选题焦虑把零散的灵感拼成一张可落地的地图做毕设最怕的不是写代码而是“选题”本身。很多同学把大量时间花在刷论坛、翻博客结果越搜越乱项目太宏大STM32 跑个 RTOS 就 90% RAM 占用项目太老旧老师一句“没创新点”直接打回项目资料碎片化GitHub 上只有一张原理图代码失踪把痛点拆下来无非三件事信息过载、需求模糊、资源不匹配。AI 辅助推荐不是炫技而是帮你在 12 秒内把“我能做”“我想做”“老师会通过”三件事对齐。方案选型规则、TF-IDF 还是协同过滤先给结论在 Cortex-M3/4 这类 64 kB RAM 的小家伙上别迷信大模型够用就好。规则引擎思路if-else 硬编码“关键词→项目”映射优点零依赖、可解释缺点维护噩梦新增关键词要烧录整包固件TF-IDF 余弦相似度思路把项目简介当文档向量相似即推荐内存词典 2 000 词 ≈ 30 kB加上倒排索引勉强挤得进瓶颈新词出现要重算 IDF冷启动 34 s体验打折轻量级协同过滤用户-项目共现矩阵分解思路只存 0/1 的“点击/收藏”矩阵用隐语义因子还原内存100 项目 × 8 因子 0.8 kB可常驻计算本地矩阵乘法 O(k×n)k8 时 1 ms 级缺点需要初始行为日志否则“冷启动”随机推荐综合权衡后我采用“关键词匹配做召回 轻量协同过滤做排序”的二级漏斗召回阶段保证相关过滤 90% 噪声排序阶段把“热门但已做烂”的项目降权冷门创新项目提权端侧实现把推荐系统塞进 64 kB RAM数据预处理离线化在 PC 端用 Python 把 1 000 条项目描述分词、去停用词生成关键词→项目倒排表json 转 C 数组用户-项目交互矩阵csv 转二进制 0/1用 Alternating Least Squares 训练隐因子因子维度 k8迭代 10 次即可收敛RMSE ≈ 0.18把模型参数 quantize 到 int8体积从 32 kB 压到 8 kB精度损失 2%运行时三件套关键词哈希表Perfect Hash 算法保证 O(1) 命中Flash 只读协同过滤推理手写定点矩阵乘无 malloc栈上完成推荐缓存LRU 策略保留最近 8 次推荐结果避免重复计算内存占用实测STM32F411 128 kB RAM代码段24 kB全局只读模型10 kB运行时栈缓存≤ 8 kB留给业务逻辑 80 kB绰绰有余代码实战Python 训练 → C 推理 → Arduino 演示训练脚本PC 端# train_cf.py import pandas as pd from implicit import als # 自己写的极简 ALS无 numpy 依赖 inter pd.read_csv(user_project.csv) # 0/1 矩阵 P, Q als.train(inter, k8, iter10, lam0.05) P.astype(int8).tofile(P_int8.bin) # 用户因子 Q.astype(int8).tofile(Q_int8.bin) # 项目因子推理头文件model.h/* 模型常量 */ #define N_USER 50 #define N_PROJ 100 #define K_LATENT 8 extern const int8_t Q_PROJ[N_PROJ][K_LATENT]; // 项目因子Arduino 演示推荐核心#include model.h #include Arduino.h struct UserFactor { int8_t v[K_LATENT]; }; int16_t dot8(const int8_t *a, const int8_t *b, uint8_t k){ int16_t s0; while(k--) s (*a) * (*b); return s; } /* 输入用户隐因子 u; 返回top3 项目索引 */ void recommend(const UserFactor u, uint8_t *topIdx){ int16_t score[N_PROJ]; for(uint16_t i0;iN_PROJ;i) score[i] dot8(u.v, Q_PROJ[i], K_LATENT); /* 简单选择 top3不排序复杂度 O(N*k) */ for(uint8_t t0;t3;t){ int16_t max-32768; uint8_t idx0; for(uint16_t i0;iN_PROJ;i){ if(score[i]max){ maxscore[i]; idxi]; } } topIdx[t]idx; score[idx]-32768; // 标记已选 } } void setup(){ Serial.begin(115200); UserFactor me { .v{12,-7,3,15,0,-2,8,5} }; // 预载因子 uint8_t top[3]; recommend(me, top); for(auto i:top) Serial.println(i); }Clean Code 要点所有魔数50、100、8集中宏定义方便一键调参矩阵乘法手写避免引入 ARM CMSIS 而增大 10 kB输入输出全部值类型杜绝动态内存指标与体验指标实测值说明冷启动时间380 ms从通电到第一次推荐含模型加载单次推荐延迟2.1 ms100 项目打分 top3 选择Flash 占用34 kB含代码模型RAM 峰值7.8 kB栈局部数组准确率0.72top3人工标注 50 条需求top3 命中 36 条体验上把系统做成“串口菜单”形式学生输入 35 个关键词开发板 1 秒内返回编号与简介用 OLED 滚动显示现场演示效果足够惊艳。生产环境避坑指南数据漂移每季度重新跑训练脚本把新入库的项目和交互日志合并旧因子权重衰减 0.9防止热门项目长期霸榜简化模型≠随便压缩int8 量化前先做 min-max 校准极端离群值直接截断否则余弦相似度会畸变冷门项目永远沉底硬件兼容性8-bit AVR 没有单周期乘法dot8 改用查表法牺牲 512 字节 Flash 换 3 倍提速若迁移到 ESP32-C3RISC-V 指令集无饱和乘法需开 -marchrv32im 才支持mul供电与文件系统推荐结果想掉电保存可写进 EEPROM 模拟“本地收藏”但页写寿命 100 k 次频繁刷写要平均磨损版权与合规爬取公开项目摘要时遵守各平台 robots.txt简介文本仅作学术教学不二次分发完整 PDF动手吧把推荐引擎搬到你的板子上整套代码已放在 GitHub默认配置跑在 STM32F4 discovery 板外接 0.96 OLED。你可以把关键词词典换成中文分词支持拼音首字母方便串口输入把协同过滤换成增量 SVD用片外 SPI Flash 存参数重启秒级恢复把推荐结果通过 BLE 发到手机做成微信小程序现场答辩扫码即看毕设不是终点而是把“需求→模型→部署”跑通的第一圈闭环。祝你把 AI 塞进小小的 MCU也把自己的灵感塞进更硬核的未来。