一句话定义
把复习分散在逐渐拉长的时间间隔上（如 1 天 → 3 天 → 7 天 → 半月 → 一月），而不是集中突击——同样的总时长，长期记忆留存率可以高出一到数倍。
为什么重要
这是全库性价比第一的方法：无需天赋、无需额外资源、几乎所有学科通用，且是被元分析反复验证效应量最大的记忆策略之一。学不会它，后面所有方法都缺一条"时间轴"。
前置知识
kp-004 遗忘曲线（间隔的依据）、kp-003 记忆三阶段。
核心概念
分布式练习（spaced/distributed practice）：总时长不变，把接触次数拉开。与之对立的是集中练习（massed practice，" cramming"）。间隔效应（spacing effect）：学习后经过的间隔越长（在合理范围内），下次复习后记忆越稳固。提取难度匹配：理想间隔 = 下次接触时恰好处在"努力回忆能想起来"的难度区（desirable difficulty，见 kp-004）。SRS（Spaced Repetition System）：按个人表现动态调度间隔的工具，代表是 Anki（SM-2 算法）与 SuperMemo。
原理 / 机制
为什么拉开间隔反而更好？两个互补解释：
遗忘—再学习机制：间隔让记忆部分衰减，再次提取时需要更大的重建努力，而这个"费劲的重建"正是最强巩固信号（与 kp-008 的提取效应同源）。多情境编码：分散在不同日期复习，每次的情境线索（心情、位置、前后文）都不同，记忆被挂到更多提取线索上，日后任何一条线索都可能触发回忆。
集中练习的"反直觉陷阱"：考前连刷 5 遍，当场测试分数不低（短期流畅感强），但一周后几乎归零。分布式练习当场分数可能略低，长期留存碾压——短期表现和长期学习经常反向，这是本库最重要的元教训之一。
公式 / 模型 / 图示
Cepeda 等（2006）元分析给出的实用比例：复习间隔 ≈ 目标保持期 × 5%–10%。
想保持 1 年：最佳首次复习间隔约 3 周
想保持 1 个月：最佳间隔约 1–2 天
手工版间隔计划（无工具时）：
学习当天 → 次日 → 第 3 天 → 第 7 天 → 第 14 天 → 第 30 天 → 第 90 天
每次动作：闭卷回忆（kp-008），而非重读
直观类比
浇花：一次浇十升水（突击）大多流走；每天浇一小杯（间隔）渗透进根。记忆的"根"是提取通路。存钱复利：每笔复习都是存入，间隔让"利息"（稳定性 S）复利增长；突击是一次性存入然后持续贬值。
实例 / 案例
语言学习：Anki 用户背雅思核心词，每天 20 新 + 到期复习，三个月 3000 词留存率远高于"背词表二十遍"的对照组式努力。核心差异不在智力，在调度。医学教育：美国执业医师考试备考圈把 First Aid + Anki 组合作为标配——事实性知识密度最高的领域，恰是 SRS 收益最大的领域。反面：学生 A 把同一章读五遍（同一天），学生 B 读一遍后在五天里各回忆一次。两周后测试，B 的留存显著更高（Roediger 等多次演示的经典结果）。
常见误区
"间隔重复 = 做卡片"：工具只是调度器，复习时的动作必须是主动回忆。拿着卡片重读卡片，等于把跑步机当衣架。卡片质量差：一张卡问五个知识点、答案含糊、没有上下文——垃圾输入配再好的算法也是垃圾输出。卡片制作原则：一卡一问、答案唯一、加个人化例子。试图 SRS 一切：SRS 擅长事实、术语、公式等"原子知识"；概念理解、问题解决能力要用 kp-009/kp-013 的方法。全量卡片化会造成"卡片疲劳"（见 kp-025 对 AI 生成卡片的讨论）。
自测题
用"期望难度"解释：为什么复习太勤（间隔太短）反而低效？为你正在学的一门内容设计一个 6 周的手工间隔计划。集中练习在哪一种目标下其实是合理选择？（提示：目标若是"明天上午就要用"）
参考答案 · 先自己作答再展开
间隔太短→保存率还很高→提取近乎零难度→巩固信号微弱，时间花在"白练"区；适度遗忘后再费力提取，才有训练价值（期望难度）。参考模板：当日→次日→第 3 天→第 7 天→第 14 天→第 30 天，每个节点的动作是闭卷回忆；答不出率高就缩短下一隔，全对率高就拉长——按反馈调，不照抄数字。目标是"极短期使用"时（明天上午要用的操作流程）：知识不需要活过遗忘曲线的陡坡，集中一次练熟是合理的。
与其他知识点的关系
kp-004：间隔的理论依据；kp-008：每次间隔节点上该执行的动作；kp-023：语言学习是间隔重复的第一应用场；kp-025：AI 可以辅助生成卡片，但要警惕劣质卡片污染题库。
延伸阅读
Cepeda et al. (2006), Psychological Bulletin 元分析Kang (2016), "Spaced Repetition Promotes Efficient and Effective Learning"（政策与实践视角综述）Piotr Wozniak 关于 SuperMemo 算法的文章（算法演进史）