导读
我最近和LLM合作做了一款训练「工作记忆」的N-Back变体，名字叫做 Cube N-Back 。主要特点是使用魔方的一面作为记忆/刺激元素。
想体验可以点这里：nback2.closeai.moe
如果你对它的背景和开发过程感兴趣，可以往下读。
为什么想做 Cube N-Back
其实我一直以来都有做 N-Back 训练的习惯，我觉得可以锻炼到自己的工作记忆，而做正事前练一会儿也可以起到集中注意力的效果。不过比较常见的 Dual N-Back 需要同时听声音和看图像(记位置)，不方便听声音的时候就无法训练。而另一种基于图像的单刺激 N-Back 又因为「题库过少」而很容易眼熟，相当于有了一套「助记词」，编码记忆的速度会快很多，也降低了训练的效果。有一起练的朋友也觉得有「助记词」虽然好做很多，但可能起不到训练效果。
所以我想着自己做一个基于图像的 N-Back，但同时要满足「题库不少」，也就是说需要一种可以随机生成的且不容易助记的图像。于是我想到了三阶魔方的一面。
什么是 N-Back
A common paradigm to assess WMC is the so-called n-back task (Kirchner, 1958). In the n-back task participants are presented a series of visual stimuli. They are asked for each stimulus whether it matches a stimulus n trials before. For example, in a 2-back task, in which the trials consist of letters, participants have to decide whether the current letter is the same as the letter in trial n – 2. [1]
译文：一种常见的工作记忆容量（WMC）测量范式是所谓的 n-back 任务（Kirchner，1958）。在 n-back 任务中，参与者会依次看到一系列视觉刺激。对于每一个刺激，他们都需要判断它是否与前面第 n 个试次出现的刺激相同。举例来说，在一个以字母为刺激的 2-back 任务中，参与者必须判断当前呈现的字母是否与两次之前呈现的字母相同。
换句话说，进行 N-Back 训练时，你需要维持一个长度为 N+1 的记忆堆栈。在回想起N步前刺激的同时记住当下的刺激。这不仅要准确记忆和准确回顾，还意味着需要准确遗忘掉已经答过的记忆。
所以 N-Back 训练几乎涵盖了工作记忆的全部要素：存储、更新、抑制、比对。
N-Back 训练真的有效吗？
我发现围绕 N-Back 训练的研究很多，但争议也很多。2008年 Jaeggi 等人的实验发现，接受 N-Back 训练的受试者在流体智力测试上的分数显著提高，而且训练时间越长，提升幅度越大。
“The more training, the more improvement in fluid intelligence.” — Jaeggi et al., 2008 [2]
也就是说，通过一段时间的工作记忆训练，有的人不仅能在训练任务本身上取得进步，还可能在「解决新问题」的能力上变得更敏捷。而这种「迁移效应」让不少人开始把 N-Back 看作一种能锻炼大脑的可塑性训练。
不过我喜欢 N-Back 以及设计出 Cube N-Back 并不是想要证明它们能让人更加聪明，只是我喜欢 N-Back 带来的这种「可以被感知的专注」。而且接纳挫败感反复尝试反复训练的过程也给我的心智带来其他好处。
从符号到魔方
之前做的 N-Back 训练的刺激类型是图像，但这些图像实在是太少了，多练个几回就能把题库掏空，这样的坏处是脑子就会不由自主开始给图像编码(起代号)。于是我想到可以用三阶魔方的一面来作为刺激元素。为了避免下意识去记忆中心块的颜色，我固定了生成魔方面的中心块颜色，而其余八格就随机上色。这种结构既有一定的规则性又有可变性，非常适合做为 N-Back 的刺激。在题库方面，针对每一局我设计了一个扰动算法，从一张基准面出发，通过替换1–3个色块去生成二十张衍生面，让每一局中的魔方面(题目+选项)在视觉上近乎相同但又不完全重叠，更加考验记忆的准确性。
然后我也想到了魔方面的旋转对称问题。因为一个随机生成的魔方面在 90°、180°、270° 旋转后依然可能等价，所以在生成题目的算法上做了等价的排除，但又在选项中加入了随机旋转的特性，这样一来玩家不仅要记得颜色布局，还要在脑中进行魔方面的旋转和判断，提升了不少难度。也对记忆力+心理旋转能力有了更高的要求。
想法到现实
简单聊聊这类想法我是如何基于LLM去完成的。首先是自己的想法和逻辑需要比较清晰，先写一版，不用考虑排版之类的，想到什么「需求」就写出来。不管是出题的逻辑，答题的交互还是UI上的要求。写好之后发给LLM，问它这个想法好不好，有什么还没考虑到的部分。不要让LLM给任何代码，从想法上向“我”发问。等LLM没有疑问的时候，就让它基于上面的对话内容出一份完整的PRD。有了这一份PRD，就可以使用但不限于Cursor、Cline这类辅助编程的插件，选上一个足够强力的编程模型，接下来就是生成、试用、修改、试用的过程，直到自己认为可以发布为止。
参考资料
- Frontiers | What Does the n-Back Task Measure as We Get Older? Relations Between Working-Memory Measures and Other Cognitive Functions Across the Lifespan [1]
- University of Michigan. (2008, May 6). Brain-training To Improve Memory Boosts Fluid Intelligence. ScienceDaily. Retrieved October 13, 2025 [2]
