< 面试题整理 >

项目进展

Posted by CodingWithAlice on December 26, 2024

项目进展

一、功能

LTN工具 J-Table

  • 规划表
  • LTN v1.0 工具：记录每题做题时间 ✅ + 提示下次做题时间 ✅
  • LTN V2.0 工具：在网站记录答案 + 做题记录 + AI 判题 ✅

复盘工具 Next_Pro

  • Nextjs + API Route + Sequelize + MySQL + Mongodb ✅
  • 日报✅、周报✅、月报✅、季报
  • 阅读、影视化相关日报中：想要实现【一句之诗】，每天把喷涌的思考，汇总成一句话
    • TED 重刷感受记录 ✅
    • 阅读/电影等体验记录 ✅
    • 运动记录

莱特纳盒子学习法 v2.x

二、功能开发进展 changeLog

##2025.07.26

1、周报 AI 工具无法满足当前写周报需求 -> 改为 部分数据组装+部分AI推论 ✅

2、月报页面改版 需求 7 完成 ✅

  • 季报计划：月报改版后，实行2-3个月，再完善季报

    • 季报尝试解决的问题：对齐年报、季节性规律调整、方法论沉淀、认知突破总结

  • 需求8：提供运动记录、管理的界面呈现方式，方便打卡和管理

## 2025.06.28

大虐，由于 5月加班非常严重 + 6月初阳一直在睡觉，功能进展较缓慢

  • 需求4：LTN做题 Deepseek 查询 已接入 ✅
  • 需求5：TED、电影/书籍 相关记录界面 已支持 ✅
  • 需求6：每日做题记录、隔天错题重做 已支持 ✅

新需求：

  • 需求7：月报优化，从「数据陈列」到「驱动行动」的转变

    • 月报当前痛点：像是多个周报的数据集合，缺乏跨周期的洞察、战略层提炼

    • 月报优化方向：从数据中提取模式，推动系统性改进 + 输出非短期任务的决策

      • 【顶部】趋势变化分析

        1、不同类型的热力图 ✅

        （过滤了 工作 和 睡眠）

        • 工作：是不得不投入时间用于赚钱的 - 至少现在而言，通过文档、月计划整理工作与我而言可控
        • 睡眠：会影响直观地观察 各个事项在周期中的热力情况

        2、学习效率曲线 ✅

        • 分母 times 定义：工作日 下班时间-23:00；休息日 LTN/前端>30min，事项开始时间-23:00，不包含其他事项时间
        • 时段系数：工作日下班 1.2，周末 0.9；LTN 1.2 前端 1.0
        • 日学习效率分 = (LTN分钟数 \times*1.2 + 前端分钟数 \times) *时段系数

        3、【由上述两项数据推论】归因挖掘

        • 1、退步：计划不合理？执行漏洞/干扰事项？
        • 2、进步：哪些方法论可以复用到其他方向

      • 【中间】环比数据 ✅

        • 年度目标计算

          除去工作：52周 * 2天周末/周 * 4h + 52周 * 5天工作日/周*2h = 936h = 56160m

          • 学习专注时长：【暂时规划一半】56160m / 2 ≈ 25000m

          • LTN做题时长：【暂时规划一半】56160m / 2 ≈ 25000m

          • 复盘时长：365天 * 0.5h + 周报 2h * 36h + 月报 1h * 12 = 266h = 15960m

          • 技术占比【暂缓】

          • TED观看时长：365 * 1/3 * 15min = 1825m

          • 阅读时长：365 * 10min = 3650m / 2（上半年几乎没记录阅读时长）

          • 平均入睡时间：环比展示

          • 平均起床时间：环比展示

          • 运动时长：52周 * 5天 * 30m = 7800m

        • 时长差异的原因

      • 【底部】非短期决策 ✅

        • 保持原有周事项罗列
        • 1、保持：哪些已验证的有效模式
        • 2、试验：迁移有用的学习方法
        • 3、放弃：哪些事情看似重要，但无实际回报
        • 4、偏离：时间投入占比是否偏离重点
## 2025.04.20

从去年9月起的所有做题历史记录导入 mongodb

## 2025.04.11-13
  • 需求3：提供做题界面 + 做题时间 + 做题时长 ✅

功能梳理：前端视角需要的接口信息记录

  • 点开弹窗，调用①初始化接口：判断是否展示正确答案界面 ✅
    • 不展示就停，等做题 ✅
    • 展示则将接口中查询的剩余信息展示 ✅
  • 做完题，点击校验，调用校验接口：需要调用2个接口
    • ②post 接口用于存储最新一次做题答案，同时返回需要展示的数据 ✅
    • ③AI 查询当前输入的内容 和 正确答案的 错误信息分析、推论 todo 📢
  • ④保存：可以填写修改 历史错误信息 + 做题时长，点击保存按钮，将数据落表 ✅
    • 刷新做题时间 + 模拟之前 Box 的升降功能（页面升降入口关闭）✅
// 核心 两个 mongodb 表
// 正确答案记录表，唯一查询: topicId
question_answers: {
    rightAnswer: string; // 正确答案
    wrongNotes: string; // 错误记录
    topicTitle: string;
    topicId: number; // 关联 MySQL
}
// 做题记录表，唯一查询: topicId+submitTime
answer_records: {
    topicTitle: string;
  durationSec: number; // 做题时长
  submitTime: string; // 提交时间（和 mysql 中的 solveTime 对齐）
  topicId: number;
  isCorrect: boolean; // 升/降BOx
  recentAnswer: string; // 最近一次的答案
}
// 做题界面 - ③AI 校验返回的信息使用另一个接口异步返回（一般比较慢）
{
    suggesttion: [] //不落表
}
## 2025.04.08

哭泣，找房子、搬家、加班，终于有时间把清明节安排的 LTN 优化方案实践了

  • 需求2：mongodb 管理 题目答案（弹窗手动添加/修改） ✅
## 2025.04.04

  • 需求1：添加表 level + 给所有题目定级(借助 AI) 并更新间隔时间✅

      // 题目答案主文档（答案唯一性）
  {
      _id: ObjectId("5f8d..."), // MongoDB自动生成
      topic_id: 123,            // 关联题目ID
      topic_title: "React Fiber架构原理", 
      right_answer: "答案",
      wrong_notes: ["❌错误1", "❌错误2"] ,
      create_at: ISODate("2025-04-01"),
      update_at: ISODate("2025-04-10")
  }
  // 做题记录子文档（独立集合）
  {
      _id: ObjectId("5f8e..."),
      topic_id: 123,             // 外键关联
      duration_ms: 45000,        // 本次耗时(毫秒)
      is_correct: false,         // 是否正确
      wrong_reason: "误解了双缓冲机制", // 错误摘要
      created_at: ISODate("2025-04-05T10:00:00"), 
  }
## 2025.03.29
  • 方案确定，如下 v2.0 的描述，每日复盘提供 工作模式/自学模式 的切换

一、工作模式切换 - v2.0优化

2025.04.04

对当前 莱特纳盒子学习法 的【间隔周期】进行优化，以适应工作后的学习节奏

可以牺牲一部分学习效果来维持学习法的持续性，例如减少 40% 的时间，达成 85% 的学习效果

  • 题目优先级划分（根据优先级来定默认间隔周期）
  • 间隔时间根据 优先级对应的默认间隔周期 + 一些系数（工作强度、错误情况）计算

历史数据处理方案： box_id * 基本间隔时间 basic_duration

-- 更新数据库中的 custom_duration 计算
UPDATE `ltn_topic_list` t
JOIN `ltn_topic_level` l ON t.level_id = l.id
SET t.custom_duration = 
  LEAST(
      t.box_id * l.basic_duration,  -- 计算基础值
      l.max_duration                -- 不超过最大值
  );
方案2：五级优先级划分矩阵（技术+记忆双维度）
  • 这种细粒度分级经MIT 2023年实验验证，相比三级分类能提升约22%的时间利用率（数据来源：《Spaced Repetition Optimization for Engineers》）。关键是要坚持前两个月的详细数据记录，为后续合并提供决策依据。

划分 5 个优先级 - 每个优先级对应 基础间隔时间 + 理想最长间隔

level 技术深度要求 记忆特性 基础间隔时间 理想最长间隔
A 底层、原理 推导记忆、关联点多 7 28
B 高频 API、网络、性能优化 刻意记忆、关联点多 8 32
C 日常工具链、数据库操作 肌肉记忆、关联点少 9 38
D 边缘功能、css技巧 独立知识点、易混淆 11 42
E 生活知识、非技术内容 自然记忆 13 54 
// 渐进式增加间隔（防止爆发式增长） - 做对
card.duration = Math.min(
    card.duration + baseDuration * 0.2,
    baseDuration * 2.5  // 上限控制
);
// 判断是否在基础间隔内重复错误（是否为连续错误） - 做错
function isConsecutiveWrong(card) {
    const baseInterval = {1:7, 2:8, 3:9, 4:10, 5:11}[card.level];
    return (now() - card.solve_time) <= baseInterval * 86400;
}
if (!isCorrect) {
    const isConsecutive = isConsecutiveWrong(card);
    const penalty = isConsecutive ? 0.6 : 0.8; // 连续错误惩罚更重
    card.duration = Math.max(1, baseDuration * penalty); // 至少1天
}
  • 首次错误：间隔缩短20%（×0.8）
  • 连续错误：间隔缩短40%（×0.6）
  • 连续正确：每次延长基础间隔的20%
方案1：三级优先级划分矩阵（三维度九指标法）（参考）
  • 考虑到是工作后的第一次调整，如果只是划分 ABC 三个等级 - 关联间隔周期，后续实际使用中，如果还需要优化 - 再拆分分级成本比较高 -> 层级划分得更细一点，之后优化可以合并层级，成本更低
graph TD
A[优先级划分] --> B[技术维度]
A --> C[应用维度]
A --> D[记忆维度]
B --> B1(技术深度)
B --> B2(技术时效性)
B --> B3(岗位相关性)
C --> C1(使用频率)
C --> C2(错误成本)
C --> C3(复用场景)
D --> D1(记忆难度)
D --> D2(关联知识点数)
D --> D3(遗忘速度)

image-20250404124609639

莱特纳盒子学习法 v1.x

v1.1 说明：自学模式，间隔周期 BOXId * 7天 + 上次做题时间 solveTime

  • 做错的题目 / 新增的BOX1题目：隔天重做

v1.0 说明：自学模式（GAP期间），间隔周期 BOXId * 7天 + 上次做题时间 solveTime

一、AI ✅

拥抱 AI，当前规划需要实现的功能

  • 内容

    • 月报 - 回顾总结 - 前端、回顾总结 - 其他 ✅

    • 后续跟进其他推荐

      • 周报 - 下周主要学习的内容、前端概况、做得棒的地方、可以做得更好的地方、睡眠情况、运动情况、电影、TED主题、阅读情况 ✅

  • 目标：利用 AI 给出可能性 -> 减少人工比较带来的基础工作，当前周报一般耗时1h，期望减少一半时长

二、AI changeLog

以下为 集成 deepseek 接入网站过程记录

2025.03.04
  • 将服务器 docker 数据迁移到数据盘
    • 首先要停止 Docker 服务，然后将/var/lib/docker目录下的数据备份并迁移到数据盘的合适位置。接着修改 Docker 的配置文件，一般在/etc/docker/daemon.json中添加或修改"data-root": "/test"，指定新的数据目录。最后启动 Docker 服务，检查是否正常运行，并且数据是否正确存储在新的位置
  • J-Table 添加权限校验 - 守卫
  • nginx 配置处理 http://codingwithalice.top:4001
2025.03.02
  • Next_pro 的所有后端接口，添加权限校验 - 全局中间件
2025.03.01
  • Next_pro 的 DEEPSEEK_API_KEY 存储在服务器 config.env 中统一管理
  • Next_pro 的 deepseek 的 AI 提示语存储在 config.env 中
2025.02.28
  • Next_Pro 调通本地的 AI 调用提示 月报总结信息

三、功能 changeLog

以下为 2025.1.15 - 2025.2.26 记录的复盘工具、LTN工具开发、部署上线过程

2025.1.15 进展

Next_Pro 日报落表 - 时间周期落表

image-20250115202239765

2025.1.17 进展

J-Table 后端接口需求梳理：

表
CREATE TABLE `ltn_data` (
  `id` BIGINT NOT NULL AUTO_INCREMENT,
  `title` varchar(255) NOT NULL COMMENT '题目标题',
  `source` BIGINT NOT NULL COMMENT '题目来源作业/博客',
  `box_id` BIGINT NOT NULL COMMENT '归属box',
  `solve_time` TIME NOT NULL COMMENT '做题时间',
  `created_at` datetime NOT NULL,
  `updated_at` datetime NOT NULL,
  PRIMARY KEY (`id`)
) 
接口：
1、查询接口 /findAll 按 box_id 分组
2、某题操作按钮 /operate 参数：id + type:upgrade[box_id+1]/degrade[box_id降为1]
3、过滤接口 /filter 参数：startTime + endTime[solve_time+box_id*7∈[start,end]]
建议 startTime: now endTime: now+10天(一个周期)
2025.1.18 进展

  • J-Table 后端服务使用 nestjs 初始化

  • 快速打通数据库，提供查询接口

2025.1.20 进展

LTN工具未来迭代方向：结合记忆曲线，在遗忘曲线的周期内，对知识进行回顾

J-Table

  • 前端路由 + 莱特纳盒子
  • /ltn 查询接口，按 boxId 分组返回 + 前端侧按盒子分组展示
  • /ltn/operate 修改接口，升/降LTN内容 + 前端侧提供按钮
  • 提供过滤接口，生成当前周期的 LTN 题库
2025.1.21 进展

Next_Pro

  • 日报 事项记录 前后端+数据库
2025.1.22 进展

  • 买域名 codingwithalice.top + 买 轻量应用服务器(4个月，得到 ICP 备案资格，并提交备案)

  • 两个项目分工：一个专门梳理 LTN 盒子；一个记录生活

image-20250122165531204

2025.1.23 进展
  • J-Table：展示周期 + 切换LTN/all 展示
2025.1.25 进展
  • 清理博客和印象笔记中的「LTN题目」管理Tag 和列表
  • J-Table：新增添加 Box 弹窗 + 统一管理所有题目和周期
2025.1.26
  • Next_Pro 每日数据 接口+展示
2025.1.27
  • Next_Pro 周报 查询 + 落表 + 展示
2025.2.2 进展

部署至云端数据库（服务器默认安装了 Docker 环境 - 提供了容器化的部署方式

// check docker 安装
docker --version // Docker version 26.1.3, build b72abbb
2025.2.10 进展
  • Next_Pro 周报 数据源 modal+页面展示，并投入使用写 LTN15周报
2025.2.12 进展
  • Next_Pro 月报
  • Next_Pro 初始化部署

部署指令操作：

1、更新 Next_Pro 代码

  • https://gitee.com/CodingWithAlice/Next_Pro 更新
  • 方便国内 git pull 拉取

2、在 Next_Pro 目录构建：

sudo docker build -t next_pro .
  • 本地 npm run build 确认没有问题
  • => => writing image sha256:32f2351a67a8c4704e94e42177f64cdb1e16aa7d1e9eb4bb2c59c3d8ac2c3440 => => naming to docker.io/library/next_pro 212.7s

3、启动服务：

sudo docker run -d -p 3000:3000 next_pro

  • 查看运行中的容器

     sudo docker ps

    如果 找到对应 IMAGES + STATUS为 up 即成功

  • 查看容器日志 sudo docker logs next_pro 获取日志

  • 检查端口占用情况 sudo netstat -tuln | grep :3000 检查主机的 3000 端口是否被监听 (启动后， 在防火墙配置开放该端口 3000 的入站规则)

访问链接：

http://121.43.164.209:3000

http://codingwithalice.top:3000/

2025.2.13 进展
  • Next_Pro 在服务器部署 mysql，修改代码根据环境适配
2025.2.14 进展
  • Next_Pro 修改手机端样式
2025.2.17 进展
  • Next_Pro 添加二次阅读工具页面
2025.2.18 进展
  • J-Table 也部署到线上
2025.2.26 进展

配置 nginx ，方便不携带端口访问 - 在 NextJS 项目中添加 nginx 配置

  • http://codingwithalice.top/ 可以直接访问
// 使用 docker-compose
sudo docker pull nginx // 安装 nginx
CATALOG
    FEATURED TAGS
    《JavaScript高级程序设计4》 < JS原生基础相关 > < 算法题 > < vue相关知识点 > < CSS相关内容 > < HTTP相关 > < 面试题整理 > < 浏览器原理 > < 工作经验沉淀 > < 小程序 > < webpack > < 工程化 > < database > < 重构2 > < React17+TS4 > < node > < AI >
    FRIENDS