Community生产力与协作github.com

Anki 考试锻造

将分散的历年真题、扫描版 PDF 和课件讲义转化为一个不断演进、零重复的 Anki .apkg 学习系统,专注于记忆可提取性与备考投资回报率。

Anki 考试锻造 是什么?

Anki Exam Forge 是一个专为备考设计的 AI 智能体技能,它通过一个四阶段闭环工作流,将历年真题(PDF/图片/文本)、课件(PPT/DOCX/PDF)和讲义等碎片化资料,自动生成结构化的 Anki 闪卡牌组 (.apkg)。该技能的核心优势在于: 1. **确定性频率分析**:对真题进行概念级归一化并精确统计出现频率,生成按考试优先级排序的高质量牌组,确保备考精力集中在高频考点上。 2. **多题型支持**:支持基础 (Basic)、选择题 (MCQ) 和完形填空 (Cloze) 三种卡片类型,并自动生成稳定的全局唯一标识符 (GUID),确保跨设备同步的兼容性。 3. **增量补充与零重复**:在基于历年真题构建基础牌组后,可通过 `anki_diff_supplement` 工具,将课件中的新知识点无缝整合进牌组,同时严格避免与已有卡片重复,并保持原有卡片 GUID 不变,保护用户的学习进度。 4. **困难卡片修复**:针对用户反复遗忘的“卡壳”或“水蛭”卡片,该技能提供 `anki_apply_mnemonics` 功能,能自动应用联觉记忆法(如谐音、口诀、视觉联想等)编写记忆钩子,并将其写回原卡片,在不丢失复习历史的前提下解决记忆难点。 该技能支持 MCP 工具和独立 CLI 两种运行模式,兼容 Windows、macOS 和 Linux 系统,非常适合医学、法律、工程等备考场景。

兼容平台~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 生产力与协作 skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Anki 考试锻造 是做什么的?

将分散的历年真题、扫描版 PDF 和课件讲义转化为一个不断演进、零重复的 Anki .apkg 学习系统,专注于记忆可提取性和考试投资回报率。

双执行路径(MCP 或独立 CLI)

根据您的智能体环境选择可用的接口:

  • MCP 工具(作为 Antigravity 插件或 MCP 服务器安装时):

    1. anki_doctor — 检查 Python、SQLite、OOXML(.pptx/.docx)和 PDF 提取就绪状态。
    2. anki_extract_source — 从 .pdf、.pptx、.docx、.md/.txt 或图片文件夹中提取文本、演讲者备注、渲染的 PNG 页面(用于扫描版 PDF)和嵌入的图片。
    3. anki_analyze_frequency — 按标准化的 concept_key 对考题项进行分组,确定性地统计精确出现次数,生成 Markdown 频率报告,并输出一个优先排序的 deck.json。
    4. anki_validate_deck — 检查提示/答案是否存在、{{c1::...}} 完形填空语法、>= 2 个 MCQ 选项、唯一的 card_id/guid 以及媒体文件路径。
    5. anki_build_apkg — 将 deck.json 编译成具有确定性 GUID 的 .apkg(ExamForge-Basic、ExamForge-MCQ、ExamForge-Cloze),并按考试频率排序。
    6. anki_inspect_apkg — 检查已有的 .apkg(优先使用 collection.anki21),提取捆绑的媒体文件,并可按标签(leech)、牌组、查询或 minLapses 过滤笔记。
    7. anki_diff_supplement — 将课件/PPT 候选卡片与已有的 deck.json 或 .apkg 进行差异比较,保持所有原始 GUID 不变,仅追加真正的新卡片。
    8. anki_apply_mnemonics — 将结构化的记忆技巧助记符写回匹配的卡片中,同时保持原始 GUID,以实现零进度损失的 Anki 更新。
  • 独立 CLI(通过 --skill-only 安装或在没有 MCP 的情况下运行时):

    • 纯 Python(直接从技能文件夹运行,核心 .apkg/.pptx/.docx 流程不依赖 pip 额外包): python <skill-or-plugin-dir>/engine/cli.py <doctor|extract|freq|validate|build|inspect|diff|mnemonic> ...
    • Node.js 包装器(从插件仓库运行时): node <plugin-dir>/server/cli.mjs <doctor|extract|freq|validate|build|inspect|diff|mnemonic> ...

四阶段闭环工作流

阶段 1:历年真题摄入与频率分析

  1. 运行 anki_doctor(或 cli.py doctor)以确认 PDF/Python 就绪状态。
  2. 在可控窗口内提取源文件:对历年真题 PDF 调用 anki_extract_source(fromPage: 1, maxPages: 15..20, renderMode: "auto")。对于扫描版或图片密集的页面,使用您的多模态视觉能力阅读生成的 pages/page_XXX.png 图片,而不是仅依赖稀疏的 OCR 文本。通过 next_from_page 继续,直到覆盖所有试卷。
  3. 将每个考题标准化为结构化的 JSON 项,包含:
    • concept_key:简洁的标准概念名称,以便措辞不同但测试相同基本事实的问题能够干净地合并(例如,"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(用于 mcq)、back / answer、explanation、topic、source_years(例如,["2021", "2023"])和 media(任何图表文件名)。
  4. 切勿在脑海中计算频率:将提取的项数组/文件传递给 anki_analyze_frequency(选择 subjectPreset:clinical-medicine、postgrad-exam、law-exam 或 general),以生成确定性的 Markdown 频率报告和优先排序的 deck.json。

阶段 2:卡片创作、验证与 .apkg 打包

  1. 在最终确定卡片之前,请参考:
    • 卡片设计指南 — 原子性、完形填空与 MCQ 及基础卡片的选择、图表卫生。
    • 科目预设 — 临床医学、研究生/执业考试、STEM/人文学科的字段约定和标签层次结构。
  2. 在打包前验证:运行 anki_validate_deck(如果卡片引用了提取的图表,则传递 mediaDir)。修复所有阻塞性错误(invalid_cloze、missing_media、duplicate_card_id 等),并考虑拆分由警告标记的冗长卡片。
  3. 构建 .apkg:运行 anki_build_apkg(subdeckStrategy: "tier" 将卡片放入 01-高频必背、02-中频常考、03-真题常规、04-课件补充,排序方式使得最高频的真题卡片在 Anki 的 due 队列中优先出现)。

阶段 3:课件 PPT / 笔记增量补充(考试分数提升器)

一旦基于历年真题的高收益卡片构成了及格基线,使用课件讲义(.pptx、.docx、.pdf)填补剩余的教学大纲空白,同时不覆盖或重复已有卡片:

  1. 使用 anki_extract_source 提取课件牌组(extractImages: true 将嵌入的图表/表格拉入 media/ 目录)。
  2. 从新课件/笔记中起草候选卡片。
  3. 针对已有的 deck.json 或导出的 .apkg 运行 anki_diff_supplement:
    • 完全重复会自动跳过。
    • 近似重复(similarity >= nearThreshold)会被显示供审查;当幻灯片细节丰富了已有真题卡片时,传入 mergeNear: true。
    • 新概念会被分配 source::ppt-supplement 标签并放入 04-课件补充 牌组,而每个已有卡片保持其确切的原始 guid。
  4. 重新验证并重新构建 .apkg(anki_build_apkg)。重新导入 Anki 会就地更新修改过的笔记,而不会丢失复习历史。

阶段 4:卡壳 / 水蛭卡片助记修复

当用户导出他们的活跃 Anki 牌组(包含调度信息,或在导出 .apkg 时勾选 **

相关技能