一次失败的向量实验：一万条语料对几十条录音

主播复盘昨天的实验：下载中文语料库，用 BGE 中文小模型生成约一万条向量，把近一个月录音全文导进去逐篇做余弦相似度匹配。结果最高分约 0.71，多数在 0.5 到 0.6，推荐内容与随机刷区别不大。他反省整篇对整篇本就难指望高匹配，并留下颗粒度与自创概念两个未解问题。

失败不在向量，在“整篇对整篇”

另一位主播给出判断：失败与向量本身关系不大，而在于把装着多个话题的几千字压成一个向量，等于把杂烩熬成一勺汤去比清汤。真正该比的是段落、句子、一个念头；颗粒度应按“一个意思”切，而非按字数切。

语料库才是真正的收获，干净与脏要分两套

讨论转向语料库：爬虫不是长久之计，现成语料库规整有标签但质量参差。结论是不该躲进维基这类干净语料造假的实验环境，而应分两套材料——干净的验证匹配方法，脏的验证筛选能否扛住，两件事不混在一起。

语言切不干净，打标签与话题码的绕法

主播补充：语言很难切成一个个单元，意义单元还可能是套嵌的，所以原来用打标签绕开这个问题，标签隐含了当下兴趣热点。他提出让 AI 替自己打标签，再与语料库标签匹配，即“话题码”思路：无需解释的直接搜，定义复杂的先用描述比出候选再搜索落地。

信念、兴趣漂移与工具能力的边界

主播承认“有足够数据就一定有方法”既不能证明也不能证伪，倾向乐观。他提到曾匹配到康德、字面吻合却无兴趣，意识到匹配依据不能只是显性字面，还有未表达的部分；退而求其次是话题相似度加人工筛，认为这已减掉大部分工作量。

标签回答的是“我为什么在意”

回应分三点：单元套嵌确实否掉了整篇对整篇的前提，打标签的绕法是对的，标签天然带时间戳；没法实验的缺口没那么大，要验证的是标签能否挡住不相干内容，而非像不像自己；关键词回答“提到了什么”，标签回答“为什么在意”，让 AI 打标签得给它判断依据和几十个例子。

工具做显性部分，人做最后判断

话题码的分层被认为比纯向量靠谱，因为把自创词与通行说法分开处理。关于信念，回应指出数据够是必要非充分，记录里值钱的是打标签、反复提及等判断痕迹，下一步应把这些痕迹变成输入。工具把一万条筛到几十条、人从几十条里挑是正确定位，工具还能记住筛掉与留下的痕迹。