实验元数据 (Meta Data)

用于日后检索和归档，建立知识索引。

实验编号/标题：例如：EXP-001：测试不同面粉对酸面包发酵的影响 或 Code-05：尝试用 Python Requests 库爬取动态网页

日期：Feb 27, 2026

所属领域/标签：例如：#烹饪 #Python #营销测试

🎯 实验前：假设与目标 (Plan)

不要在此处长篇大论，用一两句话厘清“为什么做这个”。

当前问题 (Problem)：我现在遇到了什么阻碍？或者我想解决什么问题？

例：我的爬虫程序总是被网站识别并封锁。

实验目标 (Objective)：做完这件事，我想达到什么具体效果？

例：成功抓取20页数据而不报错。

核心假设 (Hypothesis)：（最关键的一步） 我认为怎么做能成功？

格式：如果我 [采取某个行动]，那么 [将会发生某个结果]，因为 [理论/原理]。

例：如果我给请求头添加随机User-Agent和延时，那么封锁率将降低，因为这模拟了真实人类行为。

🧪 实验中：执行步骤与变量 (Do)

记录“我到底做了什么”。如果是代码，粘贴关键片段；如果是实物操作，记录参数。

准备工作/工具：

List tools or resources used.

控制变量 (Variable)：

不变的量：(例：目标网址、抓取频率)

改变的量 (测试点)：(例：User-Agent 字符串，IP代理池)

执行步骤 (Log)：

第一步…

第二步… (在此处遇到意外，调整了参数X)

第三步…

👁️ 实验后：现象与数据 (Check)

客观记录发生了什么，不要带主观评价。

观察到的现象：

成功了吗？报错了吗？报错信息是什么？

产出物的样子（附截图/照片）。

关键数据：

耗时、准确率、转化率、温度、分数等。

例：前5页成功，第6页开始报错 403 Forbidden。

🧠 深度复盘：分析与结论 (Act)

这是学习发生的地方。将“经历”转化为“经验”。

结果对比：实际结果 vs. 预期假设。

符合预期 / 部分符合 / 完全相反

原因分析 (Why?)：

为什么成功了？是运气还是方法对路？

为什么失败了？是假设错了，还是执行出问题了？

(可以使用“5个为什么”法进行深挖)

获得的知识点 (Key Learnings)：

我学到了什么新概念？

纠正了什么旧认知？

下一步行动 (Next Actions)：

✅ 验证通过，纳入标准流程。

🔄 验证失败，修改假设，开启下一次实验（EXP-002）。

❓ 产生新问题：[记录新问题]