独立 FDE，一人负责，无中间层。
交付可运行、可量化、可维护的 AI 系统——
方法论全部来自公开研究，结果全部接受 benchmark 检验。
从 Agent 系统到 AIGC 视频制作，全流程一人交付。
BSD 猜想是千禧年难题之一。在 Cremona 数据库的海量
椭圆曲线上，需要同时做大规模计算、模式发现和假设证伪——
任何单一模型都无法独立完成。
43 次运行、302 个 Skill、1,682 次工具调用。
探索模式下多模型发散共振产生假设（13 条标注），
确定性计算完成证伪。共振最强的假设 6/7 存活。
一个决定性事实由确定性模式发现后，探索模式生成解释，
43 小时内写出三篇论文。
8 篇计算数论论文发表于 Zenodo；
完整方法论另写成纵向案例研究（Part 4），
包括 AI 起草层的全部捏造记录——公开，不是回避。
在「答案不存在于任何训练数据」的问题上，
这套系统能产出经受住验证的新知识。
你的业务问题，大概率比 BSD 猜想容易。
交付物：eVoiceClaw——iOS 18 语音助手（Swift 5.9），多提供商可切换
（Claude / OpenAI / Gemini / 自建 CrewAI 后端），多 Agent 协同；
Desktop——多 Agent 协同工作台，维度直查路由的生产实现；
Pro——完全本地化的专业知识库（本地模型 + 向量检索 + 本地 TTS），
面向医生、工程师等数据敏感职业；
Cerebellum——端侧「小脑」模型，负责语义路由、隐私感知、
安全审查，让数据不出设备。
不是只会写论文的研究者。
从 Swift 前端到 Python 后端到 Agent 编排到端侧模型，
全链路一个人交付过——你的项目里没有我没见过的层。
自建 50 任务多维度 Agent 评估数据集，覆盖代码构建、
信息检索、多步推理。支持多模型横向对比、路由策略
AB 测试、双模式（确定性/探索性）独立评估。
同一系统在不同编排策略下的表现差异可量化——
演绎式规则生成 96/100，归纳式规则学习 76/100。
「让合适的模型做合适的事」不是口号，
是每次都有数字支撑的决策。
我给你做的每个选型建议，
都会附带可复现的测量方法，而不是「我的经验是」。
门牌地址识别：复杂的中国地址格式（路/弄/支/号）、
倾斜、光照不均、模糊门牌——通用 OCR 达不到可用精度。
需要检测 + 识别 + 地址结构化的完整垂直方案。
YOLOv8 检测门牌区域 → 裁剪 → PaddleOCR 文本识别
→ 中文数字归一化（「二十」→「20」）→ 地址组装。
自建自动标注管线（YOLO 裁剪 + PPOCRLabel），
人工标注工作量降低 90%，数据量从几千扩展到十万级。
训练采用云计算 + 大模型知识蒸馏路线。
识别准确率 acc 0.9962，归一化编辑距离 0.9990
（5000+ 训练样本阶段）；十万级数据后继续提升。
从数据标注到模型训练到精度达标，全链路自主完成。
垂直 OCR 的完整交付能力：数据、训练、精度优化、部署。
门牌可以，你的单据、标签、证件——同类问题，同类方法。
住宅侧使用「原厂智能通行系统」发卡。原厂服务期已过，且原厂不再提供相关服务；
客户短期内不希望整体更换门禁硬件与系统，但云端发卡不可用后：旧卡仍可开门，新卡无法发放——运营停在半空。
在客户授权下保全原机软件与历史日志，反编译写卡链路，确认卡内数据加密与门端校验不依赖云端，可完全本地离线发卡；
规模化解密日志还原权限模型（住户卡 / 管理卡）；判定卡协议为 ISO15693（而非市面更常见的 14443A/Mifare）；
交付 Windows 离线发卡工具（协议与加密自检、与原版写卡组件逐字节金标准对照）及贴近原操作习惯的图形界面，并迁入可检索的历史发卡档案。
加密往返自检通过；住户卡与管理卡写帧与原版写卡组件金标准一致；
历史日志解析：数千唯一卡帧 → 五千余条记录迁入本地档案；交付 CLI、中文 GUI、说明与项目文档。
门端「实卡写入 → 开门」以现场制卡器与空白卡验收为准（完整对外陈述待该步完成后强化）。
FDE 能在厂商停服、文档缺失、客户又不愿短换系统的约束下，
把「还能用但发不出卡」收成可交接的本地工具，并用金标准与日志规模自证——而不是推销另一套黑盒替换。
人需要的不只是多一个轮子，而是跟得上生活节奏的小助理：驮物、需要时走在前面带路、以后还能听指令。
拎重与认路是真实痛点；市面要么养老感劝退，要么实验室天价。
宣传语 Follow Your Life。愿景：可靠的轮式生活伙伴（精神上接近「会干活的小机器人助理」）。
能力层：跟随载物 → 带路（车在前、人在后）→ 语音指令（路线图）；形态为带盖小箱子，能坐能驮。
边界：低速可控；不做爬楼、坐着滑行、无人满城乱跑。概念三视图与视频已上线。
公开概念页可浏览正/侧/背三视图与概念视频：
rrlab.tech/projects/follow-cart/
状态：概念阶段（非实机量产演示）；产品气质与约束写进本案例索引。
FDE 能把场景、形态与可及价格收成可展示的产品概念，
用静帧与动态片钉死气质——从省力到时尚，让具身智能不再高高在上。
动手之前，先为你的场景建立评估基线。
什么叫「做好了」，用你认可的数据定义，写进方案。
避免项目结束时用感觉验收。
按周推进，每个里程碑有可运行的交付物。
任何阶段不满意，已交付的部分归你，文档齐全。
每个架构决策说明理由和边界。
不说「充分证明」这种话——说「消融实验 96:76，
加之跨项目一致的工程经验」。你知道每个结论的证据强度。
嵌入你的团队，找到最高价值的 AI 应用场景，
从 PoC 做到生产级 Agent 系统。
交付：任务规划与工具调用设计 / Agent 运行时框架 /
评估体系与测试集 / 上线监控方案与文档
评估你的模型策略，设计路由、编排、fallback 架构。
让合适的模型做合适的事——成本和能力的最优分配。
交付：模型路由与调度策略 / 协同推理管道 /
成本优化方案 / 性能基准测试报告
为你的业务场景定制评估体系，量化多个模型的
真实能力边界，给出选型建议。
交付：场景化评估体系 / 测试集构建与运行 /
多模型横向比较报告 / 选型建议
发邮件描述需求：项目背景、预期目标、时间窗口
30 分钟初步对齐：确认技术路径与项目范围
方案与报价：明确的技术方案、验收基线、费用结构
签约启动：里程碑推进，每阶段可交付验收
邮件主题注明「RRLab 咨询」可加速。