> 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.

# 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](https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/model.md)，權重的使用位置見[排程器](https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/scheduler.md)。

:::warning 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

複製提示詞

使用目前 ts-fsrs 訓練器契約完成以下任務：[描述任務]。

1. 閱讀 https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/optimizer/index.md 與 https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/optimizer/train-evaluate.md，了解執行環境選擇與複習記錄流程。
2. 用 convertCsvToFsrsItems 轉換複習記錄 CSV，傳入「新一天開始的小時」以及時區或 UTC 偏移。
3. 用 computeParameters(items, { enableShortTerm, modelVersion }) 訓練，並把回傳的權重用於 DefaultScheduler 或自訂 defineScheduler。
4. 用 evaluateWithTimeSeriesSplits 回報擬合品質；保證複習記錄、評分與狀態轉換準確。
5. Node 裡優先使用原生 binding，瀏覽器 Worker 裡使用 wasip1 的 wasm 建置。
6. 使用目前 public API，並為所實作的訓練路徑加入聚焦測試。

## 一個套件，兩種執行環境

binding 用同一個匯入暴露同一套 API，載入時會依執行環境自動解析建置：搜尋可用的原生套件，在瀏覽器或 Worker 中回退到 WebAssembly。依需求安裝對應套件：

原生模組（Node、伺服器與 CLI）：


```sh [npm]
npm install @open-spaced-repetition/binding
```

```sh [yarn]
yarn add @open-spaced-repetition/binding
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding
```

```sh [bun]
bun add @open-spaced-repetition/binding
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding
```

WASI Preview 1（wasip1）WebAssembly：


```sh [npm]
npm install @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [yarn]
yarn add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [bun]
bun add @open-spaced-repetition/binding-wasm32-wasip1
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding-wasm32-wasip1
```

wasm32-wasi WebAssembly：


```sh [npm]
npm install @open-spaced-repetition/binding-wasm32-wasi
```

```sh [yarn]
yarn add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [pnpm]
pnpm add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [bun]
bun add @open-spaced-repetition/binding-wasm32-wasi
```

```sh [deno]
deno add npm:@open-spaced-repetition/binding-wasm32-wasi
```

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

你的執行環境會解析到相符的建置：伺服器或 CLI 用原生模組，瀏覽器或 Web Worker 用 wasm 建置。

:::note COOP/COEP 與多執行緒
WebAssembly 可執行 threadless 或多執行緒。threadless wasm 無需 Cross-Origin-Opener-Policy 或 Cross-Origin-Embedder-Policy 標頭即可運作，進度經 Worker 訊息回傳而非共享記憶體。多執行緒建置要求頁面處於 `crossOriginIsolated`，即以帶 COOP 與 COEP 標頭的方式提供。
:::

## 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](https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/guide/optimizer/train-evaluate.md)；想跑一次真實訓練，用[Playground](https://open-spaced-repetition.github.io/ts-fsrs/zh-TW/playground.md)頁的訓練器。