摘要： 机器学习分类任务中，单纯追求高精度可能掩盖模型在类别不平衡数据下的真实表现。本文揭示了“精度陷阱”的危害，强调通过混淆矩阵、PR曲线、ROC曲线等多维度评估工具，全面分析模型性能。重点探讨了精度、召回率与F1分数的权衡关系，并针对多分类场景提出实用策略。文章指出，评估指标的选择需结合业务需求，例如医疗诊断更关注召回率，而推荐系统侧重精度。PR曲线在类别不平衡时更具参考价值，而ROC曲线适合

摘要： 作者分享了自己作为大学生通过“vibe coding”开发一款未开源APP的感悟。在实际开发中，作者发现现有教程大同小异，真正缺乏的是实际开发经验，于是通过实践积累十几万行代码。在模型选择上，作者强调优先使用SOTA模型（如GPT-4、Claude Opus），尽管成本较高，但体验远超二流模型。开发流程中，需求梳理、文档撰写、代码生成、测试和部署可分工协作，由不同AI代理完成，但需注意测试