01数据与知识
01 / 明确研究问题
从明确的难题，
开始有边界的研究。
科研部署工程是本站对科研部署服务的命名，指研究、算法与工程化支撑；不将其包装为全球统一的岗位标准。
先确定基线和失败模式，再选择检索、规则、模型适配或专门算法。模型规模、参数压缩与部署位置都由实测质量、时延和成本共同决定。
02 / 研究任务
四类任务，四种交付证据。
- 01
明确假设
这个改动解决哪一种可观察的失败？
- 02
设计对照
固定数据划分与业务条件，避免把测试数据用于调试。
- 03
评估增益
同时衡量质量、成本、时延与人工负担。
- 04
受控上线
小范围验证、记录版本，异常时回退并复盘。
04 / 现场 ↔ 研究
两种视角，共享一个验收目标。
| 现场问题 | 现场工程明确 | 科研工程验证 |
|---|---|---|
| 图纸识别经常漏字段 | 图纸类型、目标字段、人工判读依据 | 版式解析、模型适配与保留集误差 |
| 自然语言查数口径不一致 | 指标定义、字段权限与确认流程 | 语义映射、查询校验与问题覆盖 |
| 现场响应速度不稳定 | 真实并发、时间窗口与故障影响 | 资源瓶颈、推理配置与降级策略 |
常见问题 / 关键问题说明
把关键问题，说清楚。
是不是模型越大，系统就越好？
不是。任务分布、检索质量、数据口径与验证流程同样关键。需要在统一测试条件下比较任务完成质量、时延、资源成本与维护复杂度。
登记一次纠错，会立即更新模型吗？
不会。纠错先进入可追溯的数据集；规则修正、知识更新与模型训练是不同过程。训练需要数据审核、评估和版本发布。
能否保证研究一定达到预设指标？
研究存在不确定性。应约定阶段产物、评估方法与继续/停止条件，并将探索性工作与确定性交付分别界定。
下一步 / 从需求走向实现
下一步，从一个具体问题开始。
把业务目标、数据条件和验收方式放在同一张桌上。