For AI agents: the complete documentation index is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/llms.txt, the full documentation bundle is available at https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/llms-full.txt, and this page is available as Markdown at https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/optimizer/index.md.
  • 繁體中文
  • 訓練器概覽

    FSRS 內建預設模型權重,但你可以用自己產品的複習記錄重新訓練它們,讓間隔更貼合所服務的使用者。訓練器(Optimizer)運行於 @open-spaced-repetition/binding 之上:把複習記錄 CSV 轉成訓練項、估算參數,並回報結果對留出複習的預測品質。訓練出的權重透過 weights 直接餵回 DefaultScheduler 或自訂 defineScheduler。權重的含義見模型,權重的使用位置見排程器。

    注意

    Optimizer 目前仍處於 beta 階段,API 方法可能隨時調整。

    For your Agent
    實作或說明 FSRS 權重訓練

    複製這段提示詞,讓 AI Agent 遵守訓練器契約:複習記錄 CSV 進、訓練權重出,經由共享的 binding。

    一個套件,兩種執行環境

    原生建置與 WASI 建置提供同一套 API。主套件在 Node 中優先選擇可用的原生模組,瀏覽器入口使用多執行緒 WASI 套件。依需求安裝對應套件:

    原生模組(Node、伺服器與 CLI):

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

    單執行緒 WASI Preview 1(wasm32-wasip1):

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

    多執行緒 WASI Preview 1(wasm32-wasip1-threads,發布套件名稱使用 wasm32-wasi):

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

    多執行緒建置已棄用,本次發布仍保留,預計在下一版本移除。新的 WASI 整合請使用上面的單執行緒套件。

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

    若要明確選擇單執行緒 WASI,請從 @open-spaced-repetition/binding-wasm32-wasip1 匯入。兩個 WASI 套件都可以在 Node 或瀏覽器 Worker 中執行。

    COOP/COEP 與多執行緒

    單執行緒建置不需要 Cross-Origin-Opener-Policy 或 Cross-Origin-Embedder-Policy 回應標頭。多執行緒建置仍要求頁面透過 COOP 與 COEP 回應標頭啟用 crossOriginIsolated。多執行緒描述的是執行環境能力,不代表訓練會自動在背景執行。

    computeParameters 和 evaluateWithTimeSeriesSplits 在所有建置中都回傳 Promise。原生 binding 透過背景工作執行;兩個 WASI Preview 1 目標(wasm32-wasip1 和 wasm32-wasip1-threads)都在呼叫執行緒中同步計算,再將結果包裝成 Promise。瀏覽器中應從專用 Worker 呼叫,避免阻塞頁面;Worker 可以在進度回呼中透過 postMessage 向頁面傳送進度。

    複習記錄流程

    訓練由幾個 binding 呼叫組成一條短流程:

    1. convertCsvToFsrsItems 把複習記錄 CSV 轉成一組 FSRSItem。
    2. computeParameters 根據這些項訓練權重並回傳權重陣列。
    3. evaluateWithTimeSeriesSplits 衡量這些參數對留出複習的預測品質。

    你還可以用 computeOptimalSteps 讓 binding 推薦學習與再學習步驟。逐個呼叫見訓練與評估;想跑一次真實訓練,用Playground頁的訓練器。