For AI agents: the complete documentation index is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/llms.txt, the full documentation bundle is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/llms-full.txt, and this page is available as Markdown at https://open-spaced-repetition.github.io/ts-fsrs/zh-CN/guide/optimizer/index.md.
  • 简体中文
  • 训练器概览

    FSRS 自带默认模型权重,但你可以用自己产品的复习日志重新训练它们,让间隔更贴合所服务的用户。训练器(Optimizer)运行在 @open-spaced-repetition/binding 之上:把复习日志 CSV 转成训练项、估算参数,并报告结果对留出复习的预测质量。训练出的权重通过 weights 直接喂回 DefaultScheduler 或自定义 defineScheduler。权重的含义见模型,权重的使用位置见调度器。

    注意

    Optimizer 目前仍处于 beta 阶段,API 方法可能随时调整。

    For your Agent
    实现或解释 FSRS 权重训练

    复制这段提示词,让 AI Agent 遵守训练器契约:复习日志 CSV 进、训练权重出,经由共享的 binding。

    一个包,两种运行时

    原生构建与 WASI 构建提供同一套 API。主包在 Node 中优先选择可用的原生模块,浏览器入口使用多线程的 WASI 包。按需安装对应包:

    原生模块(Node、服务器与 CLI):

    npm
    yarn
    pnpm
    bun
    deno
    npm install @open-spaced-repetition/binding

    单线程 WASI Preview 1(wasm32-wasip1):

    npm
    yarn
    pnpm
    bun
    deno
    npm install @open-spaced-repetition/binding-wasm32-wasip1

    多线程 WASI Preview 1(wasm32-wasip1-threads,发布包名使用 wasm32-wasi):

    npm
    yarn
    pnpm
    bun
    deno
    npm install @open-spaced-repetition/binding-wasm32-wasi

    多线程构建已弃用,本次发布仍保留,计划在下一版本移除。新的 WASI 集成请使用上面的单线程包。

    import { computeParameters } from '@open-spaced-repetition/binding'

    要明确选择单线程 WASI,请从 @open-spaced-repetition/binding-wasm32-wasip1 导入。两个 WASI 包都可以在 Node 或浏览器 Worker 中运行。

    COOP/COEP 与多线程

    单线程构建不需要 Cross-Origin-Opener-Policy 或 Cross-Origin-Embedder-Policy 响应头。多线程构建仍要求页面通过 COOP 与 COEP 响应头启用 crossOriginIsolated。多线程描述的是运行时能力,不代表训练会自动在后台执行。

    computeParameters 和 evaluateWithTimeSeriesSplits 在所有构建中都返回 Promise。原生 binding 通过后台任务执行;两个 WASI Preview 1 目标(wasm32-wasip1 和 wasm32-wasip1-threads)都在调用线程中同步计算,再将结果包装成 Promise。浏览器中应从专用 Worker 调用,避免阻塞页面;Worker 可以在进度回调中通过 postMessage 向页面发送进度。

    复习日志流程

    训练由几个 binding 调用组成一条短流程:

    1. convertCsvToFsrsItems 把复习日志 CSV 转成一组 FSRSItem。
    2. computeParameters 根据这些项训练权重并返回权重数组。
    3. evaluateWithTimeSeriesSplits 衡量这些参数对留出复习的预测质量。

    你还可以用 computeOptimalSteps 让 binding 推荐学习与再学习步骤。逐个调用见训练与评估;想跑一次真实训练,用Playground页的训练器。