AI 技术共52篇

将AI草稿整理为学习卡片，保留问题、出处、自己的解释与练习记录，帮助后续回想和核对，而不是直接保存整篇答案。

关键词检索与向量检索各返回一份列表时，不能直接把两种原始分数相加。RRF用每项在列表中的名次计算贡献，再合并相同文档，是一种容易检查的排名融合方式。

用个人资料库场景理解检索、上下文与回答之间的关系，学习如何检查引用、版本和资料缺口。

网页、PDF和邮件中出现的命令语气，未必来自真正的任务发起者。AI读取外部材料时，应把这些文字作为待分析的数据，不能让材料自行改变任务目标。

一句“帮我匹配编号”往往没有讲清编号规则。先列出正例、反例和边界，再检查AI给出的表达式，可以减少看起来能用、实际范围却过宽的问题。

一次提交多份材料后，结果合并比提交请求更容易出错。每项任务应有稳定标识，不能只依赖显示顺序，把第一个答案默认贴回第一篇文档。

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

用历史记录预测未来时，随机拆分数据可能让模型在训练中见到比测试时点更晚的信息。验证方式应该尽量还原真实使用时“先有历史，再预测后续”的顺序。

训练集与测试集即使没有重复行，也可能发生信息泄漏。如果先用全部数据计算均值、填补规则或筛选特征，再拆分训练与测试，测试数据已经参与了模型准备过程。

向量检索要限定产品类别或文档范围时，过滤发生在哪一步会影响候选结果。先从全部资料取前几名再过滤，与先限定范围再检索，并不一定得到同样的列表。