让 AI 当出题机
读十遍，加固的是见过这件事。自测一遍，加固的是还能想起来。
等值查询且重复率低，加。经常按这段排序或过滤，加。写入远多于读取，先别加。
条上的比例是示意，用来看分叉方向，不是哪一次实验的数据。
合上书再打开，把同一节再读一遍，读得很顺。你以为这叫复习。第十遍扫到缓存击穿四个字，脑子说见过。过两周，别人问你促销晚上数据库被打满该先查哪一类，你卡在分类名词上。
读第十遍，加固的是见过这件事。眼熟来得很快。能写出来是另一件事。
学完一小节就合上材料。让 AI 出题，题目要你做决策。答完再翻笔记。当天测一轮就先放下，材料不用连着读。
记忆研究里把这件事叫检索练习效应，英文是 retrieval practice，也叫 testing effect。从脑子里把东西取出来，这个动作本身在加固记忆。Roediger 和 Karpicke 在 2006 年把这条效应写清楚了。自测过的内容，隔一段时间还能想起来的，比反复阅读过的更多。结论边界在长期留存。刚读完立刻再看，重读会显得更熟，那种熟是认字的熟。
演示区里，当天左边往往更好看，两周后才分叉。那条分叉就是这条效应的形状。条上的比例是示意，用来看方向。
纸质卡片用几次就被背熟。正面一出，背面就能对上。你记住的是这张卡。换一个没见过的场景，同样的知识取不出来。名词解释题更省事，也更没用：你能背出定义，并不等于你会用。
出题就做三件事。每条下面有可抄的提问。
别让它出名词解释。场景要像工作里会碰到的，教科书例题不要。
考的是你自己写下来的判断。它按通用教材出题，会考到你根本没学过的边角。
错一次就换下一章，同类坑还会再来。把错的那一类单独加厚。
间隔重复是另一条老结论。快要忘的时候再取一次，比刚学完立刻再读一遍留得住。Ebbinghaus 在十九世纪末就画过遗忘随时间往下走这条线。后来的间隔效应研究，Cepeda 等人在 2006 年前后做过综述，把这件事收成一条可操作的规则：复习放在快忘的时候。间隔多长取决于你想留多久，精确天数没有一条通用公式。一个实际能排进日程的做法是：学完当天测一次，隔两三天测一次，隔一两周再测一次。
AI 在这里的独特价值，是它能无限次出新题。纸卡会被背熟，新题逼你从知识里取。这是我自己用下来的经验。固定旧题看起来正确率很高，换个场景就会掉。演示区可以切到挤在当天，看间隔被拿掉之后两边掉多少。
答错立刻看答案，你得到一个正确句子。下次题目换一层皮，还在同一个地方摔。你不知道自己是在哪一步拐错的。
先别看答案。把自己当时怎么想的说给 AI，让它指出思路在哪一步偏了。对的那一步留下。偏的那一步，单独再出两道同类题。
错的价值在思路的分叉点。正确答案可以再搜。分叉点只有你当时的想法里有。
还有一条叫生成效应，英文 generation effect。Slamecka 和 Graf 在 1978 年写过：先自己产出一个答案再对照，比直接看现成答案记得更牢。结论边界是你得先挤出一点东西。猜错也算生成。空白着等看，不算。
自测结果本身就是学会与否的判据，怎么判断自己真学会了 把这条判据拆成能讲、能改、能预测三关。重读当时那么顺，是顺畅感在替你打分。AI 学习的三个陷阱 里，顺畅感错觉就是重读让人感觉良好的原因。
常见做法
同一份材料再读三遍。当时快，两周后掉得多。你一直在认字，还以为自己很熟。
代价：当时轻松，后面取不出来这一页的做法
让 AI 出新的应用题，先自己答，答错先讲思路。当时慢，两周后还能取出来。当天的正确率往往更难看。
代价：每次都要卡一下，花的时间更多拿你正在学的一节出三道题
把笔记贴给 AI，用上面第一条提问要三道应用题。先自己写答案，再把当时的思路发给它。
三道里偏了的那一类，用第三条提问再要两道。把下次开测的日子写下，隔两三天。