Files

T

shenleiandClaude Opus 5 6b42b7abc3 feat: 独立词库、三向认词与当日快闪复习

## 独立词库

理解词原先只能跟着课程单元走，学完 A0 十课词汇量只增加约 22 个实词，
不足以解决"记不住单词"。新增一份独立词库 assets/words/wordbank.json
（2748 词，A1–B1），挂进 receptiveWordRegistry 的合成单元 bank-A1/A2/B1，
完全复用理解词已有的状态机，不依赖课程进度，第一天就能用。

数据来源、许可与合成规则记在 tool/words/DATA-NOTE.md：CEFR-J 定等级、
公开词书提供音标、AI 重写全部释义并生成例句、OpenSubtitles 提供口语词频。
词书部分为 CC BY-NC-SA 4.0 且上游权利不明，仅供个人非商用；
若要分发或上架，须替换音标那一列。

## 背单词机制

- 间隔阶梯 1/3/7/15/30/60/120 天，连续答对上一级，答错回第一级。
  原先首次答对后要等 7 天才复习，正是"第二天就忘"的成因。
- 每日新词上限（10 分钟 8 个 / 20 分钟 15 个 / 30 分钟 20 个）。
  阶梯第一级是次日，今天引入的新词就是明天的工作量。
- 新词按口语频率发放，不再按字母序 —— A1 从 a.m./ability 变成 no/not/know/just。
- 三个方向按层级轮转：看词（英→中）→ 听词（音→中）→ 想词（中→英）。
  想词题仍是选择题，不要求产出，理解词定位不变，不进升级分母。
- 单词页独立成 tab，首页今日任务卡下方给一张认词入口卡。

## 用法对照

课程 JSON 增加 usage 字段（when/reply/swap/confuse）：一个句型用在什么场合、
对方通常怎么答、还能怎么说、跟哪个学过的句型容易混。
知道 How are you? 的意思，不等于知道它不是用来问名字的。

## 复习流

- 当日快闪（recap）独立成队列，不占复习预算，也不计入积压。
- 只发放当日预算内的量，其余保持到期状态等下次，不悄悄丢弃或改期。
- 答错的项隔几题后回来，而不是立刻重问。

测试 296 通过，flutter analyze 干净。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

2026-09-20 23:54:17 +09:00

4.8 KiB

Raw Blame History

词库数据来源与许可

assets/words/wordbank.json 由两份来源合成，两份的地位不同，处置方式也不同。

1. 等级与词表范围：CEFR-J Vocabulary Profile 1.5

决定哪些词进词库、算哪一级。
登记在 tool/courses/lexicon/SOURCES.md（版本、下载地址、SHA-256、许可原文），与 tool/courses/pools/{a1,a2,b1}-word-pool.csv 的生成用的是同一份数据。
CEFR-J 本身只有分级，没有释义、音标、例句、词频 —— 它是分级表，不是词典。

2. 音标：公开词书（有许可风险，未解决）

来源：https://github.com/lilinji/English，由 tool/words/fetch.sh 下载其中的入门级词书（KET、PET、小学/初中教材词表）。
许可：仓库标 CC BY-NC-SA 4.0，README 自称「整理自公开来源，仅供个人学习，严禁商用」。上游权利不明，低于本项目 SOURCES.md 对课程数据的标准。
结论：自用、不分发，风险基本为零；一旦要分发或上架，这部分必须换掉。 换的时候只需要替换音标一列 —— 词表范围和等级由 CEFR-J 决定，释义和例句已经由 AI 重写，都不受影响。

3. 释义与例句：AI 重写（deepseek-flash）

tool/words/enrich_wordbank.py 把词书释义当参考喂给模型，明确告诉它词书质量不稳定、可以推翻；模型返回主释义、次要义项、一个例句和例句中文。
tool/words/apply_enrichment.py 校验后合并：释义为空、带括号、超过 10 个字的一律丢弃，保留词书原值。实际全部 2748 条都通过了校验。
结果缓存在 ENRICH_CACHE 指定的 jsonl 里，按 id 去重，中断可续跑，不会重复付费。
一次全量：输入约 10 万 token，输出约 63 万 token（模型会先推理，输出占大头）。

4. 词频：OpenSubtitles 计数（MIT）

来源：https://github.com/hermitdave/FrequencyWords 的 content/2018/en/en_50k.txt，仓库 MIT 许可，计数来自 OpenSubtitles 字幕语料。
决定新词按什么顺序发给用户。同等级内从最常用的开始，不按字母序。
为什么不用网页语料：先试了 first20hours/google-10000-english（公共领域），对词库只有 78% 覆盖，缺的全是 ankle、ambulance、asleep、aspirin 这类日常词 —— 网页语料对口语词覆盖不好。字幕语料覆盖 97%，缺的只有 bus stop 这类多词短语。
多词短语取组成词里最罕见那个词的名次：短语不会比它最难的组成词更容易。
tool/words/add_frequency.py 把名次写进 rank 字段；表里完全查不到的 11 个词排在本等级末尾。

排序效果：

等级	前 12 个词
A1	no not know just there here like get go right out about
A2	it yeah even first name ever enough understand next dead actually bit
B1	working rest able stupid sometimes sort serious scared hang bet beat calm

合成规则

tool/words/build_wordbank.py：

读 tool/courses/pools/*-word-pool.csv，只取 status == pool 且非虚词的词条；
词书里的词只有落在词池里才进词库，词书不能往词库里加词；
释义按词性拆分，优先匹配 CEFR-J 标注的词性，丢掉 [美俚] <美> 这类限定义项，去掉全部括号，每个义项取第一个逗号项；
第一个义项进 zh（选择题答案），其余进 more（只在词条详情里显示）；
add_frequency.py 最后写入 rank，决定发放顺序。

现状

项	数值
词条总数	2748（A1 807 / A2 912 / B1 1029）
A1 词池覆盖	807 / 828 = 97%
A2 词池覆盖	912 / 1065 = 86%
B1 词池覆盖	1029 / 1557 = 66%
有例句	2748（100%）
有词频名次	2737（99.6%）
有次要义项	2304
无音标	37 条

规格 5.4 要求覆盖率 ≥85%：A1、A2 达标，B1 偏低，因为只下了入门级词书，补 B1 需要再下四六级一类的中高级词书。

释义缺陷的处置

词书原始数据有相当一部分词条只收了罕见义，规则清洗修不掉，全部由 AI 重写解决：

词	词书原值	现值
ticket	加标签于；指派	票（次要义：罚单）
it	信息技术information technology	它
check	制止；检验	检查（次要义：核对；支票）
accept	承认；同意；承兑	接受（次要义：同意）

apply_enrichment.py 还会打印一份「需要人眼看一下」的例句清单：它用词干前缀判断例句里是否真的用到了这个词，而 teach → taught、bus stop 这类变形和词组它判断不了，所以只报告、不丢弃。最近一次是 9 条，全部核对无误。

4.8 KiB Raw Blame History Unescape Escape