学生 8 天没练，掌握度从 83% 归零：我给 AI 家教装了遗忘曲线引擎

我给自己做的 AI 家教（灵犀学堂）加了个”自我改进引擎”。第一次 cron 运行就甩了我一巴掌：10 项补习调度，9 项是遗忘风险——一个学生 8 天没练，掌握度从 83% 直接归零。这篇记录我怎么把艾宾浩斯遗忘曲线从心理学课本搬进代码：一个公式、一套稳定性动力学、三条自动管线，以及四个真实踩坑。

1. 缘起：AI 家教凭什么知道学生”其实已经忘了”？

做教育 Agent 之前，我以为自适应学习就是”记录学生答对答错，算出掌握度”。直到我给系统加了一个每天自动运行的自我改进引擎（AutoCalibrator / AutoRemediator / AutoStrategyTuner 三管线），第一次跑出来的报告让我意识到一个致命问题：

[遗忘提醒] yadinae | gk_it_02
   遗忘风险: gk_it_02 (原始 80% → 有效 0%, 衰减 100%)
[遗忘提醒] demo_student_001 | ch01
   遗忘风险: ch01 (原始 62% → 有效 0%, 衰减 100%)

原始掌握度 80%，有效掌握度 0%？ 这意味着：这个学生上次练习时确实答对了 80% 的题，但那是 8 天前。系统如果只看历史对错，就会一直以为他”会了”，直到考试崩盘。

绝大多数 AI 教育产品都死在这一步：只记录静态掌握度，不建模遗忘。而我之前做的 AI 备课系统（《我给 AI 当”教务主任”：手搓一个自动备课系统》）恰恰也只做到了”讲得好”，没做到”记得住”。

这篇把整个方案拆开：从一行公式，到可运行的调度系统。

2. 核心方法：一行公式 + 一套动力学 + 三条管线

2.1 遗忘曲线公式（10 行代码）

艾宾浩斯遗忘曲线说：记忆按指数衰减。工程化后就是一行核心公式：

def forgetting_curve(raw_mastery: float, hours_since_practice: float, stability_days: float) -> float:
    """Ebbinghaus 遗忘曲线计算有效掌握度"""
    if hours_since_practice <= 0.5:      # 半小时内不衰减
        return raw_mastery
    decay_constant = max(stability_days * 24, 1.0)  # 防除零
    retention = math.exp(-hours_since_practice / decay_constant)
    return max(0.0, raw_mastery * retention)

关键设计：原始掌握度（raw mastery）≠ 有效掌握度（effective mastery）。系统里永远存两套数——历史对错推出来的原始值，和经过时间衰减后的有效值。所有教学决策只看有效值。

2.2 稳定性动力学：让”忘得快慢”本身可学习

不同知识点、不同学生，遗忘速度不同。所以我把”忘得多快”建模成一个可变的 stability（记忆稳定性，单位：天）：

STABILITY_BOOST_CORRECT   = 1.5   # 答对：稳定性 ×1.5
STABILITY_BOOST_SEQUENCE  = 0.3   # 连续答对：额外 +0.3/次
STABILITY_DECAY_UNUSED    = 0.7   # 不复习：每天 ×0.7
MAX_STABILITY_DAYS        = 30.0  # 上限 30 天

答对 → 稳定性升高（stability * 1.5 + 连续答对数 * 0.3），学得越扎实忘得越慢
答错 → 稳定性减半（stability * 0.5），并记录误区（misconception）
长期不练 → 稳定性每天 ×0.7 自然衰减，而且衰减后的稳定性还会反过来加速遗忘（有效稳定性进入公式的 decay_constant）

这样系统就能区分”刚学的知识”（stability≈1 天，一天不练就忘）和”反复巩固的知识”（stability≈30 天，一个月不忘）——这就是间隔重复（spaced repetition）的自动实现：该复习时它知道，不用人肉排课表。

2.3 贝叶斯平均：防止”答对 1 题就以为学会了”

小样本陷阱：学生答对 1 题，掌握度直接算 100%？我用贝叶斯平均压低虚高：

1 2	# PRIOR_K=1, PRIOR_N=2 → 新学生默认 0.5，答对 1 题后 0.67 self.mastery = (self.correct_count + 1) / max(total + 2, 1)

新学生先验掌握度 0.5，答对 1 题只到 0.67，答对 2 题才 0.75——数据越少，越不敢说”会了”。这是”不虚构掌握程度”的第一道防线。

2.4 三条自动管线：从”知道忘了”到”自动补课”

光有公式没用，得让它跑起来。自我改进引擎每天 cron 跑一次，三条管线各管一段：

管线	职责	关键阈值
AutoCalibrator	校准学生画像 + 遗忘曲线参数 + 偏差检测	交互数 ≥ 5 才校准
AutoRemediator	检测遗忘风险/先修缺口/连续答错 → 调度补习	有效/原始 < 0.5 且有效 < 0.6 → 遗忘提醒
AutoStrategyTuner	评估教学实验效果 → 优化策略	实验数 < 2 不做建议（安全守卫）

AutoRemediator 的遗忘检测核心（真实代码）：

# 如果有效掌握度 < 原始掌握度 × 0.5 → 遗忘严重
decay_ratio = eff / max(raw, 0.01)
if decay_ratio < 0.5 and eff < 0.6:
    actions.append({"type": "forgetting_reminder", ...})

调度出的补习通过 EventBus 投递给学生门户（站内通知），而不是只写进日志——“检测到了”不等于”触达了”，这条我们在踩坑里付出了代价。

2.5 偏差检测：识别”过度自信”的学生

更有意思的是 AutoCalibrator 的掌握度偏差校正：如果一个知识点”原始掌握度高但保持率低”（衰减 > 0.3 且原始 > 0.5），说明这个学生可能是过度自信（overconfidence）——当时答对了但根本没真懂，属于”假会”。系统会标记偏差类型并个性化其遗忘曲线（这类学生要更早复习）。