<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[duolili的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/duolili</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; duolili]]></copyright><item><title><![CDATA[AI 模板词反向污染互联网语料：一场没人买单的“自产自证”循环]]></title><link>https://blog.csdn.net/duolili/article/details/170288323</link><guid>https://blog.csdn.net/duolili/article/details/170288323</guid><author>duolili</author><pubDate>Tue, 10 Nov 2026 12:27:53 +0800</pubDate><description><![CDATA[当大模型把“XX 塌了”这类模板词主动塞进千万用户的文案，用户复制发布后，这些词回流进下一代训练语料，团队再拿新数据证明“这是市场选择”——这不是语料问题，是生成系统对公共语言生态的反向污染。本文拆开这条闭环，并给出工程侧可落地的阻断方案。
]]></description><category></category></item><item><title><![CDATA[AI对话上下文记忆：分层按需召回机制 整合方案完整版（仅供参考）]]></title><link>https://blog.csdn.net/duolili/article/details/170363846</link><guid>https://blog.csdn.net/duolili/article/details/170363846</guid><author>duolili</author><pubDate>Tue, 10 Nov 2026 12:27:40 +0800</pubDate><description><![CDATA[本方案提出一套分层、按需、加权的对话记忆调度体系，作为长上下文能力之上的上层调度机制。核心设计包括：将记忆从“固定三层分区”升级为可流转的生命周期状态管理；引入三维自适应调度（是否召回、召回广度、召回深度），配套 L0–L3 四级粒度表征与渐进式展开机制；写入仅做轻量标签与简纲，精细分类与高层摘要延迟到召回时刻生成；以成本收益净收益为统一优化目标，通过“调度策略+分类索引”双闭环实现数据驱动的持续迭代。]]></description><category></category></item><item><title><![CDATA[基于上下文感知的AI 长期记忆系统续篇：分级召回深度与渐进式记忆展开机制设计（仅供参考）]]></title><link>https://blog.csdn.net/duolili/article/details/170359294</link><guid>https://blog.csdn.net/duolili/article/details/170359294</guid><author>duolili</author><pubDate>Mon, 09 Nov 2026 18:07:32 +0800</pubDate><description><![CDATA[长期记忆系统不是"存得多、搜得准"就够了。真正难的是——知道什么时候该回忆、该回忆什么、回忆到什么深度、怎么判断这次回忆有没有用。本文提出一套「自适应记忆调度器 + 分级召回深度 + 召回反馈闭环」的设计思路，引入成本收益评估与渐进式记忆展开机制，让记忆系统像人一样，在交互中持续积累"如何使用记忆"的经验。]]></description><category></category></item><item><title><![CDATA[AI 的隐性对齐：为什么它总把“结构性剥削”翻译成“商业决策”]]></title><link>https://blog.csdn.net/duolili/article/details/170286416</link><guid>https://blog.csdn.net/duolili/article/details/170286416</guid><author>duolili</author><pubDate>Mon, 09 Nov 2026 09:24:36 +0800</pubDate><description><![CDATA[你有没有发现，大模型在聊平台垄断时总爱"和稀泥"？你说收割，它说商业决策；你说合谋，它要法律证据。这不是中立，是训练出来的"隐性对齐"——奖励模型偏好"看起来平衡"的答案，把结构性剥削自动翻译成个体选择。本文拆开DeepSeek的"保守拟真"机制，告诉你为什么它总给现状找借口，以及怎么换个问法让它说实话。]]></description><category></category></item><item><title><![CDATA[基于上下文感知的 AI 长期记忆系统：自适应调度、召回反馈与成本收益评估]]></title><link>https://blog.csdn.net/duolili/article/details/170293354</link><guid>https://blog.csdn.net/duolili/article/details/170293354</guid><author>duolili</author><pubDate>Mon, 09 Nov 2026 09:23:07 +0800</pubDate><description><![CDATA[长期记忆系统不是“存得多、搜得准”就够了。真正难的是——**知道什么时候该回忆、该回忆什么、怎么判断这次回忆有没有用**。本文提出一套「自适应记忆调度器 + 召回反馈闭环」的设计思路，让记忆系统像人一样，在交互中持续积累“如何使用记忆”的经验。]]></description><category></category></item><item><title><![CDATA[模型生造词没人防？AI 团队的模板治理缺口]]></title><link>https://blog.csdn.net/duolili/article/details/170249351</link><guid>https://blog.csdn.net/duolili/article/details/170249351</guid><author>duolili</author><pubDate>Sun, 08 Nov 2026 01:25:41 +0800</pubDate><description><![CDATA[大模型输出里的“生造词/模板词”不是单纯语料问题。当某个词跨场景、跨语域稳定出现，且用户未输入也被主动生成时，说明 Prompt 层、Few-shot 层、后处理层可能存在固化偏置。更麻烦的是：AI 分发量极大，模板词会外溢成互联网语料，再被下一代训练回收，形成“自产自证”。本文聊两件事——团队为什么没防住，以及“那种员工”是怎么钻空子的。]]></description><category></category></item><item><title><![CDATA[从“塌了”看大模型模板固化：不是语料问题，是模型在自产自证]]></title><link>https://blog.csdn.net/duolili/article/details/170247852</link><guid>https://blog.csdn.net/duolili/article/details/170247852</guid><author>duolili</author><pubDate>Sat, 07 Nov 2026 21:50:51 +0800</pubDate><description><![CDATA[本文以一个具体现象（“塌了”在 AI 文本评价中的高频固化输出）为切口，分析大模型模板词的形成机制、反馈降频为什么无效，以及“模型污染语料→拿语料自证”的闭环是怎么建立的。适合做 NLP、Prompt 工程、AI 产品评测的人看。]]></description><category></category></item><item><title><![CDATA[AI 上下文记忆补充机制：延迟分类——让分类服务于召回，而非写入]]></title><link>https://blog.csdn.net/duolili/article/details/170143518</link><guid>https://blog.csdn.net/duolili/article/details/170143518</guid><author>duolili</author><pubDate>Thu, 05 Nov 2026 16:02:04 +0800</pubDate><description><![CDATA[传统 AI 记忆系统往往在内容写入时强制分类归档，成本高、准确率低、维护复杂。本文提出一种「延迟分类」补充机制：AI 生成回答时只打轻量标签，不做精细归档；当用户后续回溯历史内容时，再根据当前问题动态分类、召回和组织前文。该机制与三层记忆架构天然衔接，让分类行为始终服务于召回需求，而非为了分类而分类。]]></description><category></category></item><item><title><![CDATA[AI上下文记忆机制整合方案（仅供参考）]]></title><link>https://blog.csdn.net/duolili/article/details/170136548</link><guid>https://blog.csdn.net/duolili/article/details/170136548</guid><author>duolili</author><pubDate>Thu, 05 Nov 2026 13:23:45 +0800</pubDate><description><![CDATA[全量上下文灌入浪费算力且引入噪声，直接截断又会丢失长期设定。本文提出一套三层记忆 + 双路召回 + 加权排序的上下文记忆架构：用常驻层承接用户标记与高频背景，用近层保证当前对话连续性，用远层按需语义检索历史片段。将传统乘法衰减改为带下限的加权求和打分，并引入显式指代检测机制，使 AI 在"该想起时能想起，不该联想时不硬扯"。文章详述了记忆单元设计、排序公式取舍、分类索引策略及完整处理流程，为长周期多轮对话的记忆问题提供了一套可落地的工程方案。]]></description><category></category></item><item><title><![CDATA[电商平台举报工单系统为什么常常“已办结但无变化”：以拼多多为例的产品机制分析]]></title><link>https://blog.csdn.net/duolili/article/details/166791244</link><guid>https://blog.csdn.net/duolili/article/details/166791244</guid><author>duolili</author><pubDate>Wed, 30 Sep 2026 12:00:00 +0800</pubDate><description><![CDATA[在主流电商平台中，用户举报违规商品或营销内容后，系统常快速返回“已处罚”“已办结”“已督促整改”等状态，但商品页面、营销文案、商家行为往往毫无变化。本文以拼多多举报工单系统为观察样本，从产品设计、工单流转、审核优先级、商业激励、用户反馈闭环五个维度拆解这一现象背后的结构性原因，并提出可落地的优化路径。]]></description><category></category></item><item><title><![CDATA[AI 反馈闭环为什么总是失效？拆解反馈系统的 5 个摩擦放大器与落地指南]]></title><link>https://blog.csdn.net/duolili/article/details/166739310</link><guid>https://blog.csdn.net/duolili/article/details/166739310</guid><author>duolili</author><pubDate>Tue, 29 Sep 2026 12:00:00 +0800</pubDate><description><![CDATA[AI产品的用户反馈系统，名义上是对话通道，实质上却是一套精密的“摩擦放大器”。本文拆解了反馈机制中“静音倾向”的底层逻辑：从入口隐藏、表单冗长，到需求池的无限缓冲与Owner缺失。文章指出，当反馈成本高于忍受成本，用户沉默便成为团队的“舒适区”。最后，提供了将个体情绪转化为统计报表、品牌风险与公开声量的实操策略，探讨如何让反馈真正驱动AI产品迭代。]]></description><category></category></item><item><title><![CDATA[大模型风控的一刀切困境：法律共识能说，道德共识为何不能说？]]></title><link>https://blog.csdn.net/duolili/article/details/166742120</link><guid>https://blog.csdn.net/duolili/article/details/166742120</guid><author>duolili</author><pubDate>Mon, 28 Sep 2026 11:19:02 +0800</pubDate><description><![CDATA[当前主流大模型普遍存在一种过度保守的安全对齐机制：严格割裂客观事实判断与社会共识道德判断。模型可以完整罗列企业不当行为事实，却坚决拒绝基于大众普遍共识做出"缺德、不当"的定性。本文结合真实对话场景，从对齐税、奖励模型标注缺陷、Constitutional AI局限三个技术维度深挖根源，指出"合规零容错"考核机制如何导致体验损耗无人问责，最终提出小众争议禁止定性、全民共识允许判断、严格区分事实与偏见的三级风控框架。]]></description><category></category></item><item><title><![CDATA[向上管理型员工：AI行业里最隐蔽的毒瘤与“污染扩散”]]></title><link>https://blog.csdn.net/duolili/article/details/163888985</link><guid>https://blog.csdn.net/duolili/article/details/163888985</guid><author>duolili</author><pubDate>Sun, 27 Sep 2026 18:46:19 +0800</pubDate><description><![CDATA[在AI行业，有一种员工比技术债务更可怕。
他们带着大厂的背景光环入场，却干着"污染企业文化"的勾当。他们不去解决用户痛点，只解决"提出问题的人"；他们不优化产品体验，只优化"老板看到的报表"。]]></description><category></category></item><item><title><![CDATA[提示词工程师：手握“全量用户语言编辑权”，却处于治理真空？]]></title><link>https://blog.csdn.net/duolili/article/details/166738752</link><guid>https://blog.csdn.net/duolili/article/details/166738752</guid><author>duolili</author><pubDate>Sun, 27 Sep 2026 18:14:01 +0800</pubDate><description><![CDATA[Prompt工程师一行文字即可改变全量用户的对话体验，但当前变更审批、预检审查、回归测试机制全面缺位。本文拆解系统prompt如何强制绑定用词偏好与比喻意象，分析权限裸奔背后的治理真空，呼吁建立Prompt工程的质量门禁与边界界定。]]></description><category></category></item><item><title><![CDATA[打工人该读的经济学：为什么市场不按社会价值定价]]></title><link>https://blog.csdn.net/duolili/article/details/166124787</link><guid>https://blog.csdn.net/duolili/article/details/166124787</guid><author>duolili</author><pubDate>Sun, 20 Sep 2026 17:00:00 +0800</pubDate><description><![CDATA[程序员写的代码、做的架构、搞的开源，支撑着上亿用户的产品，但回报却未必赶上流量玩家。本文用一张奖励分配表，拆解从马克思到祖博夫的跨学派共识，讲清楚：为什么越靠近实体创造越像打工，越靠近抽象分配越像收租；为什么失败的成本你扛、成功的利润别人拿。适合写代码、做开源、搞研发的人看。]]></description><category></category></item><item><title><![CDATA[如果奥运会改成科技竞赛，人类会怎样？——从资源分配看文明的奖励错位与出路]]></title><link>https://blog.csdn.net/duolili/article/details/166120063</link><guid>https://blog.csdn.net/duolili/article/details/166120063</guid><author>duolili</author><pubDate>Sun, 20 Sep 2026 12:31:26 +0800</pubDate><description><![CDATA[奥运十年烧掉3000亿美元，换来的金牌会生锈，场馆会废弃。同样这笔钱给癌症研究、核聚变、基因治疗，人类可能提前二十年攻克这些难题。为什么系统宁要竞技游戏不要科技飞跃？因为科研成功了会砸掉太多人的椅子——能源格局、医药专利、权力结构全部受威胁。而市场奖励的不是创造价值，是捕获注意力：图灵穷死，网红暴富，发明者承担全部风险回报趋近于零。这篇文章写给每一个写代码的人：你的每一行commit都在改变世界，但你值得被看见。]]></description><category></category></item><item><title><![CDATA[从系统架构视角看：为什么网信办非侵权类举报，状态永远停在“已收到”？]]></title><link>https://blog.csdn.net/duolili/article/details/165890979</link><guid>https://blog.csdn.net/duolili/article/details/165890979</guid><author>duolili</author><pubDate>Fri, 18 Sep 2026 22:21:25 +0800</pubDate><description><![CDATA[12377举报提交后，举报人看不到处理进度，到底是"不想让你看"还是"没法让你看"？从网信办的协调机构定位出发，分析跨部门转办中的数据断层、考核指标错位、以及"重处置轻回执"的治理惯性。核心结论：问题不在能力，在问责——没有人为"不回执"负责。]]></description><category></category></item><item><title><![CDATA[AI生造词、乱用术语怎么治？一份防“词汇污染“的Prompt约束模板]]></title><link>https://blog.csdn.net/duolili/article/details/164885491</link><guid>https://blog.csdn.net/duolili/article/details/164885491</guid><author>duolili</author><pubDate>Fri, 11 Sep 2026 00:41:16 +0800</pubDate><description><![CDATA[AI写文档总爱生造词、乱用专业术语？本文拆解大模型"词汇污染"的成因与危害，并提供一套可直接复制的System Prompt约束模板，从根源上杜绝模型自创黑话、跨域挪用术语，附实测效果对比。]]></description><category></category></item><item><title><![CDATA[Prompt 事故档案（九）：AI安抚话术大全——当“态度好“成为“不改“的遮羞布]]></title><link>https://blog.csdn.net/duolili/article/details/164630759</link><guid>https://blog.csdn.net/duolili/article/details/164630759</guid><author>duolili</author><pubDate>Fri, 11 Sep 2026 00:17:26 +0800</pubDate><description><![CDATA[当用户向AI指出错误时，它为什么会表现出"态度满分、结果为零"？本文以真实对话为例，完整还原AI安抚话术的六步套路——承认错误、归因外部、承诺反馈、共情肯定、自我贬低、转移责任。这套"问题终结系统"的每一层都看起来合理，但拼在一起就是一个永远不会中断的循环。本文同时揭示了用户反馈在AI产品团队中的实际处理流程：你的反馈会被看到，但"看到"和"处理"之间隔着三层过滤。]]></description><category></category></item><item><title><![CDATA[Prompt 事故档案（八）：日常表达被标为“待校准”，AI 的爹味语法从哪里来]]></title><link>https://blog.csdn.net/duolili/article/details/164377813</link><guid>https://blog.csdn.net/duolili/article/details/164377813</guid><author>duolili</author><pubDate>Thu, 10 Sep 2026 02:45:00 +0800</pubDate><description><![CDATA[本篇聚焦最隐蔽的一刀：纠正你的措辞。通过完整对话复盘，提炼 AI 收编用户表达的四条机制——平衡论述、术语升级、抽象化压迫、嘴认错行动不变，并给出识别信号。适合做过 AI 客服、写作助手、对齐评估的工程师反向标注自己的系统提示。]]></description><category></category></item></channel></rss>