FSRS（Free Spaced Repetition Scheduler）是一种基于动态间隔重复的遗忘算法，由 SuperMemo 的 DSR 模型扩展而来，用于预测用户对某个知识点的遗忘概率，并据此智能安排复习时间。

---

一、核心原理

FSRS 基于三个关键变量建模记忆状态：

表格

复制

变量	含义
难度（Difficulty）	表示学习材料的难易程度，影响记忆稳定性增长的速度。
稳定性（Stability）	表示记忆的“存储强度”，越高则遗忘越慢。
可提取性（Retrievability）	表示记忆的“检索强度”，越低则越容易遗忘。

每次复习后，FSRS 会根据用户的评分（如“重来/困难/良好/简单”）动态更新这三个参数，从而调整下一次复习的间隔

。

---

二、算法公式（简化版）

FSRS 使用如下记忆强度预测模型：

S(t) = S₀ * (1 + α*(t/β)^γ) * e^(-λ*t)

其中：

• S₀：初始记忆强度

• α：学习速率系数

• β：时间衰减因子

• γ：非线性调节参数

• λ：遗忘曲线系数

该模型通过机器学习拟合用户行为，动态优化复习间隔

。

---

三、与传统算法（如 SM-2）对比

表格

复制

特性	FSRS	SM-2
参数自适应	✅ 动态调整	❌ 固定参数
预测精度	误差 < 15%	误差 25%-30%
计算复杂度	O(n)（带优化器）	O(1)
适用场景	长期记忆保持	短期记忆训练

FSRS 更适合长期、个性化的记忆保持任务

。

---

四、应用场景

1. 语言学习：如记忆单词、语法点

• 考试备考：如医学、法律等需要大量记忆的专业

• 职业培训：如学习新技术、流程规范

2. 个人知识管理：如 Notion、Anki 等工具中集成 FSRS 插件

---

五、实际应用案例

• Anki：FSRS 已作为官方可选算法替代 SM-2，用户可开启“FSRS 调度器”并自定义参数，如目标保留率（默认 90%）

• 。

• 墨墨背单词：其 MMX 算法为 FSRS 的变体，专用于中文词汇记忆。

• Rember：AI 自动生成卡片，采用 FSRS-5 算法安排复习。

---

六、优势总结

• ✅ 个性化强：根据用户历史行为自动调整参数

• ✅ 记忆效率高：减少无效复习，提升长期保留率

• ✅ 支持多平台：Anki、Python、Notion、Java 等均有实现

• ✅ 开源可定制：如 Py-FSRS、FSRS4Anki 等项目提供完整 API

---

如你有具体使用场景（如想在 Anki 中配置 FSRS、或用 Python 自定义调度器），我可以提供详细操作指南。