完整题目
请分享你在学术或工作中参与的机器学习项目，重点说明项目中是否包含特征工程、模型选择、训练调参与评估的完整流程。
完整流程由问题与真实架构决定
可填写模板：
- 问题和指标：任务【分类/回归/排序/生成】，用户决策【】，主指标【】和约束【】。
- 数据与特征：数据来源、许可和时间范围【】；清洗、缺失、异常、类别和特征生成【】；按用户、实体或时间切分并检查泄漏。
- 基线与模型：简单基线【】；候选模型【】；用验证集和消融说明选择。XGBoost 与 DeepFM 都可以承担排序或预测角色，并不固定分别属于召回与精排。
- 训练调参：搜索空间、预算、随机种子、早停和 checkpoint【】；预处理只在训练集拟合。
- 评估与部署：离线指标、切片、置信区间、延迟、成本【】；线上若有则说明流量、观察窗口和回滚。
- 复盘：错误样本、数据漂移、监控和下一步【】。
模型链路必须来自候选人的实际系统。候选生成可以是规则、向量检索、协同过滤或学习模型，排序可以是树模型、深度模型或其他方法。方法名不决定流水线位置，目标函数、特征可用性、延迟与部署约束才决定。
继续追问 · 3 个问题
- 如果模型上线后效果衰减，你会如何排查和迭代
- 特征工程在大模型时代还有价值吗，和Prompt工程如何结合
- 如果数据量扩大10倍，你的方案需要哪些调整
换一种问法，检查是否真正理解
场景切入
假设你在做电商搜索排序，用户搜“大码连衣裙”，日志里有几百万条曝光。你会怎么从零开始搞一套特征，再到训练、评估、上线？说说你实际怎么推的。
层层追问
你做过机器学习的项目吧？……完整流程包括哪些环节？……比如特征工程你是怎么做的？……模型选型和调参呢？……最后怎么评估上线？
直球架构
请分享一个你跑通完整ML流程的项目，从特征工程、模型选择、训练调参到评估上线，每个环节具体怎么做的？