首先 Temperature 代表大模型输出的随机性参数, 本章将用实验认识 Temperature 温度如何控制输出质量，为我们的目标任务设置使用合适的 temperature 区间，引导大模型达到我们的预期目标。 整体思路 核心目标：用标准化数据集 + 量化指标 + 对照实验，量化三组参数对「幻

提示词工程（Prompt Engineering）是一套规范化设计、调试、优化输入文本，用来精准控制大模型输出格式、逻辑、风格、能力边界的方法论，核心目标：降低模型幻觉、稳定输出、复用模板、挖掘模型极限能力。 整体分为基础理论、核心编写技巧、高阶范式、工程落地、调优运维、行业落地六大板块。 一、核心

适配药物发现（Drug Discovery）入门理解，结合受体、激动剂、酶、剂量 - 效应曲线通俗讲解，搭配图表逻辑、案例、实操区分，方便你看文献与筛选先导化合物。 前置基础铺垫 药物作用逻辑：药物（配体 ligand）结合靶点（受体 / 酶）→ 构象改变 → 下游信号激活，产生药理效应。 一条标准

药物筛选：靶点验证完成后，从海量分子中寻找可调控靶点、具备药用潜力小分子，产出 Hit→Lead 的核心环节，是药物发现的核心中段。 行业通用漏斗流程： 海量分子库 → 初筛海选 → 阳性分子确认 → 二次筛选剔除假阳性 → 苗头 Hit → 先导 Lead 优化 虚拟筛选 依靠蛋白三维晶体结构或已

表字段设计的范式与反范式 1NF 第一范式：原子性 规则：列不可再拆分，一个单元格只能存一份原子数据 2NF 第二范式：消除「部分依赖」 规则：所有非主键字段，必须完全依赖【整个复合主键】，不能只依赖主键其中某一列 前置条件：必须先满足 1NF 适用场景：复合主键（多个字段联合做主键） 3NF 第三

什么是 DeepEval? DeepEval 是开源 Python LLM 评测框架（github: confident-ai/deepeval），定位：LLM 应用的单元测试框架。 核心思想：用 LLM-as-a-Judge + 传统 NLP 指标，自动化评估 AI 输出质量，嵌入开发、CI/CD

建立评估体系的目的 保证迭代优化效果 客观衡量模型能力水平：使用可量化的标准，客观衡量模型在各种任务优劣 通过评估体系验证改动是否有效，防止更新模型对Agent工程后能力退化 匹配真实业务需求 适配业务任务，通用基准无法代表行业场景，自建业务测评集，校验模型能够胜任 作为决策依据，不再依靠厂商宣传或

一、为什么选型如此重要？ 数据库选型是系统架构中最关键的决策之一，选错数据库的代价： 代价类型 具体表现 性能瓶颈 查询慢、写入跟不上、高峰期系统崩溃 运维灾难 频繁扩容、数据迁移、7×24 救火 架构重构 业务增长后被迫换库，半年重写 成本失控 资源浪费、License 费用、人力投入 核心原则：

做数据库容量规划的核心目的，是精准评估当前存储基线、通过预估数据增长速率、预留未来 3–5 年业务容量上限，通过预留合理冗余余量、规范单表 / 索引容量边界、设计分层存储与平滑扩容架构，从根源避免业务突发增量、数据持续膨胀导致的磁盘打满、数据库性能雪崩、架构无力承载业务迭代的问题，保障系统长期稳定、

数据结构与 Key 设计优化 规避大 Key / 大 Value 问题：单个 value 几十 MB、上万元素 list/hash，阻塞主线程、网络 IO、分片内存倾斜、删除阻塞。 优化： 列表拆分：长 list 分多段 hash；大批量结果分页存储； 统一阈值：value 上限控制 100KB 以