4. 参数调试框架：通用方法论与关键性能指标
参数调试并非盲目试错，而是一套可复用的工程方法论。本章将建立调试循环、关键性能指标（KPI）与通用方法论，为后续各参数的专项调优提供结构化框架。
4.1 调试循环：假设 → 实验 → 分析 → 调整
核心调试循环由四个阶段构成，每次迭代驱动参数向最优解收敛：
- 假设（Hypothesis）：基于业务理解或历史数据，提出某个参数变化对中标率/成本/效率的预期影响。
- 实验（Experiment）：在隔离环境中运行一次或一组参数配置，记录完整日志与结果。
- 分析（Analysis）：对比实验组与基线组的 KPI 差异，识别统计显著性与业务可接受度。
- 调整（Adjust）：根据分析结论，微调参数值或切换策略，进入下一轮循环。
关键原则：每次只改变一个参数（或一组强耦合参数），保持其他变量不变，确保归因清晰。
4.2 通用参数调试方法论
针对中标场景下的约束求解参数，我们总结出三种通用调试策略：
| 方法论 | 适用场景 | 典型步骤 | 风险等级 |
|---|---|---|---|
| 网格搜索 | 参数范围已知，维度 ≤ 3 | 定义步长 → 枚举组合 → 对比 KPI → 选取最优 | 低 |
| 贝叶斯优化 | 高维参数，评估成本高 | 构建代理模型 → 采集函数选点 → 更新模型 → 收敛 | 中 |
| 基于规则的启发式 | 业务约束强，可解释性优先 | 提取业务规则 → 映射为参数边界 → 手动微调 | 低 |
实战建议：初期使用网格搜索建立参数-性能映射关系；后期引入贝叶斯优化加速收敛。对于合规性参数（如供应商准入阈值），始终采用基于规则的启发式方法。
4.3 关键性能指标（KPI）体系
调试效果需通过多维 KPI 量化评估。我们将 KPI 分为三类：
- 效果类：中标率（Win Rate）、中标价格偏离度（Price Deviation）、中标供应商多样性（Diversity Index）。
- 效率类：求解耗时（Solve Time）、迭代次数（Iterations）、内存峰值（Peak Memory）。
- 稳定性类：结果方差（Variance）、约束违反率（Constraint Violation Rate）、鲁棒性评分（Robustness Score）。
4.4 KPI 权重与决策矩阵
不同业务阶段对 KPI 的侧重不同。以下矩阵指导调试优先级：
| 业务阶段 | 效果类权重 | 效率类权重 | 稳定性类权重 | 调试策略 |
|---|---|---|---|---|
| 冷启动（新品类） | 50% | 30% | 20% | 优先提升中标率，容忍一定方差 |
| 规模扩展（日单量增长） | 30% | 50% | 20% | 优化求解耗时，保证 SLA |
| 成熟运营（稳定期） | 20% | 20% | 60% | 降低方差，提升鲁棒性 |
常见陷阱：不要只盯着中标率一个指标。过度追求中标率可能导致价格偏高或供应商集中度过高，长期损害寻源生态健康度。
4.5 调试记录模板
每次实验必须记录以下字段，便于回溯与团队协作：
实验编号：EXP-2025-0042
日期：2025-03-21
调试参数：max_iterations（最大迭代次数）
基线值：1000
实验值：1500
假设：增加迭代次数可降低约束违反率，但求解耗时线性增长
实验结果：
- 中标率：+2.3%
- 求解耗时：+45%
- 约束违反率：-18%
结论：收益可接受，建议纳入生产配置
下一步：测试 max_iterations = 2000 的边际收益