Arquitetura Cloudflare para o Math Challenge

Product-to-primitive mapping

Recurso	Primitivo	Por quê	Limite real que o restringe
Frontend + BFF, shell PWA	Workers (Astro via @astrojs/cloudflare, Static Assets)	Monorepo já executa Astro em Workers; configuração automática do framework para Astro existe desde dez/2025 [22][23]	Limites de CPU por request em Workers — não é uma restrição de curto prazo
Contas de pais/filhos/professores, catálogo de conteúdo, assinaturas	D1	Relacional, transacional, barato nessa escala	10 GB/banco de dados (pago), 500 MB (gratuito); 50.000 DBs/conta, 1 TB/conta [2]
Telemetria por tentativa (dezenas de milhares de usuários × muitas tentativas/dia)	Analytics Engine	Feito exatamente para isso: eventos de alta cardinalidade e escrita intensiva, sem modelo de cobrança por linha como D1	20 blobs / 20 doubles / 1 índice (96 B) por ponto, 250 pontos por invocação de Worker, retenção de 3 meses [13]
Liga ao vivo (~30) e classificação de salas de aula	Durable Objects (SQLite storage)	Um DO por liga/sala mantém taxa de requisição por objeto baixa (~30 escritores); ordenação em memória de 30 linhas é trivial, hibernação WebSocket oferece push quase em tempo real com custo quase zero em idle	Teto de throughput suave ~500–1.000 req/s por DO individual — deve-se particionar por liga/sala, nunca um DO global [7]
Leaderboard global / por faixa de série	KV (snapshot pré-calculado) + Workflow/Cron rollup	Leitura de KV é cacheada na borda e barata em escala de fan-out; visão global ordenada não precisa de frescor sub-segundo	KV: 1 escrita/segundo por chave, cacheTtl mínimo 30 s — não dá para escrever por tentativa, precisa agrupar [9][11][12]
Modelo de aprendizagem adaptativa por criança	Durable Object (SQLite) ou rollup D1, lido por Worker na seleção de questão	Precisa de leitura/escrita de baixa latência colocalizada com compute; DO oferece isolamento por criança	10 GB de armazenamento por objeto DO [8]
Banco de conteúdo (5 idiomas, milhares de itens)	D1 (metadados) + R2 (assets de mídia: imagens/áudio)	D1 para linhas estruturadas consultáveis; R2 para grandes arquivos binários, sem taxa de saída	R2 não tem linguagem de consulta própria — combinar com índice D1
Tutor de IA “Larry” (API Claude, roteamento de modelo)	Workers → AI Gateway → Claude API	AI Gateway fornece cache, limites de taxa e limites de gasto por usuário na chamada ao modelo	AI Gateway: máximo 20 regras de limite de gasto/portal [Spend limits]
Inferência local barata: embeddings, TTS, tradução	Workers AI	Executa na rede da Cloudflare, sem round-trip externo, precificação por modelo	Específico ao modelo: ex. bge-m3 $0,012/M tokens de entrada [17]
RAG sobre banco de dicas/explicações	Vectorize (embeddings de bge-m3)	Modelo de embedding multilíngue atende ao requisito de 5 idiomas	10 M vetores/índice, 1.536 dimensões máx [16]
Pontuação assíncrona, geração de explicação de IA	Queues + Workflows	Desacopla a requisição de submissão de tentativa da geração mais lenta de explicação IA; Workflows dão retries duráveis	Queues: unidade de operação 64 KB, 100 K ops/dia grátis [Queues pricing]; Workflows: 500 K passos incluídos/mês [Workflows pricing]
Notificações push	Web Push (via Worker enviando payloads) + service worker PWA	Não é um produto CF distinto — Workers apenas envia; navegador/SO controla entrega	iOS Web Push requer Safari 16.4+ instalado na tela inicial; inconsistente em Chromebooks/iPads gerenciados por escolas
Jogo offline	Service worker PWA + Cache API + sync em background para math-challenge-ingest	Cache API é por Worker, não compartilhada globalmente	Objeto cacheado máx 512 MB, 1.000 chamadas Cache API/request (pago) [20]
Defesa contra bots no cadastro/login	Turnstile	Gratuito, WCAG 2.2 AA, modos não interativos/invisíveis adequados para crianças	Nenhum limite rígido de taxa encontrado nos documentos; verifique limites do plano antes do lançamento
Analytics de site que respeita privacidade	Web Analytics	RUM sem cookies, toggle de exclusão para UE	Retenção não amostrada de 7 dias, depois ~10% de amostragem [Web Analytics FAQ]
Controle de custo no gasto com Claude	AI Gateway (Billing Unificado, limites de gasto, roteamento dinâmico/fallback)	Um ponto único para visualizar e limitar todo o custo do tutor	20 regras de limite de gasto/portal como teto
Hyperdrive	(not used)	Nenhum Postgres/MySQL externo neste design — D1 é o sistema de registro	N/A
Imagens/Stream	(not used at launch)	Conteúdo são ilustrações + áudio curto, servidos diretamente do R2; reconsiderar se aulas em vídeo forem adicionadas	N/A

Descobertas — notas por serviço

D1. Limites do plano pago: 10 GB por banco de dados, 50.000 bancos de dados por conta, 1 TB de armazenamento total da conta, duração máxima de consulta de 30 segundos, instrução SQL máxima de 100 KB, linha/BLOB máximo de 2 MB, 6 conexões simultâneas por Worker, 1.000 consultas por invocação do Worker [2]. Preços: 25 bilhões de linhas lidas incluídas/mês, depois $0,001 por milhão; 50 milhões de linhas gravadas incluídas, depois $1,00 por milhão; armazenamento $0,75/GB-mês além dos 5 GB incluídos [1]. Read replication está em beta público via a Sessions API, usando marcadores (bookmarks) para consistência sequencial (“read your own writes”, leituras monotônicas); a Cloudflare cria automaticamente uma réplica por região suportada (ENAM, WNAM, WEUR, EEUR, APAC, OC) sem custo adicional — a cobrança permanece inalterada [3][4]. O atraso da réplica é ilimitado no pior caso, portanto qualquer fluxo “aqui está sua nova pontuação” deve fixar no marcador da sessão de escrita, não em uma leitura sem restrição.

Durable Objects. O armazenamento SQLite está em GA com 10 GB por objeto [8]; um teto flexível de taxa de aproximadamente 500–1.000 solicitações/segundo se aplica por objeto, não por namespace — a própria orientação da Cloudflare classifica um único DO “global” como anti-padrão e exige particionamento por limite natural (por sala, por usuário, por liga) [7]. Computação (pago): 1 M de solicitações/mês incluídas, depois $0,15 por milhão; 400.000 GB-segundos incluídos, depois $12,50 por milhão de GB-s [1]. A cobrança de armazenamento para DOs baseados em SQLite (linhas espelham as tarifas do D1; armazenamento $0,20/GB-mês) começou em 7 de janeiro de 2026 — recente o suficiente para que modelos de custo mais antigos a subestimem [1][9].

Workers KV. Pago: 10 M de leituras/mês incluídas, depois $0,50 por milhão; 1 M de gravações/exclusões/listagens incluídas, depois $5,00 por milhão; 1 GB de armazenamento incluído, depois $0,50/GB-mês [Workers pricing]. Consistência eventual: gravações se propagam em até 60 segundos globalmente, ou no cacheTtl que você definir — o cacheTtl mínimo foi reduzido para 30 segundos em 2026 [12]. Apenas uma gravação por chave por segundo é permitido; mais disparam 429s [11]. Leituras em lote (100 chaves) e gravações em lote (10.000 pares, ≤100 MB) existem via a REST API [10][11]. Isso torna o KV inadequado para atualizações por tentativa e adequado para instantâneos atualizados periodicamente.

Analytics Engine. writeDataPoint() aceita até 20 blobs, 20 doubles, 1 índice (≤96 bytes); uma invocação de Worker pode gravar no máximo 250 pontos de dados; a carga útil de blob é limitada a 16 KB/ponto; a retenção é de três meses [13]. Não foi encontrado preço separado por gravação nos documentos obtidos — trate-o como incluído no plano Workers e reconfirme antes de comprometer um orçamento de volume; é a única cifra que este relatório não pôde obter com certeza.

Queues. Uma “operação” é cobrada por bloco de 64 KB lido/gravado/excluído; entregar uma mensagem normalmente custa 3 operações. Gratuito: 10.000 ops/dia. Pago: 1 M ops/mês incluídas, depois $0,40 por milhão. A retenção padrão é de 4 dias, configurável até 14 [Queues pricing].

Workflows. Solicitações e tempo de CPU compartilham os pools Workers (10 M de solicitações + $0,30 por milhão além; 30 M de CPU-ms + $0,02 por milhão além); armazenamento 1 GB + $0,20/GB-mês; etapas 500.000/mês incluídas + $0,80 por 100.000 adicionais [Workflows pricing]. A cobrança de etapas/armazenamento ainda não havia iniciado conforme o changelog citado — confirme a data de início antes de finalizar os modelos de custo.

R2. Armazenamento $0,015/GB-mês; Classe A (semelhante a gravação) $4,50 por milhão; Classe B (semelhante a leitura) $0,36 por milhão; saída (egress) gratuita. Camada gratuita: 10 GB-mês de armazenamento, 1 M Classe A, 10 M Classe B/mês [R2 pricing]. A ausência de taxa de saída é relevante para arquivo frio: exportações em lote/treinamento não custam nada para leitura.

Vectorize. Os índices agora suportam até 10 M vetores (aumento de 5 M em 2026-01-23), limitados a 1.536 dimensões/vetor [16]. Preços: 50 M de dimensões consultadas incluídas/mês, depois $0,01 por milhão; 10 M de dimensões armazenadas incluídas, depois $0,05/100 milhões [1].

Workers AI. Preços representativos: @cf/baai/bge-m3 (incorporações multilíngues, corresponde ao banco de 5 idiomas) $0,012/M de tokens de entrada; @cf/myshell-ai/melotts (TTS) $0,0002/minuto de áudio; @cf/meta/m2m100-1.2b (tradução) $0,342/M de tokens de entrada/saída [17] — barato o suficiente para ser executado durante a autoria de conteúdo, não por solicitação.

AI Gateway. O cache se aplica apenas a solicitações idênticas de texto/imagem, sem cache semântico [Caching doc]. Limites de gasto são orçamentos baseados em custo definidos por modelo/fornecedor/metadados personalizados (por exemplo, por criança, por dia), limitados a 20 regras por gateway [Spend limits doc]. O roteamento dinâmico pode mudar automaticamente para um modelo mais barato quando um orçamento é atingido, em vez de bloquear rigidamente a solicitação.

Turnstile. Gratuito, WCAG 2.2 AA, oferece modos não interativos e totalmente invisíveis adequados ao fluxo de cadastro de crianças. Nenhum limite rígido de volume de solicitações foi encontrado nas páginas obtidas; confirme os limites do plano atual antes do lançamento.

Web Analytics. Gratuito, RUM sem cookies. Dados de beacon não amostrados são retidos por 7 dias e depois agregados em amostragem de ~10%; visitantes da UE podem ser excluídos com um clique [Web Analytics FAQ].

Cache API. Cache por data center e por Worker, distinto do cache de zona. Objeto máximo de 512 MB; 1.000 chamadas put()/match()/delete() por solicitação no plano pago (50 gratuitas), compartilhando a cota de sub-solicitações [20].

Claude API / model routing. Preços atuais (do skill claude-api incluído, em cache em 2026-06-24): Opus 5 $5/$25 por milhão de tokens de entrada/saída; Sonnet 5 $3/$15 (introdução $2/$10 até 2026-08-31); Haiku 4.5 $1/$5. Plano de roteamento de Larry: Sonnet 5 como explicador padrão, Haiku 4.5 para micro-cópias baratas de alto volume, e uma rara escalada ao nível Opus apenas para as explicações multi-passo mais difíceis — tudo controlado pelos limites de gasto do AI Gateway por criança por dia.

Inventário de recursos proposto

Todo objeto tem o prefixo math-challenge- conforme exigido. Nomes de binding usam UPPER_SNAKE_CASE.

Nome	Tipo	Propósito (EN)	Propósito (ES)	Binding
math-challenge-web	Worker (Astro, Static Assets)	Frontend PWA público + rotas BFF	Frontend PWA público + rutas BFF	n/a (Worker de entrada)
math-challenge-ingest	Worker	Valida e ingere envíos de intentos; escribe telemetría, encola calificación	Valida e ingiere envíos de intentos; escribe telemetría, encola calificación	n/a
math-challenge-tutor	Worker	Hospeda o tutor de IA “Larry”; chama Claude via AI Gateway com RAG	Aloja al tutor de IA “Larry”; llama a Claude vía AI Gateway con RAG	n/a
math-challenge-leaderboard-cron	Worker (Cron Trigger)	Dispara o Workflow periódico de recálculo de leaderboard	Dispara el Workflow periódico de recálculo de leaderboard	n/a
math-challenge-db	D1 database	Sistema de registro: usuários, crianças, salas, ligas, metadados de conteúdo, consentimento	Registro maestro: usuarios, niños, salones, ligas, metadatos de contenido, consentimiento	DB
math-challenge-league-do	Durable Object class (SQLite)	Estado em tempo real + broadcast WebSocket para uma liga de ~30	Estado en vivo + difusión WebSocket de una liga de ~30	LEAGUE_DO
math-challenge-classroom-do	Durable Object class (SQLite)	Estado em tempo real para a lista e classificação de uma sala	Estado en vivo del roster y clasificación de un salón	CLASSROOM_DO
math-challenge-learner-do	Durable Object class (SQLite)	Modelo adaptativo de aprendizagem por criança (estimativas de domínio, estado de seleção de itens)	Modelo de aprendizaje adaptativo por niño	LEARNER_DO
math-challenge-ratelimiter-do	Durable Object class (SQLite)	Limitação de taxa fragmentada (tentativas de login, chamadas ao tutor, cadastro)	Limitación de tasa fragmentada (inicios de sesión, llamadas al tutor, registro)	RATE_LIMITER_DO
math-challenge-leaderboard-kv	KV namespace	Snapshots pré-calculados do leaderboard global/por faixa de série	Instantáneas precalculadas del leaderboard global/por-grado	LEADERBOARD_KV
math-challenge-config-kv	KV namespace	Flags de recurso e cache do catálogo de conteúdo	Feature flags y caché del catálogo de contenido	CONFIG_KV
math-challenge-session-kv	KV namespace	Tokens de sessão/autenticação de curta duração	Tokens de sesión/autenticación de corta duración	SESSION_KV
math-challenge-media	R2 bucket	Imagens, áudios e ilustrações dos itens	Imágenes, audio e ilustraciones de los reactivos	MEDIA_BUCKET
math-challenge-exports	R2 bucket	Arquivo frio de tentativas expiradas; exportações para solicitações COPPA/GDPR	Archivo frío de intentos vencidos; exportaciones para solicitudes COPPA/GDPR	EXPORTS_BUCKET
math-challenge-scoring-queue	Queue	Jobs assíncronos de pontuação + atualização do modelo de aprendizagem	Trabajos asíncronos de calificación y actualización del modelo de aprendizaje	SCORING_QUEUE
math-challenge-scoring-dlq	Queue (dead-letter)	Jobs de pontuação falhados após tentativas máximas	Trabajos de calificación fallidos tras reintentos máximos	SCORING_DLQ
math-challenge-ai-explain-queue	Queue	Requests assíncronos de geração de explicações de IA	Solicitudes asíncronas de generación de explicaciones de IA	AI_EXPLAIN_QUEUE
math-challenge-ai-explain-dlq	Queue (dead-letter)	Jobs de explicação falhados após tentativas máximas	Trabajos de explicación fallidos tras reintentos máximos	AI_EXPLAIN_DLQ
math-challenge-leaderboard-rollup-workflow	Workflow	Cálculo periódico do leaderboard global/por faixa de série	Cálculo periódico del leaderboard global/por-grado	LEADERBOARD_WORKFLOW
math-challenge-onboarding-workflow	Workflow	Configuração multi-passo de conta + perfil de criança + consentimento	Configuración multi-paso de cuenta + perfil de niño + consentimiento	ONBOARDING_WORKFLOW
math-challenge-explanations-index	Vectorize index	Índice RAG multilíngue sobre dicas/explicações curadas	Índice RAG multilingüe sobre pistas/explicaciones curadas	EXPLANATIONS_INDEX
math-challenge-tutor-gateway	AI Gateway	Cache, limites de taxa, limites de gasto, roteamento de modelo para chamadas Claude	Caché, límites de tasa, límites de gasto y enrutamiento de modelos para Claude	(gateway ID em ANTHROPIC_BASE_URL)
math-challenge-attempts-ae	Analytics Engine dataset	Telemetria por tentativa (alta cardinalidade, alto volume)	Telemetría por intento (alta cardinalidad, alto volumen)	ATTEMPTS_AE
math-challenge-tutor-usage-ae	Analytics Engine dataset	Telemetria de uso/custo do tutor (por criança, por modelo)	Telemetría de uso/costo del tutor (por niño, por modelo)	TUTOR_AE
math-challenge-turnstile-signup	Turnstile widget	Defesa contra bots em formulários de cadastro/login	Defensa contra bots en formularios de registro/inicio de sesión	(site key/secret via env)
math-challenge-web-analytics	Web Analytics site	RUM focado em privacidade para a PWA	RUM respetuoso de la privacidad para la PWA	(JS snippet, no binding)
math-challenge-secrets	Secrets Store	Contém ANTHROPIC_API_KEY e outras credenciais de terceiros	Contiene ANTHROPIC_API_KEY y otras credenciales de terceros	via wrangler secret put

Design do leaderboard

Caminho de escrita. Um cliente envia uma tentativa para math-challenge-ingest. O Worker: (1) grava um ponto de dados no Analytics Engine (telemetria bruta — não grava uma linha no D1), (2) faz RPC ao math-challenge-learner-do da criança para atualizar o estado de domínio, (3) faz RPC ao math-challenge-league-do e/ou math-challenge-classroom-do relevantes com o delta da pontuação. Cada DO de liga/sala mantém as pontuações de ≤30 membros em sua própria tabela SQLite; a cada atualização ele reordena essas ≤30 linhas na memória (trivial) e envia novas classificações aos clientes conectados via WebSocket hibernável. Isso é o que torna as classificações de liga/sala “quase em tempo real” sem um primitive de conjunto ordenado global, que a Cloudflare não oferece nativamente.

Leaderboards globais e por faixa de série seguem caminho diferente. Um Worker acionado por Cron (math-challenge-leaderboard-cron) dispara math-challenge-leaderboard-rollup-workflow a cada 30–60 segundos. O Workflow agrega totais (uma tabela de rollup D1 atualizada a partir de SQL do Analytics Engine, ou gravações D1 em lote), calcula o top-N por faixa de série e globalmente, e grava blobs JSON em math-challenge-leaderboard-kv. As leituras passam então a ser chamadas simples get() do KV — baratas, distribuídas na borda e explicitamente não em tempo real (30–60 s de atraso por design), o que evita totalmente o limite de 1 gravação/segundo/chave do KV.

Custo por 1000000 de tentativas (ordem de grandeza aproximada, plano pago): solicitações de Workers de ingestão, ~1 M, dentro ou ligeiramente acima da camada incluída de 10 M/mês (≤US$ 0,30). Gravações no Analytics Engine, 1 M de chamadas writeDataPoint() — preço não tarifado nos documentos atuais; reconfirme antes de escalar. Solicitações a Durable Objects (liga/sala + learner DOs, ~2 chamadas/tentativa), ~2 M, ≈US$ 0,15–0,30. Linhas SQLite em Durable Objects gravadas, 1–2 M, dentro da camada incluída de 50 M/mês a custo marginal $0. Writes de rollup D1 são em lote a cada 30–60 s, portanto o custo não escala com o número de tentativas. Gravações KV ocorrem uma vez por chave por ciclo de rollup, não por tentativa.

Resultado: aproximadamente US$ 0,50–1,00 por milhão de tentativas em custo direto de primitives, dominado pelo preço de solicitações Workers/DO ao invés de armazenamento específico do leaderboard — porque gravações por tentativa são deliberadamente mantidas fora do D1 e do KV.

Esboço do modelo de dados (D1)

-- Accounts
CREATE TABLE users (
  id TEXT PRIMARY KEY,
  role TEXT NOT NULL CHECK (role IN ('parent','teacher','admin')),
  email TEXT UNIQUE,
  locale TEXT NOT NULL DEFAULT 'en',
  created_at INTEGER NOT NULL
);

-- Children never get a direct login credential of their own kind that
-- collects full DOB; only a birth-year bucket, per COPPA minimization.
CREATE TABLE children (
  id TEXT PRIMARY KEY,
  parent_user_id TEXT NOT NULL REFERENCES users(id),
  display_name TEXT NOT NULL,
  grade_band TEXT NOT NULL,
  birth_year_bucket INTEGER,
  locale TEXT NOT NULL DEFAULT 'en',
  created_at INTEGER NOT NULL
);
CREATE INDEX idx_children_parent ON children(parent_user_id);

CREATE TABLE classrooms (
  id TEXT PRIMARY KEY,
  teacher_user_id TEXT NOT NULL REFERENCES users(id),
  name TEXT NOT NULL,
  grade_band TEXT NOT NULL,
  join_code TEXT UNIQUE NOT NULL,
  created_at INTEGER NOT NULL
);

CREATE TABLE classroom_members (
  classroom_id TEXT NOT NULL REFERENCES classrooms(id),
  child_id TEXT NOT NULL REFERENCES children(id),
  joined_at INTEGER NOT NULL,
  PRIMARY KEY (classroom_id, child_id)
);
CREATE INDEX idx_classroom_members_child ON classroom_members(child_id);

CREATE TABLE leagues (
  id TEXT PRIMARY KEY,
  grade_band TEXT NOT NULL,
  season_id TEXT NOT NULL,
  size_cap INTEGER NOT NULL DEFAULT 30,
  created_at INTEGER NOT NULL
);

CREATE TABLE league_members (
  league_id TEXT NOT NULL REFERENCES leagues(id),
  child_id TEXT NOT NULL REFERENCES children(id),
  joined_at INTEGER NOT NULL,
  PRIMARY KEY (league_id, child_id)
);
CREATE INDEX idx_league_members_child ON league_members(child_id);

-- Content bank
CREATE TABLE content_items (
  id TEXT PRIMARY KEY,
  subject TEXT NOT NULL,
  skill_tag TEXT NOT NULL,
  difficulty INTEGER NOT NULL,
  item_type TEXT NOT NULL,
  media_key TEXT,          -- R2 key in math-challenge-media
  version INTEGER NOT NULL DEFAULT 1,
  created_at INTEGER NOT NULL
);
CREATE INDEX idx_content_items_skill ON content_items(subject, skill_tag, difficulty);

CREATE TABLE item_translations (
  item_id TEXT NOT NULL REFERENCES content_items(id),
  language TEXT NOT NULL,   -- one of the 5 supported languages
  prompt_text TEXT NOT NULL,
  choices_json TEXT,
  PRIMARY KEY (item_id, language)
);

-- Rollups (NOT raw attempts — those live in Analytics Engine)
CREATE TABLE score_totals (
  child_id TEXT NOT NULL REFERENCES children(id),
  period TEXT NOT NULL,     -- 'all_time' | 'season:<season_id>'
  total_score INTEGER NOT NULL DEFAULT 0,
  grade_band TEXT NOT NULL,
  updated_at INTEGER NOT NULL,
  PRIMARY KEY (child_id, period)
);
CREATE INDEX idx_score_totals_rank ON score_totals(period, grade_band, total_score DESC);

CREATE TABLE push_subscriptions (
  id TEXT PRIMARY KEY,
  child_id TEXT REFERENCES children(id),
  endpoint TEXT NOT NULL,
  keys_json TEXT NOT NULL,
  created_at INTEGER NOT NULL
);

CREATE TABLE consent_records (
  id TEXT PRIMARY KEY,
  parent_user_id TEXT NOT NULL REFERENCES users(id),
  child_id TEXT REFERENCES children(id),
  consent_type TEXT NOT NULL,
  granted_at INTEGER NOT NULL,
  ip_hash TEXT
);

Linhas brutas de tentativa são deliberadamente ausentes deste esquema — elas vivem em math-challenge-attempts-ae (Analytics Engine) e, para tudo que for necessário além da retenção de 3-month, em math-challenge-exports (R2, via um periodic Pipeline ou Worker export job).

Implicações de design / riscos

1. O teto de 10 GB/banco de dados do D1 é a primeira barreira rígida, atingida por um erro de design (armazenar tentativas brutas no D1), não pelo crescimento de tráfego — a mitigação via Analytics Engine deve estar presente desde o primeiro commit, não ser adicionada retroativamente [2].
2. Um único Durable Object “global” é um anti-padrão — um DO que lida com todos os gargalos de tráfego em ~500–1.000 req/s; ligas e salas de aula devem ser particionadas um-DO-por-entidade desde o primeiro dia [7].
3. A propagação de pior caso de 60 segundos do KV e o cacheTtl mínimo de 30 segundos significam que o placar global/por faixa de série nunca está realmente ao vivo — exponha isso na UI (“updated a minute ago”) para que as crianças não pensem que pontos ganhos desapareceram [11][12].
4. O limite de 1 escrita por segundo por chave do KV faz com que qualquer design de “incrementar a cada tentativa” falhe sob carga de pico — o design de rollup-via-Workflow grava em cadência fixa.
5. O cache do AI Gateway não deve ser aplicado uniformemente — armazenar em cache um gateway de embeddings devolve silenciosamente vetores desatualizados, portanto as chamadas ao tutor e ao embedding RAG precisam de configurações de cache de gateway separadas se compartilharem um gateway.
6. A replicação de leitura do D1 é apenas sequencialmente consistente, com atraso de pior caso ilimitado — um fluxo de “see your own score immediately after submitting” deve usar o bookmark da Sessions API, não uma leitura sem restrições [3].
7. A exclusão sob COPPA/GDPR-K é um problema de deleção em quatro sistemas: linhas do D1, armazenamento SQLite de DO, Analytics Engine (TTL de 3-month ajuda mas não apaga sob demanda) e Vectorize (evitado aqui mantendo o Vectorize restrito apenas ao conteúdo curado). Os runbooks de exclusão devem enumerar todos os quatro.
8. O Vectorize deve permanecer restrito ao banco de conteúdo/ dicas curado, não a embeddings por criança — o teto de 10 M-vector é real em escala, e vetores por criança são uma vulnerabilidade de privacidade sem uma história de exclusão limpa [16].
9. A cobrança de armazenamento SQLite de DO começou em 7 de janeiro de 2026 — recente o suficiente para que modelos de custo antigos subestimem; verifique novamente a página de preços atual antes de um plano de capacidade [9].
10. Turnstile com usuários jovens, possivelmente não leitores, não foi testado aqui — a faixa de série mais jovem provavelmente precisará de login mediado por pais, contornando a experiência de defesa contra bots para crianças.
11. Web Push é inconsistente em dispositivos gerenciados por escolas — iOS requer um PWA instalado na tela inicial no Safari 16.4+, e Chromebooks/iPads gerenciados por MDM frequentemente bloqueiam prompts de instalação; uma alternativa sem push (digest por e-mail dos pais) é necessária para alcance.
12. Qualquer consulta a score_totals sem o índice composto eventualmente atingirá o modo de falha por tempo de CPU do D1 à medida que a tabela cresce — verifique com EXPLAIN QUERY PLAN antes de lançar, não após um incidente [5].
13. O preço de gravação do Analytics Engine não pôde ser confirmado nas docs atuais — a estimativa de custo por milhão de tentativas assume que está incluído no plano Workers; verifique na página de preços ao vivo antes que entre em um orçamento.

Perguntas abertas para o dono do projeto

1. Quais faixas de série / intervalos de idade exatos estão no escopo (K–2, 3–5, 6–8, 9–12, adulto)? Isso orienta a partição do placar por faixa de série e a restrição de idade do COPPA (menores de 13 vs. 13+).
2. A retenção de 3-month do Analytics Engine é aceitável para o histórico bruto de tentativas, ou um relatório de progresso ano a ano requer o caminho de arquivamento frio R2+Pipelines desde o primeiro dia?
3. Para qual pico concorrente de pior caso devemos projetar (por exemplo, um distrito inteiro no mesmo período de aula)? Define a granularidade de particionamento de DO.
4. “Tempo real” para a classificação das ligas é um requisito rígido de WebSocket sub-segundo, ou uma atualização de alguns segundos é aceitável?
5. Um nível de tutor de IA sem limite deve existir, ou um limite diário estrito de gasto por criança no Claude está sempre em vigor?
6. Quais são exatamente as 5 línguas? Determina se o m2m100 do Workers AI cobre todos os pares ou se alguns precisam de tradução humana/de qualidade Claude para o lançamento.
7. As ligas são atribuídas automaticamente (coorte aleatória) ou curadas por professor/pais? Afeta o Workflow do ciclo de vida da liga e se math-challenge-league-do precisa de uma etapa de matchmaking.
8. Qual é a regra de resolução de conflitos para sincronização de progresso offline de PWA entre dois dispositivos?
9. Qual abordagem de identidade é preferida para contas de pais — magic link, passkeys ou federada? Afeta onde o Turnstile se posiciona e a estrutura da tabela users.
10. Qual é o teto de gasto mensal alvo para o AI Gateway? Necessário para dimensionar as 20 regras de limite de gasto e a política de modelo de fallback antecipadamente.