eaiadminandClaude Code
c1af86c934
按用户指示做**一包提交**，不按工作流拆分。本提交刻意混合了多条并行线：
· 本地 ASR 接管：audio 成为与 chat/embed/image/video 同等的路由类别
（IsLocalRoute 单一判据、audio 健康探测、default_audio_route、
auto 占位、GET /api/ai/routes/audio、回退云端时界面明示「音频已出网」）
· LLM 调用层：ctx 贯穿、ToolCall/ToolSchema、EmptyCompletionError /
TransientUpstreamError（按错误类型而非文案判重试）
· 编排 Agent：general_assistant orchestrate/persistence/spec_driver
· 联网搜索：internal/search（playwright）
· 网盘：backend + 前端
· 前端 UI：导航/路由/工作台若干页
· 交付文档：DELIVERY.md / AR04 / 部署文档的「无 Python」表述据实改写，
新增 eai_agentplatform-asr.service、asr.env、clonezilla-cleanup 清 ~/asr-poc
不分拆的原因：dev 早期，粒度不该打断工作节奏。且实测过——这些改动
**在编译上是同一个单元**（llm.go 的 ctx 签名变更牵动 12 个调用点，
chat_message.go 的 ctx 改动又与编排重写同处一个 hunk），拆出来的中间态编不过。
详见 TOP_CODING_RULES.md G14.5 与 bugs_and_errors.md E09。
Co-Authored-By: Claude Code <noreply@anthropic.com>
1 line
1.9 KiB
JSON
1 line
1.9 KiB
JSON
{"code":0,"data":{"message":{"role":"assistant","content":"**一句话**：过拟合是模型在训练集上“考满分”，但换到新数据就“露馅”——它把噪声和偶然规律也当成真规律学进去了。\n\n**是什么** \n- 训练误差很低，验证/测试误差却很高。 \n- 从偏差-方差看，属于**高方差**：模型对训练样本的微小变化过于敏感。 \n- 典型曲线：验证误差先下降，随后随着训练继续反而上升。\n\n**为什么会发生** \n- 模型太复杂：参数太多、网络太深、树太深，容量超过了数据能支撑的信息量。 \n- 数据太少、噪声大、特征维度高，模型容易记住“特例”而非规律。 \n- 训练太久，模型开始拟合残差和噪声。 \n- 反复用同一验证集/测试集调参，或存在数据泄露，也会造成“看起来过拟合/虚高”。\n\n**常见解决方法** \n1. **数据层面**：增加样本、数据增强、加噪声、重采样。 \n2. **模型层面**：降低复杂度，如减少参数、降维、特征选择、决策树剪枝、限制深度。 \n3. **正则化**：L1/L2、权重衰减、Dropout、标签平滑；正则太强会转向欠拟合。 \n4. **早停**：监控验证集误差，在它开始上升前停止训练。 \n5. **可靠评估**：交叉验证，验证集调参，测试集只在最后用一次。 \n6. **集成方法**：Bagging、随机森林、模型平均等可降低方差。 \n7. **其他**：贝叶斯先验、最大间隔思想、批归一化等也有一定正则效果。\n\n**关键点**：过拟合无法完全消除，只能缓解；目标不是训练误差最低，而是**泛化误差最低**。就像学生背答案不如理解规则——模型要学的是规律，不是题面。","timestamp":"2026-09-25 20:33:47","type":"text"},"is_plan":false,"is_expert":false,"stream":false},"error":null,"message":"success"} |