第三章 · 架构模式

把一次判断组织成可组合的应用流程，让代码掌握控制权。

学习目标 · 组合四种模式，为不确定判断设计回退与分流。

本页为章节导读。Notebook 和工程在 GitHub 查阅、按各自说明在本地运行。

原语定义“问什么”，架构模式定义“判断结果怎样进入程序”。本章围绕一个边界展开：模型提供语义信号，代码负责权限、规则、顺序和副作用。

四种模式与取舍

模式	目标	常见代价或失败方式
推测性扇出	同一份 state 一次提出多个可能需要的问题，减少后续往返	多算暂时用不到的问题；请求更大，不保证延迟不变
置信度门控	高风险或不确定样本转人工、重试或升级模型	覆盖率下降；置信度不能替代风险标签或真实验证
复合评分	保留多个维度，让业务代码按岗位或目标组合	权重表达业务取舍；尺度不一致时加权没有清晰含义
意图路由	将输入送往匹配的处理器，避免无关路径	路由器本身会错；需要未知类、fallback 和监控

flowchart LR
  S[State] --> F[扇出：提出候选问题]
  F --> P[类型化判断与分布]
  P --> G{门控策略}
  G -->|未知或风险高| H[拒绝、澄清或人工复核]
  G -->|达到目标条件| C[代码组合维度与权重]
  C --> R[意图路由]
  R --> X[受控处理器]

flowchart LR S[State] --> F[扇出：提出候选问题] F --> P[类型化判断与分布] P --> G{门控策略} G -->|未知或风险高| H[拒绝、澄清或人工复核] G -->|达到目标条件| C[代码组合维度与权重] C --> R[意图路由] R --> X[受控处理器]

选择最大概率，不总是最优动作

如果不同错误的业务代价不同，直接选择最大概率类别可能并非最合适策略。给定预测分布 p(y | x) 与损失函数 L(a, y)，决策理论中的 Bayes 动作是最小化后验期望损失的动作；可参阅 CMU Bayesian decision theory 讲义：

$$ a^*=\arg\min_a\sum_y p(y\mid x)L(a,y). $$

玩具例子（损失单位任意，只用于演算）：模型判断“有紧急问题”的概率为 0.20。自动关闭的损失在问题确实紧急时是 100、否则是 0；转人工审核无论如何都记作 4。于是自动关闭的期望损失为 0.20 × 100 + 0.80 × 0 = 20，转人工为 4。尽管“非紧急”是最大概率类别，最小期望损失策略仍是转人工。

当动作就是预测类别且采用 0–1 损失时，这个规则会退化为最大概率类别。实际设计还要把拒绝、澄清、人工审核作为可选动作，并用验证数据和真实业务成本确定阈值。

置信度门控：风险与覆盖率

拒绝选项（selective prediction）允许系统只对一部分样本自动作答。Coverage 表示自动接收的比例，risk 表示这些已接收样本中的错误率。降低阈值通常会增加覆盖率，也可能增加风险；提高阈值通常相反。阈值应按标注数据与业务损失选择，而不是把 0.7 当成通用常数。

SelectiveNet (ICML 2019) 将 reject option 与 risk–coverage trade-off 作为研究问题。教程里的门控是应用策略示例，不是 SelectiveNet，也不自动提供风险保证。

按实验读本章

架构模式 Notebook依次做四个练习：

推测性扇出：同一工单打包五个问题，再与逐条调用对照。记录总往返、问题数、输入量、延迟和未使用答案；据此权衡批量与开销。
置信度门控：对四条语音指令应用门槛。门槛是演示政策；生产阈值要在独立标注数据上按误判成本选择。
复合评分：给同一组简历算多个维度，再用不同岗位权重排序。核实分数尺度、权重由谁决定，以及排名变化是否符合业务意图。
意图路由：把五类消息分派给处理器。另加未知意图、低置信和处理器失败路径，避免把“未识别”硬塞进最接近的已知类。

在智能家居中，用户的自然语言先产生候选判断；代码检查允许操作、目标设备和动作顺序，再执行状态变更。多问题请求可以减少往返，但是否更快或更便宜取决于输入长度、服务端实现、网络和调用方式，应实测。

设计检查

固定规则、授权、金额限制和安全联锁放在代码中，不靠模型记忆。
遇到无证据、低置信或超出选项范围的结果，要有拒绝或人工升级路径。
多维分数先定义单位、尺度和权重来源；权重是业务政策，不是模型事实。
对自动动作记录输入版本、判断结果、使用的规则和动作结果，便于复盘。

下一步可按场景挑选第四章的 Cookbook，或直接看第五章的 3D 智能家居演示。