2025-09-24-what-i-learned-building-an-ai-driven-spaced-repetition-app.md

What I learned building an AI-driven spaced repetition app

• URL: https://www.seangoedecke.com/autodeck/
• Added At: 2025-09-24 03:10:31

TL;DR

文章介绍了一个基于AI的间隔重复学习应用AutoDeck，通过自动生成学习卡片和简化交互提升学习效率。技术实现中使用XML流式处理卡片生成，并采用付费模式应对AI成本。作者认为AI辅助开发仍需人工干预，中等AI模型更适合此类应用。

Summary

一、背景与动机

作者基于对间隔重复学习法的兴趣，构建了一个AI驱动的间隔重复应用AutoDeck。间隔重复是一种高效的学习方法，通过在学习过程中逐渐延长复习间隔，帮助用户巩固知识。作者认为，虽然软件工程师在工作中会自然应用这种方法，但主动学习新领域时仍面临挑战：使用工具如Anki需要自行制作或寻找合适的学习卡片，而过程繁琐且缺乏灵活性。

二、AI应用的核心创新

1. 利用大型语言模型（LLM）生成学习卡片：

   • AutoDeck允许用户输入主题，由LLM自动生成无限数量的间隔重复卡片，并根据用户反馈（如“太简单”或“太难”）动态调整难度。
   • 这解决了传统间隔重复工具中卡片制作耗时且依赖现有知识的问题。

2. 非聊天式AI交互界面：

   • 区别于常见的聊天式AI应用（如ChatGPT），AutoDeck采用按钮点击等简化交互方式，降低用户使用门槛，提高效率。
   • 作者认为这种设计更适合间隔重复场景，因为用户无需频繁输入文本，只需在开始时指定主题。

三、技术实现挑战与解决方案

1. 生成速度与一致性：

   • 问题：AI生成卡片速度较慢（单卡生成需几百毫秒），用户点击速度可能超过生成速度；批量生成虽快但需等待全部完成，影响体验。
   • 解决方案：采用批量生成但实时保存的策略——一次性请求生成多张卡片，但每生成一张立即提供给客户端，避免等待全部完成。

2. 数据格式与解析：

   • 问题：JSON等结构化输出需完整响应才能解析，不适合流式处理。
   • 解决方案：改用XML格式（如<card></card>标签），支持分块解析，实现实时流式传输。

3. 客户端与后端协作：

   • 后端异步生成卡片，客户端定期轮询获取新卡片，避免阻塞用户操作。

四、开发工具与AI代理的使用

• 主要使用OpenAI Codex：
  • 约1/3的代码需人工干预，1/10需彻底重写。Codex存在过度设计（如复杂的任务系统）、逻辑错误（如Stripe支付集成问题）等缺陷。
• 尝试Claude Code：
  • 效果较差，生成速度慢且需更多人工干预，不如Codex高效。
• 结论：
  • AI编码工具仍无法替代熟练的软件工程师。开发者需具备专业知识才能实际交付应用，目前并非“ vibe coding”（纯靠感觉编码）的黄金时代。

五、经济考量

• 付费模式的必要性：
  • AI应用按使用量产生成本（如API调用费用），因此作者选择对重度用户收费，以覆盖成本并激励产品优化。
• 积极影响：
  • 收费机制促使作者更认真打磨产品，避免“半成品”发布，提升了应用的实际效用。

六、总结与反思

• AutoDeck仍处于优化阶段，作者发现GPT-5等高级模型反而不适合生成间隔重复卡片（响应慢、风格生硬），认为中等模型（擅长教科书类知识）更合适。
• 作者强调间隔重复与AI结合的价值，并呼吁读者尝试应用。未来期待生态系统成熟，支持更高效的流式数据格式（如JSONL）。