人工智能正逐步从感知智能迈向认知智能，其终极目标是让机器具备类似人类的思维逻辑和认识能力，特别是理解、归纳和应用知识的能力，而知识图谱在这里面起到了非常关键的作用。为此，DataFun将每...

从用户兴趣出发，利用已收集的标签-兴趣关联对，将商品标签映射至对应类目，建立用户兴趣与商品类目间的关联，此时就只对兴趣-商品生成解释，而不需要考虑用户和所有商品的排列组合，生成后建表记录，在线推荐时，通过当前推荐商品与用户兴趣匹配，直接查表获取预生成解释，实现毫秒级实时解释返回。因为是模块化设计，支持每个模块独立优化，效果监控比较方便，后续的上限也可以分批分点上，再一点是，推荐系统中用户和物料之间

在前沿研究上，那些“很容易就被想到”的想法，很可能都已经被想的差不多了，还想要进一步研究，一方面需要更有深度、更多、更有花样的实验，另一方面可能要在小方向、小领域寻找新的突破点，否则难度肯定还会不小，而且除了卷脑子，还得卷算力，我的视角是感觉，类似千问那样的迭代进度，背后肯定有大量的实验，经常做实验的小伙伴肯定知道，做实验并非每次都符合预期的，甚至不符合预期的占比会更多。大部分厂的发布节奏已经慢下

即使是大模型标注、复核，也可能存在一些理解的偏差或者偏见，一旦出现这种偏差，标注会出现成片的错误，后续很少有机会会发现，因此，需要自己拿100-200个case再看看，弄一个人工标注的预标注准确率，留意有没有很统一的错误，确认预标注质量，只有达到够高的标准（例如文本分类大概是90%+），才能说这个标注数据集是可靠的（注意，这里哪怕全都是人工标，达到90%都是不简单的）。最容易想到的是，就是减少人力

文章是以电商搜索为背景去做的研究，搜索现在的大部分系统仍旧并非端到端的生成式，而且搜索场景本就要求高并发高返回，如果仍旧使用大模型，这个性能肯定非常差，小模型在做线上推理肯定是最优解，所以既要享受大模型的红利，又要应对在线高并发的要求，那大模型蒸馏到小模型就是非常关键的一种技术手段了。此处使用的是经过人工标注的高质量数据集，每个包含(query, services)的样本对，还有人工标注的推理链，

当然，与之对应的，Bert这个级别的模型，做不了现在大模型能做的事，在bert出来后的三年后其实就已经出现了停滞，该探索的都探索的差不多了，时间线大概是，19年Transformer发布（Attention is all you need论文），到了22年左右，开始迷茫，没有新的突破和创新点了，直到23年下半年，才有了chatgpt，带来新的突破。垂直领域的深入知识。大模型刚出来的时候，大家总会觉

这个思路无疑是新颖的，对于通用的Agent系统应该一定程度是适用的，然而在垂类或者是更细小的领域下，很多时候限制模型发挥的并非是框架，而是大模型自身和实际业务的信息差，此时我们需要一些机制告诉系统，什么事不合规，什么事不能做，或者是什么事应该怎么做，这是框架需要约束大模型的部分，也是我们要和大模型磨合的部分，就像面对一名能力不差甚至是挺强的新员工一样。这里有一个困境，这么多的工具，都有各自的工具说

其次，对于模糊甚至不明所以的case，在实际上，任何方案都对他们没辙，因为他们真的是模糊，别说模型，人工标也标不出来，这部分从性价比而言，有个相对解释的过去的结果就已经足够了。从我的经验看，在线的case其实非常集中，在一些场景下，例如我之前做的语音助手，因为任务比较固定，哪怕只是TOP100已经很高覆盖在线很大比例的query了，而在小红书的搜索场景，因为时事热点变化之类的原因，尽管会相对稀疏，

掌握AI Agent工具调用、规划执行、记忆管理、多智能体协同，有OpenClaw、AutoGen等落地经验优先。协助完成海量文本挖掘或NLP任务：对话质检、对话摘要、关键信息抽取、语义检索、对话生成、策略推荐。负责海量文本挖掘或NLP任务：对话质检、对话摘要、关键信息抽取、语义检索、对话生成、策略推荐。负责催收、客服等场景算法：用户画像、策略推荐、风险预测、意图理解、智能外呼/对话。协助催收、客

然后是模块3，即任务的执行规范，此处应该是系统提示词中Token最多的部分，包含编码哲学和行为准则，也是claude code在编程上定制的体现。给大家分享的依据是Claude code开源的第一版代码，即typescript的版本，并非后续有过修改的python版本，确保原汁原味，避免错漏。我们要做的，就是让这个结果内容尽可能确定，最简单的方式就是字典排序。这次，应该是系列最后一篇，讲一讲cla