第一个被“污染”的是小周。
这个本科毕业刚满一年、平时最大的爱好是下班后窝在出租屋里打手游的年轻人，在连续四天只睡了不到十个小时之后，突然在晨会上提出了一个让所有人都安静了半分钟的想法。
“我想把匹配引擎的核心算法从决策树改成图神经网络。”
他说话的时候眼睛亮得吓人，声音沙哑，但每个字都咬得极其清晰，像是已经在脑子里反复推导了无数遍.
“现在这套决策树模型虽然能跑，但特征维度一旦超过两百维，分类边界就会退化。我们做的简历解析本质上是非欧几里得空间的结构化数据，用图神经网络天然适配。我昨晚在GitHub上翻到一篇今年三月刚发的论文，作者是MIT的，他们用图注意力网络做语义角色标注，在标准测试集上把准确率从九十一推到了九十六。我复现了一下他的核心思路，套在我们的简历特征图上跑了一遍，F1值直接跳了零点零四。”
何博士把咖啡杯搁回桌上，杯底磕在桌面上的声音在安静的办公室里格外清晰。
他没说话，只是走到小周的工位前，弯腰看屏幕上的代码。
看了大概两分钟，他直起腰，摘下眼镜用衬衫下摆擦镜片——这是他遇到难题时的习惯动作，但此刻他擦镜片的频率比平时快了至少一倍。
“你这个图的节点定义用的是双向注意力还是单向？”
“双向，而且加了残差连接。单向的话长距离依赖会衰减，简历里有些关键信息隔了好几段话还互相呼应——比如教育经历和项目经验里的技术栈——双向注意力能把这层关系抓出来。”
“残差连接加在哪一层？”
“每一层。标准的Transformer架构是六层编码器加残差，我压缩到四层，因为简历文本的复杂度远低于自然语言通用场景，层数多了反而过拟合。但每层都保留了残差连接，保证梯度回传的时候不会在深层衰减。”
何博士重新戴上眼镜，沉默了片刻，然后转过身看向陈启明：“他这套方案，如果放在一个月前让我审，我会打回去让他重写。不是思路不好，是工程量太大——图神经网络的训练开销比决策树高一个数量级，标注数据不够的话精度反而会崩。但