核心要点
先用错误分析定位瓶颈：是数据、特征、模型还是标签问题
优先级：数据质量与数量 > 特征 > 模型/调参（通常数据收益最大）
每次只改一处变量，可对比、可归因，避免一次改一堆
建立可复现的实验管理与稳定的离线评测集做回归
标准回答
不要一上来就换模型调参，要先诊断再下药。
1. 诊断瓶颈（错误分析）
2. 按 ROI 排优先级
- 通常顺序：数据质量 → 数据数量 → 特征 → 模型/调参。
- 实践中"加干净数据、修标签、补长尾"往往比换模型收益大得多。
3. 单变量迭代
- 每轮只改一个因素，与上一版在同一评测集对比，才能归因是哪个改动起了作用。
4. 可复现的实验闭环
- 固定数据切分与离线评测集（含切片指标），用实验追踪工具记录每次配置与结果。
- 关键改动上线前用 A/B 测试验证业务指标。
核心原则：用错误分析驱动，按 ROI 排序，单变量、可复现地迭代。
常见误区
⚠️ 常见踩坑
不做错误分析就盲目调参/换大模型；一次改动多个变量导致无法归因；没有固定评测集，每次用不同数据对比，"提升"是噪声。多数时候瓶颈在数据而非模型。
追问
追问 1：怎么判断瓶颈是数据问题还是模型问题？
看偏差-方差和错误分析：训练集表现就差→模型/特征容量不足（高偏差），该加特征或换更强模型；训练好但测试差→过拟合或数据分布问题，该加数据、正则或修复分布偏移。再结合错例归因确认主要错误类型。
追问 2：为什么"加数据"常比"换模型"更有效？
多数实际任务的瓶颈是数据覆盖不足、标签噪声或长尾缺失，而非模型容量。补充干净、覆盖薄弱切片的数据能直接抬高上限，且收益稳定、风险低；换更复杂模型可能只在脏数据上过拟合，收益有限还增加维护成本。
追问 3：如何保证多轮迭代的结果可比、可复现？
固定随机种子、固定数据切分和评测集，用实验追踪工具（记录代码版本、数据版本、超参、指标），每轮只改一个变量。这样任意两个实验都能在同一基准上公平对比，结论可复现。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。