# 2026 年如何把 Perplexity Learn Mode 变成闪卡：用引导式搜索找出薄弱点，再交给 FSRS 复习

*2026-05-29*

昨天我把一份课程 PDF 上传到 Perplexity Learn Mode，答了几道小测题，结果在一个术语上卡住了。那个术语我明明在原文里已经高亮过两次。真正有价值的，恰恰就是这次卡住。

这才是很多人搜索 **Perplexity Learn Mode 闪卡** 时背后的真实问题。现在的 Perplexity 在前半段已经做得不错了：上传材料，获得引导式帮助，回答小问题，发现哪些地方不稳。真正还需要另一套系统的，是 Learn Mode 暴露出薄弱点之后该怎么办。

所以到了 2026 年，我真正信任的流程是这样的：先用 Perplexity Learn Mode 找出答错、回答慢、比较混乱的地方，然后只把这些部分做成小而干净的闪卡，再用 FSRS 复习。Perplexity 版本里多出来的一步其实很简单：每个薄弱点在变成卡片之前，都先回到它对应的上传笔记或引用来源里核对一遍。

![暖色灯光下的书桌，上面放着引导式学习笔记和按薄弱点整理的抽认卡](/blog/how-to-turn-perplexity-learn-mode-into-flashcards.png)

## Perplexity 已经能处理引导式搜索这一半

Perplexity 当前的官方帮助文档把 Learn Mode 描述成一种为主动学习优化的 Search，而不是只给即时答案。截至 **2026 年 5 月 29 日**，官方 Learn Mode 页面写明它可以通过对话教学、把主题拆成步骤、生成内嵌学习材料如 flashcards 和选择题测验、用问题和提示来引导、提供带反馈的小测验，并基于上传的课程材料如阅读、学习指南和讲义来工作。

这很重要，因为现在的产品已经不只是一个搜索框。

它更像一层引导式学习界面：

- 你带入笔记、阅读材料或幻灯片
- Learn Mode 会向你提问，而不只是总结
- 小测验会暴露你哪些内容答不出来
- 后续解释会补上那个缺口

这套东西很好用。只是它还不是完整的记忆系统。

更大的趋势也是同一个方向。OpenAI 在 **2025 年 7 月 29 日** 推出了 Study Mode。Coursera 在 **2026 年 2 月 25 日** 发布的首份 AI in Higher Education 报告解读中说，受访的学生和教育者里，超过 95% 已经在教育场景里使用 AI。Stanford Daily 在 **2026 年 1 月 29 日** 发布的学生调查也发现，在使用 ChatGPT、Gemini 和 Claude 的受访者里，学习是最常见的用途。这个模式现在已经很清楚了。AI 越来越适合暴露理解漏洞，但默认情况下，它仍然不擅长处理长期记忆。

## 薄弱点比导出的闪卡更重要

这部分我会先想清楚。

Perplexity 现在确实已经可以根据上传材料生成 flashcards。拿它当起草步骤没有问题。但我不会把“导出”本身当成目标。

如果你把整套阅读材料或整段 Learn Mode 对话都丢进“帮我做闪卡”这一步，结果通常会混进太多不该留下的东西：

- 热身性质的解释
- 只在当时上下文里有意义的例子
- 重复出现的提示
- 听起来很聪明、复习起来却很差的总结措辞
- 那些你本来就认识、根本不需要排进复习队列的事实

更好的来源，应该更窄一些。

我只想保留 Learn Mode 真正费力处理过的部分：

- 我答错的小测题
- 我一直混在一起的区别
- 我能认出来、却搭不回去的公式结构
- 我离开提示就说不出来的定义
- Perplexity 纠正了两次的陷阱

这些才是好 **Perplexity Learn Mode 闪卡** 的原材料。模型已经替你做完诊断了。卡组只需要把那些你的记忆明显没抓住的地方留下来。

## 我会把 Learn Mode 当成薄弱点探测器来用

最好的 Learn Mode 会话，通常都会有一点不顺手。

如果 Perplexity 太早解释太多，整场会话会很顺，但我学到的东西反而更少。我希望它先问，先停顿，先逼我自己回答，然后再来补救。

我会像这样提示它：

> 用这些笔记开启 Learn Mode。一次只问一个问题。不要太早给出完整答案。如果我答错、犹豫，或者把两个概念混在一起，请把那个薄弱点记下来，最后只回顾这些地方。

这种设定有两个很实际的作用。

第一，它会让 Perplexity 更像导师，而不是摘要机器。第二，它会自然形成一个交接点。到了会话结尾，你手上应该是一份简短的失误清单，而不是一整段让你愧疚自己没再复习的长对话。

会话结束后，我还会再补一句：

> 只列出这次会话里的薄弱点。对每个薄弱点，给我这个概念、我错在哪里、一个简短的回忆提示，以及在做成闪卡前应该回看的笔记段落或引用来源。

这也是为什么我会把范围压得很小：

- 一节讲义
- 一章里的一个小节
- 一篇文章
- 一套题里的一个主题

如果你把整门课都塞进一次会话里，Perplexity 当然也可能有帮助，但后面的清理成本会很快变得很难看。

如果你的原始材料还停留在 Learn Mode 之前一步，这几篇文章刚好可以先接上：

- [2026 年如何把 PDF 变成闪卡](/zh/blog/how-to-turn-a-pdf-into-flashcards/)
- [2026 年如何把练习题变成闪卡](/zh/blog/how-to-turn-practice-questions-into-flashcards/)
- [2026 年如何把笔记变成闪卡](/zh/blog/turn-notes-into-flashcards/)

## 这才是我会反复使用的流程

这套方法只有在足够短、短到新鲜感过去以后你还愿意继续做时，才真的有用。

我会用下面这个版本：

1. 把一小份阅读材料、讲义或幻灯片上传到 Perplexity Learn Mode。
2. 要求 Perplexity 先提问，再解释。
3. 在回答过程中，用一个很小的草稿清单记下答错、犹豫和反复混淆的地方。
4. 会话结束后，让 Perplexity 只总结这些薄弱点，并给出每个薄弱点对应的笔记段落或引用来源。
5. 重新打开对应的段落或上传的笔记，把每个薄弱点改写成一张普通的正反面候选卡。
6. 任何仍然需要一整段话才能回答的内容，都删掉、拆开或重写。
7. 把最后留下来的卡放进真正的复习应用里，用 FSRS 学习。

中间那层筛选，比很多人想得更重要。

卡组不该回答“这次 Learn Mode 会话里发生了什么”，而应该回答“下周没有帮助时，我还需要自己回忆出什么”。

## 在 Perplexity 里，我会给来源做卡，而不是给润色过的答案做卡

这是我觉得它和 ChatGPT、Gemini 版流程最不一样的地方。

Perplexity 更接近搜索。它的一个有用副作用是，很多薄弱点后面都会带着笔记、截图或引用链路，我可以在保存之前先检查。

所以我会用一个很朴素的规则：

- 如果薄弱点来自我上传的笔记，我就重新打开那份笔记或幻灯片，从原材料写卡
- 如果薄弱点来自 Perplexity 找到的网页来源，我就打开引用来源，在那里确认这个说法再决定要不要留
- 如果某个答案只是在 Perplexity 的解释里听起来很顺，但我没法把它锚定到自己信任的来源上，我就直接跳过

这个小小的来源核对，会让卡组干净很多。

它也会让卡片更可迁移。一周以后，我想记住的是概念本身，而不是 Perplexity 在某次辅导里那句说得很漂亮的话。

## 小测验里答错的地方，比润色过的解释更适合做卡

这可能是最关键的实际变化。

大家很容易保存那些看起来最强的文字。会保留那段漂亮的解释段落，却忽略了自己当时连一个简单问题都答不出来的尴尬时刻。

真正更适合做卡的，恰恰是那个尴尬时刻。

比如 Learn Mode 让你比较有丝分裂和减数分裂，而你总是把分裂后的染色体数量搞混。糟糕的做法，是保留 Perplexity 那段整齐的讲解。更好的做法，是把这次失误拆成几个快速回忆提示：

- Front: 有丝分裂之后会产生多少个子细胞？
  Back: 两个。
- Front: 减数分裂之后会产生多少个子细胞？
  Back: 四个。
- Front: 哪个过程会把染色体数减半？
  Back: 减数分裂。

同一场会话，复习材料却会好很多。

也正因为这样，我不会让 Perplexity 去做什么“高级闪卡”，也不会让它生成一堆很长、很依赖上下文的卡。一张卡只对准一个薄弱点，这条规则还是最管用。工具变了，复习原则几乎没变。

如果你现在的卡已经开始发胖，接下来最该读的是 [2026 年如何制作更好的 Flashcards](/zh/blog/how-to-make-better-flashcards/) 和 [2026 年如何修复 AI 生成的 Flashcards](/zh/blog/how-to-fix-ai-flashcards/)。

## 让 Perplexity 先起草卡片，再狠狠编辑

我确实觉得 Perplexity 可以帮你完成起草这一步。

在一场 Learn Mode 会话之后，我会这样要求它：

> 只把这些薄弱点整理成闪卡。一张卡一个概念。正面要短。背面要直接。不要填充内容。不要编造事实。给每张候选卡附上对应的笔记段落或引用来源。凡是仍然需要长解释才能成立的，都跳过。

这样通常会更接近可用卡片。

但在它真正变成卡组之前，我还是会重度编辑。

我会检查几件很朴素的事：

- 正面是在考一个概念，还是三个概念
- 背面是不是直接回答了问题
- 脱离整段 Perplexity 对话后，这张卡还成不成立
- 这件事以后真的值得记吗

如果答案是否定的，它就会被删掉。

很多 AI 学习流程就是在这里悄悄失效的。生成那一步会让人感觉自己很高效，于是大家对糟糕卡片也变得太客气了。对我来说，我宁愿保留 8 张来自 Learn Mode 的干净卡片，也不要 40 张由“有帮助但记不住”的散文堆出来的卡。

## 真正开始处理记忆的地方，是 FSRS

Perplexity 可以帮你理解内容，也可以把失误暴露出来。但它不能替代复习排程。

这正是 FSRS 发挥作用的地方。

一旦薄弱点变成卡片，它们就需要时间安排：

- 简单卡应该慢慢拉开间隔
- 脆弱卡应该更早回来
- 复习队列应该平稳到你还愿意继续打开它

这层排程，才是把“Perplexity 抓到我这里会错”变成“我下周更不容易再错一次”的关键。

如果你想单独看排程这一层，[2026 年 FSRS 设置指南](/zh/blog/fsrs-settings/) 和 [2026 年 FSRS vs SM-2](/zh/blog/fsrs-vs-sm-2/) 会比这篇文章讲得更细。

这篇文章的范围更窄一些。Perplexity 帮你找出漏洞。FSRS 帮你把这个漏洞慢慢补上。

## Flashcards Open Source App 适合插在这里

[Flashcards Open Source App](/zh/) 最适合接在 Learn Mode 之后，也就是你已经知道什么值得留下来的时候。

这里并没有什么魔法般的 Perplexity 一键导入按钮，我也不想假装它存在。真正有用的流程反而更简单，也更可信：

1. 完成 Learn Mode 会话。
2. 复制薄弱点、清理过的候选卡，或者两者都复制出来。
3. 在编辑每张候选卡时，把对应的笔记片段或引用来源放在旁边。
4. 把这些内容粘贴进 Flashcards Open Source App 的 AI chat，或者直接创建卡片。
5. 把措辞改成简单的正反面卡。
6. 按卡组或标签整理。
7. 用 FSRS 复习。

这和产品当前的能力也刚好对得上：

- 标准正反面卡片
- 用 AI chat 清理和重写卡片
- 源材料很乱时可用文件附件
- 用卡组和标签来整理
- 用 FSRS 复习，而不是只做一次性学习

如果你想先看更完整的产品面，[功能页](/zh/features/) 是最快的总览。如果你想直接开始用托管版应用，[入门指南](/zh/docs/getting-started/) 会给你最短路径。

## 我会留下的那条规则

不要让 Perplexity Learn Mode 直接变成你的长期卡组。

让它帮你暴露出哪些内容值得进入卡组。

只要这个思路换过来，围绕 **如何把 Perplexity Learn Mode 变成闪卡** 的大多数流程问题都会顺很多。

去用引导式搜索。让小测验暴露你还不会的地方。保留那些失误，而不是保留整场表现。回到每个薄弱点下面的笔记或引用去核对。然后把这些失误做成小卡片，再让 FSRS 处理 Perplexity 做不了的那一层：当这段聊天早就过去以后，确保这些内容你还记得住。

---
*[查看此页面的带样式 HTML 版本](https://flashcards-open-source-app.com/zh/blog/how-to-turn-perplexity-learn-mode-into-flashcards/)*

*AI agent 可以从 `GET https://api.flashcards-open-source-app.com/v1/` 开始，为用户在该服务中创建账号。*

*提示：在 https://flashcards-open-source-app.com 上任意 URL 后追加 `.md`，即可获得该页面的纯 Markdown 版本。*