ReadingDNA：让两个 AI 模型为你的阅读品味"对决"的智能推荐系统

ReadingDNA是一个创新的阅读推荐平台，通过分析Goodreads阅读历史构建个人阅读DNA，并让GPT-OSS 120B与GLM 4.7两个大模型进行推荐对决，可视化展示谁的推荐更懂用户。它解决了传统推荐算法的"信息茧房"问题，让用户成为评判AI表现的主动参与者。

ReadingDNA的创建者是微软AI评估相关的技术项目经理，核心问题是"给定相同上下文，两个模型如何不同推理及如何衡量差异"。传统模型评估依赖脱离真实场景的基准测试，而ReadingDNA将评估嵌入实际应用：通过真实阅读推荐任务，让用户感受不同模型的推理风格和质量差异。

系统包含七个步骤：1.导入Goodreads公开主页链接或CSV文件；2.用本地all-MiniLM-L6-v2模型生成书籍嵌入，UMAP降维+KMeans聚类，GPT-OSS生成聚类标签；3.两个模型基于阅读画像独立推荐5本书，高亮共识与冒险推荐；4.D3.js交互式地图展示阅读宇宙；5.生成可分享的阅读人格卡片；6.可选Ollama本地运行Qwen 2.5 7B作为第三方裁判评估推荐质量；7.查询OverDrive/Libby图书馆借阅状态。

技术栈：前端Next.js14+TypeScript+Tailwind+D3.js；后端FastAPI+Python；嵌入模型all-MiniLM-L6-v2（本地）；降维聚类UMAP+KMeans；大模型Cerebras Cloud的GPT-OSS120B和GLM4.7；评判模型Qwen2.5 via Ollama。Cerebras晶圆级芯片消除内存瓶颈，GPT-OSS120B总耗时1347ms，GLM4.7总耗时11759ms，稠密模型优化效果显著。

1.温度设为0确保结果可复现；2.本地嵌入避免延迟成本；3.书籍排序后UMAP保证地图布局一致；4.解析RSS的user_review标签提升聚类质量；5.评判功能可选平衡速度与深度需求。

ReadingDNA生成独特阅读人格（如Emily May的"The Darkly Curious Intellectual"），综合评分分布、评论主题等维度。模型评估具有可感知性（用户直接感受风格差异）、可量化性（响应时间、共识率等指标）、可解释性（附带推荐理由），该思路可推广到其他个性化推荐场景。

局限：仅支持Goodreads（中文用户门槛）、语言优化针对英文、本地评判硬件要求高、需公开Goodreads资料。改进：接入豆瓣读书等中文平台、增强多语言支持、优化评判成本、提升隐私保护。

ReadingDNA不仅解决"下一本书读什么"的问题，更提供观察AI模型差异的窗口。用户从被动接收者变为主动参与者，是实用又有趣的探索工具，适合阅读爱好者和AI技术感兴趣者。