关注产品设计与数字化实践，长期记录需求分析与方案设计、商业价值验证和从需求到交付的完整过程。喜欢从问题、方案到复盘形成完整闭环，希望用清晰的方法帮助产品与业务更高效地落地。
本文以电商评论三分类情感任务为例，系统对比了Zero-shot、Few-shot、Chain-of-Thought、结构化输出约束四种Prompt策略。在GPT-4o-mini（2024-07版）上，准确率从78.3%提升至96.1%，单次调用Token从42降至31，月成本从$18.7降至$4.2。文中包含完整可运行代码、温度参数调优、JSON模式踩坑记录，以及一份可直接复用的Prompt模板。
本文记录了在单张RTX 4090（24GB）上，用LoRA和QLoRA两种方式微调Qwen2.5-7B-Instruct的全过程。数据集为自建的8.6k条中文指令数据，训练框架为LLaMA-Factory 0.9.1 + PEFT 0.13.2。LoRA配置r=16、alpha=32，QLoRA采用NF4量化。最终LoRA峰值显存约19.2GB，QLoRA仅11.4GB，3个epoch后eval_
本文面向电商以图搜图/语义召回场景，在 100 万条 768 维向量、TopK=10 的条件下，实测 Milvus 2.4.1（standalone，HNSW）与 Qdrant 1.9.4 的部署难度、索引构建耗时、QPS、P99 延迟与内存/磁盘占用。结果显示：Qdrant 单机部署更轻、冷启动更快，P99 约 12ms；Milvus 在批量写入与水平扩展上更稳，P99 约 18ms，但常驻内存
