Echo Loop 间隔复习调度实现全解析：从6小时到28天，以及FSRS记忆调度基础设施

Echo Loop 间隔复习调度实现全解析：从6小时到28天，以及FSRS记忆调度基础设施

【免费下载链接】Echo-LoopEcho Loop 是一款科学、高效的 AI 英语听说训练 App，通过精听、跟读、盲听、复述和间隔复习，自动驱动学习者把每一段音频真正练懂、练熟、练到会说。项目地址: https://gitcode.com/echo-loop/Echo-Loop

Echo Loop 是一款 AI 英语听说训练 App，它的核心能力之一，就是间隔复习调度：一段音频首学完成后，系统会自动安排 7 轮复习，从 6 小时后一直排到 28 天后；与此同时，项目还新建了一套基于FSRS 记忆算法的通用记忆调度基础设施，为收藏句子、词汇、意群等内容的科学复习打下地基。本文带你从用户视角和源码视角，把这两套"记忆引擎"一次性讲清楚。

一、用户视角：复习节奏从 6 小时到 28 天

1. 七轮复习排期表：为什么是"6小时→28天"

Echo Loop 对每段音频的复习节奏，是刻意贴合记忆曲线设计的"先密后疏"节奏。阶段定义位于 lib/database/enums.dart 的LearningStage枚举，其中intervalHours表示距上一轮完成后的等待时长：

对应的取值逻辑见 lib/database/enums.dart#L166-L176。可以看到阶段名（review1/review2/review4/review7/review14/review28）正是"首学后第几天"的累计里程碑——先密集巩固，再逐步拉长间隔，直到 28 天完成最后一轮。

2. 下次复习时间是怎么算出来的？

复习调度不需要复杂算法，核心就是一个加法：

nextReviewAt = 上一轮完成时间（lastStageCompletedAt）+ 当前阶段间隔（intervalHours）

计算逻辑在 lib/models/learning_progress.dart#L202-L214。围绕这个时间点，还有三个贴心的细节设计：

• 🕐宽限窗口：到点后不是"错过就逾期"。review0 到点后6 小时内、其余各轮到点后24 小时内补做都不算逾期，见 learning_progress.dart#L220-L226。
• 🔓手动解锁：等不及？点击"立即解锁"即可提前开始当前轮，且不会篡改历史完成时间，后续轮次仍按实际完成时间顺延。
• ⏸️暂停学习：某段音频可以暂停出复习调度，进度完整保留，随时原地恢复。

3. 每一轮复习做什么？

复习不是简单重听。每一轮复习阶段都会按学习计划派生若干子步骤，主要包括：难句补练（把精听/盲听中卡壳的句子重新练会）、盲听（不看文本听全文）、段落复述（用自己的话复述段落）。

各轮次的子步骤组合由 lib/models/learning_plan.dart 中的LearningPlan.standard统一管理，并采用"计划版本快照"机制——新版 App 调整了复习子步骤顺序（比如 v2 把盲听后置、允许跳过），存量音频仍保留创建时的旧计划，互不干扰。

二、源码视角：FSRS 记忆调度基础设施全景

固定七轮复习解决的是"音频学习计划"的调度。但收藏的句子、词汇、意群，它们的遗忘速度因人而异，固定的"第 N 天复习"并不够聪明。为此，Echo Loop 新建了一套与业务解耦的通用记忆调度基础设施，位于 lib/features/memory_scheduler/，默认接入业界公认的 FSRS 记忆算法。完整的规划文档见 docs/memory-scheduler-infrastructure-plan.md。

1. 分层架构：第三方库只许待在一个房间里

未来业务（句子/词汇/意群/音频计划） ↓ MemoryScheduler（应用门面接口） ↓ ↓ 调度 Repository 模型注册表 ↓ ↓ Drift DAO MemoryModelAdapter（接口） ↓ FsrsMemoryModelAdapter ↓ package:fsrs

• domain/：纯 Dart 值对象与接口，不依赖 Flutter、数据库和 FSRS；
• application/：编排用例与事务，入口是 memory_scheduler.dart；
• data/：Drift DAO 与数据映射；
• adapters/fsrs/：全项目唯一允许导入package:fsrs的位置，核心是 fsrs_memory_model_adapter.dart。

上层业务永远只见应用自有类型（MemorySchedule、MemoryRating等），UI 与数据库里不会出现任何 FSRS 第三方类型。

2. 四个关键设计决策

3. FSRS 参数如何被"冻结"

为了避免依赖升级悄悄改变行为，基础设施把fsrs包精确锁定在 2.0.1，并把默认 Profilefsrs.default@1的全部参数逐项写死在 config/memory_profiles.dart：

• 📊 21 个模型权重（与 FSRS 5 版默认值一致）
• 🎯期望保持率 90%：评分 Good 时，下一次复习前记住这条内容的预期概率
• ⏱️ 学习步骤 1 分钟 / 10 分钟，重学步骤 10 分钟，最大间隔 36500 天
• 🎲 开启 fuzzing：到期时间加一点随机扰动，打散复习峰值

4. 四种评分与"间隔预览"

复习时用户给内容打一个分数——忘记 / 困难 / 好 / 简单（对应 FSRS 的 Again/Hard/Good/Easy）。界面在展示按钮前，会一次性调用previewRatings()拿到四种评分各自的下次到期时间，用户可以直观看到"选简单能拖多少天，选忘记要多久后重学"。预览是纯只读计算，不写数据库。

5. 数据可靠性：事务、幂等与并发

移动端场景下，网络抖动、重复点击、多入口并发都是真实风险。评分提交（review()）的流程设计得相当严谨：

1. 短读事务内按operationId做幂等检查——同一次评分动作重试会复用原键，不会重复计分；
2. 算法计算在写事务之外完成（纯函数）；
3. 写事务内用revision乐观锁条件更新，再在同一事务内插入带dueBefore/dueAfter的审计事件，任一步失败整体回滚。

对应的数据库结构经过 schema v47 → v48 迁移，迁移行为由 test/database/v47_to_v48_migration_test.dart 等测试守护。

三、两套调度的关系：各司其职

一句话总结：固定七轮保证"每段音频都能被完整练熟"，FSRS 基础设施保证"每条记忆都在最容易遗忘的时刻被复习"。前者是学习节奏，后者是记忆科学，二者共同构成 Echo Loop 的复习引擎。

想体验这套间隔复习流程，或参与讨论实现细节？欢迎加入 Echo Loop 的学习社区：

【免费下载链接】Echo-LoopEcho Loop 是一款科学、高效的 AI 英语听说训练 App，通过精听、跟读、盲听、复述和间隔复习，自动驱动学习者把每一段音频真正练懂、练熟、练到会说。项目地址: https://gitcode.com/echo-loop/Echo-Loop