别拿「间隔重复」来创业

我正在暂停 Rember 的全职工作，这是一款由 AI 辅助的间隔重复系统。我们打造了一款更简洁、有明确设计主张的产品：你只需指向想记忆的内容，它就能为你生成抽认卡。我每天都在用，而且非常喜欢它，但我们没能把它做成一个成功的创业公司。我已经不再相信，一个通用的间隔重复系统能做到风投所青睐的规模：因为真正长久的学习需要付出努力，习惯的养成十分困难，并且「决定记什么」本身就是一种持续的精力开销。如果你也正在这个领域探索，希望这篇博客能帮助你严格审视自己的想法。下方的演示视频展示了 Rember 的最新版本。

Rember

从医生到工程师，Anki 一直是数百万知识工作者接触间隔重复的入门工具。它免费、快速、本地优先、以键盘为中心、开放且可扩展，这让规模庞大的间隔重复实践者社区能够不断地对这个系统进行调整和扩展；它开源，并且近二十年来一直深受用户信赖。但它的用户界面已经过时，上手门槛很高，制作抽认卡的过程非常笨拙，同步功能感觉不太可靠，插件生态脆弱，产品本身也缺乏明确的设计主张和引导。

Andrea Vaccari 和我当初的目标是打造一个更好的间隔重复系统：更简洁、更易用、有明确的设计主张。但我们最终还是没能做出人们真正想要的东西，Rember 并未获得多少市场反响。

对我个人而言，Rember 是必不可少的，我每天都在使用，目前没有其他间隔重复系统能满足我的个人需求。因此，我很乐意在可预见的未来，将 Rember 作为一个业余项目继续维护和开发。不过，我不想做出任何承诺。我只是不再相信我们能把它做成一个成功的创业公司（下文会详述），所以我现在正在为我的职业生涯探索其他可能性。

在学习时，我希望能找到优质的助记提示和开放式问题。
如果找不到，我就想自己动手编写，并分享给其他人（可以付费或免费）。
— @giacomo_ran, 2020-09-11

这条推文在发布后的几年里，一直是我的置顶。它是我为 Rember 设定的个人目标，也是我们最初努力的方向。推文的前半部分提出了一个问题，后半部分给出了一个可能的解决方案。令人欣慰的是，大语言模型（LLM）最终正巧解决了我一直以来在追寻的那个问题：现在，我可以为我读过的任何内容生成抽认卡了。

尽管 Rember 作为一家公司没有成功，但作为一名工程师、创始人和个人，我获得了巨大的成长。我非常感激在这一路上结识的每一个人。感谢社区里所有这些年来，对更好的间隔重复工具抱以极大热忱并与我分享的朋友们。

这是 Rember 最新版本的演示视频：

https://www.youtube.com/watch?v=VWGBvh65i0c

构建间隔重复系统所面临的挑战

在这部分，我将分享我们在构建 Rember 过程中遇到的一些挑战。其中许多是在与几十位用户（从间隔重复专家到零基础的小白）进行多次深入交流后，才逐渐清晰起来的。如果你也打算开发自己的系统，希望这些经验对你有所帮助。

关于教育科技产品挑战的更深入探讨，可以参阅：

• Gian Segato 的《为什么教育科技创业公司做不大^[1]》
• Justin Skycak 的《为什么教育科技行业如此「软弱」？^[2]》

Rember 遇到了三大持续存在的阻力：

1. 合意困难（Desirable difficulties）。真正长久的学习需要付出努力。消费级产品致力于将用户阻力降至最低，但学习过程恰恰需要保留一定的阻力。如果完全消除了努力，产品就变成了「寓教于乐」；如果保留了努力，你的用户群体就仅限于那些非常严肃的学习者。
   
   
2. 习惯养成。间隔重复只有在用户规律使用时才有效。这意味着你的产品每天都要和手机上所有其他应用竞争：Instagram、X、TikTok 等等。当一个系统的价值必须通过持续使用才能体现时，它也就承袭了「如何让用户保持活跃」这个棘手的难题。
   
   
3. 自主学习。每当学习新知识时，你都必须问自己：「我应该把这个做成抽认卡吗？」这个持续不断的元决策过程，给学习本身增加了额外的阻力和精力开销。

许多成功的教育科技产品都巧妙地规避了以上一点或多点：

• 充当导师的 ChatGPT。练习过程依然需要努力并且由用户主导，你必须提供学习材料或指定一个主题。但你无需养成每日习惯也能从中获益，可以随时按需使用。
  
  
• 多邻国（Duolingo）。你在注册时选择一门目标语言，之后便沿着一条预设好的路径学习，这极大地减少了自主决策的需要。它严重依赖游戏化和频繁的通知来帮助用户养成习惯，更偏向「寓教于乐」。
  
  
• Math Academy。和多邻国类似，它也提供固定的课程体系，但其目标用户是严肃的学习者，并刻意保持了较高的学习难度。
  
  
• Anki。在通用场景下，它直面了以上所有三种阻力。但在其主要应用领域（语言学习和医学），其社区严重依赖于预制好的共享卡组，从而减少了用户的自主决策。

如果你在进入教育科技领域时，没有一个清晰的计划来化解、引导或消除这些阻力，你很可能会做出一款构思巧妙的工具，却在用户推广阶段停滞不前。Rember 当初的目标是打造一个通用的学习工具，这意味着我们要正面迎战所有这三大难题，却没有切实可行的应对策略。由于我们不愿在「通用性」上妥协，最终做出的产品注定只能服务于一个小众而热情的群体，且难以突破这个圈层。

抽认卡制作流程中的挑战

人们放弃间隔重复的最大原因之一，就是手动制作抽认卡太过繁琐。LLM 在一定程度上解决了这个问题：它们让你无需再亲手撰写每一张卡片。然而，尽管它们降低了门槛，却并未让制作过程变得毫不费力。你依然需要判断哪些内容值得记忆——而大部分的阻力恰恰源于这个决策过程。换言之，AI 虽有帮助，但并未消除那个阻碍许多人养成可持续的间隔重复习惯的关键瓶颈。

亲手制作卡片本身很有价值，因为它是一项需要投入精力的活动，能迫使你加深对知识的理解。但我发现，那种「一定要自己制作卡片」的普遍建议其实有些偏颇：因为你为此付出的机会成本是，所有那些你没时间制作的卡片，你都无法复习了。

那些利用 AI 生成抽认卡的产品，面临着一个微妙的平衡：

• 让卡片制作过程「隐形」。理想状态是，用户注册后，读点东西，第二天早上就能收到新的抽认卡。如果添加材料需要用户刻意操作，那么除非积极性极高，否则大多数人都会放弃。
  
  
• 生成能精准测试用户关注点的卡片。如果生成的抽认卡太多，用户会被复习任务淹没；如果太少，又可能漏掉他们想记的重要信息。你需要以某种方式对用户的先验知识和学习目标进行建模，因为对于同一段文本，不同的读者关心的重点往往不同。

如果你试图让这个过程完全「隐形」，就不可避免地会剥夺用户的控制权；而没有了控制权，生成的抽认卡往往会偏离用户真正关心的内容。

你可以将抽认卡生成分为两个独立的任务（术语借鉴自 Ozzie Kirkby）：

• Targeting：识别值得记忆的知识点
• Construction：将这些知识点转化为抽认卡

内容构建比目标选择更容易自动化。目标选择则非常困难。一个常见的解决方案是划线高亮，但即便两个人划了同一句话，他们关心的重点也常常不同（你可以试试在罗马的维基百科页面上只高亮「罗马是意大利的首都」这一信息）。允许用户为高亮内容附上简短评论，有助于阐明其意图。

在 Rember 中，我们反其道而行之。我们让用户以自然语言，准确说明他们想记住什么，并计划未来加入可选的高亮功能（可惜我们没能实现）。这种取舍对我个人而言效果不错，但与传统的手动流程相比，感觉并没有 10 倍的体验提升；决定将哪些知识点做成抽认卡的这种心智负担依然存在。

此外，尽管我们对 LLM 的提示词进行了多次迭代，但前沿模型仍然会犯一些细微的错误，这不仅增加了使用阻力，也削弱了用户的信任。一种思路是将复习环节设计成一个「收件箱」：保留有用的卡片，丢掉其余的。但这种工作流本身就充满了阻力。归根结底，我认为我们在 Rember 中没有找到正确的平衡点；我们还需要进行好几轮用户体验的迭代。

用 AI 生成抽认卡还带来了一些额外的小问题，这些问题在传统的手动制作流程中并不突出。比如，如果用户在不同文章中读到同一个知识点，系统很可能会生成重复的卡片。此外，由于批量添加卡片变得轻而易举，按顺序呈现知识点（即先介绍前置概念）会更有益处。我在《感知内容的间隔重复^[3]》一文中，探讨了解决这些及其他问题的潜在技术方案。

AI 降低了制作抽认卡的成本，但并未移除工作流中一个至关重要的环节：判断什么内容才真正值得记忆。这个「目标选择」的步骤依然需要人为判断，也依然是阻力的来源。而且，即便你将「内容构建」外包给模型，你也会面临新的权衡：如何在赋予用户更多控制权与保持流程毫不费力之间取得平衡，如何应对不可预测的输出结果，以及如何处理重复或顺序不当的卡片。

更深层次的挑战

即便我们拥有一个神奇的系统——你学习时无需考虑间隔重复，第二天醒来就有一套完美的抽认卡等着你——仍然有几个挑战悬而未决。

首先是习惯养成。建立复习的日常惯例，依然需要努力和自律。通过与几位聪明的知识工作者朋友交流后，我的印象是，许多人并不认为「记忆力」是限制他们学习和达成目标的瓶颈。相比之下，我以及间隔重复社区的许多人，都将记忆视为一个核心问题。如果你有「遗忘焦虑」，你可能早就在用 Anki 了；如果你没有，那么无论制作抽认卡的流程多么无缝，你都很难养成复习的习惯。让这个问题更复杂的是，间隔重复需要你预先投入努力，而回报却是延迟且不确定的。你通常需要等上几天甚至几周，才能体会到记忆留存率的提升，而在此期间，你还要抵御社交媒体或「寓教于乐」产品带来的即时满足感的诱惑。

另一个根本性挑战是产品定位。小众应用可以通过聚焦于一个非常具体的使用场景来进行更有效的市场推广。例如，如果你需要通过驾照理论考试，可以下载一个 5 美元的 App，它完全为此而生，提供现成的内容、练习和学习进度。而另一个选择是，使用一个通用的间隔重复应用，但你必须自己创建卡片，确保内容无误，并覆盖所有考点。更普遍地看，人们不会一早醒来就想：「我真希望有个更好的系统来记东西」。他们担心的是如何通过一场考试，或如何获得一次晋升。我们的产品并不能直接解决这些具体的焦虑。你得先向他们解释，为什么间隔重复是解决他们问题的最佳方式，然后再论证你的间隔重复系统是众多选择中最好的那一个。这很难说服用户。

像多邻国这样的消费级应用，展示了习惯回路和进阶体系的强大作用，但它们也凸显了一个结构性差异。一旦你选定一门语言，多邻国的内容就源源不断。相比之下，一个通用的间隔重复系统，其内容量受限于用户当前正在积极学习的东西。如果没有新的学习材料，就没有新的内容可供复习。要想做到像多邻国那样内容无穷无尽，你就必须将产品扩展为一个“导师”的角色，不仅帮助用户记忆已经学过的内容，还要能策划和教授新知识。

除了这些战略层面的障碍，还有一些现实中的阻力。用户的转换成本异常之高。如果我从 Notion 换到 Obsidian，需要查看一条旧笔记时，我可以临时打开一下 Notion。但间隔重复不同，因为你建立的是一个需要持续数月甚至数年进行复习的抽认卡库。除非用户愿意每天在多个系统里复习卡片，否则更换工具就意味着迁移整个抽认卡库。因此，一个强大的导入导出功能，其优先级远高于大多数其他产品。此外，用户会对抽认卡的编写风格形成个人偏好。理想情况下，系统应当能适应每个用户的风格，但这在技术上很难实现。由此得出的一个推论是：那些最渴望抽认卡生成器的人——也就是已经熟悉间隔重复的用户——恰恰也最可能持有强烈的个人偏好，而 AI 生成的内容未必能满足他们。

结论

当我在大学发现 Anki 时，我每上一小时的课，就会再花一小时手写抽认卡。这显著提升了我的生活质量：我可以选择性地记住任何我关心的东西。当我们开始做 Rember 时，我们曾设想，通过移除流程中这个漫长而乏味的部分，也就是解决抽认卡制作的难题，间隔重复的潜在市场会扩大 100 倍。然而，现实看起来更像是几倍的增长而已，远不足以支撑一家由风险投资支持的公司。许多阻力源头依然存在，并且它们之间会相互叠加。围绕间隔重复产品打造一个稳健的「小而美」的生意是完全可行的，但我已经不再相信它能扩展成为一个初创公司。

我在此并不想给出什么万能药方。我只希望，我分享的这些挑战能帮助你磨砺出一个不同的思路，或是干脆决定去解决一个完全不同的问题。

在 Hacker News 上的讨论

感谢 Zander Kasanjian、Ozzie Kirkby 和 Andrea Vaccari 就此话题进行的多次讨论。

我将于 9 月 22 日至 26 日在旧金山。如果你想见面，请在 x dot com 上私信我！

Thoughts Memo 汉化组译制
感谢主要译者 gemini-2.5-pro，校对 Jarrett Ye
原文：Don't build a spaced repetition startup
作者：Giacomo Randazzo
2025-09-17

← 返回目录