让学习工作台真正好用：Keyset 分页、直接导航与可恢复保存

语言： English | 简体中文

发布日期：2026-10-21

我通过 keyset 分页替代全量审阅队列，加入原文搜索、记录直达和可以恢复未知结果的问题保存流程，改善 FLH 的日常使用。

结果：在 1,543 个可审阅 unit 的隔离 fixture 中，首次响应从约 821 KB 缩减到 27 KB。 学习者能够返回上次审阅位置、找到旧问题，并直接输入新问题。

先建立负载，再选择优化

验证 fixture 包含 1,000 条记录、3,000 个知识单元、500 个 Concept，其中 1,543 个可审阅。不触碰个人数据，就能测量读取并遍历完整流程。

原全量队列返回 821,246 bytes，本地记录的五次中位延迟为 109.8 ms；50-unit 页返回 26,967 bytes、3.3 ms。这是单机合成测量，明确成果是首次加载无需传输全部队列。

队列按 entry ID、ordinal、unit ID 排序。Cursor 表示最后一个 key，from_unit_id locator 从有界位置恢复，数据库读取 limit + 1 行判断下一页。

适格规则保持一致。两页之间完成决策的 unit 会从后续页消失；排在 cursor 前的新单元需重启队列才能看到。界面明确说明当前是完整队列还是局部窗口，不把已加载数当总数。

测试比较了多种 page size 的完整遍历与 legacy 列表，覆盖重新抽取及固定旧版本，顺序相同，每个适格单元只出现一次。

搜索使用参数化 SQLite substring，只查 original_input / original_context。Unicode lowercasing 忽略大小写，但重音与 normalization 保持精确；%、_ 是普通字符。

它与 state filter、cursor 分页组合，不搜索生成解释，也不在浏览器中只过滤已加载页。旧查询的迟到响应被丢弃。

统一 intake 接受问题和可选上下文，复用 learning_capture_v1 与幂等 capture endpoint，保存为 unanalyzed。分析和抽取仍是单独操作，JSON 导入也保留。

最难的是保存没有响应。丢响应不能证明没存入，因此界面保留 capture identity，提供回执查询和显式逐字重放。修改成新尝试前，要先核对或明确离开旧尝试。

已确认保存的记录，即使被当前 filter 排除或列表刷新失败，也能直接打开。这种细节决定用户能否信任保存按钮。

这项工作结合 SQL、HTTP 兼容性、React 状态与有控制的测量。重点是操作之间的转换：导航后返回 unit、在页末完成决定、处理迟到搜索响应，以及恢复未知保存结果。

实现与验证结合 AI 编码工具，由我负责合同和审查。详细 fixture、测量及回归证据如下。