Hanzi Flow 是一款围绕一个想法打造的汉字练习应用：自适应句子选择。它会根据你当前的掌握程度，从 79,000 多条真实例句中挑选含 2 到 5 个生字的句子，让你始终处于 90% 到 95% 的理解区间。不用管理卡组，只需输入拼音开始练习。

源码： github.com/brianhliou/hanzi-flow

在新页面打开 →

现有工具的问题

中文学习应用基本分为三类，而它们都有各自的短板。

像 Anki 这样的闪卡应用让你死记孤立的汉字。整理卡组花的时间比真正学习还多。等你终于在真实文本里见到某个字时，却认不出来，因为你是脱离语境学的。

像 Pleco 这样的词典应用查词很好用，但完全是被动的。你读了，你懂了，什么也没留下。没有主动回忆，没有打字练习。

阅读应用和家教给你的要么是儿童读物（无聊），要么是母语者内容（难度过高）。你要么无聊，要么招架不住，两者都无法培养流利度。

缺失的一环是保持心流状态。也就是 90% 到 95% 的理解区间，让你有挑战但不至于沮丧。你需要难度恰当、自动挑选的句子，并通过打字进行主动回忆。

我做了什么

Hanzi Flow 是带自适应难度的句子练习。你读中文、输入拼音，应用根据你对每个字的掌握程度挑选下一句。它有 Anki 的间隔重复，却不用管理卡组；有 Duolingo 的单次练习流程，但用的是真实句子而非会话手册里的例句。

练习界面：逐字输入句子

这款应用：

  • 来自 Tatoeba 的 79,000 多条句子（真实用法，而非教科书例句）
  • 4,000 多个汉字：HSK 1 至 9 级，外加约 1,000 个超纲字
  • 自适应算法：根据你的掌握程度挑选含 2 到 5 个生字的句子
  • 掌握度追踪：字级得分配合间隔重复（EWMA + SRS）
  • 对齐 HSK 3.0：可按官方大纲等级筛选（1 至 9 级或超纲）
  • 简繁支持：简体、繁体或混合
  • 实时反馈：彩色视觉提示，外加 1,598 个音频文件（覆盖全部拼音音节）
  • 100% 本地优先：无需账号，不做追踪，可离线使用

你练习与自己水平相符的地道句子，通过拼音输入培养打字流利度，系统会随你的进步自动调整。无需手动管理卡组。

使用体验

首次运行：设置偏好

第一次打开应用时，你要选两项：

字形：简体、繁体或混合。这会筛选语料库以匹配你的目标。

HSK 等级：筛选是累积的。选「HSK 1-3」，你得到的句子只包含 1、2、3 级的字。选「HSK 超纲」则纳入官方大纲之外约 1,000 个进阶字。

这些设置随时可在设置页更改。更改后，应用会清空当前的句子队列，并按新的筛选条件重新生成。

设置页：字形与 HSK 等级偏好

练习循环

练习流程很直白：

  1. 读句子：汉字大字号显示
  2. 输入拼音：逐字输入，声调可选（wo3 或 wo 都行）
  3. 获得反馈：当前字高亮为蓝色，错误则红色闪烁并可重试（最多 4 次）
  4. 查看拼音：每个字下方显示带声调的正确答案
  5. 显示译文：完成后可选择在底部查看英文
  6. 下一句：按空格键或点击按钮

反馈即时且可视化。你的注意力始终落在当前字上（蓝色高亮）。答错时红色闪烁并播放正确读音的音频。你有 4 次机会，之后系统会继续往下并把该字标为紫色（放弃）。系统接受异读（地 既接受 de 也接受 di），但会显示符合语境的那个。

练习中句子的彩色反馈

关键机制在于反馈回路。现实中，你可能在书里看到一个字，猜错了，却永远不知道。或者看电视时完全漏掉读音。这类学习循环很慢。随意学习的人可能要花好几个月，才能积累足够的接触量来真正学会一个字。

这款应用压缩了这个循环。你看到一个字，输入它，立刻得到带音频的纠正，马上重试，然后继续。全程十秒。一次练习做 100 个字，就跑完了 100 次学习循环。主动回忆（打字）、即时纠正（音频加视觉）和高频次（句子源源不断）叠加起来，产生的效果是被动接触给不了的。

进度追踪

统计页展示四项主要指标：

  • 练习过的汉字总数：你见过的不重复汉字
  • 已掌握汉字：掌握度 ≥ 0.8 的字
  • 练习过的句子：完成的不重复句子
  • 整体正确率：首次尝试即正确的百分比

掌握度分布把汉字分为几组：

  • 学习中（s < 0.6）：仍在建立熟悉度
  • 熟练（0.6 ≤ s < 0.8）：快了
  • 已掌握（s ≥ 0.8）：牢固

每个字都会按间隔重复记录下次复习时间。

统计页：进度总览

掌握度分布：汉字分布情况

自适应算法（NSS）

随机选句效果很差。你会反复看到相同的句子，在已经掌握的内容上浪费时间，或者被含 10 个以上生字的句子压垮。

下一句选择（NSS）就是挑选下一句的算法。它在新知识、间隔重复、新鲜度和难度之间取得平衡。

核心想法

最佳区间：每句 2 到 5 个生字。

  • 0 到 1 个生字：太简单，只是复习
  • 2 到 5 个生字：恰到好处，挑战足够，语境也足够
  • 6 个以上生字：太难，你只能瞎猜

算法还要平衡：

  • 新知识（你从未见过的字）
  • 间隔重复（复习到期的字）
  • 新鲜度（不要反复刷同样的句子）
  • 多样性（混合不同难度）

工作原理

NSS 按批次运行。你开始练习时，它生成 10 个句子。做完 8 个后，它在后台预取下一批。你永远不用等待。

四个步骤：

1. 筛选符合条件的句子

从完整语料库（79K）开始，应用你的筛选条件：

  • 字形（简体／繁体／混合）
  • HSK 等级（你选择的范围）
  • 冷却（排除最近 20 分钟内见过的句子）

这样得到候选池，通常是 20K 到 40K 条句子。

2. 随机抽取 300 个候选

从池中随机取 300 条。数量足够保证多样性，又小到能快速打分（100 毫秒以内）。随机抽样确保你每次练习看到的句子都不同。

3. 为每个候选打分

对这 300 条中的每一条，按四个因素计算得分：

  • 基础收益：每个字的 (1 - 掌握度) 之和。掌握度低的字得分更高。若已过复习期，收益翻倍。
  • 新鲜度：按距上次见到的时间给加分。鼓励多样性，避免反复刷。
  • 通过惩罚：如果这句你已多次全对，就降低得分。避免过度练习。
  • k 惩罚：惩罚生字数落在 2 到 5 区间之外的句子。强制控制难度。

加总起来：score = base_gain + novelty - pass_penalty - k_penalty

4. 取前 10，打乱，入队

按得分排序，取前 10 条，打乱顺序以混合难度，然后加入队列。

你练这 10 条。剩下 2 条时，算法会在后台再跑一次，预取下一批。

掌握度追踪

每个字都有一个 0.0 到 1.0 的掌握度得分（s）。

  • s = 0.3（新字的默认值）
  • s → 1.0（稳定答对）
  • s → 0.0（一直答错）

更新采用 α=0.15 的指数加权移动平均（EWMA）。近期表现权重更大，但变化是渐进的。一次失误不会让你跌到底，一次答对也不会虚高。

答对一个字后，它的稳定度（SRS 间隔）会增长为 1.2 倍。起点是 1 小时，然后 1.2 小时，再 1.44 小时。相比 Anki 激进的跳跃（1 天 → 3 天 → 7 天），这让汉字在轮换中停留更久。

为什么更慢？当天复习很重要。你需要在一次练习中见到某个字 3 到 5 次，才能把它从短期记忆转入长期记忆。间隔跳得太快会错过这个窗口。

当一个字到期（超过它的 next_review_ts）时，它在打分中获得双倍权重。算法会优先选择含过期字的句子。这就是经典的间隔重复。

数据管线

做这个需要完备的数据：带读音的汉字、带译文的句子、难度标签、质量过滤。下面是我构建语料库的过程。

字集

从 Unicode CJK 统一汉字区（U+4E00 至 U+9FFF）入手，共 20,992 个字。涵盖现代汉语的所有汉字，外加罕见异体字和历史字形。

然后用三个来源的数据为每个字补充信息：

  • Unihan 数据库：拼音读音、异体字、部首拆分
  • CC-CEDICT：英文释义与例词（学 → “study; learn”，学生 → “student”）
  • OpenCC：简繁对应关系，用于字形分类

结果：99.7% 的字有拼音，67% 有英文释义，35% 有异体对应。我知道哪些字真的出现在 Tatoeba 里（5,000 多个），哪些只是理论存在（罕见的文言字）。

汉字覆盖曲线：累计字数

这条曲线显示汉字在各 HSK 等级上的累积情况。HSK 1 约 300 字，HSK 2 再加约 300 字，以此类推。等级越高曲线越平缓，逐渐接近约 3,000 字的识字门槛。再往上，边际收益递减。

频率分布遵循齐普夫定律：少数汉字占主导，大多数都很罕见。前 500 个字覆盖 75% 的文本，前 2,000 个覆盖 95%。这对自适应算法很重要，因为先学高频内容能立刻带来阅读能力。

频率分布：幂律

HSK 分级

HSK（汉语水平考试）是中国的官方水平测试。2021 年修订版（HSK 3.0）定义了 9 个等级，总计 3,000 个汉字。我整合了来自 elkmovie/hsk30 的官方字表（由政府 PDF 经 OCR 得到）。

每个句子按其中最难的字分级：

  • 全是 HSK 1 的字？标为「1」
  • 最难的字是 HSK 3？标为「3」
  • 含 HSK 9 以上的字？标为「beyond-hsk」

这驱动了筛选功能。当你选择「HSK 3」时，你只会看到每个字都属于 1 至 3 级的句子。不会有意外。

词汇量增长：各 HSK 等级的累计字数

句子在各 HSK 等级上的分布

句子处理

从众包翻译数据库 Tatoeba 抓取了 79,000 多条中文句子。每条一边是英文，一边是中文。

难点：语境感知的拼音。汉字有多音，读法取决于语境。我先用 jieba + pypinyin 跑第一遍，再用 GPT-4o-mini 校验（79K 句约花 2 美元）。在 地（de 对 di4）、著（zhe 对 zhu4）、谁（shei2 对 shui2）等常见多音字上修正了 10,336 处错误。

多音字示例：

  • 了：le（助词）对 liao3（完结）
  • 行：xing2（可以）对 hang2（行列）
  • 长：zhang3（生长）对 chang2（长）

光靠查表是不行的。你得理解词语所处的语境。

第 1 步：jieba + pypinyin。jieba 把「我们试试看」切分为 [“我们”, “试试”, “看”]，然后 pypinyin 为每个词生成拼音：我们试试看 → wo3 men shi4 shi4 kan4。多数情况有效，但在助词和口语读音上会出错。

第 2 步：GPT-4o-mini 校验。把整个语料库过了一遍 OpenAI 的 API（79K 句约 2 美元，每次调用批量处理 10 条）。提示词要求逐字给出带声调的拼音。在 79,603 条句子中发现 10,336 处错误。主要修正：

  • 覺（120 处修改）：pypinyin 给出 jue2（感觉），OpenAI 给出 jiao4（睡觉）
    • 你應該去睡覺了吧：「你该去睡觉了」
  • 著（696 处修改）：pypinyin 给出 zhu4（穿着），OpenAI 给出 zhe（助词）
    • 生活就是當你忙著進行你的計劃時…：「生活就是当你忙于推进自己的计划时发生的事」
  • 谁（404 处修改）：pypinyin 给出 shui2（书面），OpenAI 给出 shei2（口语）
    • 你知不知道他们是谁?：「你知道他们是谁吗？」
  • 长（136 处修改）：pypinyin 给出 zhang3（生长），OpenAI 给出 chang2（长）
    • 我看见一个长头发的女生：「我看见一个长头发的女生」

我手动审阅了高频字，并应用了高置信度的修正。OpenAI 的语境理解能力捕捉到了基于规则的方法漏掉的错误。

英文译文：同样用 GPT-4o-mini 生成（总计约 1 美元）。Tatoeba 的数据集只有约 2,000 条句子带译文。若只用这些，语料库会从 79,000 多条缩到 2,000 条，自适应算法的效果就毁了。所以我用 GPT-4o-mini 翻译了全部 79,000 多条句子。大语言模型在翻译上很擅长，因为它们会利用语境，而这正是中译英准确性所需要的。示例：

  • 我們試試看！ → Let’s give it a try!
  • 你在干什麼啊？ → What are you doing?
  • 今天是６月１８号，也是Muiriel的生日！ → Today is June 18th, and it’s Muiriel’s birthday!
  • 生日快乐，Muiriel！ → Happy birthday, Muiriel!
  • 密码是”Muiriel”。 → The password is “Muiriel.”

还应用了一些质量过滤：

  • 字形分类：简体、繁体、中性或混合
  • 粗俗内容移除：过滤脏话（约 10 条句子）
  • 长度上限：移除超过 50 字的句子（约 270 条），以免出现滚动
  • 元句子：移除 Tatoeba 自我指称的句子（约 80 条）

最终语料库：79,333 条干净句子。

字形分布：简体／繁体／混合的构成

架构与性能

使用现代 Web 技术构建，针对速度与隐私做了优化。

为什么本地优先？

  • 隐私：无账号、无追踪、无遥测。你的进度永不离开设备。我甚至没接分析工具。数据归你所有。
  • 性能：没有网络延迟。句子选择在 100 毫秒内完成。打字反馈即时。统计页 50 毫秒内加载。
  • 简单：无后端要维护，无数据库要扩容，无鉴权。应用就是静态文件加客户端 JS。我免费托管在 Vercel 上。
  • 代价：没有跨设备同步。笔记本和手机上的练习是分开的。对 MVP 来说可以接受。多数人只有一台主力设备。以后可以加导出／导入或可选的云同步。

技术栈

前端：

  • Next.js 15，使用 App Router
  • React 19 + TypeScript
  • Tailwind CSS
  • Dexie.js 操作 IndexedDB

数据管线：

  • Python 3.9+ 编写处理脚本
  • jieba 做分词
  • pypinyin 生成语境感知的拼音
  • pandas + matplotlib 做分析
  • GPT-4o-mini 做翻译与拼音校验

音频：

  • AWS Polly（Zhiyu 音色）做语音合成
  • 1,598 个音节，覆盖全部声调
  • 采用 OGG 格式以兼容网页浏览器

部署：

  • Vercel（零配置）
  • 静态站点，无服务器
  • 全球 CDN

数据加载与缓存

应用在首次访问时加载大数据集，随后积极缓存。

首次加载：

  • 79,333 条句子（约 41MB JSON）：只取一次，存入内存
  • 汉字映射 CSV（约 2MB）：ID、拼音、释义
  • 音频文件：按需获取（每个 1 到 2KB）

内存缓存：

  • 句子存在 JavaScript 数组里
  • 汉字到 ID 的映射存在 Map 里（O(1) 查找）
  • 会话期间不重新请求

IndexedDB 持久化：

  • WordMastery 表：每个练习过的字一行（掌握度得分、SRS 间隔、下次复习时间、次数统计）
  • SentenceProgress 表：每条完成的句子一行（通过率、尝试次数、上次见到时间）
  • SentenceQueue 表：存放接下来的 10 个句子（更改偏好时重新生成）

所有数据都留在你的设备上。除首次加载外没有网络请求。

性能技巧：

  • 音频预加载：NSS 挑出下一句时，会在后台预加载其拼音音频（3 到 5 个文件，不到 10KB）。等你看到它时，音频已缓存好。
  • 队列预取：当你做完 10 句中的 8 句时，NSS 在后台为下一批运行。你永远不用等待。
  • 惰性加载：统计页只在你访问时才计算分布，而不是每次操作都算。

离线： 首次加载之后，可以完全离线使用。在飞机上、地铁里，随处都能练。进度会立刻保存到 IndexedDB（无需保存按钮）。

关键设计决策

声调数字还是声调符号

应用接受声调数字（wo3、shi4）而不是声调符号（wǒ、shì）。为什么？

  • 更好输入（不需要特殊键盘）
  • 是中文输入法的标准做法（为真实打字做准备）
  • 无歧义（v 与 ü 等价，声调符号需要 Unicode 组合字符）
  • 迫使你明确思考声调（wo3 = 第三声），而不是靠视觉记忆

基于句子的学习

为什么用句子而不是孤立的词？

  • 语境：在真实用法中学汉字。「我们试试看」教的是 我们、试试、看，同时还有语法结构。
  • 阅读练习：贴近真实阅读。培养解析汉字序列的能力。
  • 打字流利度：训练完整句子的肌肉记忆，跟你实际使用的一样。
  • 难度校准：句子天然具有难度分布（生字数量）。词级做不到这一点。
  • 动力：完成一个句子让人觉得有进展。你在读真正的中文，而不是刷「的 的 的」闪卡。

接下来

就日常练习而言，这款应用的功能已经完整。如果我回头继续做，可能会加上：

  • 移动端 PWA（可安装）
  • HSK 统计细分
  • 复习模式（以 SRS 为核心的练习）
  • 整句音频（完整发音，而非仅字级）
  • 汉字卡片（字源、笔顺、组词）
  • 声调分析（追踪你容易混淆的声调）
  • 自定义语料库（导入你自己的句子）
  • 导出／导入（跨设备迁移）

这是开源项目。有想法？欢迎提 issue 或 PR。

结语

做这个是为了解决自己的痛点。我想练中文阅读，又不想承担闪卡的额外负担。真实句子、自适应难度、干净的打字界面。

结果变成了对数据管线（79K 多条带语境感知拼音的句子）、自适应算法（EWMA + SRS）和本地优先架构（IndexedDB + 缓存）的深入钻研。我在多音字、齐普夫定律，以及为当天复习调优间隔重复方面学到了很多。

如果你在学中文，试试看。如果你是开发者，看看仓库。句子选择算法、数据处理和本地优先方案里都有些有意思的东西。

鸣谢：Tatoeba 提供句子，MDBG 提供 CC-CEDICT，elkmovie 提供 HSK 3.0 字表，Unicode 联盟提供 Unihan。

自己试试

访问 hanzi.brianhliou.com 开始。

  1. 选择你的字形和 HSK 等级
  2. 用声调数字输入拼音（wo3、ni3、ta1）
  3. 到统计页查看进度
  4. 每天练习，看掌握度上升

源码在 GitHub，采用 MIT 许可证。克隆后本地运行：

git clone https://github.com/brianhliou/hanzi-flow.git
cd hanzi-flow/app
npm install
npm run dev

打开 http://localhost:3000。