随笔分类 - 大模型开发
摘要：目录一、为什么你会看到「这么麻烦」的写法？二、现实中的 3 个层级：从「透明」到「手动」✅ Level 1：完全透明（推荐，80% 场景）⚠️ Level 2：半透明（框架自动 + 少量补充）❌ Level 3：完全手动（你刚才看到的示例）三、为什么「不可能 100% 全自动」？1️⃣ 框架无法理解
阅读全文
摘要：目录1️⃣ 事件触发场景（Event-Driven）2️⃣ 人工规则配置下发场景（Rule-Driven）⚡ 小结1️⃣ 预测/模型驱动（Model-Driven）2️⃣ 定时 / 调度驱动（Scheduled / Cron-Driven）3️⃣ 外部数据 / 第三方驱动（External Data
阅读全文
摘要：目录1️⃣ 首次触达 / 激活类2️⃣ 再次触达 / 留存类3️⃣ 个性化推荐类4️⃣ 活动 / 营销类5️⃣ 异常 /风险类⚡ 小结 从产品经理角度，推荐系统覆盖的场景主要是围绕 用户行为周期、转化路径和营销目标 设计的，可以分为几个核心类别。我帮你梳理得比较系统，也适合直接用于需求文档或产品规划
阅读全文
摘要：目录1️⃣ FSM 状态与动作相关2️⃣ 用户上下文（User Context）3️⃣ 商品/库存/促销信息（Product Context）4️⃣ 渠道与环境信息（Channel Context）5️⃣ 策略表或运营规则（Strategy / Business Logic）6️⃣ 综合示例（CTA
阅读全文
摘要：目录1️⃣ 价格相关（Price-related）2️⃣ 物流与配送（Shipping / Delivery）3️⃣ 产品相关（Product-related）4️⃣ 信任与售后（Trust & After-sale）5️⃣ 购买决策与心理（Decision-related）🔑 小结 在跨境电商导
阅读全文
摘要：目录一、FSM 状态转化的完整触发模型FSM 转化 ≠ CTA 点击标准事件分类（强烈建议你在系统里定义）二、4 类触发 FSM 转化的典型场景1️⃣ 用户意图触发（最常见）示例2️⃣ CTA 点击触发（显式、可控、最好埋点）示例3️⃣ 系统条件触发（非常重要，但常被忽略）示例 1：槽位自动收齐示例
阅读全文
摘要：目录一、核心目标二、生产数据监控方案1. 数据收集（Data Logging）2. 质量评估（Model Monitoring）3. 异常或低质量交互标记三、样本筛选与再训练1. 样本池构建2. 微调 / 再训练策略四、自动化闭环流程关键注意点五、应对“模型自己不知道分类对不对”的问题六、技术栈建议
阅读全文
摘要：目录历史聊天训练流程图（文字版可直接画图）工程关键点说明 明白，我给你整理一个完整的“历史聊天去噪 → 信任特征提取 → 成交概率训练”流程图的描述，方便直接做 PPT 或交给工程实现。 历史聊天训练流程图（文字版可直接画图） [历史聊天消息] │ ▼ [去噪处理] - 丢弃闲聊/问候/系统消息 -
阅读全文
摘要：目录成交概率（Conversion Probability）到底是什么？Step 0：先选一个「预测时间窗口」（非常重要）Step 1：准备你已经有的数据（不需要算法）每一行 = 一个用户在某一时刻的状态Step 2：什么是「标签」（你最容易搞错的地方）标签 = 你想预测的结果Step 3：先不用“
阅读全文
摘要：目录推荐系统五类触发源头文本图（完整版，整齐版）⚡ 说明1 Step-0 来源触发上下文（Trigger Context）定义1️⃣ 典型组成2️⃣ 作用2. Step-1（Gate）：step1的过滤和step2过滤区别3. Step-2（Recommendation Strategy）：Step
阅读全文
摘要：这是一个必须回答清楚、否则系统一定会走偏的问题。 结论我先给，然后分阶段、分目标讲清楚。 一、直接结论（不绕） 辅助销售智能体的推荐系统： 一开始不需要算法推荐， 但长期一定会演进到“算法 + 规则”的混合体系。 而且—— 如果你一上来就做复杂算法，大概率是错的。 二、为什么「一开始不需要算法」是对
阅读全文
摘要：目录一、先确认：你的三步抽象是成立的（这一点你是对的）二、真正的分水岭不在「有没有这三步」，而在「每一步的约束条件」关键不是 有没有 Gate1️⃣ Step 0：触发事件 —— 看似一样，实则语义不同2️⃣ Step 1：Gate —— 表面一样，责任对象不同传统电商推荐的 Gate 在过滤什么？
阅读全文
摘要：目录Step-1：推荐 Gate 决策表（生产级）一、决策结果定义（先统一口径）二、决策维度总览（五大类）三、详细 Gate 决策表1️⃣ 转化状态（最高优先级，直接 BLOCK）2️⃣ 用户意图强度（防止过度推荐）3️⃣ 行为信号（推荐的“存在理由”）4️⃣ 时序与新鲜度（避免打断）5️⃣ 业务
阅读全文
摘要：目录Step 0：触发事件（Trigger）Step1step1 定位推荐系统设计推荐系统架构设计1 Opportunity 生命周期管理（状态层）2 Eligibility & Decision（是否触发推荐）3 Recommendation Strategy（推荐策略选择）4 Action Ex
阅读全文
摘要：目录一、整体决策流程总览（逻辑架构图）二、核心三步拆解（这是最关键的部分）Step 1：是否进入「推荐决策」？决策输入（来自画像）示例规则（你可以直接写成 Rule Engine）Step 2：推荐「什么」？推荐策略分 3 类（非常重要）① 同类强化（最保守、转化最高）② 替代方案（价格 or 风险
阅读全文
摘要：目录一句话先给你结论（给你定心）一、你这个 AI 销售助手，用户画像“到底是给谁用的？”二、完整的用户画像“分层模型”（你可以直接照抄）① 基础身份画像（Identity Layer）【最基础】② 行为画像（Behavior Layer）【最重要】行为类型清单（你可以直接用）A. 会话行为（聊天中）
阅读全文
摘要：目录 用户消息 │ ▼ 规则引擎（Rule Engine） │ ├─ 命中强规则 → 直接输出 Objection │ └─ 未命中 │ ▼ 方案 A：TF-IDF + 传统分类模型 │ ├─ 置信度 ≥ 阈值（如 0.7） │ → 输出 Objection（走低成本路径） │ └─ 置信度 < 阈
阅读全文
摘要：目录一、先纠正一个常见误区二、A/B 测试在 Objection 中的“真实作用点”三、一个完整的 A/B 测试设计（可直接落地）1️⃣ 定义 A / B 的“策略差异”A 组（Baseline）B 组（Experiment）2️⃣ 随机分流（非常重要）四、你到底在“比什么指标”？❌ 不建议的指标（
阅读全文
摘要：目录一、先给明确结论（务实版）二、为什么“默认不微调”是正确选择？1️⃣ 你的任务不是“语言生成”，而是“语义区分”2️⃣ 微调带来的收益，往往不成正比3️⃣ 微调会降低“系统可控性”三、那“方案 B”具体该怎么做？推荐的工程实现（上线级）你训练的只有：四、什么情况下「值得」微调？只有同时满足下面
阅读全文
摘要：目录定位产品设计问题：不同的用户的顾虑点（Objection ），需用用不同的内容回答情况 A：Objection = RISK情况 B：Objection = FIT情况 C：Objection = VALUE如何识别Objection识别Objection技术方案 规则系统（Rule Engin
阅读全文
浙公网安备 33010602011771号