windyboy
0dac58fb6f
- fix stage-numbering conflict (README vs 05-Progress) and unify stage-1 reading scope - resolve AWS workshop prerequisite contradiction in 04-Reference/01 - convert medium-path wikilinks to vault-root paths (~30 links), fix .pyy typos, annotate ragas fork, unify archive status, add 01-/02- README hubs - compress old-version guidebook notes (01, 05) into pointers; add 2026 reading guidance to 00-Overview - dedupe project templates and remove embedded template copy in 03-Practice/README
1.9 KiB
1.9 KiB
type, tags, status, created
| type | tags | status | created | |||
|---|---|---|---|---|---|---|
| log |
|
active | 2026-08-21 |
方法季度复盘（含作品集清单）
使用方式： 每季度一次（约第 12 周）。复盘对象是这套学习方法本身，不是单个项目（单个项目的复盘在
03-Practice/项目名/04-失败复盘.md）。
方法论自评
- "先建立判断，再追求自动化"是否真的让我少走了弯路？请给一个具体例子。
- 我是否在"读完理论"上花了比计划更多的时间？当时应该在哪一步停下？
- 手工盲评是否帮我发现了规则问题？哪些坑是读文章学不到的？
- 哪个环节最浪费时间？下一个季度砍掉什么？
- 我的失败分类是否真的指导了修复，还是只是写了报告？
作品集检查清单
来源：01-LLM-Evaluation-Roadmap 第十二节。做满 3 个月后，把最能证明工程闭环的项目整理成作品集。
- GitHub 仓库 README：问题 / 数据说明 / 评测方法 / 结果，四节
- 数据卡：来源、构造、偏差、许可、PII、版本
- 评测报告：类别通过率、失败分类、修复前后对比
- 3 分钟录屏：改一个 prompt → 跑 runner → 展示回归变化
- 一条技术复盘（具体发现，而非"我学了大模型"）
公开前合规检查
- 无真实用户输入 / 无密钥或 token / 无内部路径或私有代码 / 无个人信息
- 外部资料有许可与出处；合成数据明确标注为合成
内容保鲜（可选，每季度）
- 检查专区外部链接是否有失效或已关停（如 OpenAI Evals 平台已宣布 2026-11 关停）
- 更新 01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/README 的前置阶段标注