Quick Anki

用 LLM 的力量，自动化你的词汇习得流程。

插件版本（推荐）：quick-anki-addon
脚本版本（已归档）：quick-anki

这是一个利用大语言模型（LLM）将原生文本整理并自动导入 Anki 的插件。

核心逻辑：Raw Text → LLM（提取/清洗）→ Check（查重）→ Import（制卡）。

添加完的卡片 插件版本的流程演示：粘贴文本 → AI 解析 → 自动制卡

动机：帮助我学习单词

“Language is not a code to be decrypted, but a signal to be processed.”

在本项目（以及我的学习路径）中，我坚持一种非传统的单词记忆与语言习得方法。这种方法的核心在于拒绝”中英互译”，拥抱”英英定义”。

1. 为什么”中英词典”是低效的？

如果我们用机器学习（Machine Learning）的理论来审视语言，中文和英文本质上是两套完全独立的符号系统。这意味着：

英文单词 存在于 Vector Space A（向量空间 A）
中文单词 存在于 Vector Space B（向量空间 B）

许多学习者试图通过中英词典建立直接映射（Mapping），即认为 Word_EN = Word_CN。但在高维语义空间中，这种映射往往是极其粗糙甚至错误的。

🌰 The “Apple” Paradox

我举个简单的例子，即使是简单的单词，其向量方向也不尽相同：

🇺🇸 Apple: 关联向量包括 Fruit, Adam & Eve (Sin/Temptation), New York (Big Apple), Technology, Pie.
🇨🇳 苹果: 关联向量包括 水果, 平安夜, 红富士, 脆/甜.

这两个词在物理实体上有重叠（Intersection），但在文化隐喻和语义联想上有着巨大的偏差。如果你只记住了 Apple = 苹果，你就丢失了 Apple 在英语语境下独有的所有高维特征。

2. 最佳实践：在英英词典中建立”印象”

学习单词的最好方式，不是寻找中文对应词，而是直接在英语的向量空间内建立坐标。

通过阅读英英词典（如 Vocabulary.com, Oxford, Merriam-Webster）的解释和例句，你是用已知英语单词去界定未知英语单词。这构建了一个封闭且自洽的英语神经网络，而不是依赖中文作为中介层。

这也是本项目为何着重提取 Blurb（语境解释）和英文 Definitions 的原因。

3. “Bug” 还是 “Feature”？

长期坚持这种方法，你可能会遇到一种现象：

“我知道这个词是什么感觉，但我一下子想不起来它的中文翻译。”

很多人认为这是缺陷（Bug），但我认为这是核心特性（Feature）。

传统模式（中介转译）： Concept → Chinese → English（高延迟，高损耗）
Native模式（直接映射）： Concept → English（低延迟，无损耗）

当你无法翻译，却能精准使用时，说明你已经像 Native Speaker 一样思考。你的大脑建立了一条直接通往英语概念的神经通路，这正是流利表达的生理基础。

4. 谁适合这种方法？

这种方法并不适合所有人，它有着明确的筛选门槛：

✅ 适合人群

面向”理解”的学习者：你的目标是看懂原版文档、无字幕听懂 YouTube 视频、或与国际开发者进行深度技术交流。
长期主义者：你不在乎短期内的单词量暴涨，更在乎构建纯正的语感。
开发者/逻辑思维者：习惯于理解底层逻辑，而非死记硬背表层符号的人。
已有一定基础者：你的词汇量足以支撑你阅读简单的英语释义（通常高中/CET-4以上水平即可启动）。

❌ 不适合人群

纯应试考生：如果你下周就要考四六级或考研，需要精准的中文释义来做翻译题，请使用中英词典高效刷题。
专业翻译人员：虽然翻译人员也需要英英思维，但他们必须额外训练”双语切换”能力，不能仅停留在”只懂不译”的阶段。
零基础初学者：如果连 Cat 和 Dog 都需要查词，英英词典的递归查询会带来过高的认知负荷。

5. 这个项目如何帮助这个过程？

简化创建 Anki 记忆卡片的流程：

从 Vocabulary.com 或者其它词典中搜索结果
手动复制，贴到程序中
执行程序，自动解析杂乱的内容，创建卡片

从脚本到插件

这个项目经历了两个阶段的演进：

最初，我写了一个 Python 脚本 quick-anki，通过调用 AnkiConnect API 来实现自动制卡。它需要独立的 Python 环境和外部配置，使用门槛较高。

后来，我将其重构为 Anki 原生插件 quick-anki-addon，直接集成在 Anki 内部运行，无需配置 AnkiConnect 或外部 Python 环境。脚本版本已归档（archive），推荐使用插件版本。

功能特性

无缝集成：直接作为 Anki 插件运行，无需配置 AnkiConnect 或外部 Python 环境
智能清洗：利用 LLM（豆包/火山引擎等）从杂乱文本中提取单词、IPA 音标、语境解释（Blurb）和释义
智能查重：在插入卡片前，自动查询当前 Deck 中是否已包含该单词，避免重复制卡
可视化日志：处理过程中实时显示日志，方便排查问题

安装与配置

前置要求

Anki Desktop：Anki 2.1+ 版本
API Key：拥有火山引擎（豆包）或其他兼容 OpenAI SDK 格式的 API Key

安装插件

将插件文件夹 quickanki 放入 Anki 的插件文件夹中（通常位于 AppData/Roaming/Anki2/addons21/），重启 Anki。

配置 API

重启 Anki 后，在顶部工具栏点击 ”✨ AI Add” 按钮
在弹出的窗口中点击 “Settings”
填入 LLM 配置信息：
- Model ID：模型名称（如 doubao-1-5-pro-32k-250115）
- Base URL：API 基础地址（如 https://ark.cn-beijing.volces.com/api/v3）
- API Key：你的 API 密钥
- Deck Name：目标牌组名称（如 Vocabulary）

使用方法

点击工具栏上的 ”✨ AI Add” 按钮
在文本框中粘贴你想要学习的单词或原生文本（例如来自 Vocabulary.com 的段落）
点击 “Add Card”
插件会自动调用 LLM 进行处理，检查重复，并将生成的卡片添加到指定的牌组中

添加 CSS

为了让卡片背面更加美观，请在 Anki 的 “浏览” → “卡片…” → “样式” 中添加以下 CSS（也可以参考仓库中的 basic.css 文件）：

/* --- 基础卡片设置 --- */
.card {
 font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Helvetica, Arial, sans-serif;
 font-size: 18px;
 text-align: left;
 color: #333;
 background-color: white;
 line-height: 1.6;
}

/* --- 单词本体 (Front) --- */
.card-front {
 font-size: 36px;
 font-weight: bold;
 text-align: center;
 color: #2c3e50;
 margin-bottom: 10px;
}

/* --- 音标 (IPA) --- */
.ipa {
 font-family: "Lucida Sans Unicode", "Arial Unicode MS", sans-serif;
 font-size: 1.1em;
 color: #7f8c8d;
 text-align: center;
 margin-bottom: 20px;
 margin-top: -10px;
}

/* --- 语境解释 (Blurb) --- */
.blurb {
 background-color: #f4f6f8;
 border-left: 5px solid #3498db;
 padding: 15px;
 margin: 15px 0;
 border-radius: 4px;
 color: #444;
 font-size: 0.95em;
}

.blurb b {
 color: #d35400;
 background-color: rgba(211, 84, 0, 0.1);
 padding: 0 4px;
 border-radius: 3px;
 font-weight: 700;
}

/* --- 分割线 --- */
hr {
 border: 0;
 height: 1px;
 background-image: linear-gradient(to right, rgba(0, 0, 0, 0), rgba(0, 0, 0, 0.15), rgba(0, 0, 0, 0));
 margin: 20px 0;
}

/* --- 释义列表 --- */
ul {
 padding-left: 20px;
 margin: 0;
}

li {
 margin-bottom: 20px;
}

/* --- 词性 (adj/noun) --- */
li b {
 color: #2980b9;
 font-weight: bold;
 text-transform: uppercase;
 font-size: 0.85em;
 margin-right: 5px;
}

/* --- 例句样式 (Example) --- */
.example {
 display: block;
 margin-top: 6px;
 margin-bottom: 4px;
 padding-left: 10px;
 border-left: 3px solid #e0e0e0;
 color: #555;
 font-size: 0.95em;
 font-style: italic;
}

.example b {
 color: #8e44ad;
 font-weight: bold;
 font-style: normal;
 background: none;
 text-transform: none;
 font-size: 1em;
}

/* --- 同义词 (Synonyms) --- */
li i {
 display: block;
 font-size: 0.85em;
 color: #95a5a6;
 margin-top: 4px;
 font-style: normal;
}
li i::before {
 content: "Synonyms: ";
 font-weight: bold;
 color: #bdc3c7;
}

/* === 夜间模式适配 (Dark Mode) === */
.nightMode .card {
 background-color: #2f2f31;
 color: #dcdcdc;
}

.nightMode .card-front {
 color: #ffffff;
}

.nightMode .ipa {
 color: #aaaaaa;
}

.nightMode .blurb {
 background-color: #3a3a3a;
 border-left-color: #5ea8ff;
 color: #e0e0e0;
}

.nightMode .blurb b {
 color: #ffaa80;
 background-color: rgba(255, 170, 128, 0.15);
}

.nightMode hr {
 background-image: linear-gradient(to right, rgba(255, 255, 255, 0), rgba(255, 255, 255, 0.2), rgba(255, 255, 255, 0));
}

.nightMode li b {
 color: #6dd5ed;
}

.nightMode .example {
 color: #b0b0b0;
 border-left-color: #555;
}

.nightMode .example b {
 color: #c77dff;
}

.nightMode li i {
 color: #888;
}

常见问题

LLM 请求失败 / 网络错误
- 请检查你的 API Key 和 Base URL 是否正确
- 如果在中国大陆使用 OpenAI 等服务，可能需要检查网络环境
LLM 返回格式错误
- 插件内置了 JSON 提取器，但 LLM 偶尔可能返回不符合预期的格式
- 如果频繁报错，请检查日志窗口中的 “LLM 原始返回”，可能需要微调 main.py 中的 Prompt

LLM导入Anki Card