◎
统一词条：一个词，不重复学
同一个词可以同时出现在多个教材、辞书和章节里，但学习记录始终归属于同一个核心词条。
词库系统 × 论文启发的记忆模型
不是多背一点。
是忘得更少一点。
Oboest 把分散的教材、词条与复习记录连接成同一套学习系统。一个单词只保留一个核心身份，来自不同辞书和章节的内容都可以围绕它持续累积；复习节奏则由可解释的记忆模型驱动。
当前处于持续开发与测试阶段 · 页面中的算法演示用于解释产品思路
今日学习18 / 30
动1-自核心词库第 4 章
思い出す
想起来 / 回忆起
翻译 → 日语 · 答案默认隐藏 · 根据记忆状态推进
不认识
模糊
认识
18今日完成
7待复习
42连续天数
Core Features
围绕“记住”重新组织学习。
Oboest 不把教材、单词书和学习记录当成互相割裂的东西。词条是核心，教材是引用，记忆状态属于你。
▤
教材同步
按辞书、章节与标题组织学习内容。既可以按教材推进，也可以跨教材统一复习。
◌
记忆驱动复习
认识、模糊、不认识推动不同的学习过程。系统关心长期记忆，而不是刷题次数。
▧
图文并茂
词条可以绑定图片、详细解释、发音与外部资料，帮助建立更强的语义联想。
∑
算法可解释
不是黑箱推荐。你可以直接看到记忆曲线、半衰期估计与复习间隔的计算逻辑。
文
多语言优化
翻译、词性与解释按语言独立管理，让词库可以自然扩展到更多学习语言。
How It Works
学习路径尽量简单，底层处理保持聪明。
你只需要告诉系统：这个词现在对你来说，是认识、模糊，还是不认识。
01
从教材或词库中选择范围
按整本辞书、章节或具体范围选词。教材是入口，不会把相同单词复制成多份记忆。
02
翻译 → 日语，主动回忆
答案默认隐藏。先回忆，再判断自己的记忆状态，避免只靠“看着眼熟”。
03
当天强化，不把一次点击当成学会
新词和复习词可以经历不同的当天强化过程，真正达到完成条件后才进入长期复习。
04
长期复习由记忆状态继续推进
会的少出现，不会的更及时回来，把时间优先给更容易忘记的内容。
Knowledge System
不是一本词书，而是一套可持续扩展的词库系统。
教材、章节、翻译、发音、图片和学习记录都围绕同一个知识点持续扩展。
一个核心词条，连接多种内容
词条不会因为出现在不同教材里而重复创建，来源可以不断增加，学习历史仍保持连续。
核心词条 · 思い出す唯一知识点
教材 A · 第 4 章引用
教材 B · 第 11 课引用
翻译 / 词性 / 解释本地化
发音 / 图片 / 外部资料扩展内容
长期数据，比界面更重要
产品可以继续迭代，但核心学习数据应该清晰、可追踪、可迁移。
- 学习历史围绕唯一词条累计
- 教材关系独立管理，不污染记忆状态
- 支持未来增加更多语言与内容类型
- 为词组、语法、汉字等扩展保留空间
Oboest Memory Engine
这次展示的，就是 Oboest 真正在算的东西。
对已经有长期记忆状态的词，Oboest 不直接统计“答对了几次”。它读取旧难度 D、旧半衰期 H、距离上次长期复习的实际时间 t，以及本轮第一次评分，然后更新记忆状态，再交给 SSP-MMC 选择整数复习间隔。
直接输入Dold · Hold · t · Rating
→
先计算P = 2−t/H
→
更新状态Dnew · Hnew
→
策略表SSP-MMC → T
实际算法控制台
改一个参数，右侧结果和曲线立即变化。
根据学习反馈安排复习。此演示使用已有 D/H/t 展示长期复习更新，不创建学习记录。
当前回忆概率 P50.00%
新难度 Dnew5
新半衰期 Hnew—
SSP-MMC 间隔 T—
这次评分之后，记忆曲线会变成什么样？
虚线＝评分前的 H；实线＝根据本次评分更新后的 Hnew。
01
先判断现在还记得多少
旧半衰期和真实经过时间共同决定当前回忆概率。
P = 2−t / Hold
02 · GOOD
如果这次认识 / Good
成功回忆会提高半衰期；当前实现中难度 D 不下降。
Hnew = H × [1 + e3.252 · D−0.3855 · H−0.1471 · (1−P)0.8214]
Dnew = Dold
03 · FUZZY / AGAIN
如果模糊或不认识
后续复习共用失败半衰期公式：Fuzzy 难度 +1，Again +2，上限 18；当天强化路径也不同。
Hnew = e1.003 · D−0.1524 · H0.2648 · max(10−9,1−P)−0.01736
Fuzzy: Dnew = min(Dold + 1, 18)
Again: Dnew = min(Dold + 2, 18)
Again: Dnew = min(Dold + 2, 18)
04 · SSP-MMC
最后才决定下次复习是几天后
Hnew 本身不是“下次复习天数”。Oboest 用新 D/H 查询离散 SSP-MMC 策略表，得到整数间隔 T。
T = π*(Dnew, Hnew)
due_at = completed_at + T · 24h
当 H ≥ 360 天时进入维护分支，T = 360 天。
同一个 H 与 t，难度 D 会怎样改变 Hnew？
Good 与失败分支同时画出，拖动上面的 H / t 后这里也会同步更新。
Good / 认识Fuzzy / 模糊Again / 不认识
复习时机 t 会怎样改变 Hnew？
这张图直接展示 spacing effect：在其他条件相同时，复习时机改变会改变更新结果。
Good / 认识Fuzzy / 模糊Again / 不认识
为什么历史仍然有影响？因为每一次长期完成都会把新的 D/H 写回状态；下一次计算读取的就是这些被历史改变后的值。
什么时候真正写入？同一轮当天强化不会反复更新长期参数；只有最终 COMPLETED 时才用本轮第一次评分提交长期 D/H 与 due_at。
算法结构参考 DHP-HLR 与 SSP-MMC 研究框架：Su et al., Optimizing Spaced Repetition Schedule by Capturing the Dynamics of Memory。本站交互计算同时使用 Oboest 当前实现中的参数与离散策略表。
Roadmap
从背单词开始，但不会停在背单词。
先把词条、记忆与教材体系打牢，再逐步扩展更完整的日语学习内容。
单词学习核心
统一词条、教材章节、主动回忆、当天强化、长期复习与学习统计。
词库与内容扩充
更多教材、图像与解释，持续完善高频词和高级词覆盖。
语法 · 汉字 · 词组
把新的知识类型接入同一套学习与记忆系统。
个性化学习系统
根据个人长期学习数据进一步优化内容选择与复习节奏。
FAQ
几个最重要的问题。
Oboest 和普通单词书最大的区别是什么？
普通单词书通常以“书”为中心；Oboest 以“唯一词条”为中心。不同教材可以引用同一个词，因此你的记忆历史不会因为换教材而重新开始。
为什么要把算法放到官网里？
因为复习不是随便提醒一下。Oboest 希望把记忆衰减、历史表现和复习间隔之间的关系展示得足够透明。
一定要按照系统推荐的时间学习吗？
不需要。推荐时间是为了减少不必要的重复，并把更多注意力留给更容易忘记的内容。
以后会只有单词功能吗？
不会。当前优先把单词学习体系做稳定，之后计划逐步接入语法、汉字、词组等知识类型。