遗忘、弱度与有效实测时长。
- 计算
- 新内容估时较慢；学习中会加快；稳定内容更快；遗忘或薄弱项再提高。合格实测时长按权重逐步混入原估计。
- 输出
- 单个段落的预计秒数。
边界：快捷完成、过短、过长或每字耗时异常的记录会被排除，不参与校准。
12
全计划时间预测与个人模型校准
计划模拟 · 带置信阶段- 输入
- 新学、巩固、稳定、薄弱项数量，目标日前可用天数，以及有效训练样本。
- 计算
- 估算多轮主动提取的总时间，只用有效样本的每字耗时中位数校准；样本数、覆盖单元数和覆盖率决定“初始、建立中、校准中、已细化、精细”阶段。
- 输出
- 预计总投入区间、每日建议时长、可行性与置信阶段。
边界：样本少时区间会更粗；它是时间预算模拟，不是未来成绩的承诺。
13
推荐方案与可达掌握度上限
可行性约束 · 不鼓励过度承诺- 输入
- 年级、篇幅、文体、段落数、截止日、每日可用时长与计划预测。
- 计算
- 先推荐每日时长与截止日期；当期限或时间预算不足时，按可投入时间与预测投入的比例收紧可选掌握度上限。
- 输出
- 可执行的计划建议与当前条件下的掌握度上限。
边界：上限是计划可行性提示，不是对学习者做能力判断。
14
时间线与篇目掌握度投影
排程模拟 · 非实时成绩- 输入
- 计划顺序、每日预算、预计新学与复习耗时、覆盖率、练习深度与薄弱比例。
- 计算
- 把新内容按顺序分配到日期，并模拟计划内的覆盖、复习深度、薄弱占比与间隔推进。
- 输出
- 时间线里的预计掌握度与完成节奏。
边界：“预计掌握度”是排程投影，不是某次考试或当下真实记忆概率。
15
单篇详情页预测
局部解释 · 与全计划分开- 输入
- 单篇字数、复习次数、强度、错误与该用户的有效训练记录。
- 计算
- 以该篇的学习状态估计还需的练习时长与天数，为“这一篇还要多久”提供局部解释。
- 输出
- 单篇的剩余时长、天数与状态说明。
边界：局部预测与全计划预测的参数仍在收敛中；两者不一致时，不能挑更乐观的一个当作结论。
可复查参数
当前使用的三个核心计算规则。
这些是当前实现的默认权重与更新方式。后续调整会更新版本标识和说明。
评分建议
错字 → Again
提示 / 撤销 / 过慢 → Hard
无提示且明显快 → Easy
其余 → Good
字符弱度
observation = 0.45 × error
+ 0.25 × hint
+ 0.20 × latency
+ 0.10 × undo
EWMA = 0.30 × new + 0.70 × history
队列优先级
priority = 0.50 × memoryUrgency
+ 0.15 × overdue
+ 0.15 × weakness
+ 0.10 × deadline
+ 0.10 × importance
当前排程记录使用 lnk-priority-v0.2；优先级函数的版本返回值仍待与记录标识统一。公式未因此改变，但版本标签需要收敛后才适合做跨版本比较。
记录与边界
信号分开存，结论也分开说。
同一种记录只放在一个状态组里：先列正式背诵档正在使用的记录，再列正在完善和独立测试档保留的记录。
正式背诵档正在使用
已可用review_logs复习前后状态、评分、时长与引擎日志；撤销可还原
token_stats错误、提示、停顿与字级 EWMA 弱度
daily_plan_items入队理由、预计时长与完成状态快照
hint_events提示等级、触发原因与实际等待时长
正在完善
持续校对pronunciation_overrides自动拼音的人工覆盖入口；实际覆盖范围仍需逐篇校对
独立测试档保留
受控测试knowledge_attempts位置级客观题的作答、提示数和耗时；独立于背诵日志
deep_translation_attempts逐句翻译的作答、命中与缺失评分点、评分方式；参考内容不下发浏览器