AI学习 第2页

GitHub于2026年10月2日发布开发技能文章，强调明确指导AI、审查输出和保留技术判断。本文回顾这组建议，关注如何形成可验收的工作成果，不将其当作职业收益预测。

分类模型输出0.8，并不自动意味着同类预测有八成正确。概率校准检查的是：一组被赋予相近预测概率的样本，其实际正例比例是否与这些概率相符。

正确资料进入候选列表之后，排在第一项还是第五项也会影响阅读体验。平均倒数排名MRR关注每个问题的第一份相关结果出现在哪里，适合补充观察检索排序。

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。

让AI筛选需要人工处理的反馈时，既可能把普通反馈误报为问题，也可能漏掉真正的问题。只看一个总体准确率，很难知道下一步应该修正哪类错误。

多模态模型可以分析图片，但图表中的小字、裁切和比例会影响理解。交给AI总结之前，先确认图表完整，并要求它区分可见信息与无法辨认的部分。

给AI一个范例，有时比增加一大段抽象要求更清楚。不过范例也会传递错误习惯：多余字段、缺少出处或未经确认的推断，都可能被一起模仿。

把报错最后一行交给AI，常常只能得到一串可能原因。更有效的输入，是能让别人理解“在什么环境、用什么输入、做了什么操作”的最小上下文。

同一个技术词在长文里被翻成几种说法，会增加读者理解成本。翻译前准备简短术语表，并明确哪些内容保持原样，比逐段翻译后再统一替换更容易核对。

Anthropic的Claude Camp官方活动页列出了2026年9月25日的Cowork与Claude Code入门场次。本文依据公开课程安排整理学习思路，未观看课程回放，也不把活动日期当作公告发布日期。