AI赋能Anki：基于LLM与Prompt工程的智能制卡技能全解析

1. 项目概述当Anki遇上AI一个卡片技能的革命如果你和我一样是个重度Anki用户那你一定经历过这样的时刻面对一本厚厚的教科书或者一篇几十页的论文想要把里面的核心知识点做成记忆卡片光是复制、粘贴、整理、编辑就要耗费大半天的时间。Anki的核心是“间隔重复”它让我们记忆更高效但制作卡片的过程本身却常常是低效且痛苦的。这就是我最初发现“gong1414/anki-card-skill”这个项目时感到眼前一亮的原因。它不是一个简单的插件而是一个旨在用AI技术彻底革新Anki卡片制作流程的“技能”集合。简单来说这个项目通过集成大型语言模型LLM将我们从繁琐的手工制卡中解放出来。你只需要提供一段文本——可以是一段笔记、一篇文章的摘要甚至是一个网页链接——它就能自动为你生成结构清晰、内容准确的Anki卡片。这不仅仅是“自动化”更是“智能化”。它理解文本的上下文能识别关键概念、定义、因果关系并按照Anki卡片的最佳实践如一问一答、填空、选择题来组织内容。对于学生、研究者、终身学习者尤其是需要处理大量外语或专业文献的人来说这无疑是一个生产力倍增器。这个项目的核心价值在于它精准地击中了Anki生态中的一个长期痛点输入瓶颈。我们花在“记忆”上的时间远少于花在“准备记忆材料”上的时间。而“anki-card-skill”试图翻转这个比例让我们能更专注于学习本身而非学习前的准备工作。接下来我将深入拆解这个项目的设计思路、技术实现、实操方法以及我踩过的一些坑希望能为你高效利用这个工具提供一份详尽的指南。2. 核心架构与设计思路拆解2.1 从“工具”到“技能”的范式转变传统的Anki插件无论是用于批量导入、调整样式还是管理卡片大多是在Anki的既有框架内做功能增强。它们处理的是结构化的数据或执行预设的规则。而“anki-card-skill”的不同之处在于它引入了一个非确定性的、基于理解的核心——大型语言模型。这使其从一个“工具”演变为一个“技能”。技能Skill在这里的定义是一种能够理解用户意图、处理非结构化输入自然语言文本并生成符合特定领域Anki卡片规范的结构化输出的能力。项目的设计思路正是围绕这一核心展开输入抽象层项目需要处理多样化的输入源。可能是你复制的一段纯文本可能是一个包含复杂格式的网页也可能是一个PDF文件。设计的第一步就是将这些异构输入归一化为LLM能够处理的干净文本。这通常涉及到HTML标签清理、无关导航栏和页脚的剔除、编码转换等预处理步骤。LLM任务编排层这是项目的大脑。收到净化后的文本后它并非简单地将全文塞给LLM并说“生成卡片”。一个优秀的技能需要执行一系列精细的子任务文本分割与上下文管理长文本需要被智能地分割成适合LLM处理的片段通常受限于模型的上下文窗口如4096或8192个token同时要保证分割点不会切断一个完整的语义单元如一个定义、一个论点。信息提取与结构化指令Prompt被精心设计引导LLM从文本中识别出“事实”、“概念”、“过程”、“对比”等不同类型的知识单元。卡片模板适配项目需要决定生成的卡片采用何种形式。是基本的问答卡正面问题背面答案还是填空卡Cloze Deletion或是包含选项的选择题不同的知识类型适配不同的卡片模板这需要逻辑判断。Anki集成输出层将LLM生成的结构化数据卡片正面、背面内容可能还有标签、卡片类型等元数据通过Anki Connect一个允许外部程序与Anki通信的API或直接操作.apkg文件的方式批量创建到用户的Anki牌组中。这个架构的关键在于Prompt工程的质量。Prompt是引导LLM行为的“咒语”。一个糟糕的Prompt可能让LLM生成冗长、包含无关信息甚至错误的卡片。而一个优秀的Prompt就像一位经验丰富的助教知道如何从材料中提炼考点并以最适合记忆的形式呈现出来。2.2 技术栈选型与权衡项目作者“gong1414”选择的技术栈反映了其对效率、可控性和用户体验的考量。后端/处理核心项目很可能基于Python构建。Python在自然语言处理NLP生态中拥有绝对优势丰富的库如requests用于网络请求beautifulsoup4或lxml用于HTML解析pypdf2或pdfplumber用于PDF解析能轻松处理输入抽象层的各种脏活累活。LLM接入这是核心中的核心。选项无非是使用云端API如OpenAI的GPT系列、Anthropic的Claude或本地部署的开源模型如Llama 3、Qwen、DeepSeek。云端API如OpenAI优势是开箱即用模型能力强特别是推理和遵循复杂指令方面响应速度快无需担心硬件。劣势是持续产生费用且有数据隐私考量虽然主流API提供商有不将数据用于训练的政策对网络有依赖。本地模型优势是数据完全私有一次部署后无持续成本可离线使用。劣势是对硬件尤其是GPU显存要求高模型性能特别是较小参数量的模型在复杂任务上可能不及顶级云端模型需要一定的运维知识。 项目的具体选择会直接影响用户的部署复杂度和使用成本。一个成熟的技能项目可能会提供配置选项让用户自行选择后端。与Anki的通信Anki Connect几乎是唯一优雅的选择。它是一个Anki插件在Anki内部启动一个HTTP服务器。外部程序如我们的Python脚本可以通过发送JSON-RPC请求来执行几乎所有操作获取牌组列表、查找笔记、添加笔记、更改卡片调度等。这种方式干净、可靠且与平台Windows/macOS/Linux无关。另一种直接写.apkgAnki包文件的方式更底层但复杂且易出错通常只用于大规模初始导入。用户界面UI作为一个“技能”其UI可能相对轻量。可能是浏览器插件最无缝的体验。选中网页文本右键点击“生成Anki卡片”卡片就直接飞入指定牌组。桌面小工具一个常驻系统托盘的小程序可以粘贴文本、拖入文件来生成卡片。命令行工具对于开发者或喜欢自动化工作流的用户CLI工具最为灵活可以轻松集成到其他脚本中。 项目的形态决定了其易用性。一个优秀的技能应该追求“最小化用户操作”让制卡动作融入现有的阅读和工作流而非打开另一个复杂的软件。3. 核心细节解析与实操要点3.1 Prompt工程教会AI如何当好“出题老师”这是整个项目技术含量最高也最值得细说的部分。LLM很强大但若指令不清它可能会把一整段原文当作答案或者生成一些似是而非的“概括”。我们的目标是让它成为一个严谨的“出题老师”。一个有效的制卡Prompt通常包含以下几个部分角色设定“你是一位专业的课程设计专家擅长从学术材料中提取关键知识点并将其转化为有效的记忆卡片。”任务定义“请仔细阅读以下文本识别其中最重要的概念、事实、术语定义、因果关系和过程步骤。”输出格式规范这是关键必须给出清晰、结构化、甚至带示例的格式要求。请为每个识别的知识点生成一张卡片以JSON格式输出一个列表。每张卡片包含以下字段 { “front”: “卡片正面问题。问题应具体、清晰最好能触发主动回忆。例如‘光合作用的光反应阶段发生在叶绿体的什么部位’ 避免使用‘什么是...’这种过于宽泛的开头除非是针对核心定义。”, “back”: “卡片背面答案。答案应准确、简洁直接回应正面问题。可以包含关键要点但不宜过长。”, “tags”: [“与知识点相关的标签如‘生物学’‘细胞呼吸’” “最多3个”], “card_type”: “卡片类型可选 ‘basic’ (问答卡) 或 ‘cloze’ (填空卡)。对于需要记忆精确术语或步骤顺序的建议用填空卡。” }质量要求与禁忌“不要生成文本中不存在的信息。”“避免将多个无关知识点合并到一张卡片中即‘一问多答’。”“对于复杂过程考虑将其分解为2-3张顺序卡片。”“优先为专业术语、数字、日期、因果关系、差异对比创建卡片。”在实际操作中你可能需要针对不同类型的阅读材料如教科书、研究论文、新闻文章微调Prompt。例如论文的Prompt可能更强调“研究问题”、“方法论”、“核心结论”和“局限性”而语言学习材料的Prompt则可能侧重于“短语搭配”、“例句”和“语法点”。实操心得不要指望一个万能Prompt。最好的方法是准备几个“模板Prompt”针对材料类型进行切换。初期可以生成少量卡片进行质量抽查根据LLM的“犯错”模式比如总是生成过于宽泛的问题来迭代优化你的Prompt。把Prompt本身也当作一个需要调试的“程序”。3.2 文本预处理给AI喂“干净”的食粮“垃圾进垃圾出。” 如果扔给LLM的是布满广告、导航栏、脚本代码的混乱HTML它的性能会大打折扣甚至可能被无关信息干扰。预处理流水线通常包括HTML净化使用BeautifulSoup库只保留主要的文章内容标签如article,p,h1-h6剔除script,style,nav,footer,aside以及所有内联样式和事件属性。目标是提取出纯语义内容。格式标准化将多个连续的空格、换行符压缩为合理的格式。确保标点符号使用一致。智能分段根据句子边界、标题层级或固定的token长度如每800个token一段进行分段。更高级的方法可以使用语义分割模型确保段落意思完整。分段时最好保留少量重叠如50个token防止知识点被割裂。元数据提取尝试从title,meta标签或特定CSS类中提取文章标题、作者等信息这些可以作为默认的牌组名或卡片标签。对于PDF文件挑战更大。除了提取文本还要处理分栏、页眉页脚、图表通常文本提取会丢失。pdfplumber库在保留文本位置信息方面做得较好有助于进行简单的版面分析。注意事项预处理不是越彻底越好。有些格式信息如加粗、斜体可能本身就有强调意义可以考虑将其转换为Markdown语法**加粗**、*斜体*保留在文本中为LLM提供额外线索。关键是找到平衡点。3.3 与Anki Connect的集成稳定交付的最后一公里生成了一堆完美的卡片JSON数据后如何稳妥地送进AnkiAnki Connect是这个桥梁。基本工作流程如下确保Anki Connect运行在Anki中安装好Anki Connect插件并保持Anki程序处于打开状态。Anki Connect默认在http://localhost:8765提供服务。构建请求你需要按照Anki Connect的API格式发送HTTP POST请求。核心操作是addNotes添加笔记。构造笔记数据Anki中的一条“笔记”可以对应多张“卡片”比如一张正向卡一张反向卡。你需要指定deckName牌组名称。如果不存在Anki会自动创建。modelName笔记类型如“Basic”、“Cloze”、“Basic (and reversed card)”。这必须与你Anki里已有的类型名称完全一致。fields一个字典对应笔记类型定义的各个字段。例如Basic类型通常有Front和Back字段。tags卡片标签列表。错误处理与去重网络请求可能失败Anki可能未启动。代码中必须有重试机制和友好的错误提示。更重要的是去重在添加前可以先调用findNotesAPI根据卡片正面内容查询是否已存在相同卡片避免重复添加。# 一个简化的Python示例 import requests import json def add_card_to_anki(front, back, deckDefault, tagsNone): if tags is None: tags [] # 构造Anki Connect请求 payload { action: addNote, version: 6, params: { note: { deckName: deck, modelName: Basic, fields: { Front: front, Back: back }, tags: tags } } } try: response requests.post(http://localhost:8765, jsonpayload) result response.json() if result.get(error): print(f添加卡片失败: {result[error]}) return False else: print(f卡片添加成功ID: {result[result]}) return True except requests.exceptions.ConnectionError: print(错误无法连接到Anki Connect。请确保Anki已启动且Anki Connect插件已安装。) return False踩坑记录最大的坑是字段名不匹配。如果你在Anki里自定义了笔记类型字段名如Front、Back必须完全一致包括大小写。另一个常见问题是并发请求过快导致Anki卡顿或丢失请求。建议在批量添加时在请求间加入少量延迟如0.1秒。4. 实操过程与核心环节实现假设我们现在要基于一个Python脚本的雏形实现一个最简单的命令行版“anki-card-skill”。我们将使用OpenAI API作为LLM后端。4.1 环境准备与依赖安装首先创建一个新的项目目录并设置虚拟环境是良好的实践。mkdir anki-card-skill-cli cd anki-card-skill-cli python -m venv venv # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate安装核心依赖pip install openai requests beautifulsoup4openai: OpenAI官方库用于调用GPT API。requests: 用于发送HTTP请求与Anki Connect通信。beautifulsoup4: 用于HTML解析和清理。你还需要一个OpenAI API密钥。请妥善保管不要将其硬编码在脚本中或上传到公开仓库。4.2 构建核心脚本框架我们创建一个名为ankicard.py的主脚本。其逻辑流程如下读取输入文件路径或直接文本。预处理输入如果是URL则抓取并清理如果是文件则读取。将处理后的文本分割成合适大小的块。为每个文本块调用LLM生成卡片JSON。解析LLM返回的JSON并通过Anki Connect添加到Anki。以下是核心代码结构的示意import sys import json import openai from bs4 import BeautifulSoup import requests from typing import List, Dict import time # 配置 OPENAI_API_KEY 你的API密钥 # 强烈建议从环境变量读取 OPENAI_MODEL gpt-3.5-turbo # 或 gpt-4 ANKI_CONNECT_URL http://localhost:8765 client openai.OpenAI(api_keyOPENAI_API_KEY) def clean_html(html_content: str) - str: 从HTML中提取纯净文本 soup BeautifulSoup(html_content, html.parser) # 移除脚本、样式等标签 for element in soup([script, style, nav, footer, aside]): element.decompose() # 获取文本并简单清理 text soup.get_text(separator\n) lines (line.strip() for line in text.splitlines()) chunks (phrase.strip() for line in lines for phrase in line.split( )) return \n.join(chunk for chunk in chunks if chunk) def split_text(text: str, max_tokens2000) - List[str]: 将长文本分割成适合LLM处理的块。这里按简单换行分段实际可更复杂。 paragraphs text.split(\n) chunks [] current_chunk [] current_length 0 for para in paragraphs: para_length len(para) // 4 # 粗略估算token数 if current_length para_length max_tokens and current_chunk: chunks.append(\n.join(current_chunk)) current_chunk [para] current_length para_length else: current_chunk.append(para) current_length para_length if current_chunk: chunks.append(\n.join(current_chunk)) return chunks def generate_cards_with_llm(text_chunk: str) - List[Dict]: 调用LLM API生成卡片数据 prompt f 你是一个专业的助教请将以下学习材料转化为高效、准确的Anki记忆卡片。 材料 {text_chunk} 请遵循以下规则生成卡片 1. 只基于提供的材料不添加外部知识。 2. 聚焦于核心概念、术语定义、关键事实、数字、因果关系、过程步骤和重要对比。 3. 每张卡片必须对应一个独立、明确的知识点。 4. 卡片正面问题应具体能触发主动回忆。例如“二战转折点战役是哪场”而不是“关于二战”。 5. 卡片背面答案应简洁、准确。 6. 为每张卡片添加1-3个相关标签。 7. 输出格式必须是严格的JSON列表每个元素是一个卡片对象包含字段front字符串back字符串tags字符串列表。 现在请输出JSON try: response client.chat.completions.create( modelOPENAI_MODEL, messages[{role: user, content: prompt}], temperature0.3, # 较低的温度使输出更确定、更专注 ) # 尝试从响应中解析JSON content response.choices[0].message.content.strip() # 有时LLM会在JSON外包裹markdown代码块需要处理 if content.startswith(json): content content[7:] if content.endswith(): content content[:-3] cards_data json.loads(content) return cards_data except json.JSONDecodeError as e: print(fLLM返回了非JSON内容解析失败: {e}) print(f返回内容:\n{content}) return [] except Exception as e: print(f调用LLM API时发生错误: {e}) return [] def add_cards_to_anki(cards: List[Dict], deck_name: str AI-Generated): 通过Anki Connect添加卡片 for card in cards: note { deckName: deck_name, modelName: Basic, fields: { Front: card.get(front, ), Back: card.get(back, ) }, tags: card.get(tags, []) } payload { action: addNote, version: 6, params: {note: note} } try: resp requests.post(ANKI_CONNECT_URL, jsonpayload, timeout10) result resp.json() if result.get(error): print(f添加卡片失败 (Front: {note[fields][Front][:50]}...): {result[error]}) else: print(f✓ 卡片已添加: {note[fields][Front][:50]}...) except requests.exceptions.ConnectionError: print(错误无法连接到Anki Connect。请启动Anki并确保Anki Connect插件已启用。) sys.exit(1) except Exception as e: print(f网络请求异常: {e}) time.sleep(0.1) # 避免请求过快 def main(): # 这里可以扩展为从命令行参数、文件或剪贴板读取输入 input_text 光合作用是植物、藻类和某些细菌利用光能将二氧化碳和水转化为有机物如葡萄糖并释放氧气的过程。 它分为光反应和暗反应两个阶段。光反应发生在叶绿体的类囊体薄膜上需要光其产物是ATP和NADPH。暗反应卡尔文循环发生在叶绿体基质中利用光反应产生的ATP和NADPH将二氧化碳固定为有机物。 print(开始处理文本并生成卡片...) # 1. 文本分割 (本例文本短无需分割) chunks split_text(input_text) all_cards [] for i, chunk in enumerate(chunks): print(f正在处理第 {i1}/{len(chunks)} 个文本块...) cards generate_cards_with_llm(chunk) all_cards.extend(cards) print(f共生成 {len(all_cards)} 张卡片。) if all_cards: deck input(请输入要添加到的牌组名称 (回车使用默认AIGenerated): ).strip() or AIGenerated add_cards_to_anki(all_cards, deck) print(处理完成请打开Anki查看。) else: print(未生成任何卡片。) if __name__ __main__: main()这个脚本提供了一个最基础的骨架。你可以通过命令行参数让它接受文件路径或URL并增加更健壮的文本分割、错误处理和日志功能。4.3 从脚本到“技能”构建用户友好的接口要让这个工具从开发者脚本变成大众可用的“技能”下一步是封装用户界面。方案一浏览器插件最实用这是最无缝的体验。以Chrome扩展为例其核心是一个content script它可以访问当前页面的DOM。用户选中文本后右键菜单触发插件插件将选中的文本或整个页面净化后的文本发送到你的后端服务可以是本地运行的Python服务也可以是配置了API密钥的云函数后端调用LLM并返回卡片数据再通过注入页面的JavaScript调用Anki Connect需要Anki Connect允许来自浏览器扩展的跨域请求这需要额外配置完成添加。方案二本地桌面小工具最私有使用PyQt、Tkinter或Electron构建一个简单的桌面应用。提供一个文本框用于粘贴文本一个文件选择器以及几个配置选项如牌组名、模型选择、API密钥设置。所有处理都在本地完成数据不出电脑隐私性最强。方案三命令行工具增强版对于程序员群体一个功能强大的CLI工具可能就够了。使用像argparse或click这样的库提供丰富的子命令和选项ankicard url https://en.wikipedia.org/wiki/Photosynthesis --deck Biology --model Cloze ankicard file chapter1.pdf --deck Physics 101 ankicard text 康德三大批判是... --deck Philosophy同时CLI工具可以支持配置文件来存储默认的API密钥、首选牌组等设置。5. 常见问题与排查技巧实录在实际使用和开发这类工具的过程中你会遇到各种各样的问题。以下是我总结的一些典型场景和解决方案。5.1 卡片质量问题LLM的“发挥失常”问题1卡片内容过于笼统或空洞。现象生成了大量像“什么是XX”、“请描述YY”这样的宽泛问题答案也是一大段原文复述。根因Prompt指令不够具体没有强制LLM进行“知识点拆解”和“具体提问”。解决强化Prompt中的输出规范。提供反面例子和正面例子。例如“避免生成像‘什么是光合作用’这样的问题因为它太宽泛。应该生成如‘光合作用的光反应阶段发生在细胞器的什么部位’或‘光合作用中水分子被分解后直接产生了什么产物’这样的具体问题。”问题2LLM“捏造”了材料中没有的信息。现象卡片答案包含了原文未提及的细节或推论。根因LLM的“幻觉”特性。温度参数过高也可能导致创造性过强。解决在Prompt中反复强调“只基于提供的材料”、“不要添加任何外部知识”。降低API调用时的temperature参数如设为0.1-0.3让输出更确定性。在输出格式中要求LLM引用原文片段。例如要求卡片对象增加一个source_excerpt字段填写答案所依据的原文句子。这不仅能验证准确性后期复习时也能快速定位原文。问题3一张卡片包含多个知识点。现象正面问题如“请简述光反应和暗反应的区别”背面列出了五六条。根因LLM倾向于总结和归纳而记忆卡片要求“一个卡片一个知识点”。解决在Prompt中明确要求“每张卡片必须只对应一个独立、原子化的知识点”。并举例说明复杂概念应如何拆分“对于‘光反应与暗反应的区别’应拆分为多张卡片例如‘光反应的场所是’、‘暗反应的场所是’、‘光反应的直接能量产物是什么’、‘暗反应的能量来源是什么’。”5.2 技术集成问题管道不通问题4Anki Connect连接失败。现象脚本报错ConnectionError。排查Anki是否打开Anki Connect只在Anki运行时才生效。插件是否安装并启用在Anki中点击“工具”-“插件”-“浏览并安装”输入代码2055492159安装Anki Connect。安装后重启Anki。防火墙或安全软件是否拦截确保本地回环地址127.0.0.1:8765没有被阻止。跨域问题针对浏览器插件Anki Connect默认只接受来自127.0.0.1的请求。浏览器插件运行在不同的源。需要在Anki Connect插件配置中如果有或通过修改其源码来允许跨域这涉及更复杂配置通常不建议新手操作。可以考虑让浏览器插件将数据发送给一个本地运行的代理服务再由代理服务转发给Anki Connect。问题5卡片添加成功但在Anki中显示错乱或字段丢失。现象卡片出现了但正面内容跑到了背面或者标签没加上。排查字段名不匹配这是最常见原因。通过Anki Connect的modelNames和modelFieldNamesAPI动态获取你Anki中确切的笔记类型名称和字段名。不要硬编码“Front”和“Back”。# 获取所有笔记类型 payload {action: modelNames, version: 6} resp requests.post(ANKI_CONNECT_URL, jsonpayload) models resp.json()[result] print(f可用笔记类型: {models}) # 获取某个类型的字段 payload {action: modelFieldNames, version: 6, params: {modelName: Basic}} resp requests.post(ANKI_CONNECT_URL, jsonpayload) fields resp.json()[result] print(f‘Basic’类型的字段: {fields})HTML/特殊字符转义如果卡片内容包含HTML标签如br或MarkdownAnki可能会将其渲染或转义。确保传递给Anki Connect的字段内容是纯文本或者是你期望的格式。必要时进行HTML实体编码。问题6处理长文档时API调用成本高或超时。现象一篇长论文导致API调用费用激增或中间某段失败导致整个任务中断。优化策略更智能的文本分割按章节、标题分割而不是单纯按token数。这能保证语义完整性有时还能减少不必要的API调用因为有些章节可能不包含可制卡的知识点。缓存与去重对于相同的文本块可以缓存LLM的响应结果避免重复计费。异步与重试使用异步请求并发处理多个文本块并在失败时加入指数退避重试机制。使用更经济的模型对于知识提取这种相对模式化的任务gpt-3.5-turbo通常足够好且比gpt-4便宜一个数量级。可以先用小模型对结果不满意再针对性地用大模型重处理部分内容。5.3 成本与效率优化问题7如何控制API使用成本策略设置预算和用量监控在OpenAI后台设置使用量硬上限。预处理过滤在调用LLM前先用简单的规则或本地小模型过滤掉明显无意义的文本如版权声明、参考文献列表。Prompt精简优化你的Prompt去掉不必要的叙述让它更简洁直接。但要注意不能以牺牲指令清晰度为代价。考虑本地模型如果使用频率极高长期来看投资硬件本地部署一个7B-13B参数量的优秀开源模型如Qwen1.5-7B-Chat, Llama 3 8B Instruct可能是更经济的选择。虽然单次生成速度慢但无持续费用。问题8生成的卡片需要大量后期编辑并没有节省太多时间。现象AI生成的卡片有70%可用但剩下的30%需要手动修正或删除整体效率提升不明显。解决这提示你的Prompt和工作流需要优化。实施“审核-编辑”流程不要追求100%全自动。设计一个流程让AI生成卡片后先进入一个“暂存”牌组或标记为“待审核”。你快速浏览一遍批量删除明显错误的修改有瑕疵的然后再批量移动到正式学习牌组。这个“审核”步骤比从零制卡仍然快得多。迭代你的Prompt将那些需要你手动修改的卡片作为“训练数据”分析LLM在哪里出错了并据此调整Prompt。这是一个持续的过程。提供更优质的源材料AI的理解质量很大程度上取决于输入质量。尽量提供结构清晰、语言规范的文本。从混乱的网页直接抓取的效果通常不如从PDF教科书或经过整理的笔记中提取。最终使用“anki-card-skill”这类工具的心态很重要它不是一个完美的、完全自动化的解决方案而是一个强大的“协作者”。它承担了初稿起草的繁重工作将你从机械劳动中解放出来让你能将宝贵的认知资源投入到更高层级的任务中——知识的结构化、关联与批判性思考。接受它需要一定的调试和后期润色就像你使用任何高级工具一样当磨合到位后它将成为你学习武器库中一件不可或缺的利器。