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「相似性和距离度量」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。

明可夫斯基距离 (明氏距离, Minkowski Distance)

相似性度量 (Similarity Measurement) 用于衡量两个元素之间的相似性程度或两者之间的距离 (Distance)。距离衡量的是指元素之间的不相似性 (Dissimilarity)，通常情况下我们可以利用一个距离函数定义集合 $X$ 上元素间的距离，即：

对于点 $x = \left(x_1, x_2, …, x_n\right)$ 和点 $y = \left(y_1, y_2, …, y_n\right)$ ， $p$ 阶明可夫斯基距离 定义为：

马哈拉诺比斯距离 (马氏距离, Mahalanobis Distance)

$$ d \left(x, y\right) = \left(\sum_{i=1}^{n} |x_i – y_i|^p\right)^{\frac{1}{p}} $$

当 $p = 1$ 时，称之为 曼哈顿距离 (Manhattan Distance) 或 出租车距离 ：

向量内积 (Inner Product of Vectors)

$$ d \left(x, y\right) = \sum_{i=1}^{n} |x_i – y_i| $$

$$ d \left(x, y\right) = \sqrt{\sum_{i=1}^{n} \left(x_i – y_i\right)^2} $$

集合距离 (Distance of Sets)

上图中 绿色 的直线为两点间的欧式距离， 红色 黄色 蓝色 的折线均为两点间的曼哈顿距离，不难看出 3 条折线的长度是相同的。

当 $p \to \infty$ 时，称之为 切比雪夫距离 (Chebyshev Distance) ：

字符串距离 (Distance of Strings)

$$ d \left(x, y\right) = \lim_{p \to \infty} \left(\sum_{i=1}^{n} |x_i – y_i|^p\right)^{\frac{1}{p}} = \max_{i=1}^{n} |x_i – y_i| $$

下图展示了不同的 $p$ 值下单位圆，即 $x^p + y^p = 1$ ，便于大家理解不同 $p$ 值下的明可夫斯基距离：

信息论距离 (Information Theory Distance)

马哈拉诺比斯距离表示数据的 协方差距离 ，与欧式距离不同其考虑到各种特性之间的联系是 尺度无关 (Scale Invariant) 的。对于一个协方差矩阵为 $\sum$ 的变量 $x$ 和 $y$ ，马氏距离定义为：

$$ d \left(x, y\right) = \sqrt{\left(x – y\right)^{\top} {\sum}^{-1} \left(x – y\right)} $$

值得单独记下的点

• $d \left(x, y\right) \geq 0$ (非负性)
• $d \left(x, y\right) = 0, \text{当且仅当} \ x = y$ (同一性)
• $d \left(x, y\right) = d \left(y, x\right)$ (对称性)
• $d \left(x, z\right) \leq d \left(x, y\right) + d \left(y, z\right)$ (三角不等式)
• 互信息 (Mutual Information)
• 相对熵 (Relative Entropy)
• JS 散度 (Jensen-Shannon Divergence)
• 推土机距离 (Earth Mover Distance, Wasserstein Distance)

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