2026年3月22日
agentic 架构和外层的边界
摘要： 目录边界案例 【总结】先把流程里“高风险、强规则、强审计”的部分圈出来做外层；剩下那些“需要理解、探索、生成”的部分，再交给内层 Agent。 边界 看一件事到底是“必须确定”还是“可以灵活判断”。 最实用的划分原则是这句： 外层工作流管“不能错”的部分 内层 Agent 管“很难提前写死”的部分 阅读全文
posted @ 2026-03-22 22:33 向着朝阳 阅读(2) 评论(0) 推荐(0)
opencraw不同场景-搜索引擎接入
摘要： 目录三个场景的本质区别场景一：金融资讯 → 搜索引擎 API场景二：闲鱼 → 搜索引擎搞不定场景三：电商热品 → 混合方案我的综合推荐方案如果预算有限（纯免费方案）如果可以投入一点费用 你的需求范围比纯股票资讯大很多，涉及 三个很不一样的场景，不能只靠一个搜索引擎搞定。我帮你分类分析： 三个场景的本 阅读全文
posted @ 2026-03-22 21:16 向着朝阳 阅读(4) 评论(0) 推荐(0)
图搜索在电商实现
摘要： 目录1. 整体实现流水线（生产可用）Step A：识别这是“兼容/搭配”意图（Router）Step B：抽取结构化槽位（Slot Filling）Step C：Graph 检索（多跳推理）Step D：候选排序与业务过滤Step E：生成回答（LLM）2. 图谱（KG）怎么建：节点、关系、关键字段 阅读全文
posted @ 2026-03-22 08:14 向着朝阳 阅读(4) 评论(0) 推荐(0)
2026年3月20日
行为特征
摘要： 目录第一大类：隐式反馈行为（Implicit Feedback）—— 系统的基石第二大类：显式反馈行为（Explicit Feedback）—— 高质量的信号第三大类：序列行为特征（Sequence Behavior）—— 现代大厂的杀手锏为什么行为特征比“用户画像”更准？（核心本质）总结 在推荐系 阅读全文
posted @ 2026-03-20 08:39 向着朝阳 阅读(3) 评论(0) 推荐(0)
2026年3月19日
DNN和DIN输出维度多少合适
摘要： 目录第一部分：总起（定基调）第二部分：分述 DNN 双塔（召回阶段）第三部分：分述 DIN（精排阶段）第四部分：总结升华（展现高级方法论） 面试官问这个问题，绝对不是想听一个死记硬背的数字（比如“64维”）。 他们真正想考察的是： 你是否清楚召回（DNN双塔）和精排（DIN）在工程架构上的核心差异。 阅读全文
posted @ 2026-03-19 08:26 向着朝阳 阅读(3) 评论(0) 推荐(0)
用户塔embeding矩阵组成
摘要： 目录特征向量类型1. 离散特征（Discrete / Categorical Features）2. 连续特征（Continuous / Dense Features）特征向量如何拼接成 DDN塔向量1. 离散特征（Sparse Features） -> 转化为 Embedding 向量2. 连续特 阅读全文
posted @ 2026-03-19 08:10 向着朝阳 阅读(1) 评论(0) 推荐(0)
2026年3月18日
在agent内部是否 基于用户旅程做不同的逻辑处理？
摘要： 目录1. 为什么 Agent 内部还需要区分旅程？2. Agent 内部基于微观旅程的逻辑分层（实战设计）阶段 A：初入评估期（信息获取阶段）阶段 B：深入评估期（对比与匹配阶段）阶段 C：评估期尾声（顾虑与临门一脚阶段）3. 工程上如何实现这种内部逻辑切换？总结 绝对需要！这是一个非常高阶且切中要 阅读全文
posted @ 2026-03-18 21:29 向着朝阳 阅读(3) 评论(0) 推荐(0)
导购机器人设计
摘要： 目录一、 对当前 Agent 划分的改进建议1. 探索/推荐 Agent（负责“从 0 到 1”的广度搜索）2. 导购/对比 Agent（负责“从 1 到 1”的深度钻研）二、 用户旅程如何与多 Agent 架构结合？1. 定义用户旅程的四个核心阶段2. 改造“协调者 Agent (Coordina 阅读全文
posted @ 2026-03-18 08:37 向着朝阳 阅读(2) 评论(0) 推荐(0)
2026年3月17日
推荐系统-用户塔-embeding矩阵训练
摘要： 目录第一步：为每个特征准备独立的 Embedding 矩阵第二步：User 塔的前向传播（把特征变成向量）第三步：计算损失（Loss）—— 训练的指挥棒第四步：反向传播，更新 Embedding（核心！）总结与工程经验建议矩阵的维度如何确定1. 核心原则：杀鸡不用牛刀（防止过拟合与浪费）2. 工业界 阅读全文
posted @ 2026-03-17 22:35 向着朝阳 阅读(11) 评论(0) 推荐(0)
双塔模型工作
摘要： 目录问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？1. 离线/近线准备（Item 塔的工作）2. 在线实时召回（User 塔与 Milvus 的配合）💡 面试加分项（展现高级开 阅读全文
posted @ 2026-03-17 08:40 向着朝阳 阅读(3) 评论(0) 推荐(0)
下一页