StaffML 基于 Pelin 反馈的交互与学习路径改进方案从结构化学习路径到面试备考模式的设计与实现指南【免费下载链接】cs249r_bookMachine Learning Systems项目地址: https://gitcode.com/GitHub_Trending/cs/cs249r_book导读本文档源自 StaffMLMachine Learning Systems 访谈练习应用针对 ML 工程师 Pelin Balcı 反馈制定的改进计划feat/staffml-pelin-feedback分支2026-05-27。Pelin 具有工业工程/运筹优化背景、无正式 CS 学位代表了从自学者转型系统思维训练的 ML 实践者群体其反馈聚焦于导航、进度追踪与结构化学习体验而非 bug 或内容缺口。文章完整梳理 F1~F5 五项改进新手引导、题目-章节关联、顺序化 L 级路径、NeetCode 风格进度条、面试备考模式并结合 progress.ts、plans.ts、corpus.ts、levels.ts 等源码以及仓库中已实现的部分如book_refs体系、staffml_plan_progress、staffml_custom_paths存储键给出可落地的数据模型、分阶段实施顺序与设计约束。读完本文你将掌握如何为练习类产品设计顺序化学习路径与断点续学如何用 LocalStorage 无后端地实现进度统计与备考计划以及如何将 87 个主题与教材章节建立可验证的映射。背景为什么这份反馈值得单独成一份改进计划Pelin Balcı 是 ML 工程师背景为工业工程/运筹优化无正式计算机科学学位她代表的是自学型 ML 实践者向系统思维转型的受众群体。她的反馈围绕面试备考工作流中的 UX 缺口展开与此前 Peter 的反馈针对视觉题目、LLM 检查等 bug以及 RISC-V、DSPNN 等内容缺口已在feat/staffml-feedback分支处理正交Pelin 的反馈聚焦导航、进度与结构化学习体验。改进计划建立在对当前功能状态的盘点之上仓库现状如下表路径均可在仓库中核对组件状态关键文件Welcome/引导页已存在轨道选择器、首次运行说明welcome/page.tsx进度追踪已存在LocalStorageattempts、gauntlets、SM-2 间隔重复progress.tsDashboard已存在热力图、连续天数、总计、近期活动dashboard/page.tsxProgress 页已存在分析、历史、能力领域细分progress/page.tsxExploreVault 浏览已存在径向/旭日层级支持按 level/topic/area/zone 过滤explore/page.tsxPractice已存在单题练习、场景、评分标准、SM-2、star-gatepractice/page.tsxGauntlet已存在快速挑战模式gauntlet/Learning chains已存在843 条链按主题作用域Bloom 层级递进chains.json、tracks 数据题库9,525 题L1(543)、L2(1053)、L3(2363)、L4(2591)、L5(2157)、L6(818)corpus-summary.jsonChapter 交叉引用尚未实现题目只有topic、competency_area、zone无教材章节映射新特性注改进计划中的题库规模数字9,525 题与仓库中实际统计口径可能随迭代变化源码中 stats.ts 的QUESTION_COUNT是面向用户可见计数的唯一事实来源见 corpus.ts 的注释。以当前仓库实际数据为准即可。F1新手引导——消除 Vault 与 Practice 的首用困惑问题Pelin 不确定该从哪里开始。Welcome 页虽然存在但没有清晰解释 Vault浏览、Practice单题练习、Explore径向可视化与 Gauntlet快速挑战四者之间的关系。建议方案在 Welcome 页新增一个「推荐路径Recommended Path」组件展示三步流程选择你的轨道Pick your trackCloud / Edge / Mobile / TinyML从你的水平开始Start at your level5 题快速水平测试或自评沿路径前进Follow the path在轨道水平范围内的顺序模式。同时在首次访问 Practice/Vault 时提供常驻「Guide」提示气泡或侧边栏每个分区用一句话说明用途首次交互后自动关闭。范围小-中。涉及welcome/page.tsx可能需要新增GuidedOnboarding.tsx组件并为新用户更新导航面包屑或步骤指示器。依赖无。仓库现状呼应Welcome 页已存在轨道选择器与首次运行说明见 welcome/page.tsx此改进是在其上叠加「结构化引导」层并为 F3 的 Paths 模式做入口铺垫。F2题目与教材章节双向关联——Learn more 回填知识缺口问题做完一道题后没有途径跳回教材相关章节补足知识缺口。建议方案构建chapter-map.json把competency_area和topic映射到 MLSysBook 章节 slug 与节锚点在每道题作答后展示指向教材网站的「Learn more」链接。数据模型示例计划中的设计{ competency_area_to_chapters: { deployment: { vol1: [model_serving, ml_ops], vol2: [inference, edge_intelligence] }, memory_hierarchy: { vol1: [hw_acceleration], vol2: [compute_infrastructure] } }, topic_to_section: { model-serving-infrastructure: https://mlsysbook.ai/contents/vol1/model_serving/, gpu-memory-hierarchy: https://mlsysbook.ai/contents/vol1/hw_acceleration/#sec-hw-memory-hierarchy } }范围中。创建映射文件需审计 87 个主题、新增ChapterLink.tsx组件、集成到 practice 作答后视图。依赖需将 87 个主题对照教材章节结构逐项审计以构建映射。仓库中的落地实现topic_chapter_map.yamlBookRefResolver值得注意的是这一需求在仓库中已经以更成熟的方式落地。相比计划中的两级 JSON 映射实际实现采用构建期派生每个题目携带topic87 个精选主题 ID 之一schema/topic_chapter_map.yaml 将每个主题映射到教材章节由 book_refs.py 在构建期把映射以book_refs数组形式挂到每条题目上实现按主题一次性派生而非在全部约 1 万道题上手工编写。关键设计决策见 book_refs.py 模块文档这是深入阅读指针不是答案钥匙引用绑定在题目的topic上而非答案所在位置URL 模式已验证 HTTP 200https://mlsysbook.ai/vol{N}/contents/vol{N}/{chapter}/{chapter}.html构建期链接检查章节标题从对应.qmd的 H1 读取被映射的章节若缺少.qmd源文件则构建失败_validate抛出BookRefError从而把URL 待稳定的历史阻塞项转化为URL 强制有效独立使用 vault-cli脱离 monorepo时标题回退为 slug 转标题格式链接检查跳过。前端侧BookRefCard.tsx 在作答揭晓后渲染「Learn more in the textbook」卡片主引用role: primary展示卷号与章节标题并带作者编写的why说明行also_see次引用渲染为小标签。数据形状定义在 corpus.ts 的BookRef接口vol、chapter、title、url、role、why且book_refs随 summary 包下发、同步渲染无需 Worker 拉取见 corpus.ts 注释这正是 F2 所期望的体验。相关测试见 test_book_refs.py深入分析见 book-refs-analysis.md。F3顺序化 L 级路径——L1 到 L6 的断点续学问题题目可能随机出现。Pelin 希望从 L1 开始系统推进并能从上次停下的位置继续。现状Learning chains 已存在843 条、主题作用域、Bloom 层级递进 L2-L5但没有一种 UI 模式以书签形式顺序呈现它们。建议方案在现有随机/每日模式旁新增「Structured Path结构化路径」模式路径选择用户选择轨道 能力领域或全部领域层级递进路径内题目按 L1 → L2 → L3 → L4 → L5 → L6 排序层级内排序复用既有链顺序Bloom 分类法remember → understand → apply → analyze → evaluate → create书签状态将{ trackId, areaId, currentQuestionIndex, completedIds[] }保存到 LocalStorage 的新键staffml_paths续学返回时显示「Continue where you left off」并给出序列中的下一题。UI 新增新「Paths」路由/paths展示可用结构化路径及进度条Welcome/落地页的「Continue Path」按钮路径模式下 practice 视图顶部的路径进度指示器。范围中-高。新路由、progress.ts中的新状态管理、路径排序逻辑、practice 页集成。依赖F1引导应指向此模式。仓库中的现成素材Bloom 层级定义与自定义路径生成levels.ts 定义了 F3 依赖的层级骨架L1 RecallEntry、L2 UnderstandJunior、L3 ApplyMid-Level、L4 AnalyzeSenior、L5 EvaluateStaff、L6 ArchitectPrincipal每级带角色、提问动词与示例。LEVEL_ORDER [L1, L2, L3, L4, L5, L6]在多处复用progress.ts、plans.ts。更重要的是plans.ts 中自定义路径CustomPath机制已经实现了 F3 的核心逻辑CustomPath接口plans.tsid、title、track、area可为 null 表示全部、startLevel、可选targetDate、dailyQuota、createdAtgenerateCustomPathQuestions(path)plans.ts从startLevel起截取LEVEL_ORDER逐层级、逐领域用getQuestionsByFilter({ track, level, competency_area })取题并按topic字典序排序保证确定性顺序——这正是层级内按主题概念分组的落地存储键为staffml_custom_paths保存/删除路径与staffml_plan_progress记录completedIds与startedAt见 plans.ts。F3 建议的新键staffml_paths与现有机制一脉相承实际实现时可选择复用custom_paths plan_progress或按计划引入独立键。另注意exportProgress()progress.ts已把staffml_plan_progress与staffml_custom_paths纳入导出任何新增路径状态都应同步纳入导出/导入保证进度可备份迁移的设计约束不回归。F4NeetCode 风格进度追踪——主题完成率与 L 级位置可视化问题Progress 区块存在但未展示按主题的完成百分比与清晰的 L 级位置。Pelin 以 NeetCode 为参照。现状Progress 页展示能力领域 × 轨道热力图与总数统计但缺少按主题的完成进度条已解 X / 共 Y 题每主题当前 L 级位置每类别下的可视化完成百分比。建议方案重新设计 Progress 页展示按能力领域分组的主题级进度条Memory Hierarchy 68% ████████████░░░░░ (34/50) ├── Cache optimization L3 ✅ 100% ████████████████ (12/12) ├── HBM bandwidth L2 45% ███████░░░░░░░░░ (9/20) └── Memory-bound bottlenecks L1 72% ███████████░░░░░ (13/18)每主题 L 级指示器展示用户已正确作答的最高层级。顶部整体 Dashboard 汇总已答题目X / 9,525已触及主题X / 87当前最强/最弱领域连续天数信息。颜色编码绿80%、黄40-80%、红40%、灰未开始。范围中。主要是 Progress 页的 UI 工作。数据每题目、每主题、每层级的作答记录已存在于 LocalStorage。依赖无可独立构建。仓库中的现成实现getTopicProgressMap()已经可用F4 的数据层实际上已在源码中实现。progress.ts 提供TopicProgress/AreaProgress接口与getTopicProgressMap()每条作答记录AttemptRecord携带questionId、competencyArea、track、level、selfScore0跳过、1答错、2部分、3正确见 progress.tsgetTopicProgressMap()按主题去重统计 attempted/correctselfScore 2计为 correct并为每个层级L1-L6生成levelBreakdowntotal/attempted/correcthighestLevel取该主题下有正确作答的最高层级——正好对应 F4 第 2 点前端 progress/page.tsx 已引入getTopicProgressMap并渲染AreaProgressSection见 progress/page.tsx。颜色编码阈值绿 80%、黄 40-80%、红 40%、灰未开始是纯 UI 层的映射规则可直接叠加在现有AreaProgress数据之上无需改动数据层。因此 F4 的落地工作量主要是把现有数据以主题级进度条 颜色 汇总卡的形式呈现。F5面试备考模式——目标、时间线与每日计划F3 F4 的收口问题面试备考期间人们会设定目标与时间线。能够追踪自己停在哪道题、并看到完成进度至关重要。建议方案一个独立的「Interview Prep」模式把 F3结构化路径与 F4进度追踪包裹成连贯体验目标设定用户选择目标层级如「Staff Engineer: L4-L5」、目标轨道与时间线如「2 周」每日计划系统根据目标计算每日题数并展示每日配额会话追踪备考模式中的每次练习会话展示今日配额5/12 题当前路径位置L3, Topic 14/87今日耗时45 min每周复盘本周进度总结强弱领域分析。范围高。这是收口 F3 与 F4 的压轴特性。先构建 F3 与 F4再叠加目标/时间线/每日计划层。依赖F3、F4。仓库中的现成素材getPrepStats()已实现每日配额的数学plans.ts 的PrepStats与getPrepStats()已经实现了 F5 的核心计算totalQuestions、completed、daysRemaining ceil(剩余毫秒 / 86400000)dailyTarget ceil(remaining / daysRemaining)——即总题数 ÷ 剩余天数的简单配额对应计划中 Open Question 2 的方案 AtodayCompleted通过getAttempts()过滤今天时间戳且属于已完成集合的作答pace completed / daysSinceStartprojectedCompletion预测完成日期onTrack completed expectedByNow按线性期望判断是否跟得上进度。计划中 Open Question 2 提出的 B自适应加权难题、按表现调整与 C日历集成、标记备考日、跳过周末属于可选的进阶迭代方向仓库目前以方案 A 的确定性计算为基础。此外plans.ts 还内置了 7 套策展学习计划STUDY_PLANS如「MLE Interview Sprint」2 周、50 题、L4-L5、「Staff Engineer Deep Dive」4 周、100 题、L5-L6、「72-Hour Blitz」3 天、30 题等每套都定义了track、levels、competencySequence领域顺序getPlanQuestions()按领域配额取题并排序——这些可以作为 F5「目标模板」的现成来源。实施顺序与分阶段估算五项改进存在自然依赖计划给出的推荐构建顺序如下Phase 1独立可并行 ├── F4: 进度追踪改版NeetCode 风格进度条 └── F2: 章节-题目映射 Phase 2依赖 F4 ├── F3: 顺序化 L 级路径 书签/续学 └── F1: 引导改进依赖 F3 存在以便指向 Phase 3依赖 F3 F4 └── F5: 面试备考模式目标/时间线/每日包装层各阶段工作量估算阶段包含项预计涉及文件复杂度Phase 1F4、F2~6 个文件 1 个新数据文件中Phase 2F3、F1~8 个文件 1 个新路由中-高Phase 3F5~5 个文件 1 个新路由高结合仓库现状的观察F2 的核心book_refs构建管线 BookRefCard与 F4 的数据层getTopicProgressMap已落地实际开工时这两项的剩余工作量主要是 UI 呈现与数据核对因此整体时间线有望比计划预估更短。设计约束LocalStorage、懒加载、不回归与移动优先计划明确了四条硬性约束与仓库架构高度吻合所有状态存于 LocalStorage无后端、无认证。进度必须可导出/导入exportProgress()/importProgress()已在 progress.ts 实现含导入前的形状校验与写失败回滚快照。任何新增状态键如 F3 的staffml_paths都应纳入这两个函数的键清单KEYS常量与clearProgress()保证备份语义一致。题库预打包 懒加载。summary 数据9,525 题在 corpus-summary.json完整详情从 Cloudflare Worker 按需水合见 corpus.ts 的getQuestionFullDetail()与_hydratedIds去重逻辑本地开发走/data/corpus.json静态回退见 README.md 与NEXT_PUBLIC_VAULT_FALLBACKstatic。新特性必须只用 summary 数据即可工作进度/路径追踪不得依赖重型字段。既有功能不得回归。随机模式、每日一题、gauntlet、explore、间隔重复照常工作。这要求新路由与状态管理完全独立叠加而非改写现有模式。移动优先。很多用户会在手机上练习进度条与路径视图须在 375px 宽度下触控友好、清晰可读。遗留开放问题供评审人 VJ 决策章节映射粒度topic_to_section应链接到章节级页面还是章节内的#sec-节锚点节级更有用但需将 87 个主题映射到节 ID一次性工作量较大。仓库现状实际实现为章节级 URLBookRefResolver的 URL 模式不含锚点节锚点被显式推迟到重建时再生成见 corpus.ts 的BookRef注释。面试备考时间线的精细度A简单总题数/天数 每日配额、B自适应高难度题加权、按表现调整、C日历集成标记备考日、跳过周末。仓库当前实现为方案 AgetPrepStats().dailyTargetB/C 是进阶方向。水平测试placement quizF1 引导是否应包含快速水平评估以建议起始层级还是仅让用户自选仓库现有CustomPath.startLevel由用户显式指定接入水平测试即可自动化该字段。优先级先启动某一阶段还是先把全部数据结构铺好再增量构建 UI考虑到 F2/F4 的数据层已就绪从 Phase 1 起步、以 UI 呈现为主的路线投入产出比最高。小结Pelin 反馈改进计划的五条建议本质上是把 StaffML 从随机刷题工具升级为结构化备考系统F1 解决从哪开始引导F2 解决答错后去哪补章节回链F3 解决怎么系统推进顺序路径书签F4 解决进展如何量化NeetCode 风格进度F5 把前三者收口为面向面试目标的时间盒备考目标/配额/复盘。仓库源码显示F2 的book_refs构建管线、F4 的getTopicProgressMap数据层、F3 的CustomPath生成逻辑与 F5 的getPrepStats计算均已有可复用实现落地重点是 UI 呈现、路由与状态键的打通同时严守LocalStorage-only、summary-only、不回归、移动优先四条设计约束。【免费下载链接】cs249r_bookMachine Learning Systems项目地址: https://gitcode.com/GitHub_Trending/cs/cs249r_book创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 StaffML 基于 Pelin 反馈的交互与学习路径改进方案：从结构化学习路径到面试备考模式的设计与实现指南
StaffML 基于 Pelin 反馈的交互与学习路径改进方案从结构化学习路径到面试备考模式的设计与实现指南【免费下载链接】cs249r_bookMachine Learning Systems项目地址: https://gitcode.com/GitHub_Trending/cs/cs249r_book导读本文档源自 StaffMLMachine Learning Systems 访谈练习应用针对 ML 工程师 Pelin Balcı 反馈制定的改进计划feat/staffml-pelin-feedback分支2026-05-27。Pelin 具有工业工程/运筹优化背景、无正式 CS 学位代表了从自学者转型系统思维训练的 ML 实践者群体其反馈聚焦于导航、进度追踪与结构化学习体验而非 bug 或内容缺口。文章完整梳理 F1~F5 五项改进新手引导、题目-章节关联、顺序化 L 级路径、NeetCode 风格进度条、面试备考模式并结合 progress.ts、plans.ts、corpus.ts、levels.ts 等源码以及仓库中已实现的部分如book_refs体系、staffml_plan_progress、staffml_custom_paths存储键给出可落地的数据模型、分阶段实施顺序与设计约束。读完本文你将掌握如何为练习类产品设计顺序化学习路径与断点续学如何用 LocalStorage 无后端地实现进度统计与备考计划以及如何将 87 个主题与教材章节建立可验证的映射。背景为什么这份反馈值得单独成一份改进计划Pelin Balcı 是 ML 工程师背景为工业工程/运筹优化无正式计算机科学学位她代表的是自学型 ML 实践者向系统思维转型的受众群体。她的反馈围绕面试备考工作流中的 UX 缺口展开与此前 Peter 的反馈针对视觉题目、LLM 检查等 bug以及 RISC-V、DSPNN 等内容缺口已在feat/staffml-feedback分支处理正交Pelin 的反馈聚焦导航、进度与结构化学习体验。改进计划建立在对当前功能状态的盘点之上仓库现状如下表路径均可在仓库中核对组件状态关键文件Welcome/引导页已存在轨道选择器、首次运行说明welcome/page.tsx进度追踪已存在LocalStorageattempts、gauntlets、SM-2 间隔重复progress.tsDashboard已存在热力图、连续天数、总计、近期活动dashboard/page.tsxProgress 页已存在分析、历史、能力领域细分progress/page.tsxExploreVault 浏览已存在径向/旭日层级支持按 level/topic/area/zone 过滤explore/page.tsxPractice已存在单题练习、场景、评分标准、SM-2、star-gatepractice/page.tsxGauntlet已存在快速挑战模式gauntlet/Learning chains已存在843 条链按主题作用域Bloom 层级递进chains.json、tracks 数据题库9,525 题L1(543)、L2(1053)、L3(2363)、L4(2591)、L5(2157)、L6(818)corpus-summary.jsonChapter 交叉引用尚未实现题目只有topic、competency_area、zone无教材章节映射新特性注改进计划中的题库规模数字9,525 题与仓库中实际统计口径可能随迭代变化源码中 stats.ts 的QUESTION_COUNT是面向用户可见计数的唯一事实来源见 corpus.ts 的注释。以当前仓库实际数据为准即可。F1新手引导——消除 Vault 与 Practice 的首用困惑问题Pelin 不确定该从哪里开始。Welcome 页虽然存在但没有清晰解释 Vault浏览、Practice单题练习、Explore径向可视化与 Gauntlet快速挑战四者之间的关系。建议方案在 Welcome 页新增一个「推荐路径Recommended Path」组件展示三步流程选择你的轨道Pick your trackCloud / Edge / Mobile / TinyML从你的水平开始Start at your level5 题快速水平测试或自评沿路径前进Follow the path在轨道水平范围内的顺序模式。同时在首次访问 Practice/Vault 时提供常驻「Guide」提示气泡或侧边栏每个分区用一句话说明用途首次交互后自动关闭。范围小-中。涉及welcome/page.tsx可能需要新增GuidedOnboarding.tsx组件并为新用户更新导航面包屑或步骤指示器。依赖无。仓库现状呼应Welcome 页已存在轨道选择器与首次运行说明见 welcome/page.tsx此改进是在其上叠加「结构化引导」层并为 F3 的 Paths 模式做入口铺垫。F2题目与教材章节双向关联——Learn more 回填知识缺口问题做完一道题后没有途径跳回教材相关章节补足知识缺口。建议方案构建chapter-map.json把competency_area和topic映射到 MLSysBook 章节 slug 与节锚点在每道题作答后展示指向教材网站的「Learn more」链接。数据模型示例计划中的设计{ competency_area_to_chapters: { deployment: { vol1: [model_serving, ml_ops], vol2: [inference, edge_intelligence] }, memory_hierarchy: { vol1: [hw_acceleration], vol2: [compute_infrastructure] } }, topic_to_section: { model-serving-infrastructure: https://mlsysbook.ai/contents/vol1/model_serving/, gpu-memory-hierarchy: https://mlsysbook.ai/contents/vol1/hw_acceleration/#sec-hw-memory-hierarchy } }范围中。创建映射文件需审计 87 个主题、新增ChapterLink.tsx组件、集成到 practice 作答后视图。依赖需将 87 个主题对照教材章节结构逐项审计以构建映射。仓库中的落地实现topic_chapter_map.yamlBookRefResolver值得注意的是这一需求在仓库中已经以更成熟的方式落地。相比计划中的两级 JSON 映射实际实现采用构建期派生每个题目携带topic87 个精选主题 ID 之一schema/topic_chapter_map.yaml 将每个主题映射到教材章节由 book_refs.py 在构建期把映射以book_refs数组形式挂到每条题目上实现按主题一次性派生而非在全部约 1 万道题上手工编写。关键设计决策见 book_refs.py 模块文档这是深入阅读指针不是答案钥匙引用绑定在题目的topic上而非答案所在位置URL 模式已验证 HTTP 200https://mlsysbook.ai/vol{N}/contents/vol{N}/{chapter}/{chapter}.html构建期链接检查章节标题从对应.qmd的 H1 读取被映射的章节若缺少.qmd源文件则构建失败_validate抛出BookRefError从而把URL 待稳定的历史阻塞项转化为URL 强制有效独立使用 vault-cli脱离 monorepo时标题回退为 slug 转标题格式链接检查跳过。前端侧BookRefCard.tsx 在作答揭晓后渲染「Learn more in the textbook」卡片主引用role: primary展示卷号与章节标题并带作者编写的why说明行also_see次引用渲染为小标签。数据形状定义在 corpus.ts 的BookRef接口vol、chapter、title、url、role、why且book_refs随 summary 包下发、同步渲染无需 Worker 拉取见 corpus.ts 注释这正是 F2 所期望的体验。相关测试见 test_book_refs.py深入分析见 book-refs-analysis.md。F3顺序化 L 级路径——L1 到 L6 的断点续学问题题目可能随机出现。Pelin 希望从 L1 开始系统推进并能从上次停下的位置继续。现状Learning chains 已存在843 条、主题作用域、Bloom 层级递进 L2-L5但没有一种 UI 模式以书签形式顺序呈现它们。建议方案在现有随机/每日模式旁新增「Structured Path结构化路径」模式路径选择用户选择轨道 能力领域或全部领域层级递进路径内题目按 L1 → L2 → L3 → L4 → L5 → L6 排序层级内排序复用既有链顺序Bloom 分类法remember → understand → apply → analyze → evaluate → create书签状态将{ trackId, areaId, currentQuestionIndex, completedIds[] }保存到 LocalStorage 的新键staffml_paths续学返回时显示「Continue where you left off」并给出序列中的下一题。UI 新增新「Paths」路由/paths展示可用结构化路径及进度条Welcome/落地页的「Continue Path」按钮路径模式下 practice 视图顶部的路径进度指示器。范围中-高。新路由、progress.ts中的新状态管理、路径排序逻辑、practice 页集成。依赖F1引导应指向此模式。仓库中的现成素材Bloom 层级定义与自定义路径生成levels.ts 定义了 F3 依赖的层级骨架L1 RecallEntry、L2 UnderstandJunior、L3 ApplyMid-Level、L4 AnalyzeSenior、L5 EvaluateStaff、L6 ArchitectPrincipal每级带角色、提问动词与示例。LEVEL_ORDER [L1, L2, L3, L4, L5, L6]在多处复用progress.ts、plans.ts。更重要的是plans.ts 中自定义路径CustomPath机制已经实现了 F3 的核心逻辑CustomPath接口plans.tsid、title、track、area可为 null 表示全部、startLevel、可选targetDate、dailyQuota、createdAtgenerateCustomPathQuestions(path)plans.ts从startLevel起截取LEVEL_ORDER逐层级、逐领域用getQuestionsByFilter({ track, level, competency_area })取题并按topic字典序排序保证确定性顺序——这正是层级内按主题概念分组的落地存储键为staffml_custom_paths保存/删除路径与staffml_plan_progress记录completedIds与startedAt见 plans.ts。F3 建议的新键staffml_paths与现有机制一脉相承实际实现时可选择复用custom_paths plan_progress或按计划引入独立键。另注意exportProgress()progress.ts已把staffml_plan_progress与staffml_custom_paths纳入导出任何新增路径状态都应同步纳入导出/导入保证进度可备份迁移的设计约束不回归。F4NeetCode 风格进度追踪——主题完成率与 L 级位置可视化问题Progress 区块存在但未展示按主题的完成百分比与清晰的 L 级位置。Pelin 以 NeetCode 为参照。现状Progress 页展示能力领域 × 轨道热力图与总数统计但缺少按主题的完成进度条已解 X / 共 Y 题每主题当前 L 级位置每类别下的可视化完成百分比。建议方案重新设计 Progress 页展示按能力领域分组的主题级进度条Memory Hierarchy 68% ████████████░░░░░ (34/50) ├── Cache optimization L3 ✅ 100% ████████████████ (12/12) ├── HBM bandwidth L2 45% ███████░░░░░░░░░ (9/20) └── Memory-bound bottlenecks L1 72% ███████████░░░░░ (13/18)每主题 L 级指示器展示用户已正确作答的最高层级。顶部整体 Dashboard 汇总已答题目X / 9,525已触及主题X / 87当前最强/最弱领域连续天数信息。颜色编码绿80%、黄40-80%、红40%、灰未开始。范围中。主要是 Progress 页的 UI 工作。数据每题目、每主题、每层级的作答记录已存在于 LocalStorage。依赖无可独立构建。仓库中的现成实现getTopicProgressMap()已经可用F4 的数据层实际上已在源码中实现。progress.ts 提供TopicProgress/AreaProgress接口与getTopicProgressMap()每条作答记录AttemptRecord携带questionId、competencyArea、track、level、selfScore0跳过、1答错、2部分、3正确见 progress.tsgetTopicProgressMap()按主题去重统计 attempted/correctselfScore 2计为 correct并为每个层级L1-L6生成levelBreakdowntotal/attempted/correcthighestLevel取该主题下有正确作答的最高层级——正好对应 F4 第 2 点前端 progress/page.tsx 已引入getTopicProgressMap并渲染AreaProgressSection见 progress/page.tsx。颜色编码阈值绿 80%、黄 40-80%、红 40%、灰未开始是纯 UI 层的映射规则可直接叠加在现有AreaProgress数据之上无需改动数据层。因此 F4 的落地工作量主要是把现有数据以主题级进度条 颜色 汇总卡的形式呈现。F5面试备考模式——目标、时间线与每日计划F3 F4 的收口问题面试备考期间人们会设定目标与时间线。能够追踪自己停在哪道题、并看到完成进度至关重要。建议方案一个独立的「Interview Prep」模式把 F3结构化路径与 F4进度追踪包裹成连贯体验目标设定用户选择目标层级如「Staff Engineer: L4-L5」、目标轨道与时间线如「2 周」每日计划系统根据目标计算每日题数并展示每日配额会话追踪备考模式中的每次练习会话展示今日配额5/12 题当前路径位置L3, Topic 14/87今日耗时45 min每周复盘本周进度总结强弱领域分析。范围高。这是收口 F3 与 F4 的压轴特性。先构建 F3 与 F4再叠加目标/时间线/每日计划层。依赖F3、F4。仓库中的现成素材getPrepStats()已实现每日配额的数学plans.ts 的PrepStats与getPrepStats()已经实现了 F5 的核心计算totalQuestions、completed、daysRemaining ceil(剩余毫秒 / 86400000)dailyTarget ceil(remaining / daysRemaining)——即总题数 ÷ 剩余天数的简单配额对应计划中 Open Question 2 的方案 AtodayCompleted通过getAttempts()过滤今天时间戳且属于已完成集合的作答pace completed / daysSinceStartprojectedCompletion预测完成日期onTrack completed expectedByNow按线性期望判断是否跟得上进度。计划中 Open Question 2 提出的 B自适应加权难题、按表现调整与 C日历集成、标记备考日、跳过周末属于可选的进阶迭代方向仓库目前以方案 A 的确定性计算为基础。此外plans.ts 还内置了 7 套策展学习计划STUDY_PLANS如「MLE Interview Sprint」2 周、50 题、L4-L5、「Staff Engineer Deep Dive」4 周、100 题、L5-L6、「72-Hour Blitz」3 天、30 题等每套都定义了track、levels、competencySequence领域顺序getPlanQuestions()按领域配额取题并排序——这些可以作为 F5「目标模板」的现成来源。实施顺序与分阶段估算五项改进存在自然依赖计划给出的推荐构建顺序如下Phase 1独立可并行 ├── F4: 进度追踪改版NeetCode 风格进度条 └── F2: 章节-题目映射 Phase 2依赖 F4 ├── F3: 顺序化 L 级路径 书签/续学 └── F1: 引导改进依赖 F3 存在以便指向 Phase 3依赖 F3 F4 └── F5: 面试备考模式目标/时间线/每日包装层各阶段工作量估算阶段包含项预计涉及文件复杂度Phase 1F4、F2~6 个文件 1 个新数据文件中Phase 2F3、F1~8 个文件 1 个新路由中-高Phase 3F5~5 个文件 1 个新路由高结合仓库现状的观察F2 的核心book_refs构建管线 BookRefCard与 F4 的数据层getTopicProgressMap已落地实际开工时这两项的剩余工作量主要是 UI 呈现与数据核对因此整体时间线有望比计划预估更短。设计约束LocalStorage、懒加载、不回归与移动优先计划明确了四条硬性约束与仓库架构高度吻合所有状态存于 LocalStorage无后端、无认证。进度必须可导出/导入exportProgress()/importProgress()已在 progress.ts 实现含导入前的形状校验与写失败回滚快照。任何新增状态键如 F3 的staffml_paths都应纳入这两个函数的键清单KEYS常量与clearProgress()保证备份语义一致。题库预打包 懒加载。summary 数据9,525 题在 corpus-summary.json完整详情从 Cloudflare Worker 按需水合见 corpus.ts 的getQuestionFullDetail()与_hydratedIds去重逻辑本地开发走/data/corpus.json静态回退见 README.md 与NEXT_PUBLIC_VAULT_FALLBACKstatic。新特性必须只用 summary 数据即可工作进度/路径追踪不得依赖重型字段。既有功能不得回归。随机模式、每日一题、gauntlet、explore、间隔重复照常工作。这要求新路由与状态管理完全独立叠加而非改写现有模式。移动优先。很多用户会在手机上练习进度条与路径视图须在 375px 宽度下触控友好、清晰可读。遗留开放问题供评审人 VJ 决策章节映射粒度topic_to_section应链接到章节级页面还是章节内的#sec-节锚点节级更有用但需将 87 个主题映射到节 ID一次性工作量较大。仓库现状实际实现为章节级 URLBookRefResolver的 URL 模式不含锚点节锚点被显式推迟到重建时再生成见 corpus.ts 的BookRef注释。面试备考时间线的精细度A简单总题数/天数 每日配额、B自适应高难度题加权、按表现调整、C日历集成标记备考日、跳过周末。仓库当前实现为方案 AgetPrepStats().dailyTargetB/C 是进阶方向。水平测试placement quizF1 引导是否应包含快速水平评估以建议起始层级还是仅让用户自选仓库现有CustomPath.startLevel由用户显式指定接入水平测试即可自动化该字段。优先级先启动某一阶段还是先把全部数据结构铺好再增量构建 UI考虑到 F2/F4 的数据层已就绪从 Phase 1 起步、以 UI 呈现为主的路线投入产出比最高。小结Pelin 反馈改进计划的五条建议本质上是把 StaffML 从随机刷题工具升级为结构化备考系统F1 解决从哪开始引导F2 解决答错后去哪补章节回链F3 解决怎么系统推进顺序路径书签F4 解决进展如何量化NeetCode 风格进度F5 把前三者收口为面向面试目标的时间盒备考目标/配额/复盘。仓库源码显示F2 的book_refs构建管线、F4 的getTopicProgressMap数据层、F3 的CustomPath生成逻辑与 F5 的getPrepStats计算均已有可复用实现落地重点是 UI 呈现、路由与状态键的打通同时严守LocalStorage-only、summary-only、不回归、移动优先四条设计约束。【免费下载链接】cs249r_bookMachine Learning Systems项目地址: https://gitcode.com/GitHub_Trending/cs/cs249r_book创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考