转写说明

本文基于已校验的公开原文进行结构化转写与事实梳理，非原文转载。 转写保留可核验的技术事实，并将工程建议与来源观点明确分开。

核心结论

LLM 不负责复习排期等确定性业务逻辑。系统设计应遵循的核心原则是：LLM 处理模糊性，确定性代码维护业务事实。

一个相对稳定的职责分工如下：LLM 负责意图识别、语言解释、语义排序和记忆方法生成；端侧负责原始输入处理、OCR 临时缓存和基础清洗；确定性代码负责语言校验、去重、计划写入、复习排期和动作白名单；RAG 结果必须回源校验；关键写操作必须经过用户确认。这套边界的价值在于：即使模型调用失败，用户仍可完成学习、复习和数据管理；模型升级时不需要重新改写整个业务系统。

能力机制

系统划分为四层。端侧层承担 OCR、来源解析和临时缓存；LLM 层负责意图识别、语言解释和语义重排；确定性业务层执行语言校验、去重、计划写入和复习排期；基础设施层统一控制 Provider 路由、缓存和记忆存储。

聊天能力通过类型协议实现。服务端输出包含类型标识和 Schema 版本的 SkillEnvelope，客户端在请求中声明支持的 Skill 类型和最高 Schema 版本。模型只生成候选参数，写操作由客户端已有流程完成，并通过动作白名单限制可执行的操作范围。

复习排期采用固定节点与动态建议时长结合的方案。当前实现使用 8 个固定节点：30 分钟、12 小时、1 天、2 天、4 天、7 天、15 天、30 天。每次建议复习时长根据首次学习投入、迟到偏移、前序缺失、历史错误、复习表现和首次测验等因素动态计算。

长期上下文通过不可变的 WorkingMemory 组织，包含角色与安全约束、结构化用户记忆、最近对话、当前学习状态、相关 RAG 记忆和当前消息。异步记忆提取按事实、偏好、经历、关系、情绪等类别写入向量库，召回时结合全文检索与向量检索。会话重置通过维护递增的 Epoch 防止旧数据写入。

TTS 成本按缓存未命中计费。缓存键由 provider、model、voice、language、audioParameters 和 normalizedText 的哈希值构成。成本估算公式为：providerCost ≈ cacheMissCount × averageSynthesisCost。

快速开始

构建导入流水线需分阶段处理：

来源解析 → 内容形态识别 → 候选边界切分 → 清洗与噪声校验 → 语言过滤 → 必要时分拆 → 去重并构建学习项

每阶段保存中间结果并可独立测试。LLM 仅作为个别清洗步骤的补充，不作为唯一实现。

复习排期验证可通过以下测试场景：相同记录必须产生一致结果；复习迟到时建议时长不能下降；前序节点缺失时需增加复习负担；首次测验表现良好时可缩短建议时长；任何输入都不能突破时长上下限。

RAG 召回后必须查询业务主表校验有效性，丢弃失效记录后再重排返回。

适用边界

进程内异步任务仅能保证 Best Effort。服务重启后任务可能丢失，重要的记忆提取和索引任务需要持久化队列、重试和幂等设计。

小规模数据可使用关系数据库做精确向量扫描；数据量上升后需根据召回延迟和索引维护成本评估专用向量方案。

固定复习节点容易解释和测试，但还不是基于个人长期数据拟合的记忆模型。未来若引入个性化算法，应保留版本号、迁移策略和离线回放能力。

这些边界不会通过更换更大的模型自动消失。

核验清单

图片导入链路：原图留在端侧、端侧 OCR 仅上传文本、OCR 结果视为不可信数据、设置文本长度上限、写入前执行去重。

能力卡片交互：客户端声明支持的 Skill 类型和 Schema 版本、模型不直接执行写操作、最终写入经过语言对和权限校验、客户端仅接受白名单动作。

可观测性需覆盖完整闭环。按阶段记录事件：skill_routed、skill_payload_generated、skill_presented、skill_confirmed、business_write_succeeded、first_learning_completed、first_review_completed。分别建立 OCR 导入漏斗、复习到期漏斗、TTS 请求漏斗和 Skill 写入漏斗。

来源与核验

  • 原始文章
  • 页面事实以原始来源及其引用的官方资料为准；版本、星标和模型能力会随时间变化。
  • AI Stack 不公开抓取到的全文快照，只发布独立转写与来源入口。

站内链接

相关文章