Effect size over opinion
按效应量选择
我们不会因为一个功能「看起来不错」就把它做出来。在采用某种学习方法或行为设计之前，我们会确认效应有多大、能否重复、适用范围在哪里。这意味着不止读原始论文，还要按问题的需要去看预注册研究、系统综述与元分析。
我们采用某样东西，是因为它已被证明有效，而不是因为它流行。反过来也成立：没有被证明有效的东西，无论声量多大都不会上线。重要的不是方法的名字，而是它对谁有效、效果有多大、在什么条件下成立。
前提：没有人能拿到更多时间
一天是 24 小时。这个数字对谁都没有商量的余地。
如果问题是「想做，却没有时间」，那么剩下的唯一办法就不是找出更多小时，而是提高每小时得到的成果。一旦承认供给是固定的，设计问题就变了：不是「怎样占用你更多的一天」，而是「同样的一小时能把你带多远」。
所以 mibuki 不做「更努力的方法」。我们做的是实现效率科学的产品。我们不试图增加你拥有多少意志力，而是让你已有的意志力走得更远。
下面这三条原则，是我们实际使用的判断标准。它们不是口号，而是决定一个功能能不能上线的规则。
我们不会做的事
这些承诺比原则更强，因为一旦我们违背，你可以当场指出来。
- 01
不做无法验证的效果主张
不会出现「记忆速度快 5 倍」这类说法。我们公布数字时，比较基线和测量方式一定与数字写在同一句话里。
- 02
不使用诱导性设计（dark patterns）
我们不会隐藏取消订阅的入口，也不会把按钮放在容易误触的位置。想离开的人，应该一眼就能找到离开的方式。
- 03
不靠成瘾性来赚停留时间
不会发送把连续记录当作人质的通知。我们想增加的数字不是你待在应用里的时间，而是你拿回来的时间。
- 04
不做披着学习外衣的游戏
不会用背后没有真实学习的奖励演出，制造「正在前进」的错觉。如果动的只有一个计数器，那就什么都没动。
三条原则
任何我们考虑做的东西，都必须先通过这三条。
Remove friction, not add willpower
消除摩擦
人们放弃，不是因为意志力薄弱，而是因为设计里有摩擦。开始之前要点几下、有多少项设置、需要你做多少个决定——这些共同决定了一个习惯能不能活下来。
我们不会叫你更努力，而是删掉步骤。更少的设置、默认状态就能用、更少的决定。理想的产品，是完全不需要意志力的产品。
Measure it, then publish it
测量之后，就公开
如果我们主张某种效果，就要以你能核查的形式公开它。这是对我们自己的约束，不是卖点：拿不出数字，我们就不主张有效果。
而且我们不只公开结论。比较基线、数据与评价指标同样公开，因为一个不写条件的数字，只能用来把自己说得好看。只有当读者能按同样的步骤看到同样的结果时，一个结果才算可以公开。
关于广告
不同产品的答案不一样，所以我们按产品分别说明，并写出理由。
凡是直接介入专注或学习的产品，都不放广告。Lofi Station 卖的是专注，把专门用来打断专注的东西放在同一块屏幕上，说不通。LangDict 同理——任何在学习途中把注意力拉走的东西，都在破坏这个应用存在的意义。
kikeruka 和 Atom 确实有广告。它们是免费的，而我们还没有做出足以合理收费的付费方案。目前这两款应用都没有付费去除广告的途径。等到有值得收费的付费方案时，我们会选择取消广告，或者让广告变成可以关掉的东西。
所以这不是理念，而是产品与资金当下的真实状况。状况变了，这个页面就会更新。
| 产品 | 广告 | 理由 |
|---|---|---|
| Lofi Station | 无 | 专注的工具里，不该放会打断专注的东西 |
| LangDict | 无 | 不在学习途中放任何拉走注意力的东西 |
| kikeruka | 有（无法去除） | 为了持续免费提供 |
| Atom | 有 | 为了持续免费提供 |
原则在产品中如何体现
没有被实现的原则不算原则。以下是目前各自落地的位置。
LangDict
- 生效的原则
- 01 + 03
- 如何体现
- 采用间隔重复，并在公开基准上公布其预测精度
Atom
- 生效的原则
- 01 + 02
- 如何体现
- 依据行为科学，把习惯设计成最小单位与触发点
Lofi Station
- 生效的原则
- 02
- 如何体现
- 打开即进入专注——设置这一层摩擦被去掉了
kikeruka
- 生效的原则
- 02
- 如何体现
- 扫一下再等着；主动回去确认这件事，不再需要你做
References
此处只列出作者、年份与发表载体已对照原文核实过的文献。
- 01
open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub.
- 02
open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub.
- 03
open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face.
- 04
Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.
- 05
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.
Last updated: July 2026