# 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`。