可执行案例 / 02 · 原始通爻合成样本
216 个人，
同一个意图会遇见谁？
这里有开发者、陶艺师、声音艺术家、修书人和许多跨领域角色。选择一种意图，看 J++ 把它和每个人的上下文结合以后，找到了哪些值得进一步了解的人。
216不同主体
20不同意图
4,320主体与意图的判断
人物全部来自通爻既有的合成实验。此页面保留每条意图的完整结果，可与词面检索和旧 MiniLM 向量方法在同一批样本上比较。点击“重新执行 J++”会运行相同源码、读取真实 JEV 回答录制，不产生新模型费用。
正在读取已保存的实际运行结果…
这一次亮起了哪些人？
J++ 前十候选仅当前对照前十其他主体
每个圆点都是一份完整档案。点击圆点或下方姓名，查看它为什么可能与你有关。
接收方的本地上下文
选择一个人
先从左侧点亮的主体开始。
对照方法的前十候选
20 个意图的全部结果
“旧名单命中”表示前十名里包含多少原实验预期的人物。旧名单并不完整，未列入名单的新候选仍可以有价值。表中同时保留更多、持平和更少的情况；点击任何一行查看具体人物。
从小故事到一组可检查的计算
这 216 人来自完整的黑客松与技能交换两套原始池：118 份和 107 份档案，相同人物标识的资料合并。20 个意图沿用旧实验，从“安全研究员”“Kubernetes 工程师”到“想做一个把声音变成画面的东西”“把传统手艺和数字技术结合”，全部参加本轮计算。每份材料只放一个主体的上下文，多种意图是独立问题。
程序先为每份本地材料构造 20 个判断，再交给 J++ 运行时合并共享材料的请求。之后另一个组件汇总每个意图的候选。这个例子把同一方法用于不同语料，展示主体数量和问题数量增长以后，程序是否还能统一组织这些判断。十人实验台则单独让你改变转介、组合和可用条件，检查合作构型怎样出现或消失。
怎样阅读这个比较
当前方法先用 JEV 的相关性出口把人分成候选、未知、未提名三组，再用 BM25 在每一组内排序。最初只按语义层级、同层按标识排列的版本也保留在表中。这是看到旧开发样本结果后的改进：没有更改模型读数和判断门槛，也没有新增模型调用。相关性提名仍为 provisional，并不代表本人已经同意合作。
这些是旧开发查询，预期名单不是完整真值，其中一个意图没有名单，所有查询都缺少反例标签。这次能查看实际找到的人、旧标签找回情况、耗时和请求数量；不能把这些数字称为未知真实人群上的准确率。档案中的经历、公司和人物名称均为合成角色设定。查看执行前确定的方法。
旧方法重跑以后，改善在哪里？
本轮在同一批 216 人、同样 20 条意图及补充上下文上，重新运行通爻早期使用的 MiniLM 向量方法：整段编码找回 32 个已知正例，按字段分别编码再组合找回 44 个；J++ 当前组合方法找回 56 个。相对于分字段向量方法，7 条意图更多、10 条持平、3 条更少。上表和对照下拉框保留所有结果。
当前池内共有 89 个“意图—主体”已知正例，分布在 18 条意图中。以这些正例为分母，前十找回比例分别是 36.0%、49.4%、62.9%。这是旧名单的召回情况，不是完整准确率，也不包含对名单以外新关系的价值评定。
向量索引可以复用：本地 MiniLM 整段建索引约 9.05 秒、分字段约 43.80 秒，20 个意图的编码合计约 0.48 秒，之后的矩阵检索不到 1 毫秒，无 API 费用。JEV 本轮完整判断为 29.82 秒、约 $0.0392。这些阶段和运行设备不同，不能把建索引时间直接当成每次查询时间。真正值得继续研究的是怎样组合快速召回与上下文判断。完整对照与历史评估说明。