Anki Exam Forge

Construisez des paquets .apkg Anki à haut rendement pour la préparation aux examens dans une boucle fermée en 4 étapes : analyse de fréquence des sujets d'examen (PDF/images/texte -> rapport de fréquence déterministe + paquet), génération .apkg multi-type à GUID stable (Basic/MCQ/Cloze + médias), complément incrémental de cours (PPT/DOCX/PDF) sans doublons, et réécriture de mnémoniques pour cartes bloquées.

Qu'est-ce que Anki Exam Forge ?

Anki Exam Forge est une compétence d'agent IA conçue pour transformer des sujets d'examen, des diapositives de cours et des notes en un système d'étude Anki évolutif et sans doublons, optimisé par la récupération mémorielle et le retour sur investissement d'examen. Elle fonctionne via une boucle fermée en quatre phases : ingestion et analyse de fréquence des examens passés (phase 1), création et validation de cartes puis packaging en .apkg (phase 2), complément incrémental à partir de nouveaux supports de cours sans écraser les cartes existantes (phase 3), et réparation des cartes bloquées (leeches) par l'ajout de mnémoniques structurés (phase 4). La compétence propose deux modes d'exécution : soit comme serveur MCP avec une suite d'outils (anki_doctor, anki_extract_source, anki_analyze_frequency, anki_build_apkg, etc.), soit comme CLI Python/Node.js autonome. Elle prend en charge les formats Basic, MCQ et Cloze, gère les identifiants GUID stables pour éviter la perte de progression, et intègre des références de conception (card-design-guide.md) et des préréglages par matière (subject-presets.md). Ce qui distingue Anki Exam Forge des autres générateurs Anki, c'est son analyse de fréquence déterministe qui priorise les cartes en fonction de leur apparition réelle dans les examens précédents, son algorithme de diff qui fusionne intelligemment les nouveaux contenus sans dupliquer, et sa capacité à appliquer des mnémoniques ciblés sur les cartes à problèmes tout en préservant l'historique de révision.

Compatible avec~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/nonuiucode/anki-exam-forge/tree/HEAD/skills/anki-exam-forge

Installed? Explore more Productivité et collaboration skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Anki Exam Forge ?

Transformez des sujets d'examen éparpillés, des PDF scannés et des diapositives de cours en un système d'étude Anki .apkg évolutif et sans doublons, construit autour de la récupération mémorielle et du ROI d'examen.

Deux chemins d'exécution (MCP ou CLI autonome)

Utilisez l'interface disponible dans votre environnement d'agent :

  • Outils MCP (lorsqu'installé comme plugin Antigravity ou serveur MCP) :

    1. anki_doctor — vérifie la disponibilité de Python, SQLite, OOXML (.pptx/.docx) et l'extraction PDF.
    2. anki_extract_source — extrait le texte, les notes de l'orateur, les pages PNG rendues (pour les PDF scannés) et les images intégrées des fichiers .pdf, .pptx, .docx, .md/.txt ou des dossiers d'images.
    3. anki_analyze_frequency — regroupe les items d'examen par concept_key canonique, compte les apparitions exactes de manière déterministe, produit un rapport de fréquence Markdown et génère un deck.json priorisé.
    4. anki_validate_deck — vérifie la présence de la question/réponse, la syntaxe des trous {{c1::...}}, >= 2 options MCQ, l'unicité de card_id/guid et les chemins des fichiers médias.
    5. anki_build_apkg — compile le deck.json en un .apkg à GUID déterministe (ExamForge-Basic, ExamForge-MCQ, ExamForge-Cloze) ordonné par fréquence d'examen.
    6. anki_inspect_apkg — inspecte un .apkg existant (en privilégiant collection.anki21), extrait les médias groupés et filtre les notes par balise (leech), paquet, requête ou minLapses.
    7. anki_diff_supplement — différencie les nouvelles cartes candidates de cours/PPT par rapport à un deck.json ou .apkg existant, en conservant tous les GUID originaux et en ajoutant uniquement les cartes véritablement nouvelles.
    8. anki_apply_mnemonics — écrit des mnémoniques structurés de technique de mémorisation dans les cartes correspondantes tout en conservant les GUID originaux pour des mises à jour Anki sans perte de progression.
  • CLI autonome (lorsqu'installé via --skill-only ou exécuté sans MCP) :

    • Python pur (fonctionne directement depuis le dossier de la compétence, zéro dépendance pip pour le flux de base .apkg/.pptx/.docx) : python <dossier-skill-ou-plugin>/engine/cli.py <doctor|extract|freq|validate|build|inspect|diff|mnemonic> ...
    • Wrapper Node.js (lorsqu'exécuté depuis le dépôt du plugin) : node <dossier-plugin>/server/cli.mjs <doctor|extract|freq|validate|build|inspect|diff|mnemonic> ...

Workflow en boucle fermée en 4 phases

Phase 1 : Ingestion des examens passés et analyse de fréquence

  1. Exécutez anki_doctor (ou cli.py doctor) pour confirmer la disponibilité du PDF/Python.
  2. Extrayez les sources par fenêtres gérables : appelez anki_extract_source sur les PDF d'examens passés (fromPage: 1, maxPages: 15..20, renderMode: "auto"). Pour les pages scannées ou riches en images, lisez les images pages/page_XXX.png générées avec votre capacité de vision multimodale plutôt que de vous fier uniquement au texte OCR épars. Continuez avec next_from_page jusqu'à couvrir tous les sujets.
  3. Normalisez chaque question d'examen en éléments JSON structurés contenant :
    • concept_key : nom de concept canonique concis pour que les questions formulées différemment testant le même fait sous-jacent fusionnent proprement (ex. "桡神经损伤临床表现", "胃食管反流病一线用药").
    • card_type : "basic" | "mcq" | "cloze".
    • front / stem / text, options (pour mcq), back / answer, explanation, topic, source_years (ex. ["2021", "2023"]) et media (noms de fichiers des diagrammes).
  4. Ne comptez jamais les fréquences de tête : passez le tableau/fichier d'éléments extraits à anki_analyze_frequency (choisissez subjectPreset : clinical-medicine, postgrad-exam, law-exam ou general) pour générer le rapport de fréquence Markdown déterministe et le deck.json priorisé.

Phase 2 : Création, validation et packaging .apkg des cartes

  1. Avant de finaliser les cartes, consultez :
    • Guide de conception des cartes — atomicité, sélection cloze vs MCQ vs basic, et hygiène des diagrammes.
    • Préréglages par matière — conventions de champ et hiérarchies de balises pour la médecine clinique, les examens post-universitaires/d'habilitation et les STEM/sciences humaines.
  2. Validez avant le packaging : exécutez anki_validate_deck (passez mediaDir si les cartes référencent des figures extraites). Corrigez toute erreur bloquante (invalid_cloze, missing_media, duplicate_card_id, etc.) et envisagez de diviser les cartes verbeuses signalées par des avertissements.
  3. Construisez le .apkg : exécutez anki_build_apkg (subdeckStrategy: "tier" place les cartes dans 01-高频必背, 02-中频常考, 03-真题常规, 04-课件补充, triées de sorte que les cartes d'examen passées les plus fréquentes apparaissent en premier dans la file due d'Anki).

Phase 3 : Complément incrémental des diapositives de cours / notes (Boost de score d'examen)

Une fois que les cartes à haut rendement des examens passés constituent la base de réussite, utilisez les diapositives de cours (.pptx, .docx, .pdf) pour combler les lacunes restantes du programme sans écraser ni dupliquer les cartes existantes :

  1. Extrayez le paquet de cours avec anki_extract_source (extractImages: true extrait les diagrammes/tableaux intégrés dans media/).
  2. Rédigez les cartes candidates à partir des nouvelles diapositives/notes.
  3. Exécutez anki_diff_supplement par rapport au deck.json existant ou au .apkg exporté :
    • Les doublons exacts sont ignorés automatiquement.
    • Les quasi-doublons (similarity >= nearThreshold) sont présentés pour révision ; passez mergeNear: true lorsque les détails des diapositives enrichissent une carte d'examen passée existante.
    • Les nouveaux concepts reçoivent la balise source::ppt-supplement et sont placés dans 04-课件补充, tandis que chaque carte existante conserve exactement son guid original.
  4. Re-validez et reconstruisez le .apkg (anki_build_apkg). La réimportation dans Anki met à jour les notes modifiées sur place sans perdre l'historique de révision.

Phase 4 : Réparation mnémonique des cartes bloquées / leeches

Lorsqu'un utilisateur exporte son paquet Anki actif (avec les informations de planification, ou cochez "Support older Anki versions / 兼容旧版 Anki" lors de l'exportation .apkg) ou pointe vers des éléments tenaces :

  1. Exécutez anki_inspect_apkg avec tagFilter: "leech" et/ou minLapses: 3 (ou query pour des mots-clés spécifiques) pour isoler les cartes qui échouent systématiquement au rappel.
  2. Appliquez le Recueil de mnémoniques pour créer des accroches mémorielles courtes et vivantes (acronyme, rime, homophone, mécanisme, contraste, visuel, loci) ciblant spécifiquement pourquoi l'utilisateur confond cette carte.
  3. Écrivez les accroches dans le champ Mnemonic via anki_apply_mnemonics (updateOnly: true émet un .apkg de mise à jour chirurgical léger contenant uniquement les cartes corrigées avec leurs GUID originaux exacts).
  4. Rappelez à l'utilisateur : les mnémoniques résolvent le codage initial des éléments tenaces ; la répétition espacée d'Anki maintient la récupérabilité à long terme — continuez à réviser la carte mise à jour normalement.

Skills associés