LeetCode 告诉你解什么，却从不回答真正决定你面试成败的问题：下一步该练什么？

这是决策问题，不是内容问题——所以 Learn AI 和每个 XingAI 产品一样：决策系统，不是聊天机器人。粘贴一道面试题（或它的截图），它回答的是：pattern、面试官意图、你的缺口、下一道最优题——还带 company 感知。

掌握 pattern，而不是题目

领域模型是知识图谱：PatternFamily → Pattern → Question，叠加你的 LearningHistory、PatternMastery、MistakeRecord。"Two Sum" 的意义仅在于它是你处理哈希表 pattern 能力的证据。就绪度是由 pattern 覆盖率、薄弱点消减、连续性算出的分数——不是解题计数。

一次 LLM 调用，九个 Engine

显而易见的架构是每个关注点调一次 LLM：分类、意图、前置知识、pattern 映射、讲解、replay 步骤、相似题、推荐。每道题九次调用。

Learn AI 只调一次。单次分析调用返回一个 JSON 文档；各 engine 是它之上的解析器和后处理器。只有需要数据库的 engine——相似题、company 感知推荐、就绪度——自己干活，对象是 SQLite，额外 LLM 调用为零（ADR-002）。

模块化保留了（每个 engine 作为纯函数独立可测），但没有 9 倍成本、9 倍延迟，也没有九个答案互相打架的可能。

对 worker 标准的诚实偏离

XingAI 全局标准说：逻辑放 worker、API 读缓存、前端渲染缓存。它的前提是输入可枚举——N 只股票、M 份餐谱。晚上 11 点粘贴进来的面试题不可枚举，没有任何东西可以预计算。

所以 Learn AI 把 LLM 放进请求路径——由三层缓存守护：

层	Key	省下的
OCR	sha256(图片)	重复上传截图的 vision 调用
分析	hash(文本 + 图片)	重复题目的完整分析调用
相似题	category:subcategory:pattern	按 pattern 重新生成（缓存 20 取 5）

缓存命中 → 零 LLM 参与。未命中 → 恰好一次调用，之后所有人共享。成本随不同题目数增长而不是流量——而面试准备里，大家问的就是同一批题。标准的目标（"页面加载不调 LLM"）达成了；机制不同，而且这次偏离写成了 ADR，没有静默漂移。

下一步：给自己的推荐打分

Learn AI 刚采用了跨产品 Decision Ledger（ADR-003）——每条"下一步练这个"都成为台账行。与多数产品不同，我们真能测量 action_taken：7 天内你分析了命中推荐 pattern 的题，就是跟随了推荐；下一次掌握度更新会告诉我们它有没有用。

一个会用你的结果给自己建议打分的面试准备工具——这就是决策系统和内容库的区别。