- 博客(33)
- 收藏
- 关注
RSS订阅原创 AI模型评估、权衡与迭代：推荐系统实战复盘
本文总结了电商推荐系统优化的实践经验，通过重构评估体系、场景化指标权衡和搭建迭代闭环，解决了指标好看但用户流失的典型问题。
2026-03-04 18:53:10
665
1
原创 为什么AI越“聪明”，你反而越不想用了？
摘要：AI产品常面临A/B测试短期指标（点击率、时长）表现优异但用户长期留存率低的问题，核心矛盾在于短期行为指标与长期体验的失衡。解决方案应从三个方面入手：1）明确A/B测试仅验证短期行为差异的边界；2）建立"行为指标+体验指标"双重评估体系，增加复访率、负反馈率等长期指标；3）延长实验观察期以修正短期偏差。关键在于让数据服务于用户体验，而非单纯追求短期指标，实现AI产品从"迎合数据"到"服务用户"的转变，最终提升长期留存和满意度。
2026-02-22 15:34:04
695
原创 为什么大模型一变长就失忆？RoPE才是关键
本文分析了AI产品经理面试中关于大模型长上下文处理的核心考察点。文章指出，长上下文失忆问题的本质并非算力或数据不足，而是传统绝对位置编码无法有效捕捉远距离token间的关系。通过对比传统绝对位置编码与RoPE相对位置编码的差异，阐释了RoPE通过旋转机制将位置信息转化为token间相对关系的创新设计，使其能稳定处理超长上下文。文章强调，RoPE的价值在于保障长文档问答、RAG和多轮对话等场景的语义一致性，而非简单增加记忆容量。最后提出，AI产品经理应具备从业务痛点反推技术原理的能力，
2026-02-22 15:33:50
606
原创 为什么BERT和GPT根本不是一类模型？
（1）核心考察面试官通过该问题，核心评估候选人的大模型基础认知能力、任务与模型匹配的落地思维、复杂系统的分层设计能力，精准匹配AI产品“模型选型合理、系统稳定可控”的核心业务诉求：模型本质认知：能否看透BERT与GPT的核心差异不是“参数大小”，而是“结构设计初衷”，即分别适配“理解”与“生成”两类不同任务；选型落地能力：能否结合具体任务场景，判断哪种模型更适配，避免“用GPT做理解、用BERT做生成”的常见误区；。
2026-02-22 15:33:24
680
原创 平衡AI自动化与人工干预
（1）核心考察面试官通过该问题，核心评估大厂产品经理的全局平衡思维、场景化决策能力、商业与体验协同能力，精准匹配AI产品“效率提升、成本控制、体验保障”三位一体的核心业务诉求：问题本质洞察：能否看透自动化与人工干预的核心矛盾——“效率与成本”（自动化优势）和“个性化与精准度”（人工优势）的失衡，而非简单的“非此即彼”选择；场景决策能力：能否结合不同用户群体（创作者/普通用户）、不同任务复杂度（简单/复杂/情感化），精准划分自动化与人工的适用边界；。
2026-02-21 15:19:36
1178
原创 RAG系统亿级向量快速检索解决方案
（1）核心考察面试官通过该问题，核心评估候选人的大规模向量检索技术认知能力、性能优化思维、精度与效率平衡能力，精准匹配RAG系统“亿级数据下实时响应、稳定服务”的核心业务诉求：问题本质洞察：能否看透亿级向量检索的核心矛盾是“精确性与效率的失衡”，精确检索因计算量过大导致响应延迟，成为系统性能瓶颈；技术落地能力：能否结合主流向量检索优化技术（ANN算法、GPU加速、向量压缩），设计可落地的解决方案，而非空泛讨论技术概念；。
2026-02-21 15:19:18
781
原创 Claude Sonnet 4.6 发布！
过年这几天大模型圈是一点不消停，国内千问 3.5 除夕发布，国外 Anthropic 紧跟着放出了 Claude Sonnet 4.6 🤔 我帮大家做做笔记。现在 claude.ai 免费用户默认就是 Sonnet 4.6，并且 Cursor、GitHub、Replit、Bolt 已全线接入。2）推理能力升级，更听话、不过度设计、也不偷工减料、幻觉更少更可靠，关键是价格没涨。3）电脑操作能力提升，某些任务已接近人类水平，复杂表格、多标签页操作都能搞定。刚刚，Claude Sonnet 4.6 发布！
2026-02-19 11:18:47
340
原创 只改了Prompt，结果反而更稳？
1. 核心考察面试官通过该问题，核心评估候选人的Prompt工程的产品化认知、大模型产品的风险控制思维、低成本产品优化的落地能力，精准匹配AI产品落地中“模型能力转化为稳定产品能力”的核心业务诉求：本质洞察能力：能否看透模型输出不稳定的核心不是模型能力不足，而是对模型行为缺乏约束，Prompt未承担系统级管控作用；认知升级能力：能否跳出“Prompt只是提效技巧”的误区，理解其作为系统设计一部分的核心价值——控边界、降风险、稳预期；。
2026-02-19 11:14:30
732
原创 为什么大模型需要做对齐？
大模型产品化落地的核心在于对齐工作，其本质是平衡模型能力与风险管控。对齐不是限制能力，而是明确边界，确保模型在安全范围内发挥价值。关键策略包括：1）通过Prompt和规则划定高风险场景边界；2）采用柔性降级而非硬性拦截方式；3）建立可解释、可兜底的保障机制。成功的对齐能降低85%以上风险投诉，提升40%用户留存。产品经理需将对齐视为产品设计环节，而非单纯算法问题，才能真正实现能力自由、行为可控的产品化目标。用户需求本质是靠谱而非最聪明
2026-02-15 20:36:26
702
原创 Agent效果该怎么评估？
摘要：本文针对Agent产品Demo表现好但上线后用户不爱用的问题，提出评估体系应从能力展示型转向用户价值型的解决方案。核心观点包括：1）评估不应仅关注任务成功率，更要考察过程稳定性、人工兜底成本和自我纠偏能力；2）重点衡量用户替代程度，看是否真正降低用户操作和决策成本；3）通过复启率、核心任务交付率和失败后复购率等真实业务指标评估用户信任度。最终指出Agent产品的核心价值不在于能否完成任务。
2026-02-15 20:35:58
673
原创 LoRA 为什么必须把一个矩阵初始化为0
LoRA微调方法通过将修正量ΔW拆分为两个小矩阵BA（ΔW=BA），其中一个矩阵初始化为0以实现零初始扰动，从而解决大模型对随机扰动敏感的问题。这种设计不仅减少参数量，更重要的是保证了训练稳定性、保护预训练模型能力并实现模块可插拔性。核心优势在于：1）训练初期ΔW=0，避免破坏原模型能力；2）逐步微调确保输出稳定；3）可随时移除LoRA模块恢复原模型。这体现了LoRA在工程优化上的深层考量，而不仅是参数效率提升。
2026-02-14 21:03:40
1588
原创 文科生勇闯AI大厂：我是如何靠“作弊“智能助手拿下月之暗面Offer的？
本科学汉语言文学，毕业两年一直在传统媒体做编辑。面对AI浪潮，焦虑过、迷茫过，最后决定打不过就加入。这篇文章记录了我从零背景到拿下月之暗面（Moonshot AI）内容运营Offer的真实经历。
2026-02-14 14:35:59
1251
原创 NLP和LLM的区别，一听就懂
1. 核心考察面试官通过该问题，核心评估候选人的NLP与LLM的技术认知落地能力、AI产品技术选型的场景化思维、系统稳定性与体验平衡的设计能力，精准匹配AI产品设计中“技术适配场景”的核心业务诉求：本质认知能力：能否看透「将LLM当作NLP全面替代」的核心问题，不是技术优劣，而是忽视两者核心能力差异，未结合场景需求做选型；选型思维能力：能否跳出「技术唯新唯强」误区，建立**“场景定技术”**的选型逻辑，明确不同场景对“稳定可控”和“理解泛化”的核心需求；。
2026-02-13 21:00:27
951
原创 正则化不是数学题，是产品稳定性问题
摘要：正则化不仅是数学优化手段，更是解决AI产品线上稳定性的核心方案。其本质在于控制模型复杂度，通过L1（砍无用特征）和L2（均衡特征权重）两种方式，针对高维噪声或强相关特征等不同业务场景，解决模型过拟合问题。实际应用中可组合使用二者，在保证模型效果的同时提升泛化能力，使产品表现更稳定可控。AI产品经理应跳出纯技术视角，理解正则化对产品落地的重要价值。
2026-02-13 20:59:37
1191
原创 SFT效果一般，还要不要堆数据？
1. 核心考察面试官通过该问题，核心评估候选人的大模型SFT落地的实操认知、成本收益的产品化思维、模型迭代的解法切换能力，精准匹配大模型项目中SFT阶段“数据堆量瓶颈”的核心业务诉求：本质洞察能力：能否看透SFT“越堆数据效果越平”的核心问题，不是数据量不够，而是陷入“用数据对抗问题”的误区，未判断SFT是否还能创造有效增量；决策判断能力：能否建立SFT停堆数据的三维判断标准，从能力补全、错误类型、投入产出比切入，摆脱“堆数据=效果提升”的线性思维；。
2026-02-12 19:10:03
776
原创 如何划分Prompt和系统逻辑的职责边界？
摘要：本文探讨了在复杂AI系统中如何科学划分Prompt与系统逻辑的职责边界。核心观点是Prompt应专注于表达不确定的意图（任务、风格、上下文），而系统逻辑负责处理确定性规则（业务约束、权限校验等）。当Prompt出现写步骤、加分支、做决策等信号时，需将相关逻辑上移至系统层。这种划分能提升系统稳定性，降低维护成本，增强场景泛化能力。关键原则是Prompt说清想要什么，系统保证不出大问题，体现了AI系统设计中专业模块做专业事的系统化思维。
2026-02-12 19:08:44
889
原创 JSON为什么能成为数据交互的主流格式？
JSON成为互联网数据交互主流格式的核心原因在于其工程理性下的最优平衡：通过键值对+层级结构设计兼顾人工可读性与机器解析性，降低理解与开发成本；凭借轻量无依赖特性实现天然跨语言/跨平台适配，解决分布式系统协作痛点；灵活的字段扩展能力支持业务快速迭代。其成功并非技术功能最强，而是在可读性、通用性、传输效率和工程成本间找到最佳平衡点，印证了技术选型的核心原则——最适合业务场景的才是最优选择。
2026-02-11 17:45:36
518
原创 AI产品中的数据质量问题怎么处理
本文系统阐述了AI产品开发中数据质量管控的核心逻辑。首先指出重模型轻数据的常见误区，强调数据质量是影响产品效果的关键因素。继而提出三维判断标准：数据来源（真实、稳定、可持续）、数据本身（干净、无噪声）、场景覆盖（贴合真实环境）。针对性地给出四大优化动作：数据清洗、样本补充、数据增强和持续更新，强调这些是AI产品稳定运行的必选项。最后总结数据质量管控对保障AI产品长期稳定运行的决定性作用，指出这是产品落地的核心基础而非一次性优化。
2026-02-11 14:50:41
845
原创 你怎么理解API？产品经理为什么要懂接口？
本文系统分析了产品经理理解API的必要性，提出API本质是系统间的沟通规则而非纯技术概念。文章从认知洞察、逻辑拆解、落地执行三个维度，阐明产品经理需掌握接口逻辑以精准转化业务需求、减少开发误解。通过STAR、SCQA等模型，结合实际工作场景，强调产品经理作为业务与技术衔接者的角色定位：不需编写代码，但必须理解接口规则以确保跨系统协作高效、需求落地无偏差。最后指出懂接口是成熟产品经理的核心能力，能有效提升需求质量和协作效率。
2026-02-10 18:22:55
328
原创 长期记忆应该保存些什么？
本文探讨了AI系统中长期记忆设计的核心原则与筛选标准。文章指出常见误区是将长期记忆等同于尽量多存，而实际应遵循高价值、低噪音、可复用的精存原则。提出了三大筛选维度：稳定不变的核心信息、形成规律的行为模式、被验证过的有效结论；同时强调需排除临时状态、一次性行为等高噪音信息。通过正反对比论证，阐明长期记忆的关键在于存什么;而非存多少，只有精准筛选才能提升系统决策效率。全文从产品化思维出发，为AI系统的长期记忆设计提供了
2026-02-10 10:10:10
535
原创 AI结果不稳定，怎么判断能不能用？
本文探讨AI产品落地中结果不稳定的应对策略，提出场景化风险控制方法论。核心观点认为：1）应破除非黑即白的极端思维，接受大模型的不确定性本质；2）建立场景分层机制，区分低风险辅助场景（创意/草稿）与高风险决策场景；3）通过多次观察定位AI的稳定规律，采用限制用途的约束策略；4）强调不盲信不放弃的理性使用观，将AI置于适配场景发挥效率价值。全文提供STAR、SCQA等结构化表达框架，为AI产品经理提供场景适配+风险可控
2026-02-09 20:26:17
1001
原创 大模型微调的“微”是指什么？BERT常见微调方式有哪些？
本文解析了大模型微调的本质及BERT常见微调方式。首先指出微调并非重新训练，而是通过轻量适配保留预训练模型的通用能力，使其更适配特定任务。其次详细介绍了BERT三类微调方法：1)全量微调（效果好但成本高）；2)冻结底层微调高层（适合小数据）；3)参数高效微调（资源受限场景）。最后强调微调的核心价值是让模型在特定任务中更精准高效，选型需结合数据量、资源等实际约束。
2026-02-09 20:22:49
483
原创 A/B测试中如何设计分桶，并排除干扰因素？
摘要：A/B测试数据显著但全量效果回落的核心原因在于实验设计漏洞，包括分桶不规范和干扰因素未隔离。科学设计应遵循随机、稳定、互斥三大分桶原则，优先采用用户ID分桶，避免请求级分桶。同时建立实验前校验+实验中隔离的双层体系，确保样本可比性和环境稳定性。好的A/B测试不追求数据=好看，而追求结论可信，关键在于严谨的实验设计，而非方案本身。通过规范分桶和排除干扰，才能保证实验结果的可解释性和全量上线的效果延续性。
2026-02-08 19:45:22
982
原创 大模型的“涌现能力”你了解吗？
大模型涌现能力解析 涌现能力是大模型区别于小模型的核心特征，表现为当模型规模突破临界点后，突然具备推理、理解隐含指令等全新能力，而非线性提升。其核心特征有三：小模型阶段完全缺失、跨阈值突然显现、非人为设计自然形成。产生原因在于规模积累使模型能捕捉通用规律，并突破能力表达阈值。对于AI产品经理，理解涌现能力有助于界定产品边界（如聚焦复杂推理任务）和指导模型选型（匹配需求与模型规模），避免资源浪费。涌现能力遵循实践先于解释规律，需通过工程实践不断探索验证。
2026-02-08 17:38:45
820
原创 AI产品中的数据质量问题怎么处理？
摘要：本文系统分析了AI产品开发中数据质量管控的核心要点，指出"重模型轻数据"是常见误区。提出三维判断标准（数据来源真实性、数据本身清洁度、场景覆盖能力）和四大优化动作（清洗、补充、增强、持续更新），强调数据质量是AI产品稳定运行的基础。通过STAR、SCQA、CARL等模型展示了不同场景下的应答策略，帮助产品经理建立判断-优化-持续维护的系统思维，避免实验室效果与真实场景表现的落差。
2026-02-07 22:09:54
677
原创 如何构建Roadmap？
摘要：产品经理构建Roadmap的核心在于"明确阶段目标"而非"排需求清单"。Roadmap的本质是解决三大痛点：1)在碎片化需求中锚定核心方向；2)对齐团队预期减少沟通成本；3)基于资源约束做需求取舍。构建逻辑应遵循"目标导向"原则：先确定阶段核心问题，再筛选匹配需求，保持动态调整。避免将Roadmap做成"功能堆砌表"，需求越多越需要严格取舍，否则会导致产品迭代失去焦点。有效的Roadmap应提供清晰方向感，推动产品持续有序
2026-02-07 13:58:51
1219
原创 拿到 offer 却被告知要背调，简历中工作职责有部分内容虚假，要不要跟公司坦白？
指出背调环节的职场潜规则，强调坦白=丢offer的铁律，提醒职场新人摒弃圣母心。
2026-02-06 21:50:45
330
原创 为什么LLM Agent的Function Calling不稳定
本文针对知识库问答系统中Agent工具调用不稳定的问题，提出全链路优化方案。通过分析工具选择错乱、参数缺失、格式错误等痛点，从工具定义、路由控制、Prompt约束、推理优化、流程规划五个维度构建"事前规范-事中控制-事后兜底"闭环。关键措施包括：规范化工具Schema、建立意图分类路由层、设计结构化Prompt、引入自动校验纠错机制、规划复杂任务执行流程。实施后工具选择准确率提升至95%，任务成功率从48%提升至89%，验证了"明确边界+轻量控制+自动纠错"方案的有效
2026-02-06 20:18:48
1069
原创 作为应届生，你有什么比较好的求职经验？
【摘要】HR分享应届生求职核心：企业更看重"可能性"而非现有能力。简历要突出岗位匹配度，采用5W1H/SMART原则；推动面试需把握时机，展现边界感；避免高协作成本行为。面试应答应清晰表达职业规划、优势、岗位理解等6个核心问题。建议使用AI模拟面试提前训练，提高面试通过率而非盲目投递。
2026-02-03 16:11:02
918
原创 关于春招找互联网大厂方向的一些思考（毫无保留）
摘要：本文为双非一本毕业生分享的春招实战经验。针对不同背景给出方向选择建议：25届/考研失败者应避免死磕算法岗，26届需补实战项目。指出春招应优先投递研发、测试、运维等核心岗位，避开外包及非核心岗。详细拆解研发类与测试/运维类岗位特点，提供Java后端等热门方向的具体准备路径（商业项目+50-80道LeetCode题）。强调2月提前批的关键时间节点，建议按大厂提前批→中小厂→保底厂顺序投递。最后指出春招成功关键在于节奏把控，2个月系统准备即可显著提升上岸概率。
2026-01-30 21:46:00
1383
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人