模块二：不仅是分门别类——构建用户的“全息影像”
写在前面： 如果说模块一里的 BERT 是我们的“眼睛”，帮我们看清了文字的坐标。那这一章我们要讲的就是“大脑”里的分类格。 很多时候，我们觉得 AI 笨，不是因为它“看不懂”，而是我们教它的分类方式太单一了。
2.1 拒绝“贴标签”，我们要的是“全息影像”
以前做 App，我们喜欢给用户贴一个标签。比如用户说“我要去跑步”，我们贴个标签 运动，完事。
但这远远不够。
想象一下，你是个私人管家。当主人说“我要去跑步”时，如果你只知道这是运动，你是不合格的。
你需要瞬间捕捉到以下信息：
-
什么事？ 跑步（Topic）
-
心情咋样？ 挺积极的，不是被迫营业（Sentiment）
-
急吗？ 不急，随时能去（Urgency）
-
多难？ 对主人来说是小菜一碟（Difficulty）
-
是去为了啥？ 是为了健康维系（ActionType: Lifestyle）
看，本来扁平的一句话，通过这就变成了立体的全息影像。
我们在系统设计中引入了 5 个新维度（紧急度、时间视窗、行动类型、难度、具体度），就是为了让手机能像这个老管家一样，通过一句话，通过这 7 个维度的交叉定位，彻底读懂用户当下的状态。
2.2 举一反三：把这套逻辑搬到别的地方 (Domain Transfer)
这套“全息”的思路，不仅仅能用来做目标管理。如果你是做其他 App 的，完全可以照猫画虎。
关键在于：你要把你那个领域的“专家直觉”，拆解成几个独立的判断维度。
案例 A：如果你是做“记账软件”的
别只分“餐饮、交通”了，试试加上这几个维度：
- 必要性 (Necessity)：
-
分类：
生存必须vs提升生活vs奢侈浪费。 -
价值：帮用户分析“钱都花哪了”。
- 消费情绪 (Mood)：
-
分类：
冲动解压vs理智规划vs社交被迫。 -
价值：如果发现用户都在心情不好时乱花钱，可以弹窗提醒。
- 预算归属 (Budget Type)：
-
分类：
个人vs家庭vs工作垫付。
案例 B：如果你是做“医疗问诊”的
别只分科室，试试加上：
- 疼痛程度 (Severity)：
- 分类：
微痛vs剧痛vs隐痛。
- 持续时间 (Duration)：
- 分类：
突发vs间歇vs长期。
- 情绪状态 (Anxiety)：
-
分类：
极度恐慌vs平静咨询。
核心心法：不要试图训练一个巨大的模型一次性输出所有结果。把任务拆得越细，每一个小分类器（Head）就越准，训练也越容易。
2.3 老师，我想加个“新分类”怎么办？(Data Updates & Retraining)
这是大家最关心的问题。
“我现在只有工作和生活，要是明天我想加个滑雪怎么办？”
或者“我觉得现在的分类不够准，我想重新教它，怎么操作？”
这里必须明确一个概念：所有的训练都在响应用户的交互。
不是只有点了“训练”按钮才叫训练。用户的每一次修正、每一次确认，甚至每一次不修改（默认认可），都是在为 AI 喂数据。
在我们的扇出架构里，这事儿变得特别简单，这就像换灯泡，不用拆房子。
第一步：准备“课本” (Data Preparation)
你不需要去搞那种几百万条的大数据。对于端侧微调，你只需要准备“小而精”的数据。
比如你想教它识别“滑雪”，你只需要在表格里填上：
| 文本内容 | 标签 (Label) |
|---|---|
| “周末去崇礼滑雪” | 滑雪 |
| “买了新的单板” | 滑雪 |
| “在这个雪道摔惨了” | 滑雪 |
| ... | ... |
注意：为了防止它“为了学滑雪忘了跑步”，你最好再一次性把之前的“跑步”、“游泳”数据也带上，混合在一起。
第二步：重新训练“小脑瓜” (Retrain the Head)
2.3.1 什么是“纠错数据”？
当用户把一条本来被识别为“工作”的任务，手动改成了“滑雪”，这一瞬间，一条黄金数据诞生了。
在代码中，它长这样：
struct TrainingSample {
let id: UUID
let text: String // "周末去崇礼滑雪"
let embedding: [Float] // [0.12, -0.55, ... 768维坐标]
let correctLabel: String // "滑雪" (用户修正后的真实意图)
let timestamp: Date
}
这些 TrainingSample 会被悄悄保存在手机的一个安全角落（Core Data 或 SQLite），等待着夜深人静时被用来“特训”模型。
2.3.2 训练过程
-
不动大脑袋：那个几百兆的 BERT (Feature Extractor) 完全不用动！不用重新下载，不用重新部署。
-
只换灯泡：
-
把上面的数据喂给训练脚本。
-
脚本会只训练那个负责
Topic的小分类器。 -
因为这个小分类器极小（几十 KB），在电脑上可能几秒钟就训练完了。
第三步：热更新 (Hot Update)
训练好了一个新的 TopicClassifier.mlmodel 文件后，你把它放到服务器上。
App 启动时检测到更新，下载这个几十 KB 的小文件，替换掉本地旧的。
用户完全无感，但下一秒，他的 App 就突然能听懂“滑雪”了。
这就是模块化和扇出架构带来的最大红利：灵活、低成本、随时进化。
