majiayu000 name: section-ml-ai description: Generate comprehensive R machine learning and AI tutorials (mlr3, tidymodels, xgboost, torch, etc.) with theory + practice workflow. Use when: (1) User requests ML/AI tutorials, (2) File names match 10xx-*.rmd pattern, (3) Keywords: classification, regression, clustering, feature engineering, hyperparameter tuning, random forest, SVM, neural networks.
核心任务
生成机器学习与 AI 类教程 (.rmd/.qmd)，涵盖算法原理、工程实践、模型评估、可解释性，强调 "问题定义 → 数据准备 → 模型训练 → 评估优化 → 可解释性"。
快速启动 (Quick Start)
- 确定算法: 如 "随机森林分类 (Random Forest)"。
- 加载模板: 阅读 content-structure.md 获取 YAML 和标题结构。
- 生成内容: 遵循 "原理 -> 工作流 -> 训练 -> 评估 -> 调参 -> 可解释性" 流程。
- 视觉设计: 参考 visual-templates.md 生成封面图和算法流程图。
- 质量检查: 验证交叉验证与导航更新。
完整工作流程
步骤1: 逐部分生成教程内容（CRITICAL - 分段生成策略）
⚠️ 重要：教程内容超过 300 行时必须分段生成，避免一次性输出过长内容。
分段生成流程：
- 第一部分：生成 YAML 头部 + Setup + 教程目标 + 算法原理 + 数据准备（约 150-200 行）
- 第二部分：追加模型训练 + 模型评估 + 超参数优化（约 150-200 行）
- 第三部分：追加模型可解释性 + 实战案例 + 总结（约 100-150 行）
- 验证完整性：确认所有必需章节都已包含
使用 edit 或 bash 追加内容时的注意事项：
- 使用
edit工具在特定位置插入内容 - 或使用
cat >> file.rmd << 'EOF'追加大段内容 - 每次追加后检查文件行数确认成功
内容生成要求：
- 必须包含: 完整的建模流程（数据划分、特征工程、训练、评估、调参）
- 可复现性: 所有随机操作必须设置种子
set.seed(2026)
步骤1.5: 生成配图并在文章中引用（CRITICAL）
⚠️ 必须完成的两步操作：
第一步：生成图片文件
封面图 (MANDATORY):
- 路径：
doc/images/[number]-[topic]-cover.svg - 风格：现代、专业、与主题相关
- 工具：使用
write工具创建 SVG 文件
- 路径：
文内示意图 (MANDATORY - 每篇至少 1 张)：
- 路径：
doc/images/diagrams/ml-*.svg - 格式：必须使用 SVG 格式（不要用 PNG，即使内容是 SVG 也要用 .svg 扩展名）
- 尺寸要求（CRITICAL）：
- 推荐标准尺寸:
viewBox="0 0 1400 800"(宽 1400, 高 800) - 对比表格图: 1400×800～1400×900 (横向宽幅)
- 决策树: 1400×800 (横向布局，避免过高导致显示不全)
- 流程图: 1200×600～1400×800 (横向流程)
- 架构图: 1000×800～1200×800
- ⚠️ 避免: 过高的纵向布局 (如 1000×1100)，会导致显示不全
- 推荐标准尺寸:
- 用途：结构对比、流程图、决策树、算法原理示意
- 示例场景：
- 多算法对比表格图
- 算法选择决策树
- ML 工作流程图
- 特征工程流程
- 模型架构示意图
- 路径：
第二步：在文章中引用图片（CRITICAL - 必须执行）
⚠️ 生成图片后必须立即在文章中添加引用，否则图片不会显示！
引用位置与方法：
封面图：已在 YAML 头部
image:字段引用，无需额外操作文内图必须用 Markdown 语法引用：
正确做法：
## 算法对比分析
**图示说明**：上图总结了六种算法在簇形状适应性、计算复杂度等维度的对比。
错误做法（生成了图但不引用）：
## 算法对比分析
下面我们对比六种算法...
（没有  语法，图片不会显示）
插入图片的最佳位置：
- 算法对比表 → 在"总结与推荐"章节插入
- 决策树/流程图 → 在"算法选择"章节插入
- 工作流程图 → 在"教程目标"或"ML工作流程"章节插入
- 架构图 → 在"算法原理"章节插入
图片生成与引用的完整示例：
# 步骤1: 使用 write 工具生成 SVG 图片
write(filePath="doc/images/diagrams/ml-workflow.svg", content="<svg>...</svg>")
# 步骤2: 在文章对应位置添加引用（使用 edit 工具）
## ML 工作流程概览
**流程说明**：上图展示了从数据准备到模型部署的完整流程...
验证图片引用是否成功：
# 检查文章中是否包含图片引用
grep "!\[.*\](images/diagrams/" doc/[number]-[topic].rmd
# 应该至少看到 1-2 条匹配结果
⚠️ 常见错误：
- ❌ 生成 SVG 内容但使用
.png扩展名 → 图片无法显示 - ❌ 生成图片但不在文章中引用 → 图片无法显示
- ✅ 正确：生成
.svg文件 + 在文章中用 Markdown 引用
步骤2: 验证渲染 (CRITICAL)
在提交前必须进行本地渲染验证，确保代码可运行且格式正确。
# 渲染单文件验证内容
quarto render doc/[number]-[topic].rmd
# 确保无报错、包缺失或格式问题
步骤3: 更新导航系统 (CRITICAL)
必须执行以下步骤，否则新文章无法在网站侧边栏和分类页显示。
更新
doc/_quarto.yml:- 找到
sidebar->contents->机器学习与 AI部分。 - 添加新条目，注意缩进:
- text: "文章标题" href: "[number]-[topic].rmd"
- 找到
更新
doc/0001-guide.rmd:- 在对应分类的表格中添加一行：
| [算法名] | [文章标题]([number]-[topic].html) | [简短说明] |
- 在对应分类的表格中添加一行：
运行自动生成脚本 (MANDATORY):
- 此脚本会根据
_quarto.yml更新sections/machine-learning.qmd等分类索引页。
# 在项目根目录下运行 workdir="doc" Rscript doc/generate_sections.R- 此脚本会根据
更新
README.md:- 在
🧭 内容导航->🚀 机器学习与 AI的对应折叠块中添加链接。
- 在
步骤4: 最终渲染与提交
重新渲染受影响页面:
quarto render doc/sections/machine-learning.qmd quarto render doc/index.qmd提交代码:
git add doc/[number]-[topic].rmd doc/images/[number]-[topic]-cover.svg git add doc/_quarto.yml doc/0001-guide.rmd README.md doc/sections/machine-learning.qmd git commit -m "feat(ml): 新增[算法名称]机器学习教程"
写作规范
- 内容标准:
- 详细度: 内容必须详尽，起到深入教程的作用。
- 篇幅: 不少于 300 行 (Not less than 300 lines)。
- 比例: 文字说明约占 70%，代码约占 30% (70% text, 30% code)。
- 结构: 必须提前构建全面的内容框架，然后根据框架填充详细内容。
- 框架: 推荐使用
mlr3或tidymodels现代框架。 - 指标: 必须展示多个评估指标（如 ACC, AUC, F1 等）。
- 调参: 必须包含超参数优化步骤（网格搜索或随机搜索）。
参考资源
- content-structure.md: 详细内容模板与标题规范。
- visual-templates.md: SVG 封面与示意图模板库。
- hyperparameter-guides.md: 常用算法调参指南。