范叶亮写智能体、模型和数据系统时，习惯先把定义和边界钉死。把「贝叶斯优化」整理成可落地的中文笔记：问题在哪、默认做法会踩什么坑、该怎么选。原站导航和广告已去掉。

高斯分布

$$ f \left(x\right) = \dfrac{1}{\sigma \sqrt{2 \pi}} e^{- \dfrac{\left(x – \mu\right)^2}{2 \sigma^2}} $$

若随机变量 $X, Y$ 服从均值为 $\mu = \left(\mu_X, \mu_Y\right)^{\top}$ ，方差为 $\mu = \left(\sigma_X, \sigma_Y\right)^{\top}$ 的高斯分布，则记为：

一元高斯分布

$$ \left(X, Y\right) \sim \mathcal{N} \left(\mu, \sigma\right) $$

$$ f(x, y)=\frac{1}{2 \pi \sigma_{X} \sigma_{Y} \sqrt{1-\rho^{2}}} e^{-\dfrac{1}{2\left(1-\rho^{2}\right)}\left[\dfrac{\left(x-\mu_{X}\right)^{2}}{\sigma_{X}^{2}}+\dfrac{\left(y-\mu_{Y}\right)^{2}}{\sigma_{Y}^{2}}-\dfrac{2 \rho\left(x-\mu_{X}\right)\left(y-\mu_{X}\right)}{\sigma_{X} \sigma_{Y}}\right]} $$

二元高斯分布

其中， $\rho$ 是 $X$ 和 $Y$ 之间的相关系数， $\sigma_X > 0$ 且 $\sigma_Y > 0$ 。

若 $K$ 维随机向量 $X = \left[X_1, \cdots, X_K\right]^{\top}$ 服从多元高斯分布，则必须满足如下三个等价条件：

多元高斯分布

$$ f \left(x_1, \cdots, x_k\right) = \dfrac{1}{\sqrt{\left(2 \pi\right)^k \lvert\Sigma\rvert}} e^{- \dfrac{1}{2} \left(x – \mu\right)^{\top} \Sigma^{-1} \left(x – \mu\right)} $$

高斯分布具有一个优秀的代数性质，即在边缘化和条件化下是闭合的，也就是说从这些操作中获取的结果分布也是高斯的。 边缘化 （Marginalization）和 条件化 （Conditioning）都作用于原始分布的子集上：

边缘化和条件化

$$ P_{X, Y}=\left[\begin{array}{l} X \\ Y \end{array}\right] \sim \mathcal{N}(\mu, \Sigma)=\mathcal{N}\left(\left[\begin{array}{l} \mu_{X} \\ \mu_{Y} \end{array}\right],\left[\begin{array}{l} \Sigma_{X X} \Sigma_{X Y} \\ \Sigma_{Y X} \Sigma_{Y Y} \end{array}\right]\right) $$

对于随机向量 $X$ 和 $Y$ 的高斯概率分布 $P \left(X, Y\right)$ ，其边缘概率分布为：

高斯过程

$$ \begin{array}{l} X \sim \mathcal{N}\left(\mu_{X}, \Sigma_{X X}\right) \\ Y \sim \mathcal{N}\left(\mu_{Y}, \Sigma_{Y Y}\right) \end{array} $$

$X$ 和 $Y$ 两个子集各自只依赖于 $\mu$ 和 $\Sigma$ 中它们对应的值。因此从高斯分布中边缘化一个随机变量仅需从 $\mu$ 和 $\Sigma$ 中舍弃相应的变量即可：

值得单独记下的点

• 从高斯分布到高斯过程、高斯过程回归、贝叶斯优化
• A Visual Exploration of Gaussian Processes
• Gaussian Process Regression
• Exploring Bayesian Optimization
• 任何线性组合 $Y = a_1 X_1 + \cdots a_K X_K$ 均服从高斯分布。
• 存在随机向量 $Z = \left[Z_1, \cdots, Z_L\right]^{\top}$ （每个元素服从独立标准高斯分布），向量 $\mu = \left[\mu_1, \cdots, \mu_K\right]^{\top}$ 以及 $K \times L$ 的矩阵 $A$ ，满足 $X = A Z + \mu$ 。
• 存在 $\mu$ 和一个对称半正定矩阵 $\Sigma$ 满足 $X$ 的特征函数 $\phi_X \left(u; \mu, \Sigma\right) = \exp \left(i \mu^{\top} u – \dfrac{1}{2} u^{\top} \Sigma u\right)$
• 常数： $K_c \left(x, x'\right) = C$

落地时建议先做的 5 件事

1. 先写清任务能不能被自动验证：能验证的交给系统和评测，不能验证的留给人审。
2. 本地部署先算显存、延迟和失败回滚，不要只看能跑通一次。
3. 多智能体只在单智能体触到上下文或专业边界时再拆。
4. Token、微调和压缩都要有对照数字，避免口号式优化。
5. 结论写成可检查清单：接口、超时、评测集、回滚版本。

和智能体产品怎么接

龙虾PRO做 OpenClaw 落地时，最该拿走的是「单智能体先做好工具和提示，再谈编排」。数字员工、技能市场和网关应共用同一套评测与权限，而不是各写一套角色人设。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源