一、API、脚本与文件处理：稳定工作流来自版本、路径和格式控制
cannot import name OpenAI from openai 这类错误通常不是模型问题，而是本地 SDK 版本与示例代码不匹配。旧版 SDK 使用 openai.ChatCompletion.create()，新版 SDK 使用 from openai import OpenAI 后实例化客户端；两种范式不能混用。SSL、ProxyError 和连接失败也不能直接归因于 API 不可用，应分别检查网络、代理、证书、环境变量、包版本和 Python 环境。调用大模型接口前，应先固定最小可运行脚本，再逐步加入系统提示、消息结构、文件读取和批处理。否则错误会混在一起，无法判断是代码、网络、模型还是数据的问题。
Git 的价值不是“保存代码”，而是记录差异、还原历史、比较版本和控制协作边界。Markdown 转 HTML、文档批处理、MD5 文件排重、批量索引生成，都属于同一类问题：先把文件输入、输出、命名规则、重复判定和日志记录固定下来，再谈自动化。MD5 适合判定文件内容是否完全一致，不适合判定文本语义是否近似；Markdown 转 HTML 要检查标题层级、图片路径、代码块和本地路径是否泄漏；Git 提交前要区分源文件、生成文件、临时文件和缓存文件。文件工作流越机械，越需要明确不可变规则。
文献处理要从“保存文件”推进到“保存字段”：题名、作者、年份、来源、研究对象、方法、数据、结论、局限和可引用位置。批量处理时，文件名、元数据、引用格式、摘要、关键词和笔记要能互相对应。否则文献越多，检索越难，最后只能重新阅读。适合后续写作的文献库应能回答三类问题：这个领域有哪些主题，这个主题有哪些方法，某个判断由哪些文献支撑。文献处理的目标不是囤积，而是降低综述、申报书和论文修改时的证据调取成本。
二、评价模型与多源数据：指标体系必须先定义对象和关系
传统 DEA 把决策单元看成黑箱，只比较总体投入和总体产出。网络 DEA 适合生产过程存在中间环节的场景，例如研发投入先形成知识产出，再转化为经济绩效；教学资源先影响学习过程，再影响学习结果；企业创新先产生专利，再形成市场表现。模型设计时要明确决策单元、阶段划分、投入变量、中间产出、最终产出和阶段之间的连接方式。网络 DEA 的意义在于分解效率：总体低效可能来自第一阶段知识生产，也可能来自第二阶段转化不足。阶段结构不清，网络 DEA 只会增加模型复杂度。
熵权法用指标离散程度分配权重：某指标在样本间差异越大，提供的信息量越多，权重越高；差异越小，权重越低。TOPSIS 再计算每个对象与正理想解、负理想解的距离，形成相对接近度排序。这个方法适合多指标综合评价，但它不能自动证明某指标“更重要”。如果一个政策关键指标在所有地区都相近，熵权可能很低，但这不意味着它理论上不重要。使用熵权 TOPSIS 时，要先做同向化、标准化、异常值处理和指标解释，最后还要把“数据区分度权重”和“理论重要性”分开说明。
多源数据融合不是把所有数据放进同一个表。信号处理、传感器数据、文本数据、图像数据和管理数据之间可能存在三种关系：互补信息补齐盲区，冗余信息提高稳定性，冲突信息暴露测量口径或时间差。融合前要定义时间戳、空间单位、采样频率、变量含义和缺失机制；融合后要检查噪声、延迟、权重和不一致来源。若用于性能分析或预测，融合模型还要说明每类数据贡献了什么，而不是只报告综合准确率。多源融合的重点是关系建模，不是数据堆叠。
三、仿真、向量化与专利分析：把文本对象变成可计算对象
NetLogo 的价值在于把抽象机制写成可运行的 agent-based model。一个公关传播、政策扩散、技术采用或群体行为模型，应先定义主体是谁、环境是什么、主体可观察到什么、每一步怎么行动、状态如何更新、什么条件触发反馈。模型不需要一开始就追求真实世界的全部复杂性，而要先让关键机制跑起来。仿真结果不是现实预测，而是机制实验：当规则、阈值、网络结构或外部冲击变化时，系统会出现什么模式。能解释规则和结果之间的关系，仿真才有意义。
技术向量可以代表文本相似、功能相似、结构相似、应用场景相似、问题-方案相似或演化路径相似。不同输入会得到不同意义的向量：摘要 embedding 更接近叙述语义，权利要求 embedding 更接近保护范围，技术三元组 embedding 更接近结构关系，IPC/CPC 向量更接近分类位置。向量化前要先把技术对象标准化，明确是否保留背景词、是否抽取实体关系、是否加入时间、申请人和引用关系。否则后续聚类、相似度和路径搜索看似精密，实际只是在比较输入文本的写法。
专利分析如果只统计数量，很容易退化成热度统计。更有用的结构是：技术问题是什么，解决方案是什么，关键部件或材料是什么，权利要求保护到什么范围，主要申请人如何布局，技术主题随时间如何迁移，是否出现跨领域组合。专利导航类报告还需要说明项目选题理由、技术领域困难、卡点问题、数据来源、检索策略、技术地图、竞争格局、风险点和可执行建议。专利分析的价值不是“有多少专利”，而是帮助决策者知道哪些方向值得投入、哪些路线拥挤、哪些空白可能真实存在。
四、教学材料与考试设计：题目应当检验理解，而不是只检索记忆
用知识库辅助出题时，不能只随机抽一段材料再生成题目。题目必须能回到材料，答案必须能从材料推出，干扰项必须对应常见误解。案例分析题尤其要说明案例背景、问题设置、作答要点和评分依据。若题目来自项目管理、市场营销或管理学原理，知识点要覆盖概念、应用、判断和反例，而不是只测试名词定义。自动命题的底线是可追溯：每道题应能说明依据哪段材料、考查哪个知识点、为什么答案成立。
教案不是把教材内容排成时间表。更稳的顺序是：先确定学生学完后能做什么，再决定需要哪些知识、案例、活动、练习和评价。一次课可以围绕“概念理解、方法应用、案例判断、输出任务”四层展开。教学目标如果只写“了解、掌握”，很难检验；应改成“能够识别、能够比较、能够解释、能够用某方法处理某类数据”。课程材料要服务于学习结果，不要为了显得充分而堆满概念和案例。
给不熟悉方向的评委、学生或管理者汇报，不能把研究细节按论文顺序倒出来。先说明问题为什么重要，再说明已有方法为什么不够，再说明自己的方法如何补足，最后给出可验证的结果和边界。PPT 上的文字应偏概念、结构和证据，口头稿承担解释和过渡。听众越陌生，越要减少术语密度，增加对象、例子和因果关系；听众越专业，越要增加方法细节、数据限制和创新边界。汇报不是压缩全文，而是重建听众能跟上的路径。
