随笔分类 - 大模型开发 / 大模型应用
摘要：目录设计思路V1.0 时代：你的抽象（基于规则和配置表）V2.0 时代：AI高级开发的抽象（基于模型与算法）1. 输入层（Input）：特征工程的实时化2. 大脑层（Processing）：从“查表”变成“模型打分”3. 输出层（Output）：AI Agent 动态生成总结特征向量设计 和召回一、
阅读全文
摘要：目录YOLO结构绿线检测一、先给一个总原则（非常重要）二、标准工位 → 规则 + CV1️⃣ 场景特征2️⃣ 为什么不用深度学习？3️⃣ 为什么规则 + CV 是最优解三、非标拍摄 → YOLO + CNN1️⃣ 场景特征2️⃣ 为什么规则会失效？3️⃣ 为什么选 YOLO + CNN4️⃣ 为什么
阅读全文
摘要：目录AI覆盖二手再生生命周期外观成色判断功能检测汇总开场 / 引入痛点1️⃣ 现状与痛点2️⃣ AI 解决方案（功能检测 AI）3️⃣ 商业价值4️⃣ 总结与落地检测-维修-定价决策联动现实中的断点 AI覆盖二手再生生命周期 接下来我会以更专业的行业视角、更聚焦业务价值的表达来呈现这段内容： 各位同
阅读全文
摘要：目录批次级别质量检测1️⃣ 背景2️⃣ 批次级别质量检测的概念3️⃣ 应用价值4️⃣ 简单理解合理的风险区间报价1️⃣ 背景问题2️⃣ 风险区间报价的本质3️⃣ AI 做的事情✅ 关键价值拆件操作一、业务定义（不是维修的延伸）二、什么时候会进入拆件路径（典型触发条件）三、拆件操作具体在做什么（实际作
阅读全文
摘要：目录一、规则方法的局限二、AI带来的核心优势三、简单示例对比用规则用 AI四、结论 完全可以理解你的疑问：既然最终目标是毛利最大化，为什么不直接用“规则”就够了，而非引入 AI？答案在于业务复杂性和动态性。我们可以分几个层面分析： 一、规则方法的局限 规则维护成本高、易出错 假设你写一个规则：“外观
阅读全文
摘要：目录1️⃣ 分类模型（设备操作决策：直售 / 维修 / 拆件）2️⃣ 回归模型（ROI预测：维修成本、毛利、周转天数）3️⃣ 异常检测模型（识别工位/批次异常、假性故障）✅ 最终推荐组合（工业落地版本） 明白，你希望我帮你针对每个任务选出最适合、工业可落地的模型，避免列出太多候选，让实施更明确。下面
阅读全文
摘要：目录一、功能检测汇总 vs 检测 → 维修 → 定价的决策联动二、可以这样理解两者关系三、举例对比 你问得非常关键，这两块确实有表面上的重叠，但本质上是两层不同的价值链，我帮你拆开理清楚。 一、功能检测汇总 vs 检测 → 维修 → 定价的决策联动 维度 功能检测汇总（Functional Grad
阅读全文
摘要：目录一、为什么可以直接作为置信度二、软性警告：Softmax 概率 ≠ 真实置信度三、如何提升置信度可用性（Phase 1 可行方法）四、实践建议（Phase 1）结合局部瑕疵数量和密度评分（综合评分）一、核心思路二、技术实现步骤（结合局部瑕疵特征）三、总结将各局部瑕疵转成统一评分（0–1 或 0–
阅读全文
摘要：目录一、视觉成色 AI 非功能性指标二、检测结果结构化指标三、分级一致性监控指标四、总结简化版本Phase 1 最关键非功能指标（可汇报 CEO）汇报思路建议 针对 Phase 1（视觉成色 AI + 检测结构化 + 分级一致性监控），非功能性需求（Non-Functional Requiremen
阅读全文
摘要：目录一、总体前提二、阶段划分与团队配置Phase 1（3–6 个月）核心任务推荐团队配置时间预估Phase 2（3–4 个月）核心任务推荐团队配置时间预估Phase 3（3–5 个月）核心任务推荐团队配置时间预估三、总体建议 好，我们针对 从0到1搭建二手手机/再生电子视觉 AI + 决策系统的小团
阅读全文
摘要：目录一、先把话说透：为什么“分类与检测”是银河电讯的命门这一段的三个硬事实二、把“分类与检测”拆成 4 个子决策，而不是一个动作1️⃣ 外观成色判断（Cosmetic Grading）现实世界怎么做的？AI 在这里真正的价值点（1）建立“机器基准线”（2）把“灰区设备”显性化（3）形成可审计证据2️
阅读全文
摘要：目录一、先给一个总框架：AI 在这类公司的 4 个“真钱价值点”二、结合银河电讯的业务流程，逐段讲 AI 能干什么① 采购与回收阶段（Upstream）现实痛点AI 价值点② 分类与检测阶段（核心产能瓶颈）现实痛点AI 价值点（非常实在）③ 维修与翻新阶段（ROI 决策）现实痛点AI 价值点④ 批发
阅读全文
摘要：目录1️⃣ 这个平台要解决的问题2️⃣ 核心功能模块（常见）3️⃣ 平台带来的价值1️⃣ 公司定位与业务场景2️⃣ 结合公司背景看 Agent 管理平台的作用(1) Agent 的类型与用途(2) 平台/框架要解决的问题3️⃣ 总结一句话（深开鸿场景版） 明白，你是想快速理解“Agent 生命周期管
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
浙公网安备 33010602011771号