> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh-hant/2026/w20-heuristic-systems-and-the-checkout-strategy-platform.md).

# W20-Heuristic System 與收銀臺策略平臺

OpenAI 後訓練工程師翁家翌上週發了一篇博文，[Learning Beyond Gradients](https://trinkle23897.github.io/learning-beyond-gradients/)，提出一個新範式：程序化策略、狀態表示、反饋通道、實驗記錄、回放/測試、歷史記憶，以及由 coding agent 執行的更新機制，可以組成一個持續演化的 Heuristic System（HS），由 Heuristic Learning（HL）驅動更新。更新的對象是軟件結構，不是神經網絡參數。

讀完之後，我想這也太巧了，這不是精確描述了收銀臺策略平臺正在做的事情嗎？或者說，正在試圖成為的東西。

需要重新審視，收銀臺策略平臺的演化就是用算法替代規則的說法。按文章所講概念，應該是在建一個 Heuristic System。規則層實時守護業務約束，大模型層離線構建結構化狀態表示，小模型層在完整狀態上執行策略決策，三層通過共享的數據鏈路、實驗體系和迴歸測試持續協同演化。

很多啟發式規則並非無用，只是維護成本太高。一旦有了合適的工具，維護曲線變平，規則系統就可以長期持有。收銀臺的近千條規則裡，並非大多數是錯的，而是它們被堆疊在一個沒有分層、沒有測試覆蓋、沒有生命週期管理的系統裡，複雜度失控了。

HL 的核心循環是：環境反饋 -> 讀取上下文 -> 修改 policy / 測試 -> 重跑驗證 -> 寫回結果 -> 下一輪。收銀臺現在這個循環是斷的，決策日誌不完整，實驗體系缺失，仿真回放能力不存在，“環境反饋”這個輸入端沒有被結構化採集。所以收銀臺項目要建的完整數據鏈路、決策日誌、實驗體系、策略回放，不是支撐能力，是 HL 循環的基礎設施。

HS 要求系統包含結構化的狀態表示，沒有它，policy 只能在淺層特徵上做決策，無論模型多複雜。收銀臺 KYC 裡大模型的工作，本質上就是在建這個狀態表示。它不是在做實時推薦，而是在把難以直接表達的用戶行為特徵，轉化成可供下游策略消費的結構化標籤，比如這個用戶用微信是習慣使然還是補貼敏感。