MT-AUCC：多 Treatment 场景下的钱效评估指标一、背景：为什么需要 MT-AUCC1.1 AUUC 的局限在 Uplift 模型评估中，AUUC（Area Under Uplift Curve）是最常用的离线指标。它按模型预测的增量效应降序排列样本，计算累计增益曲线与随机线之间的面积。 但 AUUC 有一个根本假设：所有干预的成本相同。 现实营销场景中，这个假设往往不成立： 发一张"

因果推断与决策聚焦学习（DFCL）深度笔记本文档记录了关于因果推断、决策质量、Qini曲线与DFCL（Decision Focused Causal Learning）的完整思考链路，聚焦于一个核心命题：如何从“预测精度”转向“决策质量”。1. 起点：因果推断中的排序能力之争核心问题在因果推断驱动的营销决策中，真正影响决策质量的，是“多个个体之间的排序能力”，还是“单个个体在不同Treatment

之前我们介绍了Agent的发展，也了解了上下文管理的4大模块（感知模型、规划模块、执行模块、执行模块）， 接下来我们就介绍这几个模型的实现，意图识别意图识别是整个系统的起点， 这部分的质量也直接决定了整个系统的执行质量，那么这部分一般是如何实现的呢？精心设计提示词引导LLM分类训练专用的路由模型，独立于主LLM完成路由判断用小模型进行微调，让模型在特定的场景下具备高精度的分类能力。Arch-Rou

"Harness"原意是马具——缰绳、鞍具、嚼子——用来驾驭一匹强大但不可预测的动物的完整装备。这个比喻是刻意的：马 = AI 模型：强大、快速，但自己不知道该往哪里走马具 = Harness：引导、约束、使力量变得可控且有方向Agent = Model + Harness上下文模块感知模块感知模块是系统的入口，其核心任务是将非结构化的信息转化为结构化的信息，并理解其意图，从而

文本向量化

提示工程一个好的提示工程由下面的几个部分组成，可能我们之前认为给大模型提示不就是描述清除就行么，底层逻辑是没问题的，不过需要有了下面这个模板能够帮我我们更好的描述任务，进而减低成本达成目的。指令任务本身。指令应该尽可能具体，避免留下太大的解释空间。上下文描述问题或任务背景的附加信息。它回答了“为什么提出这个指令”这样的问题。格式LLM 输出生成文本的格式。如果不指定格式，LLM 会自行决定格式，这

当前这个时间点， 我们似乎正在经历异常技术平权的革命， 因为大模型的出现， 让原来很多需要花费很多精力的工作变得毫无意义（这里就不便举例子）， 也让我由此感慨一下，接下来主要看看我们在算法这个方向是如何看待算法工作与大模型的关系。

MOE结构MOE结构是DeepSeek比较大的创新， 不管是从模型性能上，还是计算性能上， 都是非常好的设计。这一个部分其实替换掉传统的Transformer中的FFN的结构。我们来分开看当前的网络结构专家网络MOE结构中有多个专家网络，设计的预期是希望能够让多个专家能够各自负责不同领域的知识内容，完成任务的结构。门控网路门控专家是整个网路的一个路由，这个路由是要识别不同问题需要找那些专家。这个部

胜多负少

今天我们来介绍大语言模型使用，Agent的构建和开发。基础知识Agent定义和核心机制Agent是一种通过感知环境（传感器）并主动与环境交互（执行器）的智能实体。LLM Agent通过结合大语言模型（LLM）与外部工具、内存和规划能力，突破传统LLM的对话局限，实现复杂任务拆解与执行。其核心是通过工具调用（如API、代码）弥补LLM在数学计算、事实检索等方面的短板，形成“指令－目标－决定－执行”的

S-Learner（Single Learner）

在电商和零售行业，常见的仓储类型包含RDC和FDC两类，其中ROD表示区域仓，FDC表示前置仓，也就是说从省仓下沉到县，可以在短距离内将商品送达消费者。仓储网络的选址不仅要对单个仓库进行覆盖分析，还要从全局进行整体优化。所以仓储的网络的选址需要考虑成本、时效等因素。问题抽象一般的主干仓储可以划分为货源地->RDC->FDC->客户四个层级，且顺序要保持一致。