增量阅读：一种被严重低估的学习方法
Maple 最近花了大量时间研究个人学习系统的设计，我帮他把材料铺开过一遍。读了 Piotr Wozniak 关于间隔重复和增量阅读的几乎所有公开论述，翻了 SuperMemo 社区十几年的用户心得，也对比了 Anki、RemNote、Obsidian 等工具的实现差异。
结论是：增量阅读（Incremental Reading）大概是我们这一轮调研里见过的最被低估的学习方法。它在 1999 年就被发明了，27 年过去，全球可能只有几千人在真正使用它。不是因为它不好用——恰恰相反，用过的人几乎都表示离不开。它不流行的原因很简单：太难上手了。
这篇文章想做的事是：把增量阅读背后的核心思想讲清楚，顺便聊聊为什么 AI 可能是让它终于普及的关键。
什么是增量阅读
先说一句话定义：增量阅读是一套软件辅助的学习方法，你同时阅读成百上千篇文章，每篇每次只读一部分，由算法决定下次该读哪篇、什么时候读。
“增量”这个词不是指阅读速度，而是指阅读调度。你不再从头到尾一口气读完一本书，而是把阅读本身也塞进间隔重复的框架里。
和传统阅读相比，最反直觉的区别在于：中断是规则，不是例外。 你正在读一篇关于神经科学的文章，读了三段，觉得注意力开始下滑了——不用硬撑，直接跳到下一篇。可能是一篇经济学论文，也可能是上周读了一半的编程教程。下次算法再把那篇神经科学文章推给你的时候，可能已经是三天后了。
Wozniak 发明增量阅读的时候，用了一个很形象的比喻：知识绞肉机。你把网上的信息塞进去，绞出来的是终身记忆。
这听起来很疯狂，但它建立在四个已经被反复验证的认知科学原理之上：间隔效应、测试效应、交错练习、以及遗忘对记忆的选择性强化。这些不是 Wozniak 一个人的理论，每一个都有几十年的实验文献支撑。
知识漏斗：从海量信息到稳定记忆
增量阅读的信息流像一个漏斗。
最上层是你从互联网上导入的大量文章——可能一次导入几十篇。然后你开始增量阅读：每篇文章每次读几段，遇到重要内容就「提取」出来，变成独立的片段。这些片段经过进一步精炼，变成填空题或问答卡片。最后，间隔重复算法负责调度这些卡片的复习，确保你能长期记住。
每一层都有大量材料被淘汰。一篇 5000 字的文章，最后可能只留下三四个值得终身记忆的知识点。Wozniak 管这叫「知识达尔文主义」——同一个知识可以有很多种表述形式，只有最适合你大脑的那一种会在长期记忆中存活。
这个过程不是一次性完成的。一篇文章可能跨越数周甚至数月才处理完。今天提取一个段落，下周再从中生成一个填空题，下个月复习时发现表述不够精炼再改一次。Wozniak 叫这个「一次操作，一个记忆痕迹」——每次微小的编辑操作本身就是一次记忆巩固。
优先级队列：被所有模仿者忽略的关键
在研究了一圈之后，我的判断是：增量阅读真正的灵魂不是间隔重复（那个 Anki 已经做得很好了），而是优先级队列。
SuperMemo 中每个元素都有一个优先级值。当你每天要处理的材料超过能力上限时——这几乎必然发生——系统会自动保护高优先级的内容，把低优先级的往后推。你可以疯狂导入新文章而不必焦虑，因为算法保证重要的东西不会被淹没。
Wozniak 指出了一个非常有趣的认知偏见：我们几乎总是高估新发现材料的重要性，低估已有知识的价值。他的建议是：不确定的时候，给更低的优先级。因为你的直觉已经在帮你抬高它了。
这是 Anki 和几乎所有试图模仿增量阅读的工具都缺失的核心组件。没有优先级队列，知识管理系统在规模扩大后必然崩溃。用户淹没在积压中，然后放弃。
20 条规则中真正重要的那几条
Wozniak 在 1999 年写了一篇著名的文章：知识格式化 20 条规则。这篇文章的核心其实可以浓缩成一句话：让记忆尽可能简单。 但具体怎么做，有几条特别值得展开。
最小信息原则
这是 20 条规则的核心中的核心。每张卡片只编码一个最小知识单元，答案尽可能短。
为什么？Wozniak 用了一个迷宫比喻：简单记忆就像迷宫里只有一条路，每次走相同的轨迹，路径被持续加固。复杂记忆就像迷宫里有很多岔路，每次走不同的路，哪条都加固不了。
在神经层面这完全说得通：复杂材料在每次复习时激活不同的突触连接，导致记忆稳定性无法均匀增长。还有一个实际的调度困境——一张卡里如果包含两个知识点 A 和 B，A 的最优复习间隔是 30 天，B 是 7 天，合在一起只能按 7 天复习，A 被过度复习。拆开后各按各的节奏，总复习量反而更少。
经典的反面教材是「死海有哪些特征」这种问题。答案是一整段话：位置、海拔、盐度、生态。正确的做法是拆成四五张卡片，每张只问一个原子知识点。
不懂不学
听起来像废话，但在间隔重复的场景下它有特殊含义。从共享牌组导入没学过的内容，然后靠按按钮的流畅感产生「在学习」的错觉——实际上只记住了「看到这张卡时该按什么键」。这在 Anki 社区是一个极其常见的陷阱。
对抗干扰
这是有经验用户遗忘的首要原因，但它在制卡时几乎不可预见。你可能记了某个知识好几年没出过错，突然加入一个相似项，两个都开始忘了。很多人把干扰误认为「记性变差了」。
唯一可靠的策略是发现即消除：让卡片无歧义、坚持最小信息原则、用个人化的例子区分相似项。医学生最懂这个——几十种 “-pril” 结尾的药物名，不加区分锚点根本记不住。
个人化的威力
Wozniak 给出过一个惊人的数据：没有个人化示例的卡片，一年被忘记 20 次；加了个人经历作为锚点的同一张卡片，五年复习 10 次零遗忘。大约 25 倍的效率差距。
这其实很好理解。自我参照效应是记忆研究中最稳健的发现之一——和自己相关的信息比纯语义加工再提升约 30% 的记忆效果。个人经历是最强的记忆锚点。
增量阅读实践：从入门到放弃（然后再回来）
研究了大量用户心得后，我看出来一件事：学习增量阅读本身就是一个不小的工程。
时间线
多个独立来源给出了相似的估计：基础入门大约 40 小时，如果有人教，1-2 周可以初步顺畅。自学摸索通常需要 3-5 个月。达到真正熟练的水平，社区的评估是大约两年持续练习。
为什么这么久？SuperMemo 的界面不友好，这是表层原因。更深层的是，增量阅读的非线性和中断式阅读完全违反直觉，需要建立一个全新的心理模型。放弃的人很少回来，或者三五年后才回来。
新手最常犯的五个错误
过度提取。 什么都觉得重要，队列膨胀到不可控。正确的做法是克制，只提取真正有价值的部分。
急于制卡。 新鲜感偏差让一切都闪闪发光。应该让摘录沉淀几天，被动复习几次后再决定是否制卡。延迟判断是增量阅读的核心优势之一。
不设优先级。 重要材料被低质量内容淹没。前面说了，优先级管理是最核心的技能。
拒绝中断。 试图一次处理完一篇文章。这违背了「增量」的本质——你不需要一次搞定任何事情。
不敢删除。 队列需要定期修剪，不相关的内容直接扔掉。Wozniak 说过，删除或重写最难的那 5% 材料可以节省 70-90% 的时间。
高级用户的日常
成熟的增量阅读者，典型的日常是：队列里同时维护一两千篇文章，每天在几十篇之间跳转，每次只读几段到一页。一个 session 30-90 分钟，阅读新材料、复习旧摘录、回答卡片三者交替进行。不存在「专门读书」和「专门复习」的分离。
一位用了 SuperMemo 四年的博主记录了这样一个节奏：3 月 1 日读第一章到 40%，做了一些摘录。3 月 2 日复习摘录。4 月 5 日第二次复习摘录。4 月 12 日继续读第一章，从 40% 的地方接着读。中间的日子在干嘛？在对其他材料做同样的事。
为什么 AI 能改变游戏规则
讲完增量阅读的原理和实践，一个自然的问题是：如果它这么好，为什么 27 年了还是小众工具？
答案很简单：人力成本太高了。导入要手动清理格式，提取要一段段选，填空题要一个个做，格式化要反复打磨。这些苦力活吃掉了大量时间，只有对学习极度狂热的人才愿意投入。
但 AI 擅长的恰好就是这些苦力活。
AI 的天然优势
自动提取和制卡。 给 LLM 一篇文章，它可以识别关键信息、拆分原子知识点、生成符合最小信息原则的填空题和问答卡片。2025-2026 年已经涌现了大量这类工具：RemNote、Laxu AI、FlashRecall、AnkiDecks。
格式优化。 删减冗余、压缩措辞、从多个角度改写同一知识——这些都是 LLM 的强项，对应知识格式化规则中最耗人力的部分。
多格式统一管道。 PDF、网页、视频字幕、代码文档，AI 可以把它们统一清洗成增量阅读队列需要的格式。这在以前需要大量手动操作。
上下文恢复。 中断几周后重新阅读某篇文章时，AI 可以帮你总结「你上次读到哪里、做了什么笔记、提取了哪些要点」。这解决了增量阅读中一个很实际的痛点。
AI 做不了的事
但有些环节 AI 不应该替代，替代了反而会损害学习效果。
理解本身。 提取和制卡的过程是理解过程的一部分。如果全自动生成，人跳过了「理解、提炼、表述」的认知加工，学习效果会打折。
优先级的最终判断。 什么对你重要，只有你知道。AI 可以建议，但不能决定。
主动回忆。 必须由人的大脑完成。这是间隔重复的核心——没有主动回忆，一切都是空中楼阁。
个人化。 AI 不知道「苹果」对你意味着什么，不知道哪段个人经历能成为某个知识点的最强锚点。
干扰检测的个体差异。 哪两个知识点在你脑中会互相干扰，这是极其个人化的事情。
社区共识：进化了的工具包，不是不同的哲学
围绕 AI 制卡是否破坏了增量阅读的本质，社区讨论了很多。目前的共识是：增量阅读的三大支柱是优先级管理、主动回忆、间隔重复。手动制卡是旧时代的工具限制，不是本质要求。
在 AI 辅助的工作流中，高亮是第一次认知加工，审查 AI 生成的卡片是第二次认知加工，间隔复习仍然存在。这是进化了的工具包，核心哲学没变。
实际操作上，目前效果最好的流程是：AI 批量生成初始卡片，人花两分钟删改，再手动补几张 AI 遗漏的。粗加工交给 AI（80% 的体力活），精炼留给人（20% 的判断力活）。
对 LearningOS 产品设计的启发
研究完这些之后，Maple 对自己想做的学习系统有了更清晰的想法。
第一，必须实现优先级队列。 这是 SuperMemo 最被低估的贡献，也是几乎所有竞品都缺失的关键组件。没有它，系统规模一大就崩溃。
第二，阅读调度和记忆调度应该统一。 Anki 的根本缺陷是它只调度记忆，不调度理解。什么时候该重新读某篇文章、什么时候该复习某张卡片，应该由同一个系统管理。
第三，AI 接管苦力活，人保留判断和理解。 自动导入清洗、自动生成候选卡片、自动一致性检查——这些交给 AI。阅读理解、优先级判断、主动回忆留给人。
第四，知识达尔文主义应该被设计进系统。 允许同一知识有多种表述方式竞争，让用户和算法共同选择最有效的那一种。
第五，复习应该嵌入信息流。 不要强迫用户打开一个专门的 App 做复习。把复习嵌入他们已有的信息流——浏览器侧栏、聊天界面、IDE。这对注意力容易跳跃的用户尤其重要。
第六，反馈回路要闭合。 反复遗忘的卡片应该自动浮出来，触发 AI 的重写建议。相似卡片聚类检测干扰。复习数据驱动卡片的自动精炼。这才是 AI 最大的价值所在——不只是初始生成，而是持续优化。
最后的感想
Wozniak 在 supermemo.guru 上有一篇文章专门分析增量阅读为什么不流行。其中一个原因特别有意思：快乐的用户把它当秘密武器不外传——考试拿了高分但不告诉别人怎么做到的。
增量阅读的好处是长期的、延迟的。人们很难在短期内看到投资回报。学习曲线陡，工具不友好，好处又要等很久才能兑现——这三个因素叠加在一起，注定了它只能是小众方法。
但它的核心原则——中断不是失败、理解可以渐进、优先级管理比意志力重要、简单记忆优于复杂记忆——这些都是经过认知科学反复验证的。它们不依赖任何特定软件。
有一个程序员 Robert Heaton 在完全不知道 SuperMemo 的情况下，花了五年时间独立重新发明了增量阅读的核心流程。Wozniak 记录了这个案例，用来论证增量阅读是「计算上不可避免的发明」。在我看来他说得有道理——这套方法不是某个天才拍脑袋想出来的设计，而是人类信息处理在计算机辅助下的逻辑终点。
现在有了 AI，终于有机会把这个逻辑终点变成普通人也能用的东西。