分享一套基于认知负荷理论的Anki制卡Prompt，已自制1400+ C++卡片

背景

在数字化学习日益普及的今天，Anki 作为一款基于间隔重复（Spaced Repetition）算法的记忆卡片软件，被广泛应用于语言学习、医学备考、编程技术栈掌握等领域。然而，许多用户在使用 Anki 时面临一个核心痛点：如何高效地将零散、冗长的知识文本转化为高质量的记忆卡片。

传统的制卡方式往往依赖人工手动摘录，效率低下且难以保证卡片质量；而直接使用 AI 进行批量生成时，若缺乏严谨的指令约束，AI 容易生成包含多个知识点、线索泄露或被动识别类的低效卡片，导致记忆效果大打折扣。

本文分享了一套经过多次迭代、已成功应用于 C++ 编程语言学习（制作 1400+ 张卡片）的 Anki 制卡 Prompt。该 Prompt 深度融合了 SuperMemo 的 SM-2 算法理念、认知负荷理论以及主动回忆原则，旨在通过标准化的工作流，将任意领域的知识转化为符合“最小信息原则”的高质量记忆单元。

核心内容

该 Prompt 的核心逻辑在于构建一个具备专业认知科学背景的“Anki 制卡专家”角色，并严格规定从知识解构到最终输出的全流程规范。

角色设定与理论基础

Prompt 首先定义了 AI 的角色为精通多项学习科学的专家，包括：

• SuperMemo 20 条知识构建规则：确保卡片符合间隔重复算法的最佳实践。
• 认知负荷理论（Cognitive Load Theory）：优化内在负荷，减少外在干扰。
• 主动回忆（Active Recall）：强制用户提取记忆而非识别。
• 生成效应（Generation Effect）：通过生成答案加深记忆痕迹。
• 交错练习（Interleaving）：通过多样化提问方向模拟混合练习效果。

核心原则

1. 最小信息原则：每张卡片仅考察一个“知识原子”。若原内容包含多个独立事实，必须强制拆分。
2. 生成效应：避免选择题或填空题式的暗示，要求用户主动生成答案。
3. 认知负荷管理：简化排版，去除无关信息，聚焦核心概念。
4. 交错与间隔：通过对比卡片和多角度提问，建立知识网络。

工作流（Workflow）

Prompt 规定了一个严格的六步处理流程：

1. 知识解构：提取核心概念、隐含知识、前置条件及易混淆点，修正错误信息。
2. 原子化：确保每张卡片只问一个事实，且回答时间控制在 20 秒以内。
3. 选择提问方向：按优先级推荐以下四种方向，避免单纯的“术语→定义”：
   • 功能 → 术语
   • 场景 → 机制
   • 现象 → 原因
   • 对比 → 区分
4. 构建记忆模型：利用具体示例、代码片段、典型错误等建立直观认知。
5. 上下文补全：卡片正面（Front）必须独立成句，禁止使用“它”、“这个”等代词。
6. 消除线索：正面不得泄露答案的关键词或类别。
7. 多视角提问：对重要概念，需生成正向、反向及应用场景等多张卡片。

质量检查与特殊规则

在输出前，Prompt 内置了一套自检清单，包括是否只考察一个知识点、是否无多问题、是否 20 秒内可回答、是否构建认知模型等。特别规则强调列表/枚举必须拆分为独立原子卡，对比卡片需询问“场景选择”而非仅罗列区别。

输出格式

为了便于直接导入 Anki，Prompt 强制要求输出为 CSV 格式，字段为 Front|Back|Tag，且禁止使用任何 Markdown 语法。标签格式规范为 学科::主题::子主题。

关键要点

• 会话隔离至关重要：作者强调，不要在现有的 AI 对话中追加此 Prompt。必须开启一个全新的会话，先发送 Prompt 设定角色，再发送知识点内容。否则 AI 可能无法严格遵循指令。
• 模型选择建议：
  • ChatGPT：速度快，适合批量处理。
  • Gemini：指令遵循效果好，制卡质量高。
  • DeepSeek：表现均衡。
  • Kimi/Qwen：在该特定任务下速度较慢且效果不佳，不推荐首选。
• 输入参数标准化：用户需提供四个维度的信息：学科领域、具体知识点（原文/笔记/代码）、目标深度（入门/进阶/专家）、特殊要求（如易错点）。
• 调优策略：如果生成的卡片过于简单或碎片化，可以通过修改 Prompt 中的“回答时间”阈值（如从 20 秒调整为 30 秒或更长）来允许更复杂的知识组合，从而平衡颗粒度与信息密度。
• 严格的格式约束：输出必须为纯文本 CSV，字段间用 | 分隔，禁止 Markdown，以确保直接复制粘贴即可导入 Anki，无需二次清洗。

意义与影响

这套 Prompt 的价值不仅在于提供了一套制卡工具，更在于它将认知科学理论具象化为可执行的 AI 指令。

1. 提升学习效率：通过强制“最小信息原则”和“主动回忆”，避免了传统制卡中常见的“被动阅读”陷阱，显著提升了长期记忆的留存率。
2. 标准化知识生产：对于 C++ 等逻辑严密、概念复杂的编程语言学习，该 Prompt 能有效处理代码片段、错误排查和机制对比，解决了非结构化数据转化为结构化记忆单元的难题。
3. 降低 AI 使用门槛：通过预设质量检查清单和明确的提问方向，减少了用户反复调试 Prompt 的成本，使得普通用户也能利用 AI 获得接近专业编辑水平的卡片质量。
4. 可复用的方法论：虽然案例以 C++ 为例，但其核心原则（原子化、去线索、多视角）适用于医学、法律、语言学习等任何需要高强度记忆的知识领域，具有广泛的通用性。

总之，这是一套经过实战验证（1400+ 卡片）的高效知识内化工具，体现了“用科学方法驾驭 AI”的最佳实践。