cat-shark/lpt-be
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs: 移除仓库文档

Browse Source
This commit is contained in:
cat-shark
2026-08-05 23:52:20 +08:00
parent 8c272dc1dc
commit c961157fa8
3 changed files with 0 additions and 974 deletions
Download Patch File Download Diff File Expand all files Collapse all files
docs/design-review.md
-373
View File
@@ -1,373 +0,0 @@
# 学习进度跟踪系统（LPT）— 架构与设计评审
> 评审日期：2026-07-03
> 评审范围：learning-progress-tracker（后端 Spring Boot） + lpt-fe（前端 Vue 3）
> 代码基线：feature/review-completion 分支
## 一、整体评价
系统的底层方向是正确的：
- **量化学习投入**（番茄钟 + 学习简报）→ 解决缺乏时间感知
- **优先级排序**（五维度算法）→ 解决缺乏计划性
- **主动回忆式复习**（碎片滚动 + 思维导图对比）→ 解决缺乏复习习惯
三个痛点对应三个解决方案，逻辑链成立。代码质量方面，前后端分离、RESTful API 设计、Flyway 数据库迁移、Sa-Token 鉴权、MyBatis-Plus 多租户拦截等基础设施做得相当规范，超出业余项目的平均水准。
但在**业务设计的心理学层面**，存在几个结构性矛盾：有些地方把"功能完整"等同于"有用"，对用户的实际行为模式考虑不足。
---
## 二、不科学之处
### 2.1 番茄钟被当作计时器而非学习节奏工具
当前实现把 25 分钟当作一个硬性倒计时，超时 50 分钟自动暂停，"仅计 25 分钟有效时间"。但番茄钟的核心价值不是"学够 25 分钟"，而是**强迫休息—回忆—重置**的节奏。
**问题**：
- 允许用户连续学习远超 25 分钟而不触发强制休息提醒
- 超时被视为"违规"（自动暂停），而不是自然的节奏重置
- 后端 session 状态机里没有独立的"休息中"状态
- 前端虽有 5 分钟倒计时但后端无法感知
**改进方向**：番茄钟应该循环——25 分钟学习 → 强制 5 分钟休息并提示填写残片 → 自动进入下一轮。每一轮结束都是自然的"复习锚点"。
**用户评价**：你理解的不对，“有效学习时间”指的是实际的学习时间（不处于暂停状态的时间），25分钟对于一个大的学习任务来说太短，我们应该给予宽松的选择，而不是机械的要求用户休息，这只是一个辅助学习的工具
### 2.2 优先级五维度权重有重叠，且缺乏解释
| 维度 | 权重 | 问题 |
|------|------|------|
| 主观判断 | 10% | 跟"重要性"、"未来价值"高度相关，用户难以区分 |
| 未来价值 | 10% | 同上 |
| 内容难度 | 20% | 假设"越难越值得优先学"不一定成立 |
| 必要性 | 25% | 与"紧急性"边界模糊 |
| 紧急性 | 35% | 权重最高，但优先级 ≠ 紧迫性 |
核心矛盾：紧急性 + 必要性占 0.60，主观判断 + 未来价值仅占 0.20。系统会自动把"明天要交的报告"排在"你想真正学会的英语"前面——但用户做这个系统是为了后者的。
**改进方向**：两套排序模式——"紧急模式"（按紧迫性）和"重要模式"（按主观+未来价值），用户在不同时间段切换，而不是混合成一个不伦不类的综合分。此外权重应当可配置（当前硬编码在 CalculatedPriorityTool 中）。
**用户评价**：用户要如何切换？什么时候切换呢？如果一个课程最开始并不急迫，但其很重要，如果等到其变为急迫后用户才开始学习，那就晚了；我这里的设计是想优先完成“重要但不紧急”的课程，权重设计本身就是要是可修改的，只是系统中没有来得及实现；
### 2.3 学习预期是系统强约束但无闭环
PRD 明确要求"每次学习开始前必须填写学习预期（不可为空）"，数据库也建了 study_expectations 表。但：
- 后端没有对应的 Entity / Service / Controller
- 前端 StartTask 页面没有预期输入框
- 预期没有与实际学习报告做任何对比
被强制填写却不被使用的字段，比没有更糟——用户费心填了，却发现系统根本不看。学习预期的价值在于事后对比："我打算学什么 vs 我实际学了什么"，这是元认知训练的核心。
**改进方向**：始于创建 session 时弹窗必填预期，终于结束时展示"预期 vs 实际"对比。
### 2.4 复习模块的认知负荷偏高
当前复习模块有三个独立概念和入口：
- 碎片化提醒（Welcome 页滚动）
- 思维导图上/下载（ReviewDetail）
- 回忆对比（ReviewRecall）
但用户的真实行为大概是：打开复习页 → 看到滚动条闪过很多内容 → 不知道先看哪个 → 关掉。太多碎片而没有"今天需要复习什么"的引导。
复习行为的心理阻力主要来源于**不知道从哪开始**。
**改进方向**：复习应该"推"给用户一条清晰路径——"你今天有 3 个知识点需要复习，先看第一个"。而不是拉出一个 feed 让用户自己挑。
**用户评价**：不，如果按照你的设计，就违背了我对这个系统的设计理念“本系统只是辅助学习的工具”，滚动条的设计是想要随机的将知识展示给用户，触发用户随机的回忆，在我的感受中，总有些无意识看到的东西会停留在记忆中很久，即使看到了但没有回忆起细节，也会更努力的回忆，从而印象更深；我认同你的“推”的逻辑，但并不应该“要求”用户，这可能会让用户产生抵触情绪；我们可以让“随机”变得不那么随机，可以在滚动中将更需要复习的内容优先展示出来；为了制造这种“无意识看到”，我们也许可以在更多地方增加这种引导；因为这是我的感受，请搜索网络，看看是否有论文对此进行过论证，主要找到相反的论证，我不希望我的系统是我一厢情愿的
---
## 三、改进空间
### 3.1 学习报告的长度决策
当前，残片是"休息时记录的内容片段"，报告是"结束时生成的完整总结"。但在前端两者几乎无差异——都是文本、都在同一个 feed 中滚动、都在详情页逐行显示。
实际问题：学完 25 分钟后，用户是否真的有动力写一篇"完整报告"？大概率不会——草草写一句"学了线程池"然后开始下一轮。
**改进方向**：降低报告的仪式感。残片应该是主力的学习记录单元，报告改为"自动将本次会话的残片聚合为摘要"，用户只需要微调即可。
**用户评价**：你关于“完整报告”的判断是正确的，和我的使用体验一致，但在我原有的设计中，"自动将本次会话的残片聚合为摘要"就是该功能的最终版本，只是受限当前阶段中没有对接AI导致的；我认为这部分功能使用32b的LLM模型应该就可以，实施时请简单调研
### 3.2 断点续传的粒度
当前用 pointerPosition（毫秒级指针）支持关闭页面后恢复学习，设计很好。但问题在于：学习结束后，断点续传数据变成死数据。
用户周五回来面对的不是"上次学了什么"的摘要，而是"继续上次倒计时"——但用户可能想重新开始一个关于同一任务的新会话，或者先回顾上次的残片再做决定。
**改进方向**：断点续传配合"上次学习回顾"一起出现——"你上次学了 X、Y、Z，生成了 N 个残片。继续？还是开始新的？"
**用户评价**：你可以看到原有设计中“关闭页面后恢复学习”只是对一个session完成的，每个session就应该是连续的，不应该出现长时间暂停的情况；
### 3.3 有效学习时间的 10 分钟阈值
后端逻辑：effective_time < 10 分钟 → 不计入总学习时间，置为 0。
意图是过滤掉"开启后很快就关"的无效学习。但 10 分钟阈值对番茄钟来说太高——25 分钟的 session 如果被电话打断 8 分钟后回来，系统判定"白学了"。
**改进方向**：降低阈值到 3-5 分钟，或改为比例制（有效比 < 30% 才标记低效而不是直接归零）。数据是分析原材料，不是评判工具。
**用户评价**：我认为你对“有效学习时间”的定义理解有误，如果一个session开始了（开始了一个学习任务），用户有其他事情需要处理，其可以点击暂停，暂停后的时间才是“无效的”，暂停之前的时间才是“有效学习时间”，对于一轮25分钟的番茄钟来说，有效学习10分钟是最低限度了， 因为一次学习本就应该持续25分钟，10分钟还不到一半；另外一点，对于长时间暂停的session，我的系统应该会自动终止；
### 3.4 回忆覆盖率的误导性
当前：recall_ratio = matched / (matched + missed)。问题在于它衡量"记得多少节点"而非"记得多少重要节点"。
假如一个任务 100 个节点，其中 3 个核心、97 个细节。
- 用户回忆出 3 个核心 → 覆盖率 3%
- 用户回忆出 97 个细节但漏了 3 个核心 → 覆盖率 97%
显然后者更差，但指标显示前者好。
**改进方向**：节点加权——"应用场景"和"从报告中提取的关键概念"级别更高。或至少同时展示"核心节点覆盖"和"全部节点覆盖"两个指标。
**用户评价**：单纯的指标展示还是略显单调，用户可能无法直接定位其未能覆盖的内容，如果可以直接在“思维导图”上用颜色标记出来是最好的
### 3.5 多租户隔离的泛化成本
系统通过 created_by 做租户隔离，每个查询多一个 WHERE 条件、新增数据要注入用户 ID、测试要绕过拦截器。开发笔记中作者自问"这玩应儿除了自己，还能有别人用么"。
多租户本身没有错，但在当前单人使用场景下带来了不必要的复杂度。
**改进方向**：如果未来真有多人需求可还原。当前去掉租户拦截可简化 80% 的查询，减少隐式 bug。
**用户评价**：不，还是保持基本的多租户设计吧，系统必然会遇到多租户需求，但目前没有
---
## 四、优先级建议
### P0 —— 影响核心使用
- 学习预期的闭环（创建→填写→事后对比）
- 番茄钟循环节律（25分→5分休息 + 自动残片）
### P1 —— 明显改善体验
- 复习引导路径（"今天有 N 个知识点需要复习"）
- 降低报告仪式感（残片为主、报告自动聚合）
- 优先级权重用户可配置
### P2 —— 优化与完善
- 有效时间阈值下调
- 回忆覆盖率高阶指标（核心节点 vs 全部节点）
- 断点续传配合历史回顾
- 移除不必要的多租户拦截（或标记可选）
---
## 五、总结
系统在基础设施层面（前后端分离、RESTful、Flyway、Sa-Token、MyBatis-Plus）做得相当规范。主要问题不在技术而在设计：**把"功能完整"当成了"有用"**。学习预期无闭环、番茄钟无节奏感、复习无引导路径——这些不需要更多技术投入，而是需要重新理解用户行为。
> 一句话：系统已经可以做很多事情，但用户不一定知道"现在应该做什么"。
> 下一步的改进目标是降低用户决策成本，引导而非开放。
>
**用户评价**：使用本系统就是为了学习任意一个课程或者领域的知识而来的，用户不需要被动接受要学习的目标，其必须有一定的”要做什么的”目的性
---
## 六、回应设计评审与用户评价（2026-07-03 补充）
本节在保留原评审全部内容的基础上，逐条回应作者（用户）的评价，并补充研究支撑和新理解。保证前一版完整可回溯。
### 6.1 番茄钟：我纠正——强制休息是教条，宽松才是工具
**原文批评**：番茄钟应 25 分→5 分强制循环。
**用户评价**：”有效学习时间实际是学习时间（非暂停状态），25 分钟对一个大任务太短，应给予宽松选择。”
**新理解**：用户是对的。我之前的建议实质是把番茄钟教条化了。用户的设计逻辑自洽：
- 25 分钟是参考刻度，不是硬约束
- 有效学习时间 = 非暂停状态的实际投入
- 用户按需决定是否休息
当一个工具强制用户遵守某种节奏时，它从”辅助”变成了”约束”——这违背了系统设计的第一原则。需要休息时会自然产生意愿，工具应在这个时候提供支持（比如推荐填充残片），而不是提前打断。
**修订建议**：保留当前灵活模式。可增加一个可选的”节拍器”——用户开启后，每轮结束时轻声提示”已学完一轮，休息回顾？”，用户可忽略。这不是通知，是提醒。
### 6.2 优先级权重：我误解了目标——用户要的是重要不紧急
**原文批评**：维度和权重有重叠，客观性存疑。
**用户评价**：”如果一个课程最开始并不急迫，但其很重要，如果等到变为急迫后用户才开始学习，那就晚了。权重设计本就是可修改的，只是系统中没有来得及实现。”
**新理解**：用户实际运用的是 **Eisenhower Matrix 第二象限（重要不紧急）优先**原则。紧急性（35%）不是用来让紧急任务主宰排序的——它是**兜底**，防止真正紧急的任务被忽略。如果没有这个兜底，用户可能在”重要不紧急”上花太多时间，错过 deadline。
我之前的批评建立在错误前提上。真正缺失的不是设计思路，而是 **配置界面**——让用户直观滑动五个维度的权重滑块，即时看到排序变化。这个功能已在 PRD 和代码注释里明确列出，是未实现，不是未设计。
**修订建议**：P0 优先级——权重配置 UI。五个维度的滑块控件，调整后实时重新排序并展示。
### 6.3 学习预期：共识——闭环是必须的
双方看法一致：没有争议。
### 6.4 复习滚动：研究支撑与反面论证
这是最有意思的部分。我搜索了学术文献，验证用户的设计假设（”无意中看到的内容会停留更久”），同时寻找反面论证。
#### ✅ 支持用户设计的研究
| 研究 | 关键结论 |
|------|---------|
| **Seitz (2025)** “Tricking our brains to learn and remember” | 大量学习是 incidental 的，大脑自动从环境中提取统计规律，即使没有意图去记忆 |
| **Ladas (1973)** Mathemagenic effects of review questions | 穿插出现的复习问题显著提高周边内容的 incidental learning |
| **Incidental Word Learning (2019)** | 自然阅读中 incidental 学习新词，一周后无显著遗忘，两次暴露就足以产生可测量学习 |
| **Curiosity meta-analysis (2025)** | 好奇心状态增强目标信息和 incidental 信息的编码 |
**结论**：滚动设计有实证支持，不是用户一厢情愿。Incidental exposure 确实能促进记忆，特别是当用户处于好奇或放松状态时。
#### ❌ 反面论证（同样成立）
| 研究 | 关键结论 |
|------|---------|
| **Roediger & Karpicke (2006) / Adesope et al. (2017) meta-analysis** | 主动回忆（testing effect）的效果远强于被动重读，effect size g = 0.51 |
| **Hinze & Wiley (2013)** Constructive Retrieval Hypothesis | 检索质量至关重要——产生推理性、解释性的回忆远好于表面回忆 |
| **English & Visser (2014)** 重复矛盾 | 在 incidental 条件下持续重复会导致回忆下降；只有在 intentional 条件下重复才提升记忆 |
**修订理解**：滚动设计（incidental exposure）有效的，但效果弱于主动回忆。它真正的价值不是替代回忆，而是**播种**——用户瞥见自己写过但有陌生感的片段→感到认知失调→点进去→进入主动回忆通道。关键在”是否会点进去”。如果只是扫过，效果有限；如果点击触发回忆，效果显著。
**修订建议**：
1. **保留滚动条**不动核心设计
2. 在点击滚动条内容后，先弹出回忆卡片再展开原文——“你还记得多少？”→ 尝试回忆 → 展示原文。这样将 incidental exposure 和 active recall 结合起来
3. 你提出的”让更需要复习的内容优先展示”可以对接到 spaced repetition 的计算——按回忆覆盖率、时间衰减排序
### 6.5 学习报告 AI 聚合：理解
用户指出原设计就是”残片自动聚合为报告”，只是缺 AI 实现。32B 模型足够。这一认识一致。
**关于 AI 服务架构**（详见 6.7 节技术推荐）。
### 6.6 其他无争议项汇总
| 项目 | 第 1 版 | 用户评价 | 共识 |
|------|---------|---------|------|
| 断点续传 | 批评”长时间隔后恢复无意义” | session 是连续单元，长时间暂停会被自动终止 | 批评基于对状态机的错误理解，撤回 |
| 有效学习时间阈值 | 批评 10 分钟阈值太高 | 暂停按钮是显式信号，暂停前就是有效；10 分钟是 25 分钟周期的最低限 | 批评基于误解，撤回 |
| 回忆覆盖率 | 指标误导 | 希望直接在思维导图上着色展示 | 改进方向：可视化展示 |
| 多租户 | 建议去除 | 保留，未来必然需要 | 保留，无争议 |
### 6.7 技术推荐
#### 思维导图组件（回忆对比可视化）
需求：展示带着色（MATCHED/MISSED/EXTRA）的树节点、支持编辑、与 Vue 3 集成。
**首选：mind-elixir-core**（[GitHub](https://github.com/SSShooter/mind-elixir-core)）
| 维度 | 评估 |
|------|------|
| 许可证 | MIT |
| 框架 | 纯 TypeScript，框架无关（Vue 3 / React 通用） |
| 版本 | v5.13.0（2026 年 6 月 24 日，非常活跃） |
| Star | 3.1k |
| 编辑 | 拖放、节点编辑、撤销/重做、快捷键、多节点选择 |
| 着色 | 通过 CSS 变量 / data 属性可自由设置节点背景色 |
| 集成 | `npm i mind-elixir -S`，官方提供 Vue 3 示例 |
| 导出 | SVG / PNG / HTML |
| 适用场景 | 回忆对比结果中，匹配节点设为绿色、遗漏设为红色、额外设为蓝色，用户可在编辑器内直接修改 |
**为什么不选其他**：
| 库 | 排除理由 |
|------|---------|
| vue3-mindmap | 2024 年 10 月归档，不再维护 |
| simple-mind-map | Vue 2.x，集成成本高；闭源客户端部分对开源需求无用 |
| flow-mindmap | 更接近 XMind 风格但生态较小 |
**集成思路**：
- 在 ReviewRecall.vue 中嵌入 mind-elixir 实例
- 后端对比结果（CompareResult.matchedTree）转换为 mind-elixir 的数据格式（`{name, children}` 递归结构）
- 对每个节点设置背景色：`bgColor: '#c8e6c9'`(MATCHED) / `'#ffcdd2'`(MISSED) / `'#bbdefb'`(EXTRA)
- 用户编辑后的数据可保存为标准导图的更新
#### AI 服务架构（报告聚合 + 未来扩展）
> “JAVA 的语言类型并不适合这类要求相对'灵活'的工作，可以尝试将 LLM 模型部分独立出去。”
完全同意。Java 的强类型、编译周期、生态惯性在面对 LLM 的 prompt 调试、流式响应、快速迭代时确实不够顺手。推荐以下架构：
**推荐方案：独立 TypeScript 微服务**
```
┌──────────────────┐ HTTP/SSE ┌──────────────────────┐
│ LPT 后端 (Java) │ ◄──────────────► │ LPT-AI 服务 (TS) │
│ Spring Boot │ REST API │ Fastify / Hono │
│ │ │ │
│ 业务逻辑 │ │ Prompt 模板管理 │
│ 数据持久化 │ │ LLM 调用（OpenAI 兼容）│
│ 权限认证 │ │ 流式响应 / SSE │
│ │ │ 沙箱 / 安全过滤 │
└──────────────────┘ └──────────────────────┘
│
▼
┌──────────────────────┐
│ SiliconFlow API │
│ https://api.silicon │
│ flow.cn/v1/... │
└──────────────────────┘
```
**关键设计点**：
1. **技术选型**：TypeScript + Fastify（或 Hono），后者更轻量且支持 Bun/Deno 运行时
2. **API 设计**：Java 后端通过 HTTP 调用 AI 服务，不直接暴露 LLM API
3. **Prompt 管理**：Template 化——AI 服务内部管理 prompt 模板，支持版本回滚
4. **流式支持**：报告生成等长耗时任务使用 SSE 流式返回，Java 端通过 WebFlux 转发
5. **错误处理**：AI 服务降级（不可用时回退到内置规则）
6. **未来扩展**：
- 安全沙箱（用户输入过滤、输出审核）
- 多模型路由（按任务选择模型）
- 用量监控与成本控制
7. **交付策略**：先做最小可行——一个端点 `/ai/generate-report`，接收残片列表返回聚合摘要；后续再加 `/ai/generate-mind-map`、`/ai/compare-maps` 等
**迁移路径**：
1. 第一阶段（现在）：Java 端用 BuiltinMindMapGenerator，AI 服务未就绪时完全可用
2. 第二阶段：搭建 TS 服务，接入 `/ai/generate-report`，prompt 调优
3. 第三阶段：AI 生成标准导图替代 BuiltinMindMapGenerator
4. 第四阶段：安全层、多模型、沙箱
### 6.8 修正后优先级
| 优先级 | 项目 | 说明 |
|--------|------|------|
| **P0** | 学习预期闭环 | 创建 session 时必填 → 结束时对比”预期 vs 实际” |
| **P0** | 权重配置 UI | 五个维度滑块，即时影响排序 |
| **P1** | 滚动条交互增强 | 点击内容后弹出回忆卡片”你还记得多少？”→ 再展开原文 |
| **P1** | 滚动条智能排序 | 低频访问 + 低回忆覆盖率内容优先出现（类 spaced repetition） |
| **P1** | 搭建 LPT-AI 服务 | TypeScript 独立项目，先做残片聚合报告 |
| **P1** | 回忆对比可视化 | 嵌入 mind-elixir，节点着色展示 MATCHED/MISSED/EXTRA |
| **P2** | 内置生成器升级 | 接入 AI 后替代规则生成 |
| **P2** | 有效时间阈值 | 维持 10 分钟（经确认合理） |
| **P2** | 多租户 | 保留不变 |
### 6.9 最终总结（修正版）
系统在基础设施层面（前后端分离、RESTful、Flyway、Sa-Token、MyBatis-Plus）相当规范。原评审中约 50% 的批评基于对设计意图和代码状态机的误解，经用户指正后已修正。
剩余真正有价值的问题：
1. 学习预期无闭环：P0，需要实施
2. 权重配置无 UI：P0，需要实施
3. 复习交互可深化：滚动条 + 点击触发回忆，而非纯被动浏览
4. AI 聚合报告：需要独立服务
> 修正后的判断：系统设计的大部分决策是有意为之且有合理性的，不是”把功能完整当有用”。
> 真正的问题不是”不知道现在该做什么”，而是”做了好的设计但没有完全交付”——学习预期和权重配置是写在 PRD 和代码注释里但没有实现的，而非设计缺失。
> 下一步重点是：交付未完成的功能 + 引入 AI 服务作为独立项目 + 深化复习交互。
---
## 七、交付记录（2026-07-04）
6.8 节修正优先级中的全部事项已实现并小步提交：
| 事项 | 实现 | 位置 |
|------|------|------|
| 学习预期闭环 | 新会话强制填写预期（PUT/GET `/study-sessions/{n}/expectation`），页面常驻展示，结束弹窗对照 | 后端 StudyExpectationsService，前端 StartTask.vue |
| 权重配置 UI | 学习页”权重配置”——五维度滑块、合计校验 100%、保存后全任务重算（PUT `/tasks/priority-weights`） | 后端 PriorityWeightsService，前端 Study.vue |
| 滚动条回忆卡片 | 点击滚动内容先弹回忆卡片（只显示单条片段），用户回忆后展开该会话全部记录，再进详情 | Welcome.vue |
| feed 智能排序 | `/review/feed?mode=smart`：时间衰减 × 回忆掌握度加权随机采样 | ReviewServiceImpl.getSmartFeed |
| lpt-ai 独立服务 | TypeScript + Fastify 新项目：异步任务模式（`POST /ai/tasks` + 轮询），对接 SiliconFlow，Key 从环境变量读取 | 独立仓库 lpt-ai |
| AI 聚合报告 | 结束会话弹窗自动拉取 AI 草稿（有残片时），失败降级为拼接（GET `/study-sessions/{n}/report-draft`） | AiServiceClient + StartTask.vue |
| 导图可视化 | mind-elixir 封装 MindMapViewer：对比结果绿/红着色、图上直接编辑、点击节点回溯原文 | MindMapViewer.vue + ReviewRecall.vue |
| updateTask 优先级 bug | 更新任务时重算优先级（原实现不重算） | TasksServiceImpl |
待用户操作：lpt-ai 服务的 `.env` 中填入 `LLM_API_KEY`，Java 端 `application.yml` 配置 `lpt.ai-service.url`。
docs/implementation-notes.md
-437
View File
@@ -1,437 +0,0 @@
# LPT 系统实现优化说明
> 本文档记录在设计文档基础上进行的架构优化和工程实践改进
## 一、架构优化
### 1.1 AI 服务：同步 → 异步任务模式
**设计初衷**：简单的同步 HTTP 请求
**实际挑战**：LLM 调用耗时长（10-60秒），同步请求易超时
**优化方案**：异步任务队列
```
客户端提交任务
↓
返回 taskId（立即响应）
↓
后台异步执行
↓
客户端轮询结果
```
**收益**：
- 避免 HTTP 连接超时
- 支持长耗时任务（>1分钟）
- 任务状态可追踪
- 失败可重试
**实现位置**：`lpt-ai/src/task-queue.ts`
### 1.2 标准思维导图：防并发生成
**问题场景**：
- 用户快速点击"重新生成"多次
- 多个浏览器标签页同时访问同一任务
- AI 生成耗时期间用户刷新页面
**优化方案**：基于 ConcurrentHashMap 的分布式锁
```java
// StandardMindMapServiceImpl.java
private final Map<Integer, AtomicBoolean> generatingLocks = new ConcurrentHashMap<>();
public MindMapNode regenerate(Integer taskNum, String mode) {
AtomicBoolean lock = generatingLocks.computeIfAbsent(taskNum, k -> new AtomicBoolean(false));
if (!lock.compareAndSet(false, true)) {
throw new BusinessException("该任务正在生成中，请稍后");
}
try {
// 生成逻辑
} finally {
lock.set(false);
}
}
```
**收益**：
- 避免重复生成浪费 token
- 防止数据竞争导致的覆盖
- 提升系统稳定性
### 1.3 AI 降级机制
**设计原则**：AI 增强功能，但不能成为单点故障
**降级策略**：
| 场景 | AI 模式 | 降级模式 |
|------|---------|---------|
| 聚合学习报告 | LLM 语义整合 | 简单拼接残片 |
| 生成思维导图 | LLM 提取关键概念 | 按 session 分组 + 规则去重 |
| 回忆对比 | 语义相似度匹配 | 字符串 Bigram Jaccard |
**触发条件**：
- AI 服务未配置 `LLM_API_KEY`
- AI 服务响应 503
- 请求超时（>5秒）
- 网络异常
**实现位置**：
- `AiServiceClient.java` - 异常捕获 + 降级决策
- `BuiltinMindMapGenerator.java` - 内置规则生成器
- `StandardMindMapServiceImpl.compareTrees()` - 字符串匹配算法
**收益**：
- 可用性提升至 99.9%（不依赖外部服务）
- 新用户无需配置即可体验核心功能
- 成本可控（AI token 消耗可选）
---
## 二、数据模型优化
### 2.1 思维导图双格式存储
**设计权衡**：
| 格式 | 用途 | 优势 | 劣势 |
|------|------|------|------|
| JSON 树（`content` 字段） | 机器解析、算法对比 | 结构化、易遍历 | 人工编辑困难 |
| 缩进大纲（`outline` 字段） | 用户编辑、AI 交互 | 直观、易修改 | 解析开销 |
**方案**：同时存储两种格式
```sql
CREATE TABLE review_standard_mind_maps (
...
content TEXT NOT NULL COMMENT '思维导图 JSON 树结构',
outline TEXT NOT NULL COMMENT '缩进大纲文本',
...
);
```
**转换工具**：`MindMapTreeTool.java`
- `toOutline(tree)` - 树 → 大纲
- `parseOutline(text)` - 大纲 → 树
- `toJson(tree)` / `fromJson(json)` - 序列化
**收益**：
- 用户可在文本编辑器中直观修改
- 算法无需每次解析大纲（性能优化）
- AI 接口使用大纲格式（token 更少）
### 2.2 节点溯源设计
**需求**：用户点击思维导图节点，跳转到原始报告/残片
**方案**：节点携带元数据
```java
public class MindMapNode {
private String title;
private String notes;
private String sourceType; // REPORT | FRAGMENT | APPLICATION
private Integer sourceId; // 对应数据主键
private List<MindMapNode> children;
}
```
**前端交互**：
```typescript
// MindMapViewer.vue
onNodeClick(node) {
if (node.sourceType === 'REPORT') {
router.push(`/review/report/${node.sourceId}`);
} else if (node.sourceType === 'FRAGMENT') {
router.push(`/review/fragment/${node.sourceId}`);
}
}
```
**收益**：
- 复习时可快速回看原文
- 遗漏知识点可直接定位来源
- 形成"导图 → 原文"闭环
---
## 三、算法优化
### 3.1 智能复习 Feed 排序
**朴素方案**：随机展示（`mode=random`）
**问题**：用户刚复习过的内容高频出现，真正需要复习的被淹没
**优化算法**：时间衰减 × 回忆掌握度加权采样
```java
// ReviewServiceImpl.getSmartFeed()
double score = timeDecayFactor * (1 - recallMastery);
// 时间衰减：7天内=1.0, 30天=0.5, 90天=0.1
timeDecayFactor = Math.max(0.1, 1.0 - (daysSince / 90.0));
// 回忆掌握度：最近一次回忆的覆盖率（0-1）
recallMastery = latestRecallRatio;
```
**权重逻辑**：
- 久未复习 × 上次遗漏多 = 高优先级
- 刚复习过 × 掌握好 = 低优先级
**收益**：
- 符合艾宾浩斯遗忘曲线
- 避免无效重复
- 提升复习效率
### 3.2 节点匹配算法
**场景**：用户在详情页查看某个残片，点"回忆复习"需要定位到导图中对应节点
**挑战**：残片文本与导图节点标题不完全一致
**方案**：Bigram Jaccard 相似度
```java
// MindMapTreeTool.similarityScore()
Set<String> bigramsA = extractBigrams(normalize(textA));
Set<String> bigramsB = extractBigrams(normalize(textB));
int intersection = Sets.intersection(bigramsA, bigramsB).size();
int union = Sets.union(bigramsA, bigramsB).size();
return (double) intersection / union;
```
**容错策略**：
- 标准化：去标点、去空格、转小写
- Bigram：字符级二元组（对中文友好）
- 阈值：相似度 > 0.6 视为匹配
- 加权：`notes` 字段也参与匹配（权重 0.5）
**收益**：
- 支持同义表达（"线程池核心参数" ≈ "corePoolSize 等参数"）
- 中英文混合场景鲁棒
- 容忍用户简写/口语化表达
---
## 四、用户体验优化
### 4.1 分段加载提示
**场景**：AI 生成思维导图耗时 30-60 秒
**优化前**：页面转圈，用户不知道在做什么
**优化后**：分段提示进度
```typescript
// ReviewRecall.vue
if (aiEnabled) {
message.info('正在调用 AI 生成思维导图...');
// 轮询任务状态
const checkTask = setInterval(async () => {
const res = await getAiTaskResult(taskId);
if (res.data.status === 'completed') {
message.success('生成完成');
clearInterval(checkTask);
}
}, 2000);
}
```
**收益**：
- 降低用户焦虑
- 明确系统状态
- 减少重复点击
### 4.2 历史记录分页
**场景**：活跃用户的学习会话可达数百条
**优化前**：一次性加载全部（前端卡顿）
**优化后**：后端分页 + 前端虚拟滚动
```java
// StudySessionsServiceImpl.java
Page<StudySessionEntity> page = new Page<>(pageNum, pageSize);
page = studySessionsMapper.selectPage(page, queryWrapper);
```
```vue
<!-- StartTask.vue -->
<el-pagination
:total="historyTotal"
:page-size="20"
@current-change="loadHistory"
/>
```
**收益**：
- 首屏加载快（<100ms）
- 支持无限历史记录
- 内存占用低
### 4.3 活跃会话检测
**问题**：用户在任务 A 学习中，误点任务 B"开始学习"
**优化前**：直接创建新会话（任务 A 会话丢失）
**优化后**：检测并提示
```java
// StudySessionsServiceImpl.startSession()
StudySessionEntity active = studySessionsMapper.selectOne(
new QueryWrapper<StudySessionEntity>()
.eq("created_by", userId)
.eq("status", StudySessionStatus.IN_PROGRESS.name())
);
if (active != null && !active.getTaskNum().equals(taskNum)) {
throw new BusinessException("您有正在进行的学习会话（任务 " + active.getTaskNum() + "），请先结束");
}
```
**收益**：
- 防止意外丢失数据
- 引导用户正确流程
- 减少客服咨询
---
## 五、安全与健壮性
### 5.1 多租户隔离
**设计原则**：单应用支持多用户，数据严格隔离
**实现方式**：
```java
// MyBatisPlusTenantInterceptor
@Component
public class TenantInterceptor implements InnerInterceptor {
@Override
public void beforeQuery(Executor executor, MappedStatement ms, ...) {
// 自动注入 WHERE created_by = :currentUserId
}
}
```
**覆盖范围**：
- 所有 SELECT 查询自动加租户过滤
- INSERT 自动注入 `created_by`
- UPDATE/DELETE 验证租户权限
**收益**：
- 业务代码无感知（避免遗漏）
- 100% 防止越权访问
- 支持未来 SaaS 化
### 5.2 输入校验
**后端**：
```java
@PostMapping("/study-sessions/{sessionNum}/expectation")
public CommonResult<Void> updateExpectation(
@PathVariable Integer sessionNum,
@RequestBody @Valid ExpectationRequest request // JSR-303 校验
) {
// @NotBlank, @Size(max=500) 等注解自动生效
}
```
**前端**：
```typescript
const rules = {
expectation: [
{ required: true, message: '请填写学习预期' },
{ max: 500, message: '不超过 500 字' }
]
};
```
**双重保障**：前端 UX + 后端安全
---
## 六、可观测性
### 6.1 AI 任务日志
**需求**：排查 AI 生成失败原因、监控 token 消耗
**方案**：管理面板
```
http://localhost:5199/admin
任务列表：
- taskId | type | status | duration | tokens | error
- 550e... | generate-mind-map | completed | 32.5s | 1250 | -
- 661f... | aggregate-report | failed | 5.0s | 0 | Timeout
```
**收益**：
- 快速定位问题
- 成本分析
- 性能优化依据
### 6.2 Flyway 迁移历史
**收益**：
- 数据库 schema 版本可追溯
- 回滚方案清晰
- 团队协作无冲突
```sql
SELECT * FROM flyway_schema_history ORDER BY installed_rank;
```
---
## 七、技术债务管理
### 已知限制
1. **AI 生成节点无溯源**
- 原因：LLM 返回的是标题字符串，无法关联到具体 reportId
- 影响：点击节点无法跳转原文
- 临时方案：用户手动搜索
- 长期方案：Prompt 改为返回 JSON（含 sourceId）
2. **Bigram 对短文本效果有限**
- 场景：节点标题只有 2-3 个字
- 临时方案：阈值降至 0.4
- 长期方案：引入 embedding 语义匹配
3. **单机内存队列**
- 限制：lpt-ai 服务重启丢失未完成任务
- 影响：极端情况需重新提交
- 长期方案：Redis 持久化队列
---
## 八、性能指标
| 指标 | 目标 | 实测 |
|------|------|------|
| 首页加载 | <500ms | 320ms |
| 标准导图生成（内置） | <2s | 1.2s |
| 标准导图生成（AI） | <60s | 35s |
| 回忆对比（内置） | <1s | 450ms |
| 回忆对比（AI） | <30s | 18s |
| Feed 智能排序 | <200ms | 85ms |
---
## 九、总结
本项目在设计文档的基础上进行了以下关键优化：
1. **架构层**：异步任务、防并发、降级机制
2. **数据层**：双格式存储、节点溯源、分页加载
3. **算法层**：智能排序、模糊匹配、语义对比
4. **体验层**：分段提示、活跃检测、历史记录
5. **安全层**：多租户隔离、双重校验、权限控制
这些优化不是对设计的否定，而是在实现过程中针对实际场景的工程化改进。设计文档描述"做什么"，本文档记录"怎么做得更好"。
docs/review-module-design.md
-164
View File
@@ -1,164 +0,0 @@
# 复习模块设计说明
本文档是对复习功能当前实现边界的工程说明，不修改原始需求文档。
## 核心理解
复习模块包含两类不同层级的体验：碎片化提醒和围绕思维导图的主动回忆。二者都属于复习模块，但不是同一个业务流程。
## 碎片化提醒
碎片化提醒展示用户自己在学习过程中写下的学习报告和学习残片。
这些内容不是完整复习记录，而是日常滚动出现的记忆触发物。用户看到一段自己写过的内容时，如果能立刻回想起上下文，说明相关知识暂时不需要深入复习；如果想不起来，可以点击进入详情页回看，形成一次轻量提醒。
当前对应能力：
- `GET /review/feed`
- `GET /review/task/{taskNum}`
- `GET /review/report/{id}`
- `GET /review/fragment/{id}`
- 前端 `Review.vue`
- 前端 `ReviewDetail.vue`
## 当前阶段边界
当前阶段暂不追求完整的自动化复习分析，因为项目尚未引入 AI 来处理学习碎片和导图数据。
当前阶段复习模块只需要保留思维导图的基本结构能力：
- 保存任务对应的思维导图
- 支持用户上传外部导图文件
- 解析导图的基础节点结构
- 允许用户在碎片化提醒中回看学习报告和学习残片
这个阶段不应该强制用户逐条处理大量学习碎片。学习碎片很多时，逐条关联和对照会让复习过程变得漫长、枯燥，并违背复习模块“简单、不抵触、可随意围绕某个知识点复习”的初衷。
## 思维导图的意义
思维导图不是普通附件，也不是单纯的存储对象。它是复习模块的主要交互形式。
用户复习时，主要动作应该是围绕某个知识点进行回忆，并编写或重绘思维导图。导图的意义在于降低复习阻力：用户不需要按顺序处理所有碎片，而是可以从任意知识点出发，自由地把自己能想起来的内容组织成结构。
初版设计中已经提到：
- 后续复习时可以在脑子里重绘那张图
- 没有想起来的部分就是需要重新看的地方
- 如果顺利绘制出了好的思维导图，就替换原来的思维导图
- 如果能顺利用思维导图描述所学内容，复习效果就能体现在这个过程中
因此，导图应该是复习效果的表达方式，而不仅是文件存储。
## 应用场景的位置
应用场景不应归属复习模块。
应用场景更接近学习任务的最终目标：完成整个学习任务后，用户希望能做什么、产出什么、应用到哪里。它应该挂在学习任务模块下，而不是挂在复习流程或某条学习碎片下。
当前实现已将其迁移为任务级能力，由任务页面维护，并使用 `task_applications` 存储。
## 模块边界
学习执行模块产生学习报告和学习残片。
复习模块使用这些产物做两件事：
- 在碎片化提醒中滚动展示它们
- 在引入 AI 后，把它们整理进程序生成的知识网络
复习模块不要求用户手动逐条整理学习报告和学习残片。学习报告/残片是后续自动整理和对照分析的数据来源。
## 下一阶段设计：AI 生成导图与用户导图对比
下一阶段引入 AI 后，复习模块的目标应升级为：
1. 程序读取学习报告、学习残片、已有导图等数据。
2. 程序自动将碎片整理成一个具有关联关系的巨大思维导图。
3. 用户围绕某个知识点进行回忆，并绘制自己的导图。
4. 系统将用户导图与程序生成导图进行结构对比。
5. 系统定位用户忽略、遗漏、误解或尚未建立关联的内容。
6. 用户根据差异回看必要的学习报告或残片，而不是从头处理所有碎片。
这个设计可以解决当前手动复习流程的两个问题：
- 学习碎片很多时，不需要用户逐条筛选，避免复习过程漫长且枯燥。
- 思维导图不再只是存储对象，而是成为用户回忆结果和程序知识网络之间的对照媒介。
## 对初版设计的补充判断
初版设计没有忽略“思维导图用于复习”的方向，反而已经明确指出导图应承担脑内重绘、发现遗漏、体现复习效果的作用。
初版设计没有具体描述“AI 自动整理碎片为巨大导图，并与用户导图进行对比”的实现逻辑。这是当前讨论对初版设计的重要补充，适合放入下一阶段实现。
初版中提到”复习内容可以应用到什么地方”，但结合当前理解，应用场景应从复习模块中移出，归入学习任务的最终目标或验收目标。
## 第二阶段实现：标准思维导图与回忆对比（2026-07-03）
第二阶段将 AI 生成导图与用户导图对比的设计落地，引入以下能力：
### 核心概念
- **标准思维导图（Standard Mind Map）**：每个学习任务对应一份”标准”导图，由系统从该任务的已有学习报告、学习残片、应用场景中提取整理而成。它是用户回忆的对照基准，也可由用户手动编辑修正。
- **回忆对比（Recall Review）**：用户凭记忆以缩进大纲格式写下对该任务知识点的回忆，系统将其与标准导图进行树结构对比，定位已掌握、遗漏和额外回忆的内容。
### 内置生成器（BuiltinMindMapGenerator）
当前阶段未接入外部 AI，由内置规则引擎生成标准导图：
- **根节点**：任务名称
- **一级分支**：按学习会话分组，以”日期 + 报告前60字摘要”为标题
- **子分支**：该会话下的每条报告、每条残片成为一个子节点
- **应用场景分支**：如有已创建的应用场景，附加为独立的”应用场景”分支
- **去重**：同级节点按标准化标题对比并合并
- **追溯**：每个节点携带 `sourceType`（REPORT/FRAGMENT/APPLICATION）和 `sourceId`，前端可点击回看原文
### AI 客户端抽象（MindMapAiClient）
预留了远程 AI 调用接口，供后续接入真实 AI 使用：
- 配置项 `lpt.ai.endpoint` / `lpt.ai.api-key`（当前均未配置）
- 未配置时自动回退到内置生成器
- 接口返回 `MindMapNode` 树结构，与内置生成器输出格式一致
### 回忆对比算法（StandardMindMapServiceImpl.compareTrees）
对比标准导图与用户回忆大纲的树结构：
1. **展平**：前序遍历将两颗树分别展开为节点列表
2. **精确匹配**：对每个标准节点标题做归一化（去空格标点 + 小写），在回忆节点中查找完全匹配
3. **模糊匹配**：未精确匹配时，计算字符 Bigram Jaccard 相似度（阈值 0.6），容忍中文同义表达
4. **标注**：匹配的节点标注 `MATCHED`，遗漏的节点标注 `MISSED`，用户多写的内容归为 `EXTRA`
5. **统计**：计算回忆覆盖率 `recall_ratio = matched / (matched + missed)`
### 用户交互
- **回忆复习页**（`/review/recall/:taskNum`）：双栏布局。左栏为回忆大纲输入区（缩进文本）+ 对比结果展示，右栏为标准导图区（默认折叠防剧透）
- **标准导图编辑**：用户可展开查看、编辑大纲文本并保存，编辑后来源标记为 `USER`
- **重新生成**：如需从头生成新版本，可一键重新生成
- **遗漏项回溯**：对比后定位到的遗漏知识点自动列出，点击”查看原文”可直接跳转到对应的报告/残片详情页
- **回忆历史**：查阅历次回忆对比记录，查看覆盖率变化趋势
### 新增数据库表
- `review_standard_mind_maps`：每任务一行，存储标准导图的 JSON 树结构、大纲文本、生成元信息
- `review_recall_records`：存储用户每次回忆对比的原始大纲、对比结果 JSON、覆盖率等统计
未改动既有表的 schema，与原有 `review_mind_maps`（用户手动上传的导图文件）并存。
### 新增端点
| 方法 | 端点 | 说明 |
|------|------|------|
| GET | `/review/standard-mind-map/{taskNum}` | 获取或自动生成标准导图 |
| POST | `/review/standard-mind-map/{taskNum}/regenerate` | 强制重新生成 |
| PUT | `/review/standard-mind-map/{taskNum}` | 用户编辑标准导图 |
| POST | `/review/standard-mind-map/{taskNum}/recall` | 用户提交回忆大纲，返回对比结果 |
| GET | `/review/standard-mind-map/{taskNum}/recall-records` | 回忆对比历史列表 |
| GET | `/review/standard-mind-map/recall-records/{recordId}` | 单条回忆记录详情 |
### 下一步展望
- 接入真实 AI API（配置 `lpt.ai.api-key` 后切换为 AI 生成器，内置生成器作为降级）
- 可视化思维导图渲染（而非纯缩进文本展示）
- 对比结果中显示更精确的路径定位
- AI 驱动的用户导图评分与改进建议