汇总（下）· 缓解策略 + 决策框架
四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵
本页解决的问题
先给结论「汇总（下）· 缓解策略 + 决策框架」要解决的关键问题是什么？
四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
局限：无法注入模型不知道的新知识。
代价：延迟 + 检索质量 + 维护成本。
误区：不是越高越聪明，越低越蠢。控制随机性，不是智能。
代价：人力成本 + 响应延迟。
「三 · 四种缓解策略」为什么能找到相关内容
「四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「三 · 四种缓解策略」走到「四 · AI PM 认知框架」
「三 · 四种缓解策略」先把问题落在「🛡️ 四种缓解策略 按场景选择，组合使用最佳 首选方案 Prompt Engineering 角色 + 约束 + 示例 + CoT。成本最低，优先使用。 局限： 无法注入模型不知道的新知识。 私有知识/实时数据 RAG 检索增强 分块→Embedding→向量检索→注入Prompt。不是"让模型学"，是"临时给小抄"。 代价： 延迟 + 检索质量 + 维护成本。 调整输出多样性 Temperature / Top-…」上；到了「四 · AI PM 认知框架」，讨论继续推进到「🎯 AI PM 认知框架 带走这些判断，做更好的产品决策 ❌ "调高 Temperature 就更聪明" → 只是更随机，不是更智能 ❌ "RAG = 让模型学习文档" → 只是运行时临时注入上下文 ❌ "模型在调用 API" → 模型只是输出了格式化文字 ❌ "重新训练就能修复错误" → Prompt 先试，成本低 100 倍 Prompt 够用 知识在训练数据里，格式 / 风格 / 语气问题 需要 RAG 私有…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「三 · 四种缓解策略」：🛡️ 四种缓解策略 按场景选择，组合使用最佳 首选方案 Prompt Engineering 角色 + 约束 + 示例 + CoT。成本最低，优先使用。 局限： 无法注入模型不知道的新知识。 私有知识/实时数据 RAG 检索增强 分块→Embedding→向量检索→注入Prompt。不是"让模型学"，是"临时给小抄"。 代价： 延迟 + 检索质量 + 维护成本。 调整输出多样性 Temperature / Top-…
- 「四 · AI PM 认知框架」：🎯 AI PM 认知框架 带走这些判断，做更好的产品决策 ❌ "调高 Temperature 就更聪明" → 只是更随机，不是更智能 ❌ "RAG = 让模型学习文档" → 只是运行时临时注入上下文 ❌ "模型在调用 API" → 模型只是输出了格式化文字 ❌ "重新训练就能修复错误" → Prompt 先试，成本低 100 倍 Prompt 够用 知识在训练数据里，格式 / 风格 / 语气问题 需要 RAG 私有…
最后的「最后把结论落到实践」把讨论落到「四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。