技术架构

让每一次学习都有依据，也能继续

CataiLearn 将资料处理、内容检索、智能体教学、练习反馈与学习报告连接成可恢复的完整工作流。

架构演进

用真实需求决定下一步技术选择

当前架构优先保证学习链路可靠和边界清晰。未来的并发能力、消息系统与服务实现，将由可观测数据和效果评估共同驱动。

API、任务执行和模型调用保持独立扩容，根据真实流量、队列等待与端到端延迟决定扩展时机。

按任务类型隔离资源，持续完善优先级、幂等、超时、重试与降级，让慢任务不拖累交互路径。

模型、搜索、存储与消息能力通过清晰端口隔离，在真实性能证据充分时演进具体实现。

结合确定性规则、离线评估、在线观测与人工抽检，持续评估正确性、引用质量、学习效果、成本和延迟。

Go、Kafka 等技术会在吞吐量、延迟或解耦需求达到明确门槛后再评估，不作为当前架构的预设答案。