开发者花90秒解决选显示器难题，却搭了6层AI管道

买显示器前，你平均打开多少个标签页？

RTINGS给7.8分，PCMag打4.5星，YouTube博主说背光漏光，Reddit老哥骂USB-C充不进MacBook。同一台设备，四个来源，四种评价体系，八种痛点描述。两小时过去，你比下单前更懵了。

这不是信息匮乏，是信息过载后的认知坍缩。每个评测都在说"好"，但好的维度完全不同。产品经理出身的开发者Chris干脆写了个管道——用3家大语言模型供应商、6阶段架构，把20-50个来源压缩成90秒的决策报告。

从"人肉交叉验证"到自动化管道

SetupScore的核心假设很朴素：人类不擅长跨源比对，但擅长定义"要比什么"。

Chris的痛点是典型产品经理型焦虑。他想要的不只是分数，而是"RTINGS说的色准"和"PCMag说的色彩表现"是不是同一回事——前者测的是ΔE<2的专业指标，后者可能只是肉眼看着舒服。这种语义对齐，人工做两小时，机器做90秒。

管道第一阶段是信源层。Brave Search API替代Google（定价杀了那个实验），Groq Whisper转录YouTube视频，Reddit API抓取真实用户反馈。单台显示器通常汇聚25-35个独立来源：RTINGS、PCMag、Tom's Hardware等160+出版物，加上YouTube拆解视频和Reddit ownership threads。

一个细节：20分钟的YouTube视频被完整转录，第14分钟评测者随口提的USB-C供电功率，会被提取为结构化声明。"我们活在奇怪的时代"——Chris的原话。

评分压缩：为什么5星不是100分

最耗时的 redesign 在评分标准化层。

表面看很简单：4.5/5 → 90分，7.8/10 → 78分，88% → 88分。自动识别五种量表后，真正的麻烦才开始。

首先是等级通胀压缩。科技媒体很慷慨，5/5意思是"优秀"而非"完美"，但映射到百分制就成了100分。Chris的解法：90分以上软化处理，100→96.5，95→93.25，90维持不变。90以下不动——差评通常是真的差。

其次是异常值阻尼。一条愤怒的Reddit rant不该拉低总分，一篇 sponsored review 不该虚高。任何偏离可信度加权均值20分以上的评分，直接硬截断。没有中位数体操，只有 crude、effective、debuggable 的粗暴逻辑。

最后是来源数量置信度。单个5星评测不该决定命运，样本量不足时分数会带置信区间提示。这套规则是 Chris 迭代最久的部分——比 LLM 提示工程花的时间还多。

LLM 不是答案，是管道中的一环

SetupScore 的架构刻意限制了 LLM 的发挥空间。

Transcript 提取、评分标准化、异常值处理，全是确定性代码。LLM 只干两件事：从非结构化文本中提取声明（"USB-C 供电 65W"），以及跨源语义对齐（判断两个描述是否指向同一属性）。

Chris 用了三家 LLM 供应商，不是为了 ensemble 投票，而是成本路由：简单任务扔给便宜模型，复杂对齐换贵的能力。管道思维替代了"一个万能模型"的幻觉。

这种克制源于产品经理的本能。LLM 的幻觉在买显示器场景下代价很低（顶多推荐错型号），但在医疗或金融场景就是灾难。SetupScore 的架构预留了人工复核入口——分数旁永远带原始引用链接。

90秒决策的代价与边界

这套系统跑通后，Chris 的 monitor 选购时间从 2 小时降到 90 秒。但他也承认边界：SetupScore 对主观偏好无能为力。

你喜欢雾面屏还是镜面屏？偏冷色温还是暖色温？这些没有客观答案的维度，管道只能罗列各方说法，无法替你决定。它解决的是"这台显示器到底有没有硬件级低蓝光"，不是"你眼睛累不累"。

另一个隐性成本：信源偏见被编码进系统。Brave Search 的索引偏好、YouTube 转录的口音识别误差、Reddit 用户的地域分布——这些偏差没有被消除，只是被显性化了。分数旁边标注着"基于 34 个来源，其中 12 个来自北美评测机构"。

Chris 把项目开源后，最意外的反馈来自 B2B 场景。采购部门用它批量比价，电商运营用它监控竞品口碑——个人决策工具意外切中了企业信息整合的痛点。

但开发者自己最常用的功能，反而是管道里那个"原始引用链接"按钮。90 秒看完分数，再花 10 分钟抽查几个来源，确认机器没把"色准优秀"和"色彩鲜艳"混为一谈。信任但验证——老派的习惯，新式的效率。

当所有评测都被量化成可比分数，你会更依赖系统推荐，还是更想亲手打开那 34 个标签页验证一遍？