1. 从“猜数字”到“猜规律”：多项式拟合的直觉入门

想象一下，你面前有一张散点图，上面记录着过去一年里，你每天喝咖啡的杯数和当天代码产出行数的关系。数据点散乱分布，但隐约能看出一个趋势：咖啡喝得越多，代码似乎写得也越多（当然，喝到某个量之后可能就直线下降了）。现在，老板让你基于这个“规律”，预测下个月当你计划每天喝3杯咖啡时，大概能写多少行代码。你怎么做？

最朴素的想法，是找一条直线，让它尽可能地穿过所有这些点，或者至少离每个点都“不太远”。这条直线，就是一次多项式（y = a x + b）的拟合。但现实数据往往没那么“直”，比如咖啡因的提神效果可能先升后降，那趋势线就该是个弯的曲线。这时，你可能需要一条抛物线（二次多项式，y = a x² + b*x + c），或者更复杂的曲线来捕捉这种关系。这个寻找一条“最合适”的曲线来描述已知数据点背后潜在规律的过程，就是 多项式拟合 。

它不是什么高深莫测的魔法，而是一种强大且直观的 数据分析与预测工具 。其核心思想是：我们假设要预测的变量（如代码行数）和已知变量（如咖啡杯数）之间存在一个可以用多项式函数来近似描述的关系。通过已有的数据点，我们可以反推出这个多项式函数的各项系数（那些a, b, c...），一旦系数确定，这个函数就成了一个“规律模型”。对于任何一个新的输入值（比如新的咖啡杯数），我们就能通过这个模型计算出一个预测的输出值。

从物理学中的实验数据校准（如弹簧的伸长量与受力关系），到金融领域的趋势预测（如股价的短期波动），再到图像处理中的轮廓平滑（如将离散的像素点拟合成光滑曲线），甚至是你手机里天气预报的模型背后，多项式拟合都扮演着基础而关键的角色。它是在噪声中寻找信号，在无序中建立有序的经典方法。

2. 核心原理拆解：最小二乘法是如何“找到”最佳曲线的？

多项式拟合听起来很直观，但“最合适”如何定义？计算机又如何自动找到这条曲线？这背后的引擎，绝大多数时候是 最小二乘法 。理解它，你就理解了拟合的精髓。

2.1 “误差”的量化与最小化目标

假设我们有N个数据点 (xᵢ, yᵢ)，我们想用一个m次多项式 P(x) = a₀ + a₁x + a₂x² + ... + aₘxᵐ 来拟合。对于每一个已知的xᵢ，多项式会给出一个预测值 P(xᵢ)，而实际值是 yᵢ。那么，预测值与实际值之间的偏差就是 残差 ：rᵢ = yᵢ - P(xᵢ)。

如果曲线完美经过所有点，所有残差都为0，但这在现实有噪声的数据中几乎不可能，且容易导致“过拟合”（后面会详谈）。因此，我们需要一个整体衡量拟合好坏的指标。最小二乘法采用的指标是 残差平方和 ：RSS = Σ (yᵢ - P(xᵢ))²，即所有残差的平方加起来。

为什么用平方而不是绝对值？平方项在数学上更友好，它处处可导，这使得寻找最小值点（通过求导数为零）成为一个标准的数学优化问题，有成熟的解析解（线性方程组）。而绝对值函数在零点不可导，求解更复杂。

所以，“最佳拟合”的数学定义就是：找到一组多项式系数 (a₀, a₁, ..., aₘ)，使得残差平方和 RSS 达到最小。这就是“最小二乘”的含义——让误差的“平方”和“最小”。

2.2 从优化问题到线性方程组

将多项式 P(xᵢ) 的表达式代入 RSS，我们会得到一个关于系数 a₀, a₁, ..., aₘ 的二次函数。要最小化这个二次函数，我们对其每一个系数求偏导数，并令偏导数等于零。

例如，对 a₀ 求偏导： ∂RSS/∂a₀ = -2 * Σ (yᵢ - (a₀ + a₁xᵢ + ... + aₘxᵢᵐ)) = 0

对 a₁ 求偏导： ∂RSS/∂a₁ = -2 * Σ [ (yᵢ - (a₀ + a₁xᵢ + ... + aₘxᵢᵐ)) * xᵢ ] = 0

以此类推，对每个系数都有一个方程。这最终形成了一个包含 (m+1) 个未知数 (系数个数)、 (m+1) 个方程的 线性方程组 ，被称为“正规方程”或“法方程”。

这个方程组可以用矩阵形式简洁地表示： XᵀX a = Xᵀy 。

  • X 是设计矩阵，其第 i 行是 [1, xᵢ, xᵢ², ..., xᵢᵐ]。
  • a 是待求的系数向量 [a₀, a₁, ..., aₘ]ᵀ。
  • y 是观测值向量 [y₀, y₁, ..., y_N]ᵀ。

只要矩阵 XᵀX 是可逆的（通常当数据点数量 N 大于等于多项式阶数 m+1，且 x 值不全是同一个数），我们就可以通过求解这个线性方程组，一次性得到最优的系数向量 a = (XᵀX)⁻¹Xᵀy 。这个解是全局最优的，没有局部最小值的问题。

2.3 一个手工演算的极简例子

假设我们有三个数据点：(1, 1)， (2, 3)， (3, 6)。我们想用二次多项式 y = a₀ + a₁x + a₂x² 来拟合。

  1. 构建矩阵和向量 ：

    • 设计矩阵 X：每一行对应一个点，列对应 1, x, x²。 
      X = [[1, 1, 1²],
     [1, 2, 2²],
     [1, 3, 3²]] = [[1, 1, 1],
                    [1, 2, 4],
                    [1, 3, 9]]
    • 观测向量 y：[[1], [3], [6]]。

  2. 计算 XᵀX 和 Xᵀy ：

    XᵀX = [[1,1,1],   * [[1, 1, 1],   = [[3,  6, 14],
       [1,2,3],      [1, 2, 4],      [6, 14, 36],
       [1,4,9]]      [1, 3, 9]]      [14,36,98]]
Xᵀy = [[1,1,1],   * [[1],   = [[10],
       [1,2,3],      [3],      [23],
       [1,4,9]]      [6]]      [61]]

  3. 求解方程组 (XᵀX) a = Xᵀy ： 我们需要解：

    [3,  6, 14]   [a₀]   [10]
[6, 14, 36] * [a₁] = [23]
[14,36, 98]   [a₂]   [61]

    通过高斯消元法或矩阵求逆（这里演示结果），可以得到解：a₀ = 0, a₁ = 0.5, a₂ = 0.5。

  4. 得到拟合多项式 ： y = 0 + 0.5 x + 0.5 x² = 0.5x(1 + x)。

你可以验证，将这个多项式代入原始点，计算出的预测值（1, 3, 6）与原始 y 值完全一致（因为三点唯一确定一条抛物线，RSS=0）。这个例子展示了最小二乘法在“完美拟合”情况下的工作过程。当数据点更多、更嘈杂时，RSS 不会为零，但算法会找到使 RSS 最小的那条曲线。

3. 关键抉择：多项式阶数m，一个权衡的艺术

在实际操作中，面对一组数据，第一个也是最关键的问题是： 我的多项式应该选几阶（m=？）？ 这是一个典型的偏差-方差权衡问题，选错了方向，结果可能南辕北辙。

3.1 欠拟合、适度拟合与过拟合

  • 欠拟合 ：多项式阶数太低（例如用直线去拟合明显弯曲的数据）。模型过于简单，无法捕捉数据中的潜在规律。表现在图上，就是拟合曲线距离大部分数据点都较远，训练误差和未来预测误差都会很大。模型“偏差”高。

  • 适度拟合 ：多项式阶数选择合适。曲线能够较好地反映数据的整体趋势，又不会对噪声过度反应。这是我们的目标。

  • 过拟合 ：多项式阶数太高。模型复杂到不仅学到了规律，还“死记硬背”了训练数据中的每一个噪声点。表现在图上，就是拟合曲线疯狂扭曲，力求穿过每一个数据点。这在训练集上表现极好（RSS甚至接近0），但一旦遇到新的、没见过的数据，预测性能会急剧下降，因为模型学到的“规律”包含了大量随机的噪声。模型“方差”高。

下图（想象中）可以清晰展示这三种情况：一条平直的线（欠拟合）、一条光滑的波浪线（适度拟合）、一条上下穿梭经过每个点的复杂曲线（过拟合）。

3.2 如何科学地选择阶数？实践中的方法论

你不能仅仅靠“看图感觉”来选择阶数。以下是几种实用的、可量化的方法：

  1. 可视化分析（辅助手段） ：绘制不同阶数下的拟合曲线与原始数据点的对比图。这是最直观的方法。从低阶（如1，2）开始尝试，逐步增加阶数。观察曲线何时开始从“捕捉趋势”变为“追逐噪声”。通常，当曲线在数据边缘出现剧烈、不合理的震荡时，就可能是过拟合的迹象。

  2. 交叉验证 ：这是更可靠、更标准的做法。其核心思想是将数据分为两部分： 训练集 用于拟合模型， 验证集 用于评估模型在未知数据上的表现。

    • 步骤 ：将数据随机分成K份（例如5份）。依次将其中1份作为验证集，其余K-1份作为训练集，用训练集拟合模型，并在验证集上计算误差（如均方误差MSE）。重复K次，得到K个验证误差，取其平均值作为该阶数模型的性能估计。
    • 操作 ：分别对 m=1, 2, 3, ... 等不同阶数进行上述交叉验证过程。 选择在验证集上平均误差最小的那个阶数 。因为验证集模拟了“新数据”，所以在此表现好的模型，泛化能力通常更强。

  3. 信息准则 ：如 赤池信息准则 。AIC在平衡模型拟合优度与复杂度方面提供了一个标准。AIC = 2k - 2ln(L)，其中k是模型参数个数（多项式阶数m+1），L是模型的最大似然值（与RSS相关）。AIC值越小，模型相对越好。它惩罚了模型复杂度，因此倾向于选择更简洁的模型。你可以计算不同阶数下的AIC，选择最小的。

实操心得 ：在资源允许的情况下，我强烈推荐使用 交叉验证 作为主要选择依据。可视化作为辅助检查，看拟合曲线是否符合物理或业务常识。例如，如果你拟合一个随时间增长的趋势，结果曲线在末尾突然掉头向下，而业务上并无此依据，那很可能就是过拟合了。一个常用的启发性规则是，多项式阶数不应超过数据点数量的1/5或1/10，这是一个防止严重过拟合的经验红线。

4. 从理论到代码：手把手实现多项式拟合

理解了原理，我们来看看如何用代码实现。这里以Python为例，因为它有强大的科学计算库。我们将分步骤，从零开始构建，并对比使用现成库的方法。

4.1 底层实现：手动求解正规方程

我们首先不借助高级拟合库，仅用NumPy的线性代数功能来实现最小二乘求解，这能让你彻底理解背后的矩阵运算。

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成示例数据（带噪声的二次曲线）
np.random.seed(42) # 确保结果可复现
x = np.linspace(0, 10, 20) # 生成20个0到10之间的点
y_true = 2 + 1.5 * x - 0.3 * x**2 # 真实的二次关系
y_noise = y_true + np.random.randn(len(x)) * 3 # 加入高斯噪声
x_data, y_data = x, y_noise

# 2. 选择多项式阶数
degree = 2

# 3. 手动构建设计矩阵 X
# X的每一行是 [1, x_i, x_i^2, ..., x_i^degree]
X = np.column_stack([x_data**i for i in range(degree + 1)]) # 列表推导式创建列并堆叠

# 4. 求解正规方程 (X^T X) a = X^T y
# 使用NumPy的线性代数求解器，更数值稳定
coefficients = np.linalg.lstsq(X, y_data, rcond=None)[0]
# np.linalg.lstsq 直接给出了最小二乘解，它内部处理了 (X^T X) 可能不可逆的情况。
# 如果你想显式求解正规方程，可以：
# XTX = X.T @ X
# XTy = X.T @ y_data
# coefficients = np.linalg.inv(XTX) @ XTy # 直接求逆，数值稳定性较差，不推荐用于实际生产。

print(f"拟合的多项式系数（从常数项到最高次项）: {coefficients}")

# 5. 使用拟合出的系数生成拟合曲线上的点
x_fit = np.linspace(x_data.min(), x_data.max(), 200) # 更密的点用于画光滑曲线
X_fit = np.column_stack([x_fit**i for i in range(degree + 1)])
y_fit = X_fit @ coefficients # 矩阵乘法计算拟合值

# 6. 绘图
plt.figure(figsize=(10, 6))
plt.scatter(x_data, y_data, color='blue', alpha=0.6, label='原始数据（带噪声）')
plt.plot(x_fit, y_fit, color='red', linewidth=2, label=f'{degree}阶多项式拟合')
plt.plot(x, y_true, color='green', linestyle='--', linewidth=1.5, label='真实关系（无噪声）')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('手动实现多项式拟合')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# 7. 计算评估指标：均方误差 (MSE)
y_pred = X @ coefficients
mse = np.mean((y_data - y_pred) ** 2)
print(f"拟合模型在训练数据上的均方误差 (MSE): {mse:.4f}")

这段代码的关键在于第3步构建 设计矩阵X 和第4步的 求解 。 np.linalg.lstsq 是专业选择，它使用更稳定的数值算法（如奇异值分解SVD）来求解，即使 X.T@X 接近奇异（病态）也能给出一个合理的解。直接求逆( np.linalg.inv )在数学上等价，但数值计算中容易因舍入误差放大而导致结果不准确，尤其是高阶拟合时。

4.2 高效实践：使用NumPy和SciPy的现成函数

在实际项目中，我们很少从头造轮子。NumPy和SciPy提供了极其便捷的函数。

方法一：使用 np.polyfit 和 np.polyval 这是最简洁的方式。

# 使用 np.polyfit 拟合，直接返回系数
coefficients_np = np.polyfit(x_data, y_data, deg=degree) # 注意：np.polyfit返回的系数是降幂排列 [a_n, a_{n-1}, ..., a_0]
print(f"np.polyfit 拟合系数（降幂）: {coefficients_np}")

# 使用 np.polyval 计算多项式值
y_fit_np = np.polyval(coefficients_np, x_fit)

# 绘图验证（略）

方法二：使用SciPy的 curve_fit （更通用） scipy.optimize.curve_fit 可以拟合任意形式的函数，不仅仅是多项式，它使用非线性最小二乘算法。

from scipy.optimize import curve_fit

# 首先定义你想要拟合的函数形式
def poly_func(x, a, b, c): # 这里以二次为例
    return a * x**2 + b * x + c

# 使用curve_fit进行拟合，popt是最优参数，pcov是参数的协方差矩阵（可用于估计误差）
popt, pcov = curve_fit(poly_func, x_data, y_data)
print(f"curve_fit 拟合系数 (a, b, c): {popt}")
# 注意：curve_fit对初始猜测敏感，对于多项式，np.polyfit的结果通常可以作为很好的初始值。

对比与选择 ：

  • np.polyfit ：专为多项式设计，接口最简单，速度很快。 首选 。
  • np.linalg.lstsq ：更底层，更灵活（可以用于其他线性模型），理解它有助于掌握原理。
  • scipy.optimize.curve_fit ：最通用，可以拟合任何你能够写出表达式的模型，包括非线性的。当多项式模型不够用时（比如需要指数、对数形式），就用它。

4.3 评估拟合效果：不止于看图

画出曲线和散点图对比是最直观的评估，但我们需要量化指标。

  1. 均方误差 ：如前所述， MSE = mean((y_true - y_pred)^2) 。衡量的是平均误差的平方，值越小越好。但它受量纲影响。

  2. R平方 ：这是一个非常常用的指标，表示模型能够解释的数据方差的比例。 R² = 1 - (SS_res / SS_tot) ，其中 SS_res 是残差平方和， SS_tot 是总平方和（数据自身的方差）。R²越接近1，说明模型对数据的解释能力越强。

    # 计算R平方
ss_res = np.sum((y_data - y_pred) ** 2)
ss_tot = np.sum((y_data - np.mean(y_data)) ** 2)
r_squared = 1 - (ss_res / ss_tot)
print(f"R平方 (R²) 分数: {r_squared:.4f}")

    注意 ：R²会随着多项式阶数增加而单调增加（因为模型更复杂，总能更贴近训练数据）。因此，在比较不同阶数模型时，不能只看训练集上的R²，必须结合 验证集 的R²或 调整R² 来看。调整R²考虑了参数个数，对模型复杂度进行了惩罚。

  3. 残差分析 ：绘制残差（ y_data - y_pred ）与预测值 y_pred 或自变量 x 的散点图。一个好的拟合，残差应该随机、均匀地分布在0轴附近，没有明显的模式（如曲线、漏斗形）。如果残差图显示出规律，说明模型可能遗漏了某个重要的影响因素或函数形式。

5. 高阶话题与实战避坑指南

掌握了基础操作后，在实际应用中你一定会遇到更复杂的情况和陷阱。以下是几个关键的高阶话题和避坑经验。

5.1 病态问题与数值稳定性：当“完美数学”遇上“不完美计算机”

当多项式阶数较高，或者x的数据范围很大/很小时，设计矩阵X的列（即1, x, x², ...）之间可能变得高度相关（例如x¹⁰和x⁹在数值上差异巨大但趋势相似）。这会导致 X.T@X 矩阵接近奇异（行列式接近零），即所谓的“病态”问题。

在病态情况下，正规方程的解对数据中的微小噪声（如测量误差）会变得极其敏感。系数值可能变得异常巨大且正负抵消，以求通过数据点，但预测新数据时完全失控。这就是高阶多项式容易过拟合在数值计算上的体现。

解决方案 ：

  • 中心化与缩放 ：在拟合前，对x数据进行处理，使其均值为0，标准差为1。这能显著改善矩阵的条件数。 
    x_mean, x_std = x_data.mean(), x_data.std()
x_scaled = (x_data - x_mean) / x_std
# 用 x_scaled 去拟合
# 得到系数后，如果要预测原始尺度的x_new，需要先缩放：(x_new - x_mean)/x_std
  • 使用正交多项式 ：如勒让德多项式、切比雪夫多项式。它们在特定区间上正交，能从根本上避免病态问题。 np.polyfit 在内部可能就使用了类似的稳定算法。
  • 正则化 ：在损失函数中加入对系数大小的惩罚项，如岭回归。这迫使系数值不会变得过大，即使在高阶情况下也能获得更稳定、泛化能力更强的解。这已经进入了“多项式回归+正则化”的领域。

实操心得 ：对于中低阶拟合（如m<10），且x范围不太极端，直接用 np.polyfit 通常没问题。如果遇到高阶拟合或系数值异常大的情况， 第一反应应该是检查是否真的需要这么高的阶数 ，其次才是应用中心化缩放。正则化是更高级但更强大的武器。

5.2 过拟合的识别与应对：模型选择的实战

过拟合是多项式拟合的头号敌人。除了前面提到的交叉验证，在实战中还有以下信号：

  • 系数值巨大 ：拟合出的多项式系数，尤其是高次项系数，绝对值非常大。这意味着曲线为了穿过噪声点进行了极端的弯曲。
  • 预测结果违反常识 ：在训练数据范围之外进行一点点外推，预测值就飞涨或暴跌到不合理的地步。
  • 学习曲线 ：绘制模型在训练集和验证集上的误差（如MSE）随多项式阶数变化的曲线。理想情况下，训练误差随阶数增加持续下降，而验证误差会先下降后上升。 验证误差的最低点对应的阶数，就是最优阶数 。如果两条曲线差距随着阶数增加越来越大，就是过拟合的典型表现。

应对策略 ：

  1. 收集更多数据 ：这是最有效但往往最难的方法。更多的数据能让噪声的影响相对减小，模型更可能学到真实规律。
  2. 降低模型复杂度 ：果断降低多项式阶数。有时，简单的线性或二次模型比复杂的高次模型更可靠。
  3. 使用正则化 ：如前所述，在损失函数中加入L1或L2范数惩罚项。L1正则化（Lasso）甚至可以将一些不重要的特征的系数压缩至0，实现特征选择。
  4. 提前停止 ：如果你使用迭代算法求解，可以在验证误差不再下降反而开始上升时停止迭代。

5.3 分段多项式拟合与样条曲线：当一条曲线不够用时

有时，整个数据区间用一个多项式描述效果很差，但不同区间呈现出不同的规律。例如，经济数据在政策变化前后趋势不同。这时可以考虑 分段多项式拟合 。

最简单的分段是 分段线性拟合 （即连接各点的折线）。但折线在连接点（节点）处不可导，不够光滑。更高级的方法是 样条拟合 ，特别是 三次样条 。它要求在每个分段内部是三次多项式，并且在节点处具有连续的一阶和二阶导数（即曲线光滑过渡）。

在Python中，可以使用 scipy.interpolate 中的 UnivariateSpline 或 CubicSpline 。

from scipy.interpolate import CubicSpline, UnivariateSpline

# 使用所有数据点作为节点的三次样条（平滑参数s=0，强制通过所有点）
cs = CubicSpline(x_data, y_data)
y_fit_spline = cs(x_fit)

# 使用UnivariateSpline，可以通过平滑参数s来控制平滑度与拟合度的权衡
# s越大，曲线越平滑，但可能偏离数据点越多。
spl = UnivariateSpline(x_data, y_data, s=1) # s需要根据数据调整
y_fit_smooth_spline = spl(x_fit)

样条曲线提供了极大的灵活性，特别适用于绘制光滑的曲线图或对不规则数据进行插值。但它本质上是一个插值器（当s=0时），用于预测未知区间时需要格外小心，因为其外推行为可能不可控。

6. 超越曲线拟合：多项式回归的广阔天地

当我们把多项式拟合看作一种特殊的线性回归时，它的视野就开阔了。这被称为 多项式回归 。

在线性回归中，我们假设 y = β₀ + β₁x + ε。在多项式回归中，我们只是将特征x进行了变换，生成了新的特征：x, x², x³, ...，然后对这些新特征进行线性回归。因此， 多项式回归依然是线性模型 ，这里的“线性”指的是模型关于参数（系数）是线性的。

这个视角带来了两个强大的扩展：

  1. 多元多项式回归 ：我们有不止一个自变量。例如，预测房价，特征有面积(x₁)和房龄(x₂)。我们可以构建包含交互项和高次项的特征集，如：x₁, x₂, x₁², x₂², x₁x₂, x₁²x₂, ... 然后用线性回归的方法（如最小二乘）求解系数。这可以捕捉特征间复杂的非线性相互作用。

    # 假设有两个特征 area 和 age
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 生成包含交互项和二次项的特征
poly = PolynomialFeatures(degree=2, include_bias=False) # degree=2 生成到二次项
X_poly = poly.fit_transform(X) # X 是一个两列的数组 [area, age]
# X_poly 现在包含 [area, age, area^2, area*age, age^2]

model = LinearRegression()
model.fit(X_poly, y)

  2. 与正则化结合 ：如前所述，将多项式回归与岭回归（L2）、Lasso回归（L1）或弹性网络结合，可以有效地控制模型复杂度，防止过拟合，这在特征维度（多项式项）很多时尤其重要。Scikit-learn的 Ridge , Lasso 等类可以无缝衔接。

最后的心得 ：多项式拟合/回归是一个“入门简单，精通难”的领域。它为你提供了一把强大的瑞士军刀，但如何用好它，取决于你对数据的理解、对模型假设的把握以及对过拟合的警惕。我的建议是，永远从最简单的模型（线性）开始，逐步增加复杂度，并始终用 验证集 来客观评估每一步的收益。记住， 一个在训练集上表现稍差但在验证集上表现稳健的模型，远胜于一个在训练集上完美但在新数据上崩盘的复杂模型 。在实践中，清晰的可视化和严谨的误差分析，是你最可靠的向导。

# 最小二乘法
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

Manim 数学动画完全指南：五分钟从零到成片

Manim 是用 Python 驱动的数学动画引擎，把抽象的公式与曲线转成逐帧可控的动态可视化。适合想制作 Python 数学可视化视频的编程新手、数学学生和科普创作者。## 数学为什么需要"动"起来你试过用一张静态图讲清导数的概念吗？切线、割线、极限位置都能画出来，但"割线逼近切线"发生的那一下，观众只能靠脑补。课本插图大多是"结论截图"：只留下最终状态，过程被压缩成一句"易见"。函

avatar 码道开发者社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar 码道开发者社区
cover

GLM-5.3-Flash深度解析：3200亿参数只卖Opus四十分之一，国产算力首次跑通前沿模型

avatar 码道开发者社区