fieldlu

ml-alignment-rlhf

对齐方法论：下一词预测≠听人话、RLHF 三阶段(SFT→奖励模型→PPO)、奖励黑客识别与缓解、 DPO 免强化学习替代、对齐税权衡。用户问"RLHF 怎么回事/为何先 SFT 再训奖励模型/base 和 chat 模型差在哪"、纠结"PPO 还是 DPO"、发现模型讨好废话格式空转时激活；E 为对齐决策树。不适用于: 微调档位(ml-pretraining-paradigm)、大模型评测(ml-llm-evaluation)。 trigger: RLHF, reward model 奖励模型, PPO, DPO, reward hacking 奖励黑客

ml-automl-nas

AutoML 与 NAS 适用判断：自动化的是选择环节，数据质量仍是人的责任。用户问"要不要用 AutoML/NAS 怎么回事"、纠结搜索空间设计、少 epoch 代理评估选出的架构训完不对劲、大模型时代还要不要自跑 NAS 时激活。动作: 划算性判定→NAS 三要素→代理偏差校准→留出终审。与 HPO 分界: HPO 调参数，NAS 搜架构本身。不适用于: 已定架构调参(ml-hpo-strategy)、数据质量排查(ml-leakage-defense)。 trigger: AutoML, NAS neural architecture search, DARTS, supernet

ml-bayesian-thinking

概率建模的假设纪律框架。做朴素贝叶斯/贝叶斯网/GMM/EM 建模，纠结"属性相关性怎么处理""隐变量怎么估""精确推断跑不动"，或用极大似然需审查分布假设时调用： (1)MLE猜错分布全盘误导；(2)按数据量在独立性谱系(朴素→半朴素→贝叶斯网)选档； (3)EM预期局部最优多初值；(4)推断降级按变分/MCMC选路。不适用于判别式选型、因果推断。trigger: naive bayes, 贝叶斯网, MLE, maximum likelihood, EM algorithm, GMM, 隐变量, latent variable, variational inference, MCMC。

ml-causal-inference

因果思维入门决策链：判断问题本质是不是因果并给识别路线，非数理推导教程。当用户问"A 是否导致 B"、做政策评估/效果归因、问反事实("不做会怎样")、拿观测数据直接下因果结论时激活。动作：混杂/选择偏差/辛普森机制识别→Pearl 三阶梯定位→判走预测还是因果→工具速览 (RCT/倾向得分/后门调整/DML)。不适用于纯预测任务、do-演算证明。触发词: causation vs correlation 因果还是相关, confounding 混杂, counterfactual 反事实, treatment effect, 政策评估, uplift, Simpson's paradox, propensity score

ml-clustering-toolkit

聚类选型与评估流程。用户问"聚类分几类""kmeans 还是 dbscan""怎么评估聚类效果 / clustering evaluation""轮廓系数"，或对无序属性硬算欧氏距离、把簇当真实类别下结论时激活。动作：有无参考模型定外部/内部指标(DB指数/Dunn)→按数据形状选范式(k均值 vs DBSCAN vs AGNES)→按属性有序性选距离(闵氏/VDM/非度量)→k 值指标扫描+任务语义。警告：聚类没有客观标准(NFL 重演)，簇≠真实类别。不适用于：有标签分类、降维可视化(ml-dimensionality)。 trigger: clustering evaluation, silhouette, DBSCAN, k-means, dendrogram, 轮廓系数。

ml-cnn-vision

卷积网络适用判断与设计纪律。用户问"该不该用 CNN/图像怎么设计""卷积核/感受野/池化和 BatchNorm 放哪"、"ResNet 为何有效"、拿 CNN 做表格序列数据时激活。动作: 验卷积归纳偏好匹配(局部性/平移不变)→组件链(小核堆叠/池化/BN)→演进逻辑(VGG→ResNet 残差动机)→何时不用 CNN；含 ViT 对先验价值重估。不适用于: 跨族选型(ml-transformer-era)、训练排障 (ml-deep-training-playbook)。trigger: CNN convolution 卷积, receptive field, residual

ml-deep-training-playbook

深度网络训练不动的系统排查纪律。当用户报"loss 不降/NaN/训练发散"、纠结初始化(Xavier/He)、 BatchNorm 还是 LayerNorm、Adam 还是 SGD、warmup、梯度消失爆炸怎么治时激活。核心动作：按 "数据管道→小样本过拟合→初始化归一化→学习率扫描→优化器调度→梯度监控"固定顺序排除，先廉价检查后昂贵实验，每步带完成标准与判停条件。不适用于：训练正常但泛化差（ml-diagnosis）、架构未定（ml-transformer-era）。触发词: loss 不降, NaN, diverge, gradient vanishing, warmup, Adam vs SGD

ml-diagnosis

模型效果不好（或"好得可疑"）时的系统诊断流程。当用户说"模型精度低/loss 不降/泛化差/过拟合/ 欠拟合怎么办"、报告训练集表现与验证集脱节、或纠结该加数据还是加模型容量时激活。核心动作: 先用偏差-方差分解(bias-variance decomposition)把问题归因到欠拟合(underfitting)/ 过拟合(overfitting)/数据问题三类，再对症下药；同时把"训练精度 100%"当红旗而非捷报（完美可分可能恰是过拟合假象）。覆盖: 学习曲线判读、正则/剪枝强度取舍、调参后全量重训纪律。不适用于: 还没选模型的选型阶段（用 ml-task-matching）、性能度量本身选错了的情况（先确认尺子再诊断数值）、多算法科学比较（用算法比较检验流程）。

ml-dimensionality

高维数据困境的决策框架。当"特征数远大于样本数(p≫n)""kNN忽好忽坏""该降维还是特征选择""PCA效果差"时调用：先诊断维数灾难症状，再在降维(PCA/核化/流形)、特征选择 (过滤/包裹/嵌入L1)、度量学习、稀疏恢复四主线按几何形态选路；含序关系判据。不适用于：换距离度量即可的小问题、类别不平衡、纯模型选择。trigger: curse of dimensionality, 维数灾难, PCA, Isomap, feature selection, 特征选择, L1 sparse, p larger than n, 高维小样本, matrix completion, 矩阵补全。

ml-ensemble-design

集成学习设计方法论：何时值得集成、怎么制造"好而不同"(accuracy + diversity)、Boosting vs Bagging 选型、四类扰动通道、平均/投票/Stacking 结合策略与六种翻车预防。当用户想堆模型涨点、问"多模型融合会更好吗""bagging 还是 boosting""Stacking 线上线下不一致"时激活。信号词：ensemble, bagging, boosting, stacking, voting, 模型融合, diversity。不适用于单模型诊断（用 ml-diagnosis）与不平衡重采样（用 ml-imbalanced-learning）。

ml-evaluation-design

ML 实验前的三层设计：数据怎么切（留出/交叉验证/自助 hold-out / k-fold CV / bootstrap）、用什么度量（accuracy / precision-recall / Fβ / ROC-AUC / cost-sensitive）、怎么比较才可信（显著性检验 / Friedman+Nemenyi）。当用户设计实验、选评估指标、问"几折交叉验证""99% 精度好不好""高 0.5% 显著吗"时激活。不适用于训后偏差-方差诊断（ml-diagnosis）与不平衡重采样细节（ml-imbalanced-learning）。

ml-experiment-tracking

实验可复现纪律手册。当用户开新实验想记全该记的、同一份代码两次结果对不上、复现不了自己或别人的数字、纠结随机种子/配置/环境快照怎么管、检查点存什么才能断点续训、或实验做完要归档时激活。 trigger: reproducibility 可复现、random seed 随机种子、配置版本化 Hydra/config、环境快照 pip freeze、checkpoint 续训、DVC 数据版本、experiment tracking。动作: 新实验启动 checklist + 实验结束归档 checklist，让每个数字都能回答"从哪来"。不适用于: 结果归因（ml-diagnosis）、比较协议设计（ml-evaluation-design）、泄漏排查（ml-leakage-defense）。

ml-explainability-xai

黑箱模型的解释技术选型与正确用法。当用户问"LIME/SHAP/saliency 怎么选"、"特征重要性为什么互相矛盾"、"模型为什么这样预测"、要向监管/客户解释黑箱决策、或想把事后解释当因果证据用时激活。动作：按动机定要求(信任/调试/合规)→内在可解释vs事后解释选型→全局重要性找数据问题、个案解释做申诉复核→高保真vs高可用权衡。不适用于本身透明的模型 (ml-rule-learning)、因果归因(ml-causal-inference)。触发词: explainability 可解释性, LIME, SHAP, saliency, feature importance 特征重要性, 解释黑箱

ml-feature-engineering

从原始字段构造模型输入特征的决策手册。当用户面对新数据集不知各列怎么处理——数值要不要标准化/对数/分箱、类别列选序数/one-hot/目标编码、高基数怎么办、时序怎么造滑动窗口/滞后特征而不偷看未来、要不要交叉特征——或训完想复盘特征重要性时激活。 trigger: feature engineering 特征工程、encoding、one-hot、target encoding 目标编码、 normalization 标准化、binning 分箱、lag features 滞后特征、high cardinality 高基数。动作: 按"先切分→体检→数值→类别→时间→交叉→重要性复盘"顺序过处理链。不适用于: 已有特征池挑选压缩（ml-dimensionality）、泄漏排查（ml-leakage-defense）、效果归因（ml-diagnosis）。

ml-federated-privacy

隐私保护机器学习决策链：判断该不该上联邦学习并给配置路线。当数据因合规(医疗/金融)、数据主权不能集中，用户问"联邦学习怎么做/FedAvg 原理"、担心模型泄露训练数据、纠结差分隐私 ε 怎么定时激活。动作：集中化资格判定→FedAvg 与 non-IID 现实(i.i.d. 假设在联邦场景失效)→威胁模型与成员推断→DP 预算直觉→工程配置。不适用于：数据可合法集中的普通训练、攻击实现细节。触发词: federated learning 联邦学习, FedAvg, 数据不出域, differential privacy 差分隐私, membership inference 成员推断, non-IID, 梯度泄漏

ml-graphical-models

用概率图模型表达多变量依赖时的建模与推断路线决策。用户问"变量依赖关系怎么建模/HMM 适用场景/贝叶斯网络结构怎么定/变分推断还是 MCMC"、或推断跑不动时激活。动作: 判关系因果向(有向网)或相关对称(无向场)→结构专家给定或学习→推断决策树: 精确可行吗(团规模!)→变量消去/信念传播; 不可行→MCMC vs 变分按需选。不适用于: 确定性规则系统、纯分类选型。 trigger: probabilistic graphical model, HMM, Bayesian network, MRF, CRF, variational inference, MCMC, 吉布斯采样, belief propagation。

ml-hpo-strategy

超参搜索 (HPO) 算法选型手册。当用户要调超参、纠结网格/随机/贝叶斯优化(TPE)/Hyperband 选哪种、问搜索空间怎么设计（对数尺度？哪些参数值得搜）、预算只够 N 次 trial 怎么分配、或搜索跑一半没起色想止损时激活。 trigger: hyperparameter search/tuning 超参搜索、grid search 网格搜索、random search 随机搜索、Bayesian optimization 贝叶斯优化、Optuna、Hyperband、调参预算止损。不适用于: 未做归因就开搜（先 ml-diagnosis，偏差主导时白搜）、实验记账（ml-experiment-tracking）、六问总审（ml-pitfall-audit）。

ml-imbalanced-learning

处理类别不平衡(class imbalance)的决策框架。当"少数类召回为0""accuracy虚高但少数类全判成多数类"，或要做重采样/阈值移动/代价敏感选型时调用：先确认度量失守，再按部署约束在再缩放三路线中选路并审查各自隐藏前提。不适用于：类别比例尚可只是指标选择问题、回归任务、纯排序场景。trigger: imbalanced, SMOTE, oversampling, 过采样, 欠采样, threshold moving, 阈值移动, minority class。

ml-leakage-defense

数据泄漏专项防御。当用户怀疑线下虚高线上暴跌、某特征重要性异常高、验证集好得可疑，或搭管道想事前防漏——归一化/填充/目标编码在切分前还是切分后做、时序能否 shuffle、特征选择是否偷看测试集——时激活。 trigger: data leakage 数据泄漏、target leakage、train-test contamination、offline-online gap 线上线下不一致、too good to be true。动作: 三大类型定位（特征-目标/训练-测试污染/过程泄漏）→信号核对→上线前检查清单。不适用于: 六问总审（ml-pitfall-audit）、偏差方差归因（ml-diagnosis）、特征构造（ml-feature-engineering）。

ml-llm-evaluation

大模型评估纪律：榜单分数是参照物不是成绩单——benchmark 与真实任务存在分布鸿沟，NFL 教训在 LLM 时代重演，外推无效。当用户问"榜单排名和实测为什么不一致"、"测试集是不是被污染"、 "用 GPT 打分靠谱吗"，或要组织人工评估时激活。动作：自有分布抽测补鸿沟；三探针查污染；人工评估先定 rubric 与一致性校验；LLM-as-judge 校正位置/自偏爱/长度偏差。不适用于：通用三层评估设计（ml-evaluation-design）。触发词: benchmark, leaderboard, 数据污染 contamination, LLM-as-judge, 人工评估

ml-methodology-router

ML 方法论问题总入口（Machine Learning Methodology Router），统辖 38 个子 skill 的决策方法合集。用户提出任何涉及机器学习决策/判断的问题时应最先激活本 skill：先判断其处于工作流哪一段（选型前 / 实验设计与数据准备 / 模型族内部施工 / 训练与调参 / 结果诊断 / 特殊场景 / 大模型场景 / 工程交付 / 专项进阶 / LLM 应用与运维），再派发到对应子 skill 并说明理由。触发信号："该用什么算法/模型"、"X 和 Y 哪个好"、"榜单第一为什么输"、"怎么设计实验/评估"、 "过拟合了怎么办"、"效果不好"、"accuracy 99% 却没用"、"类别不平衡"、"冲榜/集成/融合模型"、 "特征太多/降维"、"聚类分几类"、"贝叶斯/概率图/生成模型"、"loss 不降/NaN"、 "warmup/Adam 还是 SGD"、"dropout 设多少"、"超参怎么搜/Optuna"、"结果复现不了/checkpoint 存什么"、 "是不是有泄漏"、"多分类怎么拆"、"只有几百条标注"、"强化学习适不适合"、"要可解释的规则"、 "Transformer 还是 CNN"、"要不要微调/LoRA"、"prompt 时好时坏"、"LLM 榜单可信吗"、"模型要上线"、 "结果好得可疑"、"理论保证何时能信"、"牛顿法还是梯度下降/KKT 对偶"、"该不该用 CNN/卷积核感受野"、 "RNN 还是 LSTM/门控/seq2seq"、"AutoML 靠谱吗/NAS 怎么回事"、"相关还是因果/混杂/反事实/ 政策评估归因"、"LIME/SHAP 怎么选/黑箱怎么解释"、"联邦学习怎么做/差分隐私 ε/数据不出域"、 "RAG 还是长上下文/切块/embedding 选型/引用溯源"、"多模态融合/CLIP 零样本"、"RLHF/PPO 还是 DPO/奖励黑客"、"影子金丝雀 A-B/PSI 漂移/什么时候重训"；英文: "which model should I use", "how to evaluate", "overfitting", "class imbalance", "data leakage", "hyperparameter search", "reproducibility", "fine-tune vs prompt", "b

ml-mlops-deployment

模型上线后的生命周期纪律：部署策略、监控三层、再训练触发与回滚预案。当模型要从 notebook 走向线上、问"影子/金丝雀/A-B 怎么选"、上线后效果下滑怀疑漂移、纠结 PSI 阈值/什么时候重训、或线下好线上差已排除泄漏时激活。核心：training-serving skew 是线上线下鸿沟主因；业务指标滞后数周，静默失败比崩溃危险。不适用于实验期记账、训练期污染(ml-experiment-tracking / ml-leakage-defense)。触发词: MLOps, 模型上线部署, skew, data drift 漂移, concept drift, PSI, shadow 影子, canary 金丝雀

ml-multiclass-strategies

多分类拆解策略选型：二分类器解决 N 类问题的工程决策。用户问"多分类怎么拆""ovo ovr 区别 / OvO vs OvR""ECOC 码本设计""10 类分类器怎么搭"，或大类数仍套 OvO 时激活。动作：确认基分类器是否原生支持多分类→按开销矩阵选 OvO(N(N-1)/2 个、训练快存储多) vs OvR (N 个、存储少) vs MvM/ECOC(码距解码纠错)→码本求"类间码距远+子任务难度适中"。不适用于：类别比例失衡(ml-imbalanced-learning)、多标记学习。trigger: multiclass strategy, one-vs-one, one-vs-rest, ECOC, error correcting output codes, 多分类拆解。

ml-multimodal

多模态建模决策链：判断任务是否真需要跨模态并选融合策略。当用户问"要不要上多模态"、纠结早期/晚期/注意力融合怎么选、想理解 CLIP 对比对齐与零样本迁移、遇到模态缺失(图片加载失败/某模态数据稀疏)、或多模态评测不知道单模态消融等特殊坑时激活。动作：单模态够吗判定→融合三型选型→CLIP 对齐路线→缺失与不平衡处理→评测特殊性。不适用于已确定单模态的常规建模、多模态大模型机制研究。触发词: multimodal 多模态, 图文匹配, CLIP, 零样本迁移 zero-shot, fusion 融合策略, early/late fusion, 模态缺失 missing modality, 模态坍塌, VQA

ml-neural-training

神经网络训练决策纪律：何时用 NN、结构怎么定、训不动怎么救。用户说"神经网络不收敛/loss 不下降""该几个隐藏层""learning rate 怎么调""梯度消失"，或训练振荡、不同种子结果差异巨大、纠结早停时机时激活。动作：判可分性定结构下限(非线性可分必须加隐层)→按 loss 曲线分诊病因→多组初值/模拟退火/SGD 跳局部极小(无理论保障)→早停+正则化两手。不适用于：横向选型(ml-task-matching)、训练正常但泛化差的归因(ml-diagnosis)。trigger: neural network not training, backpropagation, hidden layer, local minimum, early stopping, 梯度消失。

ml-optimization-methods

优化方法选型：拿到优化问题先问"凸不凸/有无约束/梯度贵不贵"。用户问"牛顿法还是梯度下降/ L-BFGS 用在哪/KKT 有什么用/SVM 为何转对偶"、纠结学习率收敛诊断、担心陷局部最优时激活。动作: 凸性判定→一阶vs二阶→拉格朗日与KKT对偶→收敛曲线归因→高维鞍点重估。不适用于: 训练排障(ml-deep-training-playbook)、横向选型(ml-task-matching)。 trigger: convex optimization 凸优化, L-BFGS, KKT conditions, duality 对偶, 鞍点

ml-overfitting-modern

深度场景的正则化工具箱与过拟合诊断手册。当用户问 Dropout 放哪层/比例多少、weight decay 与 L2 区别、数据增强怎么配、标签平滑、正则叠加是否欠拟合，或报"训练 loss 为 0 而 gap 很大"时激活；含双下降甄别——插值训练集却泛化良好时，经典"gap=过拟合"直觉需重新标定；纪律：先单手段消融再组合。不适用于：传统模型过拟合（ml-diagnosis）、训练不动/NaN（ml-deep-training-playbook）。触发词: dropout, weight decay, label smoothing, double descent

ml-pitfall-audit

新项目/新模型上线前的六问前提审查清单。报告"指标虚高""线下好线上崩""加数据反而变差""结果不可复现"，或上线/投稿前需健全性检查时调用。六问：训练数据无偏采样吗/ 测试错误率独立采样吗/分布形式假设对吗/集成个体误差独立吗/未标记样本同分布且相似→ 相似吗/完美表现是不是信息泄露。每问配诊断信号+修正方案。不适用于已定位的单一技术问题、纯工程bug。trigger: data leakage, 数据穿越, assumption check, 线下线上不一致, offline online gap, too good to be true, sanity check, 审稿被质疑。

ml-pretraining-paradigm

预训练-微调范式决策树：��零训练/全参微调/LoRA 等 PEFT/纯提示四档选最低够用档。当用户问 "要不要自己训模型/微调还是用 API/LoRA 和全参微调怎么选/多少数据能微调"、担心灾难性遗忘、纠结冻结还是解冻时激活。按数据量×算力×领域距离三轴走决策树；判停条件：数据<1k 条禁止直接微调，先做提示工程与少样本基线；微调后必须做通用能力回归测试以检测遗忘。不适用于：骨架怎么选（ml-transformer-era）。触发词: fine-tune, LoRA, 微调, 冻结层, catastrophic forgetting, prompt vs finetune

ml-prompting-methodology

提示即编程：把 prompt 当代码做版本管理与回归测试。当用户问 few-shot 示例怎么选、思维链 CoT 何时有用、输出格式总不稳定、"prompt 改来改去时好时坏"时激活。纪律：回归测试集驱动迭代，禁止无评估的玄学改写；few-shot 按多样性+代表性选择并固定顺序；CoT 只在多步推理任务启用，简单分类纯属浪费；结构化输出靠 schema 约束而非口头祈求。不适用于：要不要升级到微调的档位决策（ml-pretraining-paradigm）。触发词: prompt engineering, few-shot, chain-of-thought, 输出不稳定, prompt 回归测试

ml-rag-systems

检索增强生成(RAG)决策链：判断该不该上 RAG 并设计流水线关键决策。当 LLM 应用出现 "知识过时/不知道私有知识/幻觉不能容忍"、纠结 RAG 还是长上下文还是微调、问切块策略/ embedding 选型/top-k 与重排/引用溯源时激活。核心立场：检索质量决定上限，评估必须拆检索与生成两段归因。不适用于零外部知识的纯推理任务(ml-prompting-methodology)、档位总决策(ml-pretraining-paradigm)。触发词: RAG 检索增强, 知识库问答, embedding 选型, chunking 切块, rerank 重排, 引用溯源 citation, hallucination 幻觉

ml-rl-decision-loop

判断任务是否该用强化学习、选哪条路线。用户问"强化学习适不适合/reward 怎么设计/ Q-learning 和 Sarsa 区别/exploration exploitation/agent 训练不动"时激活。动作: 验资格(延迟奖赏+序贯决策缺一不可)→模型可知否(有模型→动态规划; 免模型→蒙特卡罗 vs 时序差分)→配探索利用折中(ε贪心/Softmax)→状态大时表格升级函数逼近。不适用于: 一次性预测、有即时标签任务。 trigger: reinforcement learning, MDP, reward design, Q-learning, Sarsa, exploration exploitation, 奖赏函数。

ml-rnn-sequence

序列建模路线决策：RNN/GRU/LSTM/seq2seq+注意力/Transformer 的选择。用户问"序列用 RNN 还是 LSTM/门控干嘛的"、"翻译、时序预测怎么建模"时激活。动作: 任务定形→判时序梯度消失是否需门控→依赖跨度与并行性定 RNN 系还是 Transformer→ BPTT 截断与 teacher forcing。不适用于: 跨族选型(ml-transformer-era)、视觉 (ml-cnn-vision)、序贯RL(ml-rl-decision-loop)。trigger: LSTM GRU 门控, seq2seq, attention, 时序

ml-rule-learning

需要"人能读懂"的 if-then 规则模型的适用判断与方法路线。用户说"要可解释的规则/if-then 规则挖掘/rule learning/FOIL"、纠结命题够不够、或规则集训练完美却频繁触发默认规则时激活。动��: 确认可解释是硬需求→数据是属性值还是对象间关系(命题 vs 一阶)→搜索方向: 自顶向下泛化好抗噪强 vs 自底向上适合小样本与一阶空间→剪枝+RIPPER式后处理防贪心锁死。不适用于: 无可解释需求的精度优先任务、购物篮关联规则分析。 trigger: rule learning, if-then rules, FOIL, sequential covering, 序贯覆盖, 可解释规则, 一阶规则, ILP。

ml-semisupervised

标注太少、想利用大量未标注数据时的路线选型与安全纪律。用户说"只有几百条标注/未标注数据怎么用/pseudo-label/self-training 掉点"、纠结主动学习与半监督区别、协同训练前提、或加未标注数据反而掉点时激活。动作: 查资格线(标注真不够?未标注同源?)→验证聚类/流形假设→选路线 (生成式/S3VM/基于分歧/图传播)→强制纯监督基线对照。不适用于: 标注充足的监督任务、无标签聚类、自监督预训练。 trigger: semi-supervised, unlabeled data, pseudo-label, co-training, TSVM, self-training, 伪标记, 协同训练。

ml-svm-playbook

SVM 使用决策树：可分性判断→硬/软间隔→核函数选型→C 与 γ 调优→规模可行性。用户问 "SVM 参数怎么选""选哪个核 / kernel choice""C 和 gamma""支持向量机适用场景"，或完美可分而沾沾自喜、大数据上硬跑非线性核时激活。纪律：默认软间隔(完美线性可分可能是过拟合假象)；文本用线性核、不明先试高斯核；核选择是最大变数且未决；非线性核不低于 O(m²)。不适用于：横向选型(ml-task-matching)、需自然概率输出的场景。trigger: support vector machine, kernel trick, soft margin, hinge loss, RBF kernel, 核函数。

ml-task-matching

选机器学习算法/模型时的第一性原理检查器。当用户在问"哪个算法/模型最强"、"该用什么模型做 X"、想直接照搬排行榜(benchmark/leaderboard)结论、或团队为选型争论不下时激活。核心动作: 先刻画任务本身(样本量/噪声/数据结构), 再匹配归纳偏好(inductive bias / inductive preference), 而非寻找"全面最优"算法——NFL 定理(no free lunch)证明脱离具体问题谈优劣无意义。也适用于: 两个模型打平时的决胜依据、评测榜单结论能否外推到自己任务的判断。不适用于: 已选定模型后的效果诊断(用 ml-diagnosis)、纯科普问答"什么是 NFL 定理"。

ml-theory-compass

把学习理论当"提问框架"用的思维工具。问"这方法有理论保证吗""需要多少数据""深度网络为什么能泛化"，或要把模糊需求改写成可谈判契约时调用。工具组：PAC三问、容量三刻度、MDL学习即压缩、替代损失推理、核技巧升维、策略迭代单调证书、半监督安全检查。不适用于实现调试、数理证明辅导。trigger: PAC learnable, VC dimension, generalization bound, 泛化界, sample complexity, MDL, surrogate loss, kernel trick, 核技巧, overparametrized generalize。

ml-transformer-era

深度时代的架构选型决策。当用户问"该用 CNN/RNN 还是 Transformer"、注意力机制/QKV 是什么、位置编码有什么用、"数据够不够训"，或想"全都上 Transformer"时激活。按数据形态×数据规模× 算力三轴匹配架构：小表格数据 GBDT 常胜神经网络、小数据 CNN/RNN 仍是正解、大规模序列才轮到 Transformer；含 QKV 直觉与位置编码必要性。不适用于：训练不动（ml-deep-training-playbook）、自训还是微调未定（ml-pretraining-paradigm）。触发词: transformer vs cnn, QKV, positional encoding, 架构选型