简述

  • Hanzi Flow 是一款中文阅读应用：你输入真实句子的拼音，它会挑选下一句，使其中包含 2 到 5 个你还不认识的汉字。
  • 它取材于 79,000+ 条 Tatoeba 句子。用 GPT-4o-mini 对基于规则生成的拼音做了一遍校验，修正了 10,336 处错误，比如把 著 读成 zhu4 而实际应为 zhe。
  • 每个字的掌握度是一个移动平均值，间隔复习从一小时起步，因此新字会在同一次练习中反复出现多次。
  • 它是本地优先的：无需账号，进度保存在网页浏览器中，可离线使用。

Hanzi Flow 是一款围绕一个想法构建的汉字练习应用：自适应句子挑选。它会根据你当前的掌握程度（从 79,000+ 条真实例句中）挑出含 2 到 5 个生字的句子，让你稳定处于 90% 到 95% 的理解区间。无需管理卡组，只需输入拼音开始练习。

源码： github.com/brianhliou/hanzi-flow

单独打开 →

现有工具的问题

中文学习应用基本上分为三类，而它们都有缺点。

像 Anki 这样的闪卡应用 让你背孤立的汉字。你花在整理卡组上的时间比真正学习的时间还多。等你终于在真实文本里见到某个字时，却认不出来，因为你学它时脱离了任何语境。

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，却什么也记不住。没有主动回忆，没有输入练习。

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

缺失的一环是保持心流。也就是 90% 到 95% 理解率的那个区间，有挑战但不至于受挫。你需要难度恰当的句子，自动挑选，并通过输入实现主动回忆。

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，应用会根据你对每个字的熟悉程度挑选下一句。它有 Anki 的间隔重复但不必管理卡组；有 Duolingo 的练习循环，但用的是真实句子而非短语手册里的例句。

练习界面，展示逐字输入整句

这款应用：

  • 来自 Tatoeba 的 79,000+ 条句子（真实用法，而非教材例句）
  • 4,000+ 个汉字 —— HSK 1-9 级，另加约 1,000 个 HSK 之外的字
  • 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 —— 单字级别的分数，配合间隔重复（EWMA + SRS）
  • 对齐 HSK 3.0 —— 按官方大纲等级筛选（1-9 级或超纲）
  • 字形支持 —— 简体、繁体或混合
  • 实时反馈 —— 彩色视觉提示，另有 1,598 个音频文件（涵盖全部拼音音节）
  • 100% 本地优先 —— 无账号、无追踪、可离线使用

你练习符合自己水平的真实句子，通过拼音输入培养输入流利度，系统会随着你的进步而调整。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，你要选两样东西：

字形类型：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。选择「HSK 1-3」，你得到的句子只使用 1、2、3 级的汉字。选择「超出 HSK」则包含官方大纲之外约 1,000 个高级汉字。

这些设置随时可以在设置页更改。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。

设置页面，展示字形与 HSK 等级偏好

练习循环

练习很直接：

  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 都可以）
  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. 揭示翻译 —— 完成后底部可选显示英文
  6. 下一句 —— 按空格键或点击按钮

反馈即时且直观。你的注意力始终在当前字上（蓝色高亮）。答错会红色闪烁，并播放正确读音的音频。系统给你 4 次机会，之后就会跳过，并把该字标为紫色（放弃）。系统接受多音读法（地 既接受 de 也接受 di），但会告诉你符合语境的那一个。

练习中句子内的彩色反馈

其中的机制在于反馈回路。现实生活里，你可能在书上看到一个字，猜错了，却永远不知道。或者看电视时完全漏掉了读音。这样的学习周期很慢。休闲学习者可能要花好几个月才能获得足够的接触量，把一个字真正学会。

这款应用压缩了这个周期。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。整个过程十秒。一次练习做 100 个字，你就跑了 100 个学习周期。主动回忆（输入）、即时纠正（音频加视觉）、高密度（句子源源不断）叠加在一起，产生的效果是被动接触无法给你的。

进度追踪

统计页面展示四个主要指标：

  • 练习汉字总数 —— 你见过的不重复汉字
  • 已掌握汉字 —— 掌握度 ≥ 0.8 的字
  • 练习句子数 —— 完成的不重复句子
  • 总体正确率 —— 首次尝试即正确的百分比

掌握度明细把汉字分成几组：

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

每个字都会根据间隔重复记录它下次该复习的时间。

统计页面，展示进度总览

掌握度明细，展示汉字分布

自适应算法（NSS）

随机挑选会很糟。你会太频繁地看到同样的句子，把时间浪费在已经掌握的内容上，或者被含 10 个以上生字的句子压垮。

下一句挑选（Next Sentence Selection，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，只算复习
  • 2 到 5 个生字 —— 正合适，挑战够，语境也够
  • 6 个及以上生字 —— 太难，你只能瞎猜

算法还会平衡：

  • 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 按批运行。你开始练习时，它会生成 10 个句子。当你做完 8 个时，它会在后台预取下一批。你永远不用等。

四个步骤：

1. 筛选符合条件的句子

从完整语料库（79K）开始。套用你的筛选条件：

  • 字形（简体／繁体／混合）
  • HSK 等级（你选定的范围）
  • 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，也足够小以便快速打分（100ms 以内）。随机抽样确保你每次练习看到的句子都不一样。

3. 给每个候选打分

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 —— 根据距上次出现的时间给加分。鼓励多样性，避免反复刷同样内容。
  • 通过惩罚 —— 如果你已经多次完美通过这句，就降低分数。避免过度练习。
  • k 惩罚 —— 对生字数不在 2 到 5 区间内的句子扣分。强制控制难度。

把它们加起来：score = base_gain + novelty - pass_penalty - k_penalty

4. 取前 10 名，打乱，入队

按分数排序，取前 10 条，打乱顺序以混合难度。加入队列。

你练习这 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 掌握度分数（s），范围从 0.0 到 1.0。

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

更新使用 指数加权移动平均（EWMA），α=0.15。近期表现权重更大，但变化是渐进的。一次失误不会让你崩盘，一次成功也不会虚高。

当你答对一个字时，它的 稳定度（SRS 间隔）会乘以 1.2。起始为 1 小时。然后 1.2 小时。然后 1.44 小时。相比 Anki 激进的跳跃（1 天 → 3 天 → 7 天），这让汉字在轮转中停留更久。

为什么要更慢？当天复习很重要。你需要在一次练习中看到某个字 3 到 5 次，才能把它从短期记忆转入长期记忆。跳跃太快就会错过这个窗口。

当一个字到期（超过它的 next_review_ts）时，它在打分中权重加倍。算法会优先选含过期字的句子。这就是经典的间隔重复。

数据管线

做这件事需要全面的数据：带读音的汉字、带翻译的句子、难度标签、质量筛选。下面是我构建语料库的过程。

字符集

从 Unicode CJK 统一汉字区（U+4E00 到 U+9FFF）开始，共 20,992 个字。涵盖现代汉语中的每个字，加上生僻异体字和历史字形。

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、部件拆分
  • CC-CEDICT —— 英文释义和例词（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。我知道哪些字真正出现在 Tatoeba 中（5,000+），哪些只是理论上存在（生僻的文言用字）。

汉字覆盖曲线，展示累计字数

曲线显示了汉字如何在各 HSK 等级上累积。HSK 1 有约 300 字，HSK 2 又加 300，以此类推。在接近约 3,000 字的识字门槛时，高等级的曲线趋于平缓。超过这个数，收益递减。

频率分布符合齐夫定律：少数汉字占据主导，大多数很罕见。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，呈现幂律

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，共 3,000 个汉字。我整合了来自 elkmovie/hsk30 的官方字表（从政府 PDF 经 OCR 得来）。

每个句子按其中最难的字来分级：

  • 全是 HSK 1 的字？标为「1」
  • 最难的字是 HSK 3？标为「3」
  • 含 HSK 9 之外的字？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 到 3 级的句子。不会有意外。

词汇量增长，展示各 HSK 等级的累计字数

句子在各 HSK 等级上的分布

句子处理

从 Tatoeba（一个众包翻译数据库）抓取了 79,000+ 条中文句子。每条一边是英文，一边是中文。

难点：语境敏感的拼音。 汉字会因语境而有多个读音。我先用 jieba + pypinyin 跑了第一遍，然后用 GPT-4o-mini 校验（79K 条句子约花 2 美元）。修正了 10,336 处错误，涉及常见多音字，比如 地（de 还是 di4）、著（zhe 还是 zhu4）、谁（shei2 还是 shui2）。

多音字示例：

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

你不能只靠查表。你需要理解词语的语境。

第一步：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。多数情况可行，但在助词和口语读音上会出错。

第二步：GPT-4o-mini 校验。 把完整语料库跑过 OpenAI 的 API（79K 条句子约 2 美元，每次调用打包 10 条）。要求逐字输出带声调的拼音。在 79,603 条句子中发现 10,336 处错误。主要修正：

  • 覺（120 处改动）：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 处改动）：pypinyin 给出 zhu4（穿著），OpenAI 给出 zhe（助词）
    • 生活就是當你忙著進行你的計劃時… —— 「生活就是当你忙着推进自己的计划时发生的事」
  • 谁（404 处改动）：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 处改动）：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」

我手工复核了排在前面的那些字，并应用了高置信度的修正。OpenAI 的语境理解捕捉到了基于规则的方法漏掉的错误。

英文翻译： 同样用 GPT-4o-mini 生成（总共约 1 美元）。Tatoeba 的数据集只有约 2,000 条句子带翻译。用那些的话，语料库会从 79,000+ 缩水到 2,000，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+ 条句子。大语言模型擅长翻译，因为它们会利用语境，而这正是准确中译英所需要的。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.”

还套用了质量筛选：

  • 字形分类 —— 简体、繁体、中性或混合
  • 脏话剔除 —— 过滤粗俗词语（约 10 条句子）
  • 长度上限 —— 移除超过 50 字的句子（约 270 条），避免出现滚动
  • 元句子 —— 移除 Tatoeba 自我指涉的句子（约 80 条）

最终语料库：79,333 条干净句子。

字形分布，展示简体／繁体／混合的构成

架构与性能

使用现代网页技术构建，针对速度和隐私做了优化。

为什么本地优先？

  • 隐私 —— 无账号、无追踪、无遥测。你的进度从不离开你的设备。我甚至没有做分析统计。数据归你所有。
  • 性能 —— 没有网络延迟。句子挑选在 100ms 以内完成。输入反馈是即时的。统计页加载在 50ms 以内。
  • 简单 —— 没有后端要维护，没有数据库要扩容，没有鉴权。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。在笔记本和手机上的练习是各自独立的。对 MVP 来说可以接受。大多数人只有一台主设备。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 用于 IndexedDB

数据管线：

  • Python 3.9+ 用于处理脚本
  • jieba 用于分词
  • pypinyin 用于语境敏感的拼音
  • pandas + matplotlib 用于分析
  • GPT-4o-mini 用于翻译和拼音校验

音频：

  • AWS Polly（Zhiyu 语音）做 TTS
  • 1,598 个音节，覆盖全部声调
  • OGG 格式，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体积数据集，之后积极缓存。

首次加载：

  • 79,333 条句子（约 41MB JSON）—— 只取一次，存在内存中
  • 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：

  • 句子存在一个 JavaScript 数组中
  • 汉字到 ID 的映射存在一个 Map 中（O(1) 查找）
  • 会话期间不重复获取

IndexedDB 持久化：

  • WordMastery 表 —— 每个练习过的字一行（掌握度分数、SRS 间隔、下次复习时间、计数）
  • SentenceProgress 表 —— 每个完成的句子一行（通过率、尝试次数、上次出现时间）
  • 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。除首次加载外没有任何网络请求。

性能技巧：

  • 音频预加载 —— NSS 选好下一句时，会在后台预加载它的拼音音频（3 到 5 个文件，不到 10KB）。等你看到它时，音频已缓存好了。
  • 队列预取 —— 当你做完 10 句中的 8 句，NSS 会在后台运行以生成下一批。你永远不用等。
  • 懒加载 —— 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，完全可以离线使用。在飞机上、地铁里、任何地方都能练。进度会立即保存到 IndexedDB（不需要保存按钮）。

关键设计决策

数字声调还是声调符号

应用接受数字声调（wo3、shi4）而不是符号（wǒ、shì）。为什么？

  • 更容易输入（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 和 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），而非视觉性死记

以句子为单位的学习

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」不仅教你 我们（we）、试试（try）、看（look），还 教你语法结构。
  • 阅读练习 —— 模拟真实阅读。培养解析汉字序列的能力。
  • 输入流利度 —— 训练完整句子的肌肉记忆，就像你实际会用到的那样。
  • 难度校准 —— 句子天然带有难度分布（生字数量）。词级别做不到这一点。
  • 动力 —— 完成一个句子让人感觉有进展。你在读真正的中文，而不是刷「的 的 的」这样的闪卡。

接下来

就日常练习而言，应用的功能已经完备。如果我回头继续做，可能会加上：

  • 移动端 PWA（做成可安装）
  • HSK 统计明细
  • 复习模式（以 SRS 为核心的练习）
  • 整句音频（完整读音，而非仅单字）
  • 汉字卡片（字源、笔顺、构词）
  • 声调分析（追踪你容易混淆哪些声调）
  • 自定义语料（导入你自己的句子）
  • 导出／导入（跨设备可携带）

这是开源项目。有想法？提 issue 或 PR。

结语

做这个是为了解决我自己的痒处。我想练中文阅读，又不想承担闪卡的额外开销。真实句子、自适应难度、干净的输入界面。

结果变成了对数据管线（79K+ 条带语境敏感拼音的句子）、自适应算法（EWMA + SRS）和本地优先架构（IndexedDB + 缓存）的一次深入钻研。我学到了很多关于多音字、齐夫定律，以及如何为当天复习调校间隔重复的知识。

如果你在学中文，试试看。如果你是开发者，去看看仓库。句子挑选算法、数据处理和本地优先思路里都有有意思的东西。

感谢：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 即可开始。

  1. 选择你的字形和 HSK 等级
  2. 用数字声调输入拼音（wo3、ni3、ta1）
  3. 到统计页查看进度
  4. 每天练习，看掌握度一路上升

源码在 GitHub 上，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。