Runye | 算法花园修改

2026-03-14 08:00:00

感觉就在这几个月，Claude Code 这样的工具开始在身边火了起来。1 月份自己用 Cluade Code 搭配 kimi-k2.5，刚开始只是用来在 mac 上安装软件和修复环境。

上周终于通过美区 iOS 订阅 20 刀的服务，可惜没过 1 周账号就被封了。后来，改成订阅 ChatGPT Plus 服务来使用 Codex。现在开始用这些服务来完成之前一直没有做完的，导出 Logseq 笔记成为博客文章的脚本。如果你有想法，token is all you need！

另外遗憾的是，公司内部各种安全限制只能用 kimi-k2.5 这样的开源模型，而且各个平台都是 agent 时代之前的产品，总感觉等这些平台接入 coding cli 生态的成本，远高于重新搭建一套。

2026-02-18 08:00:00

Day 1-2

• 成长核心： [[甘卓琴]]、[[壶铃]]、[[展品柜]]
  • 2026-02-18-17-01-59
• 尽量拿：小圆猪发射器、绷带、铁腕战士
  • 2026-02-18-17-46-33
• 保战力
  • 2026-02-18-17-50-34
• 低优先级，没东西可以拿：多肉植物、乌瓦希瓦利鸟、盾、传家宝、小圆猪守卫
  • 2026-02-18-17-51-38
• 看体系、附魔好可以拿
  • 2026-02-18-17-53-31
• 经济体系
  • 2026-02-18-18-00-30
• 第一天，3商店（中型和治疗）1事件
• 事件
  • 蘑菇，4 块钱
  • 丛林：拿钱好过拿收入

Day3-5

• 工装短裤（生命值和治疗商店）
  • 2026-02-18-18-03-42
• 成长核心
  • 2026-02-18-18-10-56
• 泛用过度
  • 2026-02-18-18-11-35
• 盾猛
  • 2026-02-18-18-11-55
• 优质过渡
  • 2026-02-18-18-12-31
• 野怪掉落：剑齿虎、恐狼
  • 2026-02-18-18-12-57
• 可补充的物品
• 2026-02-18-18-13-44
• 其他过渡物品
  • 2026-02-18-18-14-03
• 其他成长核心
  • 2026-02-18-18-13-30
• 经济：地球仪
  • 2026-02-18-18-15-11
• 技能
  • 2026-02-18-18-15-50

Day 6

• [[裤子无限]]
• [[玩具无限]]
• [[地产流]]
• 要塞冰刀
  • 2026-02-18-19-42-05
• [[冰猪流]]
  • 2026-02-18-19-42-31
• 肉猪流
  • 2026-02-18-19-42-56

大巴扎猪猪上分公式化攻略（s10） 新手扫盲可学

+

2026-02-17 08:00:00

垂直送搜索特点

• • 垂搜的⽂档普遍是结构化的，容易根据⽂档属性标签做 检索筛选。#card
  • • 电商：可以限定品牌、卖家、价格、颜⾊。
  • • 学术：可以限定关键词、作者、期刊、年份。
  • • 本地⽣活：可以限定类⽬、商圈、距离。
• • 垂搜⽤户的意图明确。#card
  • • ⼤众点评⽤户搜索“寿司”，⽬的是找寿司餐厅。
  • • 淘宝⽤户搜索“拳击”，⽬的是找拳击相关的商品。

2026-02-17 08:00:00

[[PROVIA 标准]] #card

[[Velvia 鲜艳]] #card

[[ASTIA 柔和]] #card

+

[[CLASSIC CHROME]] #card

[[PRO Neg.Hi]] #card

[[PRO Neg.Std]] #card

[[CLASSIC Neg.]] #card

[[NOSTALGIC neg.]] #card

[[ETERNA 影院]] #card

2026-02-17 08:00:00

生态一般是平台发展到一定规模后才需要考虑的问题；这里的生态指的是非红线的生态问题，即不会一旦出现了平台就要倒闭的那种（比如政治敏感话题）；而是短期不管看不出什么大问题，但是放任不管，不利于平台长期可持续发展，如计划冷启动、广告主的多样性、素材多样性、创作者变现分布等等 #card

• 这是个比较典型的规模与生态的问题，规模小的时候这类问题不显著，或者说当时阶段增长是最重要的点，但是当规模变大后，必然会出现一些不健康的问题，通俗点讲就是 “林子大了，什么鸟都有”，这个时候生态问题就不能忽略了

客户生态

• 常见的客户生态包括
  • 客户结构 #card
    • 如大广告主与小广告主、
    • 广告主的行业分布情况）、
  • 客户操作习惯 #card
    • 如频繁改出价、复制计划、微改素材等行为
• 前面提到，最极端情况下平台只有一个广告主，这样流量的定价权就在这个广告主手里了；因此 #card
  • 平台肯定希望提升广告主的多样性，让平台总体 cpm 水位能在广告主的竞争中水涨船高
• 但是广告系统里往往又存在着马太效应，即大部分的钱是由小部分的广告主花的；#card
  • 其原因是很多长尾的中小广告主由于竞价能力、投放经验不足等问题与大广告主不太可比，这部分广告主在投放链路中会由于数据量少，链路相关模型学习不充分等原因，进一步加剧这个问题。
  • 这个时候需要平台对这部分中小的广告主做一些特定的优化，成立对应的中小专项来优化，这部分的一些手段会在客户部分详细说明
• 另外一个常见的客户生态问题就是客户的投放操作问题，比如说频繁改出价，正常 oCPX 广告中，广告主的出价就是其对转化成本的预期，而这个成本理论上应该是固定的，不过会因为在投放初期由于没有固定成本预期而去调价做试探，比如说一个点赞在不同媒体平台上的成本是不一样的，广告主在一个平台切换到另一个平台后需要做调整，但这种改动也不会很频繁；#card
  • 所以频繁改动出价往往是广告主 hack 平台的一种手段，如把出价从低调到高来 hack 赔付的漏洞，或者在预算不足的时候出一个很大的 bid 来 hack 刹车漏洞，因次平台要有相应的规则来回避这些问题，同时需要有相应的投放引导
• 除了出价，广告主往往也存在不断复制计划来 hack 系统的行为，因为系统的排序模型往往会使用很多 id 类特征，带来的就是系统的 variance 问题，如两个计划的投放设置、素材都一致，但是很可能因为计划 id 不一致，导致投放效果的不一致，所以广告主有动力通过复制计划来跑更多的量，#card
  • 但这样给平台带来的问题有
    • （1）工程上的压力，如召回的计划或素材变多了
    • （2）素材重复度高；这其实也算是素材生态问题，微改素材的问题也属于同一类问题；
  • 因此，平台侧需要考虑使用 id 类特征带来的问题，或者使用了 id 类特征后需要通过额外的策略来保证广告主的复制是无效的，如托管控制客户复制计划的行为、相似计划的限制剪裁策略、相似素材识别等

创作者生态

• 创作者的生态，跟客户生态一样，也需要分结构和行业来看，因为创作者变现本身也是个供需的生意，需要明确分粉丝段或分行业的供需问题，如创作者变现的粉丝量分布是否健康，是否只有头部作者有变现，但大部分长尾的创作者压根没有变现；行业上也是类似的，因为内容平台是希望提升其内容的多样性的，对应的需要提升创作者行业的多样性，因为创作者是 ugc 平台素材的一个很重要的供给 #card
  • 除了上面的问题，前面也提到内容平台往往存在 “水下” 问题，即创作者的撮合不走官方撮合平台，而是 B 直接找 K 来达成合作，这会影响平台对营销内容的管控、平台的营收等；这部分会在下面创作者部分详细展开

内容生态

• 内容多样性问题前面也提到，分别涉及到客户投流内容多样性和创作者创作的内容多样性 #card
  • 对于客户，多样性问题体现在客户投放不把重心放在素材制作，而是放在了计划复制等各种投放的 “骚操作” 上，导致素材重复度高，用户审美疲劳，长期对广告交付的用户体验指标、广告相关转化率都有负向影响；针对这一点，需要平台侧应做相关的引导，引导客户去把精力放到素材制作上
  • 对于创作者，多样性问题体现在其内容是否足够多样，一般而言，内容的多样性与创作者的多样性挂钩，因为往往每个创作者都有自己的创作偏好；因此平台首先需要引进足够多样的创作者，同时平台侧会希望能够有相应的抓手来影响创作者的创作倾向，一般是商机和流量，即把商机和流量更多倾向给平台侧需要扶持的创作者类型
• 内容质量问题是个很泛的问题，如视频拍摄质量、内容抄袭、内容反智、营销感强等等都算内容质量问题，这些一般需要依靠审核（人 + 机）的方式来识别与降权；#card
  • 另外针对创作者的撮合往往还存在着 “代写代发” 的问题，即创作者并非在真诚分享，而是直接发布 B 写好的笔记（B 为了更多创作者为品牌背书会这么做，创作者也只需要发布写好的笔记就能拿到钱），这样不仅容易导致总体内容营销感强，同时也会带来创作者变现变现的不良风气和现象，需要平台通过机制来抑制这样的趋势

2026-02-17 08:00:00

对比学习与向量化召回的区别

• 首先，向量召回属于有监督学习，对比学习属于自监督学习 #card
  • 这些正样本都来源于用户反馈（标注）​。
    • 在I2I召回中，被同一个用户点击过的物料在向量空间中是相近的。
    • U2I召回中，用户与其点击过的物料在向量空间是相近的。
  • 对比学习不需要用户标注。
    • 用户与其增强版本，物料与其增强版本，
    • 这些正样本都是我们根据一定规则制造出来的。
• 其次，向量召回重点关注的是负样本。#card
  • 大型推荐系统中的用户反馈源源不断，正样本从来都不是问题。
  • 而对于对比学习，重点、难点恰恰是如何制造正样本。
    • 也就是给定用户或物料，如何增强出与其相似的用户或物料信息。
  • 推荐模型中的特征以类别特征为主，高维、稀疏且相互关联（比如被一个用户点击过的多个物料之间可能存在时序、因果关系）​，简单粗暴地“增强”​，反而降低了产生的正样本的可信度。
  • 因此，阅读将对比学习应用于推荐场景的文章时，重点是看其“数据增强”方法有何创新，其他方面如负样本策略、模型结构、损失设计往往都是向量召回中的常规套路，无甚新意。
• 最后，向量化召回是主任务，比如替用户找到他喜欢的物料，对推荐效果负直接责任。#card
  • 而对比学习的目的，仅仅是为了纠正模型对小众用户、冷门物料这些少数群体的偏见。
  • 对比学习作为辅助任务，只存在于训练阶段，并不上线，间接影响推荐效果。