Flask问答系统 与 LAUR持续进化模型：
- 第一篇 （彭爽）做的是系统层面的集成与优化：在已有技术框架基础上，将Flask后端、MySQL存储、腾讯云COS、BERT语义搜索整合为一套完整可运行的工程方案，并针对心法内容的特殊性设计了专业分类体系和审核流程。
- 第二篇 （王筝）做的是模型层面的增强与进化 ：当系统上线后，新知识源源不断涌入，如何让模型增量更新而不"学新忘旧"------在BERT骨干网络上引入LAUR持续学习机制，为系统赋予"越用越聪明"的能力。
1. 第一篇：Flask Web问答系统------工程派的"系统集成与优化"
1.1. 研究动机：传统文化数字化缺的不是数据，是"专业管道"
心法内容有其特殊性：概念高度抽象、分类体系独特（如静坐/应事/室欲/立志/读书）、对内容质量要求极高，普通的内容管理系统根本扛不住。
痛点是：现有平台要么是通用CMS，缺专业分类和审核流；要么搜索只做关键词匹配，无法理解"追名逐利是欲，那对孩子的期待算不算欲"这类语义层面的问题。
1.2. 核心技术：一套"有审核、懂语义、管权限"的三层架构
技术上，选择了Flask + MySQL + 腾讯云COS这套轻量但成熟的组合。
（1）混合搜索机制（关键词+语义）
系统采用了两阶段检索：关键词匹配做粗筛 + BERT语义向量做精排。最终评分公式是：
final_score = (BERT_similarity + expert_score) / 2纯BERT可能会把语义相近但答案不靠谱的内容排前面，人工评分加了一层"专业过滤器"。
（2）三级审核工作流
普通用户提交 → 审核员批准/拒绝 → 复杂问题转专家审核。审核员权限按一级分类精细划分，避免跨领域误审。
（3）多角色权限体系
普通用户、审核员、管理员、超级管理员四级，配合Flask-Login和装饰器实现细粒度控制。can_review_category()函数：判断逻辑按"超级管理员→专家审核员→分类权限列表"。
1.3. 实验结论
功能测试覆盖了注册登录、内容提交、搜索筛选、审核流程、权限管理五大模块；压力测试显示并发100用户响应时间在1.5秒以内；安全扫描未发现高危漏洞。
2. 第二篇：增量更新研究------算法派的"持续进化"
2.1. 研究动机：重新训练模型的成本，很高
当系统上线后，新知识不断涌入（比如新增"天理""人欲"等分类），重新训练整个BERT模型的做法不仅费时、费钱，而且模型可能在新数据上表现好了，但在旧数据上一塌糊涂。
这就是持续学习领域的经典难题------灾难性遗忘。
论文的核心目标是：让模型在学习新知识的同时，不忘记旧知识。
2.2. 核心技术：LAUR模型的双引擎设计
复现并应用了一个叫 LAUR的持续学习模型，核心有两套机制：
引擎一：自适应不确定性正则化
传统模型的所有权重在新任务训练时都会被更新，旧的关键知识容易被覆盖。
LAUR的做法是：把每个权重从固定值变成一个概率分布（均值+不确定性）。不确定性低的权重被视为"对旧任务重要"，在新任务训练时施加高强度约束，不让它乱动。
三个UR公式的设计逻辑层层递进：
- UR₁ ：直接约束权重均值的变化幅度，越重要的权重约束越强，且跨层联动保护，防止单层异常导致保护机制失效
- UR₂ ：在UR₁基础上，对高重要性低不确定性的权重额外加固，同时精简模型结构，提升泛化能力
- UR₃：防止不确定性值失控增长，充当系统稳定器，确保前两层约束机制的判断基准始终有效
引擎二：并行残差适应模块
不仅要"保护旧知识"，还要"高效学新知识"。
LAUR在每个Transformer层旁边加了一条轻量级并行通路：降维 → 低维计算 → 升维 → 与主通路融合输出。
以低的参数开销学习新任务的专属特征，且独立于主干的保护体系，新知识不会冲毁旧知识。
2.3. 实验结论：抗遗忘能力显著，但新知识吸收略慢
在5个公开数据集上，BERT学完5个任务后第一个任务（Agnews）的准确率从93.6%跌到73.7%；而LAUR保持在92.7%。差距非常直观。
在心法数据集上，不重复类别 的场景中，LAUR在旧任务上的准确率（90.6%）远超BERT（71.9%）；有重复类别的场景中，LAUR与BERT持平，但在全新知识上略慢------说明正则化机制确实带来了一定的"学习惯性"。
相似度检索的实际对比 ：同一个关于"对孩子期待是否算欲"的问题，BERT和BGE返回的5条结果中混杂了大量不相关内容，而LAUR返回的5条全部围绕"窒欲"主题展开。这说明增量更新后的模型在领域语义上理解更好。
3. 总结
垂直领域问答系统 ≠ 通用大模型 + 领域数据微调
微调只能让模型记忆问答样本，难以理解领域深层逻辑。以心法为例，概念间存在复杂辩证关系，微调后的模型容易混淆 "立志""静坐" 这类相近概念，达不到深度理解。
知识持续更新会让重复全量微调的成本持续走高。LAUR 方案可以实现增量学习，在新增知识的同时留存原有知识，适合长期迭代使用。