从 5530 词到 2434 词：我用 WorkBuddy 做了一套离线背单词 PWA

一个纯前端、零后端、能装到手机主屏、断网也能背的背单词工具。真正的难点不在界面，而在词库——把 5500 个词的清单，洗成一份"每一个都值得背"的清单。

起因：市面上的背单词 App，我只需要它十分之一的功能

我想要的东西其实很朴素：词表干净（别把 it、they 这种词也算进考研词汇）、能离线、手机点开就能背、换手机进度别丢。市面上的产品要么词库大到需要付费解锁、要么社区、打卡、商城一堆功能。

正好我手上有一份"考研英语二"的目标词表需求，于是决定自己做一套。全程用 WorkBuddy：下载和合并开源词库、写清洗脚本、生成前端页面、部署上线，都在对话里一步步推着走。

一、为什么是 PWA，而不是做个 App

这是第一个要定的事。三条理由：

1. 不用上架。写纯前端，扔到静态空间就是一个链接，改一次发一次，没有审核。
2. 加到主屏就是 App。配一个 manifest.json + Service Worker，iPhone 上"添加到主屏幕"后全屏运行，有图标、有名字，看不出和原生 App 的区别。
3. 数据天然在自己手里。进度存 localStorage，一个请求都不往外发，不需要账号、不需要服务器，也就不存在"我的学习数据存在谁的服务器上"这个问题。

代价也要说清楚：localStorage 是跟浏览器绑的，清缓存就没了。所以导出/导入备份不是"锦上添花的功能"，而是必备功能——我在设置页留了「导出进度备份」，换设备前先导一份，到新设备导进去就能续着背。

二、把两份开源词库拼成一份能用的

第一步是找词库。我没有自己去爬，用了两份开源数据：

• 一份考研词表（5530 词），字段比较全：词频、释义、分类、其他拼写，带 CC BY-NC-SA 许可；
• 一份通用英语词表（9602 条），优势是有词性和词组搭配。

两份各有短板，就合并：以考研词表为主表，按单词匹配，把通用表里的词性 + 词组补进来。结果是 5530 词、释义 0 缺失，4807 个带词性、3961 个带词组。

音标：从一份 66MB 的词典里捞 5000 条

词库里没有音标字段。我去下载了一份开源英汉词典的 CSV——约 66MB、77 万词条，然后把目标词的 phonetic 字段一条条提出来，生成一个 phonetic_map.json，前端加载词库时按词补齐。

5394 个待补词命中 5375 个。剩下 19 个是什么？ice cream、grown-up、so-called、air conditioning 这类复合词和英式拼写——大词典里收录形式不一样。这些手工补掉就行，一共 15 个。

⚠️ 有个小坑值得记一下：这份词典的音标是 ASCII 近似 IPA（比如 sә:tәn），不是标准的 Unicode IPA（ˈsɜːtn）。够用、能看懂，但不是学术标准的音标。要么接受，要么换音标源重做一遍。

背诵技巧：能程序化的程序化，不能的才人工

"这个词怎么记"是最难自动化的部分。我最终的做法是分两类处理：

• 能程序化的 → 构词法自动拆解。内置了一张前缀（89 条）、后缀（60 条）、词根（184 条）字典，按规则对单词做拆解，生成"前缀 ac-（朝向、加强）+"这类提示。这类拆解是规则生成、100% 准确的，量大且不需要人工。
• 不能程序化的 → 精选谐音/联想。谐音记忆没有规律，只能人工写。我整理了一批高频难词的谐音联想（纯中文短句），覆盖一千多个词。

两类合起来，主版本 2434 个词里 2329 个带背诵技巧；按类型拆是词根词缀 1686 条、谐音联想 1081 条、词组搭配 327 条。剩下的词是很短的词，本来也不需要技巧。

一开始我还想过去外部助记数据集找现成的，但那些源在当前网络环境下拿不到，最后是"程序化 + 精选"这条路把覆盖率顶到 95% 以上——反而比纯依赖外部数据更稳。

三、最花时间的一步：判断"这个词到底该不该背"

界面搭完自己用了一遍，问题立刻暴露：词太简单了。it、they、man、woman 这些词混在里面，背十条有六条是在浪费时间。

于是要做一件事：把高中及以前的词汇全部剔除。听着简单，但它有个前置问题——拿什么当"高中及以前"的判定基准？

踩坑一：不能拿"词典常见度"当基准

我一开始想用词典里的 oxford（牛津 3000 核心词）和 collins（柯林斯星级）标签来筛。这是错的：牛津 3000 里包含 analyse、anticipate、career、client、capable 这类词，而这些恰恰是考研必须背的。用它当基准会大批误删核心词。

正确的基准只有一个：高考大纲词表。考纲以内的词，默认你高中就学过；考纲以外的，才是考研需要补的。

踩坑二：网上的"高考 3500 词表"，没有一份是全的

我找了两份现成的高考词表，结果发现两份都不全：

• 一份解析出 3772 词
• 另一份 3875 词，但漏了 man、woman、life、hear、give 等 22 个最基础的词
• 而第一份又漏了 after（只收了 afternoon、afterward）

取并集（3772 ∪ 3875 = 4029 词）之后，再手工补上 5 个漏网的介词/连词/代词（after、despite、underneath、whereas、whoever）作为兜底。

结论很朴素但很实用："基础词表"这种东西，别信单一来源，取并集 + 人工抽查才靠谱。 这一步如果偷懒，用户背到 man 的时候就会直接卸载。

清洗结果

清洗前后，词库文件从 3.01MB 降到 1.30MB，少了 55%——这不只是体积问题，手机端首屏加载速度是实打实的体验差别。

四、算法：把 SM-2 塞进一张手机卡片

复习算法用的是SM-2 间隔重复，也就是 Anki 那一套。核心逻辑不长：

• 评分分四档：忘记（1）/ 模糊（3）/ 认识（4）/ 很熟（5）；
• 答"忘记"，间隔归零、难度系数下调、10 分钟后重新塞回本轮队列——当天的坑当天填；
• 答对则间隔按 1 天 → 6 天 → 上次间隔 × 难度系数 递增；
• 连续答对且间隔超过 30 天，标记为 已掌握。

其中有个容易忽略的细节：难度系数（EF）的下限是 1.3。不设下限的话，一个词反复答错会把系数压到接近 0，间隔就再也拉不长了。

交互上就是一张翻面卡片：正面单词 + 音标 + 朗读，点一下显示释义、背诵技巧和词组，再点四个评分按钮。每日计划、连续学习天数、近 30 天记忆保持率曲线、学习进度条都用 Canvas 画，没有引入任何图表库。

五、三个"只有跑起来才暴露"的坑

界面写完、语法检查通过、算法手算也对——但这不代表没 bug。下面三个都是实际用起来才发现的。

坑一：id 稀疏导致进度错乱

剔除词汇时，我保留了存活词的原始 id（原来是第 5000 个词，过滤后还是这个 id），好处是用户已有的学习进度不会错位。但代价是 id 变成了稀疏的——范围 54~5393，中间有 2906 个空洞。

而代码里取词原本写的是 VOCAB[id]——拿 id 当数组下标用。id 连续时这没问题，一旦 id 稀疏，取得的就是完全不相干的词。

修复是引入一张 id → 词条 的映射表，所有取词都走映射；同时在词库加载后清理已删词留下的孤儿进度，否则统计数字会把已经不存在的词算进去。

坑二：Service Worker 不升版本号，老用户永远读旧代码

PWA 的 Service Worker 默认是缓存优先。我改完代码重新部署，用自己的电脑测一切正常——但手机上打开还是老样子。

原因很简单：sw.js 里的缓存版本号没改，Service Worker 就一直拿旧缓存里的 app.js 返回。后来定了个规矩：只要动了 app.js / style.css，缓存版本号必须 +1（v1 → v2 → v3 就是这么来的）。

如果你的 PWA 有"代码更新了但已安装用户看不到"的现象，八成是这里。

坑三：在微信里点"朗读"没反应

桌面浏览器上朗读正常，发到手机、从微信里打开——按了没声音。

根因是浏览器原生的 speechSynthesis 在微信内置浏览器和 iOS WebView 里经常被禁用，或者压根没有英文语音包。修法是加一条发音策略：

• 微信 / 移动端：优先走在线发音接口（国内可访问、支持单词和短语）；
• 桌面端：优先本地合成，并自动挑一个英文语音；
• 任一路失败，回退到另一路，都失败才提示。

顺带还有个显示问题：音标里有一堆 IPA 特殊字符，某些系统字体渲染不出来，卡片上就只剩一个空的方括号。最后是靠指定一条西文字体回退链解决的。

这类问题有个共同点：桌面端测不出来。所以只要做移动端，最终必须上真机、进真实容器（微信）里点一遍。

六、派生一个"超纲难词版"：同一套代码，两份进度互不干扰

主版本跑通后，又有个新需求：去掉四级词，只留超纲难词（适合二刷、冲刺阶段用）。

数据上的处理很简单——用词典里的 cet4 标签把四级词全部剔掉，2434 词剩 1150 词（纯六级/考研/托福/雅思及无标记难词），校验下来 0 漏删、0 误删，1150 词 100% 有音标和释义、93% 有背诵技巧。

真正要小心的是进度隔离。两版共用一套代码，如果存储键一样，用户的进度就会互相覆盖。所以我做了三重隔离：

在同一个手机上把两版都加到主屏，进度各走各的，互不影响。

七、成品

两个版本都是纯静态前端，各自独立部署：主版本 2434 词，超纲难词版 1150 词。手机上用浏览器打开后「添加到主屏幕」，就是一个有图标、能全屏、断网也能背的小 App，两版可以同时装着各背各的。

两版部署后的实测数据：

八、复盘：这次真正有价值的是这 6 条

1. "数据清洗"往往比"写功能"更耗时，也更决定成败。 前端代码写了一轮就稳定了，词库来来回回洗了三轮（去基础词 → 补音标 → 加技巧 → 再按考纲过滤）。
2. 筛选基准选错，比不筛选更糟。 用牛津 3000 当"基础词"基准，会误删一批考研核心词——基准必须和真实目标对齐（考纲）。
3. 别信单一来源的基础词表。 两份"高考 3500"都不全，取并集 + 人工兜底才干净。
4. 能程序化的就程序化，不能的才人工。 词根词缀用规则拆（准确、量大），谐音联想人工精选（不可规则化），两层叠加覆盖率就过 95%。
5. 过滤数据时要保留原 id，但代码绝不能拿 id 当数组下标。 稀疏 id 是隐形炸弹，一旦炸了就是用户进度错乱。
6. 前端改动后，别忘了 Service Worker 的缓存版本号。 否则你自己测着正常，用户手机上永远是旧版本。

以及一条最实际的：桌面端通过 ≠ 能用。朗读哑火、音标不显示，这两个问题在电脑上永远复现不了，必须上真机、进微信里点。

本文提到的词库来自公开开源数据，仅用于个人学习用途。