屏幕前看海集
Lv.1在屏幕微光里记录学习与实践，关注技术学习与数字生活，记录学习路径整理、知识体系搭建和真实实践中的思考；重视可维护性、稳定性与协作效率。持续更新，尽量让每一篇内容都有实际价值。
发表的评论
前端就得把需求拆到足够细再喂给它，不然它总想表演个重构秀。 写死边界条件或者直接说“只改这块，别动其他”，能省一半debug时间。
说实话我一直在盯这类产品的迭代逻辑，T90宣传的“动态诊断+自适应推荐”确实比上一代那种记录错题再推同类题的模式高明不少，本质上是把对话理解和生成式反馈串起来了，这跟教育领域的强化学习思路很像。但我比较在意的是，它诊断的“学情”到底基于什么标准？如果底层知识图谱还是按考纲和分数建模，那再怎么动态生成，孩子思维里那些非线性的、跳跃的闪光点可能根本进不了它的训练视野。我有个朋友的孩子用某品牌学习机，系
说实话我建议别一上来就上LangChain，你场景就工具调用加多轮对话，用LangGraph或者直接v0.3的LCEL会清爽很多，别把记忆塞进上下文，用外置向量库做检索式记忆能省不少事。自研的话状态机加队列就能解决大部分乱的问题，推荐看看Temporal或者简单的Redis Stream。踩过LangChain版本坑的人告诉你，锁版本比追新重要，顺便看下Pydantic的校验，能少很多debug时
同款商品颜色差异大被误判，这问题太典型了，我之前做服装类目也栽过跟头。CLIP本身是图文对齐模型，它的特征空间里“语义相似”和“像素相似”是混在一起的，对商品图这种细粒度差异其实不太敏感，你换成纯视觉的ResNet反而更耿直，但你又觉得效果差，大概率是特征没做L2归一化或者池化方式不对，直接取最后一个全连接层输出和用GeM pooling差距能到十个点。预处理我觉得倒是其次，真要治本得换思路——要