| name | review |
| description | 间隔重复复习系统。扫描Obsidian原子卡片，用FSRS-6算法安排复习，AI出题+评分。当用户说"review"、"复习"、"间隔重复"、"复习卡片"、"今天复习什么"时触发。 |
| invocation | user |
| arguments | [{"name":"mode","description":"'start'（默认，扫描+复习）、'scan'（仅扫描新卡片）、'stats'（统计信息）","required":false},{"name":"limit","description":"单次最大卡片数，默认10","required":false},{"name":"topic","description":"可选主题过滤，如\"多巴胺\"、\"AI Agent\"","required":false}] |
/review Command
间隔重复复习系统 — 用 FSRS-6 算法复习 Obsidian 中的原子卡片（石头）。
定位
研究 → /note 存卡 → /review 复习 → 知识巩固
| Skill | 职责 | 输出 |
|---|
/note | 知识沉淀 — 研究摘要 + 原子卡片 | Obsidian 卡片组 |
/review | 知识巩固 — 间隔重复复习 | 本地 review_state.json |
/journal | 进度记录 — 做了什么 | 本地 journal + Obsidian journal |
文件路径
- Claude Code skill 目录:
$HOME/.claude/skills/review/
- Codex skill 目录:
$HOME/.agents/skills/review/
- FSRS 引擎:
- Claude Code:
$HOME/.claude/skills/review/scripts/fsrs_engine.py
- Codex:
$HOME/.agents/skills/review/scripts/fsrs_engine.py
- 状态文件默认位置:
- Claude Code:
${KM_REVIEW_STATE_PATH:-$HOME/.claude/skills/review/review_state.json}
- Codex:
${KM_REVIEW_STATE_PATH:-$HOME/.agents/skills/review/review_state.json}
运行时约定（Claude Code / Codex）
下文所有命令里的两个占位按当前运行时替换：
<FSRS_ENGINE_PATH>
- Claude Code:
$HOME/.claude/skills/review/scripts/fsrs_engine.py
- Codex:
$HOME/.agents/skills/review/scripts/fsrs_engine.py
<REVIEW_STATE_PATH>
- 默认就是对应 skill 目录下的
review_state.json
- 如需自定义，优先用
KM_REVIEW_STATE_PATH
配置：状态文件路径
默认状态文件位置与 installed skill 同目录：
- Claude Code:
~/.claude/skills/review/review_state.json
- Codex:
~/.agents/skills/review/review_state.json
如需自定义（例如跨机器同步、多 vault 隔离、测试隔离），通过环境变量覆盖：
export KM_REVIEW_STATE_PATH=/path/to/your/review_state.json
本 skill 内所有 fsrs_engine.py 的调用都会展开这个变量，自动使用自定义路径。不 export 时使用默认路径。
Usage
Claude Code 通常直接写 /review。Codex 可显式写 $review（或用自然语言让 Codex 按 skill 描述隐式匹配）。
/review # 扫描 + 复习（默认）
/review --mode=scan # 仅扫描新卡片，不复习
/review --mode=stats # 查看统计信息
/review --topic=多巴胺 # 只复习某主题
/review --limit=5 # 本次最多复习5张
Behavior
Step 1: 扫描注册新卡片
每次 /review 自动执行（除 mode=stats）。
1a. 获取当前状态
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> stats
从返回的 known_card_ids 得知已注册卡片。
1b. 列出 Cards/ 目录发现新卡片
唯一识别标准：frontmatter 含 type/atomic 标签 = 原子卡片。
obsidian search query="type/atomic"
从返回结果中，过滤出标签含 type/atomic 的文件 = 原子卡片候选。
如果用户指定了 topic，进一步过滤：文件名或后续读取的内容中包含 topic 关键词。
1c. 排除已注册卡片
对比 known_card_ids，只保留未注册的新卡片。
1d. 注册新卡片
对新卡片使用 CLI 逐个读取完整内容（仅当 Obsidian 未运行时回退 mcp__obsidian__read_multiple_notes），然后批量注册：
echo '<JSON>' | python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> bulk_register
输入 JSON 格式：[{"id": "Cards/{title}.md", "title": "...", "content": "..."}]
注意：始终使用 bulk_register（stdin JSON），即使只有一张卡片。不要使用 register CLI 命令注册含特殊字符的卡片内容。
1d-2. 为新注册卡片打 mastery/new 标签
对每张新注册的卡片，并行调用：
obsidian property:set path="Cards/{title}.md" name="tags" value="{existing_tags},mastery/new" type=list
1e. 报告扫描结果
扫描完成 — 发现 N 张新卡片，卡片池共 M 张
如果 mode=scan，到此结束。
Step 2: 获取待复习卡片
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> due --limit <limit> --new_limit <new_limit>
混合比例制：默认 new_limit = limit // 2（50% 新卡 + 50% 旧卡）。引擎会先取 new_limit 张新卡，剩余名额给 learning/review 旧卡。任一类不够时自动补给另一类。
- 如果 0 张到期 → 显示"今天没有待复习的卡片"+ 下次复习日期 → 结束
- 如果 > 0 → 进入复习会话
如果用户指定了 topic，从到期卡片中过滤：
- 有
domain/ 标签 → 精确匹配 domain/{topic}
- 无标签 → fallback 到标题/内容文本匹配
Step 3: 复习会话（循环每张卡片）
3a. 选择提问模式
- 新卡片（reps=0）→ 强制提问模式（用户还没见过内容，回忆无意义）
- 老卡片（reps>0）→ 随机切换：约 50% 回忆模式，50% 提问模式
3b. 展示问题
回忆模式：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[1/8] 回忆模式
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
请凭记忆描述这张卡片的核心内容：
【多巴胺】编码动机而非快乐
提问模式：
从卡片内容中提取一个关键知识点，生成具体问题：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[1/8] 提问模式
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Kent Berridge 的研究区分了大脑中哪两套独立的奖励系统？
提问要求：
- 问题必须有明确答案（从卡片内容可得）
- 避免"是/否"问题
- 覆盖卡片核心知识点
等待用户回答。
3b-2. 淘汰机制
如果用户回答"淘汰"、"skip"、"retire"或类似表达，执行淘汰流程而非评分：
- 调用 retire 命令：
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> retire --id <card_id>
- 更新 Obsidian 标签为
mastery/retired：
obsidian property:set path="Cards/{title}.md" name="tags" value="{updated_tags_with_mastery/retired}" type=list
- 展示确认：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
已淘汰：【卡片标题】
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
卡片保留在 Obsidian，不再出现在复习中。
- 继续下一张卡片。
3c. AI 评估回答
对照卡片原文（content_snippet），从三个维度评估：
- 核心知识点覆盖率 — 提到了多少关键概念
- 准确性 — 有无事实错误
- 精确度 — 模糊印象 vs 精确回忆
评分映射：
| Rating | 值 | 条件 |
|---|
| Again | 1 | 完全不记得 / 核心全错 |
| Hard | 2 | 方向对但关键细节缺失 >50% |
| Good | 3 | 核心知识点基本正确 |
| Easy | 4 | 完全准确含关键细节 |
3d. 展示反馈 + 记录
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
评分：Good (3)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
正确：wanting vs liking 的区分
遗漏：Salamone 的补充发现（多巴胺敲除鼠仍享受甜食）
卡片完整内容：
> [展示 content_snippet]
下次复习：3天后 (2026-02-23)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Again/Hard 助记强化：当评分为 Again (1) 或 Hard (2) 时，在展示卡片完整内容之后，额外生成一段助记内容帮助用户加深理解：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
💡 助记强化
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[根据卡片内容，选择以下一种或多种方式帮助记忆：]
- **生活类比**：用日常经验类比抽象概念
- **具体例子**：举一个具体、生动的实例
- **对比记忆**：和容易混淆的概念做对比（什么是、什么不是）
- **因果链条**：用"因为A→所以B→导致C"串联核心逻辑
- **一句话浓缩**：把核心要点压缩为一句记忆钩子
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
助记内容要求：
- 基于卡片原文，不编造新知识
- 优先选择用户最可能"啊哈"的角度
- 简洁有力，不超过 5 行
- Good/Easy 评分不生成（用户已掌握，无需额外辅助）
记录评分：
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> record --id <card_id> --rating 3
如果用户对评分有异议（如"这个应该是 Hard"），用用户覆盖的评分重新调用 record。
3d-2. 写回 mastery 标签到 Obsidian
每次 record 后，根据本次复习评分写回掌握等级到卡片 frontmatter：
| 标签 | 对应评分 | 含义 |
|---|
mastery/new | — | 从未复习 |
mastery/again | Again (1) | 完全不记得 |
mastery/hard | Hard (2) | 勉强想起，细节缺失 |
mastery/good | Good (3) | 核心掌握 |
mastery/easy | Easy (4) | 完全掌握 |
mastery/retired | 淘汰 | 已从复习池移除 |
操作步骤（可与下一张卡片的提问并行）：
- 读取当前标签：
obsidian tags path="Cards/{title}.md"
- 从结果中去掉旧 mastery 标签（mastery/new, mastery/again, mastery/hard, mastery/good, mastery/easy），加入新标签
mastery/{level}
- 写回：
obsidian property:set path="Cards/{title}.md" name="tags" value="{updated_tags}" type=list
仅当 Obsidian 应用未运行且 CLI 报 connection refused 时回退 MCP mcp__obsidian__manage_tags（remove + add 两步并行）。
3e. 下一张卡片
继续下一张，直到所有到期卡片复习完或达到 limit。
Step 4: 会话总结
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
复习完成
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
本次复习：8 张卡片
评分分布：Again 1 | Hard 2 | Good 4 | Easy 1
平均记忆保持率：82%
薄弱卡片：
- 【消退学习】— Again, 明天复习
- 【前额叶皮层】— Hard, 2天后复习
下次复习：明天有 3 张卡片到期
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
记录 session 到状态文件：
echo '{"date":"2026-02-20","cards_reviewed":8,"ratings":{"Again":1,"Hard":2,"Good":4,"Easy":1},"avg_retrievability":0.82}' | \
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> record_session
Step 5: mode=stats 输出
python3 <FSRS_ENGINE_PATH> <REVIEW_STATE_PATH> stats
格式化输出：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
复习统计
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
卡片池：M 张（新 X / 学习中 Y / 复习中 Z）
今日到期：N 张
下次到期：YYYY-MM-DD
历史评分分布：
Again: XX | Hard: XX | Good: XX | Easy: XX
平均难度：X.X / 10
平均稳定性：X.X 天
总复习次数：XX 次
总会话数：XX 次
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
关键规则
- 等待用户回答 — 展示问题后必须等用户输入，不能自己回答
- 评分可覆盖 — 用户说"这个应该是 Hard"时，用用户的评分
- 一张一张来 — 不要批量展示，每次只展示一张卡片的问题
- 展示完整内容 — 评分后必须展示卡片原文，帮助用户巩固
- 状态文件路径固定 — 始终使用
<REVIEW_STATE_PATH>（Claude Code / Codex 按运行时替换；如有覆盖，优先 KM_REVIEW_STATE_PATH）
Notes
- content_snippet 注册时固定，Obsidian 原卡修改后需重新 scan 同步
- FSRS 参数使用全局默认值，暂不做个性化训练
- 首次运行会自动创建 review_state.json
