从一本教材到今天的复习卡片：遇词怎么处理一本书

遇词的目标不是给你一份通用词表，而是给你"这一本书"的专属生词本。要做到这件事，从上传到能背诵之间必须经过几个固定步骤，每一步都会体现在书籍详情页的状态里。

第一步：上传与正文提取

支持上传 PDF、EPUB、TXT 三种无 DRM 格式。系统会先提取正文，同时跳过目录、页眉页脚、参考文献列表这类不代表书籍实际内容的噪音——这一步直接影响后面候选词统计的准确性，如果把参考文献里的人名、期刊名也算进词频，三层分类会被严重干扰。

第二步：分词、去重与候选生词提取

正文提取完成后是分词、词形还原（把 upregulated / upregulates / upregulation 这类变形归并到同一个词条）、去重，再用通用词频过滤掉本来就属于基础词汇的部分，同时用 scispaCy 做术语识别，标出专业实体词。这一步结束后得到的是这本书的候选生词集合——注意这时候还没有"层级"，只是一份还没排优先级的清单，对应书籍详情页里"正在提取正文、识别术语并生成候选词"的处理中状态。

第三步：诊断测试，校准你真实掌握了多少

候选词提取完成后，系统会按学科词频表的频段分层抽样出 50–100 个词做一次 3–5 分钟的诊断测试，每个词自评"认识会用 / 眼熟但记不住 / 完全不会"三档。测试里会混入少量并不存在的伪词，用来校准自评偏差——很多人会高估自己对生词的掌握程度，伪词校准能让分层结果更贴近真实水平，而不是单纯依赖主观判断。

第四步：需求问卷 + 生成三层词表

诊断之外还有一份简短问卷，了解你的细分方向（药理 / 免疫 / 分子生物…）和目标（应付课程 / 长期打基础 / 备考读研）。诊断结果、问卷信息和候选词的书内频率、学科词频一起进入分层规则引擎，生成核心词、长期积累词、拓展词三层词表（判定逻辑见《核心词、长期积累词、拓展词：三层词表分别解决什么问题》）。这一步对应书籍详情页的"正在根据诊断与学习方向生成三层词表"状态，完成后书籍状态变为已生成。

第五步：浏览、背诵与导出

词表生成后，每个词条会展示中文释义、英文释义和取自原书的短语境例句，帮助你在真实上下文里理解这个词。背诵采用 FSRS 间隔重复算法安排复习节奏，进度会被记录下来；需要的话也可以导出成 CSV 或 Anki .apkg，带去其他工具里继续使用。