保持好奇心，让 AI 完成你的梦想。

身边很多同学投简历石沉大海——不是没能力，而是经历「不会写」。

AI 简历工具不少，但多数只做「同义词替换」式润色；认真一点的收费数千元，免费工具的致命短板是——替你编造经历。

「 AI 简历辅导真正的价值，不是把简历写得更漂亮，而是让人能诚实地说出自己做过什么，并把它讲清楚。」

作为 AI 产品经理，我看到 LLM 在「结构化诊断 + 追问式补证」上的能力边界刚好够用，也知道它最容易在哪里翻车。

用户零成本走完分析→诊断→补证→改写→面试全链路，且每一环结论都能从简历原文追溯；衡量做对的核心不是用户量，而是不撒谎。

Skill 9 项契约测试通过 · 插件 6 项领域测试 + 本机侧载成功（2026-07-27）· Web 部署 Vercel · Apache 2.0 开源。

作为 AI 产品经理，判断 Agent 类产品的可行性，不能只停留在 API 层——需要真正读懂模型如何多步执行、工具如何被调用、上下文窗口如何管理。

选择开源 KamaClaude 深度研读：它把模型调用、工具执行、权限审批、会话管理与上下文压缩放进同一套运行流程，是最贴近 Claude Code 一类的真实 Agent 工程样本。

「 对 Agent 产品做出靠谱判断的前提，是把 Agent 运行时从黑盒变成自己读得懂、改得动的系统。」

把上下文管理从「黑盒」变成可测量、可优化；验证纪律第一——没有真实数据，不编造收益结论。

改动前超长输出尾部关键事实全部丢失，改动后 4 档输入长度（4.1k / 8k / 20k / 60k 字符）均保留头尾；截断吞吐 ~µs/条，与改动前同数量级。真实 API 对比因模型行为方差大 + 触发阈值达不到（需 ~150k token）而放弃，改为确定性方案。

真实世界中，AI 分类产品往往从通用场景起步，逐步深入到专业细分领域——这和学术上的「粗粒度→细粒度」分类问题是同一件事。

例如：电商商品识别先从「服装/电子/食品」大类做起，再细分到「T恤/衬衫/卫衣」；医疗影像先从「正常/异常」筛查做起，再定位到具体病变亚型。每一层粒度跃迁，都对特征表示和模型选择提出新的要求。

「 做 AI 产品的人需要理解：为什么同一个模型在通用场景表现好、到了专业场景就崩？答案往往不在模型本身，而在特征表示。」

本项目来自墨尔本大学 COMP30027 机器学习课程，在两个 Kaggle 竞赛任务上系统评估了特征表示与分类器的交互效应。

用严格的消融实验设计，量化每个因素（特征组、分类器、粒度）的边际贡献，得出可复现、可解释的结论。

发现一：表示决定天花板，模型只是逼近它。

仅用手工特征时，Task 1 最优仅 54.4%、Task 2 仅 40.5%。加入 EfficientNet-V2-L 嵌入后，Task 1 跃升至 97.3%（+43pp）、Task 2 跃升至 97.6%（+57pp）。一旦表示足够强，7 个分类器全部 >92%，差距缩小到 5pp 以内。

发现二：粗→细粒度跃迁时，最优模型类型发生翻转。

Task 1 最优是 Logistic Regression（简单线性模型，97.3%）；Task 2 最优是 Random Forest / Extra Trees（非线性集成模型，97.6%）。细粒度分类中类别边界更复杂，树模型捕捉非线性交互的优势开始显现。

发现三：特征选择需要「粒度感知」。

颜色特征在粗粒度 Task 1 中有用（动物毛色差异大），但在细粒度 Task 2 中反而成为噪声（鸟类颜色分布重叠）。最终 Task 2 刻意去掉了颜色特征，仅保留 HOG + 附加特征 + CNN 嵌入。

完整实验管线可复现：Python 特征提取 → 网格搜索 CV → 验证评估 → Kaggle 提交，全流程脚本化。5 种 CNN 特征提取支持 Apple MPS GPU 加速。