周的华山路别墅，清晨七点的光线透过梧桐叶缝隙，在木地板上投下晃动的光斑。
沈蔓已经工作了两个小时。她盘腿坐在书房的飘窗上，笔记本电脑放在腿上，屏幕上是星图科技下一代推荐系统的架构图。昨天程屿发来了内部评审意见，十七个技术问题需要回复，她正在逐一撰写解决方案。
厨房传来咖啡机的嗡鸣声，接着是研磨豆子的细碎声响。程屿起床了。
这是他们“同居”的第三天，两人默契地保持着室友般的距离感。沈蔓住二楼东侧，程屿在西侧主卧。共用厨房和客厅，但作息几乎错开——她习惯六点起床工作，他通常八点出现在厨房。晚上她一般在书房待到十一点，程屿的作息更不规律，有时凌晨还能看到他书房的灯光。
门被轻轻敲响。
“进。”
程屿端着两杯咖啡进来，递给她一杯。他今天穿着灰色T恤和运动裤，头发还有些湿，像是刚晨跑回来。
“谢谢。”沈蔓接过咖啡，目光没有离开屏幕，“你这个序列建模模块，用了Transformer架构处理用户行为序列？”
“对。”程屿在她对面的椅子上坐下，“但长序列场景下，自注意力机制的计算复杂度还是太高。我们测试过，用户行为历史超过五百条时，推理延迟会增加三倍。”
沈蔓调出另一份文档：“我昨晚看了最新论文，有个改进方案——用Perceiver IO架构，把长序列压缩到固定长度的潜空间。这样既能保留长期依赖，又能控制计算成本。”
她在屏幕上展示几组对比数据。程屿身体前倾，仔细看着那些数字。
“你复现了实验？”
“用你们内网的GPU集群跑了一晚上。”沈蔓喝了一口咖啡，“压缩率设为0.1时，模型在三个公开数据集上的表现，只比原始Transformer下降了1.2%到1.8%，但推理速度提升了五倍。”
程屿沉默了几秒：“这应该是我们下个季度技术评审的重点。你什么时候可以写详细方案？”
“今天下午。”沈蔓保存文档，“不过我需要更多的计算资源。如果要用这个方案替换现有的序列建模模块，需要做AB测试、压力测试、线上灰度发布。”
“我给你开权限。”程屿拿出手机发了条消息，“星图科技的首席科学家下午三点有个技术分享会，你想参加吗？线上接入。”
“什么主题？”
“大规模推荐系统的负采样策略优化。”
沈蔓眼睛亮了：“那个困扰我们很久的问题？传统负采样偏差太大，但均匀采样效率又太低。”
“他们提出了一个基于强化学习的自适应采样框架。”程屿站起身，“会议室链接我发你。另外，关于周五晚宴的事——”
他走到书桌前，拿起平板电脑：“这是程家庄园的平面图。宴会厅在这里，主桌在这个位置。程瀚习惯坐在正对门的位置，方便观察所有人。他的技术顾问陈教授会坐在他右手边。”
沈蔓接过平板，放大看细节。庄园比她想象的大，典型的苏式园林风格，有池塘、假山、长廊。宴会厅是单独的建筑，玻璃幕墙，现代风格与园林形成反差。
“你父亲坐在哪里？”
“主位，背靠那面山水画墙。”程屿指向平面图，“他喜欢那个位置，象征‘背有靠山’。我母亲在世时，总是坐在他左手边。现在那个位置空着。”
沈蔓注意到他说“母亲”时，声音有一丝不易察觉的变化。
“我需要了解你父亲关注什么。”她放下平板，“技术问题只是工具，我要知道打击到什么程度，才能达到最佳效果。”
程屿走到窗边，看着庭院里正在浇花的阿姨：“他最在乎三件事：第一，程家的声誉；第二，的回报率；第三，家族的控制权。程瀚如果被证明了一个技术上漏洞百出、法律上有风险的，会同时触犯这三条。”
“明白了。”沈蔓在笔记本上记录，“那我准备的策略是：先肯定的商业概念有价值，再指出具体的技术缺陷，最后暗示这些缺陷可能引发的法律和声誉风险。既展现专业，又不过分攻击。”
“很聪明。”程屿转过身，“另外，我父亲会问你关于我们‘恋爱’的细节。我编了一个时间线，已经发你邮箱。重点是：我们因为技术共鸣而互相欣赏，因为价值观一致而走到一起。”
沈蔓打开邮箱，看到名为“恋爱故事要点”的文档。里面详细描述了八次“约会”的时间、地点、对话内容，甚至包括她喜欢喝什么咖啡、他习惯用哪种编程字体。
“你连我喜欢喝冰美式不加糖都知道？”她挑眉。
“观察得到的。”程屿走向门口，“你每次加班都点同一家咖啡店的外卖，订单记录里永远是冰美式，备注‘不要糖不要’。”
沈蔓愣了一下。这男人观察得也太细了。
“下午的技术分享会别迟到。”程屿在门口停下，“另外，衣帽间里有为你准备的晚宴服装，去试一下。不合适的话，今天还能改。”
他离开后，沈蔓又工作了一小时，才起身去衣帽间。
那是个比她原来租的卧室还大的房间。一侧挂着程屿的衣服，按照颜色和类型排列得一丝不苟。另一侧是空的，除了中间挂着的三套礼服。
第一套是米白色丝质长裙，简洁剪裁。第二套是深蓝色西装套装，内搭真丝衬衫。第三套是黑色修身连衣裙，配同色系短外套。
每套衣服旁边都放着搭配的鞋子和配饰。沈蔓看了一下，鞋子是37码——她的尺码。
她选了那套西装套装。穿上后对着镜子看，剪裁合身得像是定制。深蓝色衬得她肤色更白，西装裤的版型修饰腿型，真丝衬衫的领口开得恰到好处。
手机响了，是苏晴。
“蔓蔓！紧急求助！我今天的直播主题是‘职场女性如何优雅反击’，需要一些技术行业的具体案例！你有没有什么不涉及机密的、可以分享的故事？”
沈蔓一边对着镜子调整衬衫袖口，一边回答：“有个通用案例。假设你的上司在技术评审会上，把一个有明显缺陷的方案包装成‘创新突破’，你会怎么应对？”
“现场戳穿？”
“不，那样太生硬。”沈蔓说，“更好的方式是：先肯定方案中的合理部分，然后提出一个‘补充建议’。比如说‘这个思路很有创意，如果我们能再解决一下数据稀疏问题，效果会更好’。接着展示你已经准备好的解决方案。”
“这样既展示了你的能力，又给了对方面子？”
“更重要的是，如果你提出的补充方案确实更好，所有参会者都能看出来。上司如果坚持用有缺陷的原方案，就要承担决策风险。如果他采纳你的建议，功劳虽然不一定全归你，但至少成功了。”
苏晴在电话那头记笔记：“学到了！这招叫‘优雅补刀’对不对？”
“可以这么叫。”沈蔓笑了，“另外，如果遇到抢功劳的情况，不要当场发飙。而是在下次启动时，当着所有人的面问：‘关于这个，我想确认一下分工。上次我负责的算法模块，这次还是由我继续优化吗？’”
“把问题公开化，但用请教的方式？”
“对。职场上的很多不公，都藏在模糊地带里。你越早把规则和分工讲清楚，越不容易被欺负。”
挂断电话后，沈蔓拍了张西装套装的照片发给程屿：“这套可以吗？”
几分钟后，程屿回复：“可以。配饰选那对珍珠耳钉，鞋子选黑色中跟鞋。另外，发型建议梳低马尾，显得练。”
沈蔓看着这条详细的指示，忽然有种奇异的感觉——这个男人，在“打造”她。不是为了炫耀，而是为了让她在这场豪门博弈中，以最合适的形象亮相。
---
下午两点五十，她准时接入星图科技的技术分享会。
虚拟会议室里已经有三十多人，摄像头大多关闭，只有主讲人开着视频。那是个四十岁左右的男人，戴着黑框眼镜，身后的白板上写满了公式。
“今天我们讨论负采样偏差问题。”主讲人开口，“在大规模推荐系统中，传统做法是从非交互物品中随机采样作为负例。但这就引入了一个严重问题——”
沈蔓在共享文档上快速记录要点。她注意到程屿也在线，头像亮着，但摄像头关闭。
讨论进行到一半时，有人提问：“如果引入强化学习框架，在线更新的成本会不会太高？”
主讲人还没回答，程屿突然打开了麦克风：“沈工，这个问题你怎么看？”
沈蔓愣了一下，但很快反应过来。她打开麦克风，调整了一下语气：“我认为可以分层处理。高频更新的策略网络可以用轻量级模型，定期同步到离线训练的重型模型。我们在之前的里试过这种方案，CPU使用率只增加了8%，但采样质量提升了30%。”
会议室安静了几秒。
“有实验数据吗？”另一个声音问。
沈蔓迅速调出之前做的测试报告，截取关键部分发到聊天区：“这是我们在MovieLens数据集上的测试结果。左边是传统随机采样，右边是我们提出的分层强化学习采样。可以看到，在保持相同召回率的情况下，我们的方案将准确率从0.42提升到了0.51。”
聊天区开始滚动：
“这个提升幅度很显著啊。”
“GPU消耗增加了多少？”
“方案开源吗？”
沈蔓有条不紊地回答每个问题。她注意到程屿一直没有说话，但能感觉到他在屏幕另一端听着。
分享会结束后，程屿私聊她：“表现很好。有几个参会的是行业内有影响力的研究员，他们对你的方案很感兴趣。”
沈蔓回复：“我只是做了该做的。”
“周五晚宴，保持这种状态。”程屿发来最后一条消息，“记住，你不是以‘程屿的妻子’身份出席，而是以‘解决星图重大技术问题的专家’身份出席。这个定位，会让很多人闭嘴。”
---
关掉电脑，沈蔓靠在椅背上，长长吐出一口气。
窗外的阳光已经西斜，梧桐树的影子拉得很长。阿姨在楼下准备晚饭，隐约传来切菜的声音。
她走到窗边，看着庭院。程屿不知什么时候回来了，正站在水池边喂锦鲤。他换上了家居服，身影在暮色中显得有些孤单。
沈蔓下楼，走到庭院里。
“今天的分享会，谢谢。”她说。
程屿没回头，继续撒着鱼食：“谢什么？”
“给我展示的机会。”
“那是你自己争取的。”程屿放下鱼食盒，“技术行业，实力说话。你有实力，我就给你舞台。很公平。”
沈蔓看着水中的锦鲤：“周五之后，我们的关系会公开。你会面临更多审视，家族里的，商业上的，甚至媒体。”
“你也会。”程屿终于转过身看她，“你的前同事、前男友、老家的亲戚，可能都会看到新闻。你准备好了吗？”
沈蔓沉默了一会儿：“我父亲可能看不懂财经新闻，但我弟弟一定会看到。他可能会来上海找我。”
“需要我处理吗？”
“不用。”沈蔓摇头，“我的家事，我自己处理。就像你的家事，你自己处理一样。”
程屿的眼中闪过一丝什么：“很公平。”
阿姨在门口喊：“程先生，沈小姐，吃饭了。”
---
晚饭是简单的三菜一汤：清蒸鱼，蒜蓉菠菜，红烧排骨，番茄蛋汤。两人面对面坐着，安静地吃完。餐间只有碗筷碰撞的轻微声响，和偶尔关于技术问题的简短交流。
“那个Perceiver IO的方案，你有把握在一个月内上线测试吗？”程屿问。
“如果给我三个人，可以。”沈蔓说，“但我需要懂Transformer架构和CUDA编程的人。”
“我调给你。”程屿夹了一块鱼，“下周一开始，你每天上午来星图办公。易达那边，我会让法务发函，正式借调你三个月。”
沈蔓筷子停住了：“林薇薇不会同意的。”
“她不需要同意。”程屿语气平淡，“星图科技是易达的重要客户。客户点名要某个工程师做技术对接，公司没有理由拒绝。更何况，我们会支付三倍的借调费用。”
沈蔓明白了。这是程屿给她的另一条退路——如果她在易达待不下去，可以直接过渡到星图。
“谢谢。”她说，“但我还是想先打完在易达的仗。”
“随你。”程屿放下碗，“但记住，职场斗争不是目的，而是手段。你的目的是提升技术能力，积累行业声誉，为下一阶段做准备。不要本末倒置。”
这话说得很直白，但沈蔓听进去了。
---
晚饭后，她回到房间，打开电脑开始整理晚宴材料。除了技术分析，她还查了程氏集团最近的业务动向——房地产板块收缩，科技增加，医疗健康是新的战略重点。
程瀚的教育AI，正好卡在“科技+教育”的交汇点。如果成功了，能帮他在家族里赢得更多话语权。如果失败了，会连累整个科技板块的声誉。
晚上九点，程屿敲门进来，手里拿着一个文件夹。
“刚收到的消息。”他把文件夹递给她，“程瀚那边有动作了。他聘请了一家商业调查公司，可能在查你的背景。”
沈蔓打开文件夹。里面是一些模糊的照片，有她进出华山路别墅的，有她和程屿在民政局门口的，甚至有一张是她昨天在便利店买水的。
“他们想证明我们的婚姻是假的。”沈蔓冷静地分析，“这些照片只能证明我们住在一起，领了证。证明不了感情真假。”
“但他们可能会挖更深。”程屿在椅子上坐下，“你的家庭背景，你的债务情况，你父亲的病情。程瀚擅长用这些制造舆论压力，让我父亲觉得我娶了一个‘麻烦’。”
“所以周五晚宴，我不仅要展示技术能力，还要展示‘得体’。”沈蔓合上文件夹，“让他找不到攻击点。”
“对。”程屿看着她，“你紧张吗？”
沈蔓想了想：“如果是技术答辩，我不紧张。但如果是豪门交际，我没经验。”
“那就把它当成技术问题来处理。”程屿说，“分析场景，定义目标，制定策略，执行，然后复盘优化。你擅长的。”
沈蔓笑了：“你这个类比很程序员。”
“因为我们都是。”程屿站起身，“早点休息。明天周一，你要面对的不仅是晚宴，还有易达那边的战场。”
他走到门口，又停下：“对了，那套西装，确实很适合你。”
门轻轻关上。
---
沈蔓走到衣帽间，再次看着镜子里穿着西装的自己。练，冷静，专业。
这不正是她一直想成为的样子吗？
她打开手机，翻到相册里一张旧照片——那是她研究生毕业时拍的，穿着廉价的西装外套，站在学校门口，眼神里满是迷茫和不安。
三年过去，她终于买得起合身的西装，眼神里也有了清晰的笃定。
即使这一切，始于一场交易。
晚上十一点，沈蔓完成了晚宴的完整应对方案。包括技术问答脚本、可能的话题转移策略、甚至准备了几个得体的笑话——都是和技术相关的，符合她的人设。
她发给程屿审核。五分钟后，程屿回复：“很好。补充一点：如果程瀚的妻子问起你们的‘恋爱故事’，可以说‘我们第一次正式约会，是在张江的一家咖啡馆，讨论了三个小时的神经网络优化问题’。”
沈蔓回复：“这听起来不像约会，像技术研讨会。”
“对我们来说，这就是约会。”程屿发来一个极简的表情符号——一个句号。
沈蔓看着那个句号，忽然笑了。
也许，这种基于专业共鸣的关系，比那些浮于表面的浪漫，更真实。
关灯前，她检查了明天的程：
7:00 起床，完成Perceiver IO方案的初步设计
9:00 到易达科技，参加周会
14:00 与星图借调小组第一次线上会议
16:00 试穿晚宴服装最终调整
19:00 与程屿对练晚宴话术
21:00 继续技术方案优化
满满当当，没有空隙焦虑。
她躺下，闭上眼睛。
窗外的上海，依然车流不息，灯火通明。而在这个安静的老洋房里，一场以婚姻为名的技术，正悄然改变两个人的轨迹。
周五的宴会，将是她在这个新战场上的第一次公开亮相。
而她，准备好了。
---
新增细节：程屿书房发现的老照片
晚饭后，沈蔓帮阿姨整理书房时，不小心碰开了一个上锁的抽屉。散落的文件中，她看到一张老照片。
年轻的女人坐在钢琴前，侧脸温柔。照片背面有一行娟秀的字：“给小屿：愿你的代码如音乐般优雅，愿你的心永远自由。——妈妈，2010年春”
沈蔓小心地把照片放回原位。那天晚饭时，她不经意地说：“我大学时辅修过音乐编程，用Python写过程序生成巴赫风格的赋格。”
程屿切牛排的手停住了：“我母亲是钢琴老师。”
“看得出来。”沈蔓轻声说，“你书房那本《算法导论》的页边笔记，字迹和照片背面很像。”
长久的沉默。然后程屿说：“她去世前，最遗憾的事就是没能看到我创业。”
“现在她看到了。”沈蔓说，“星图科技的技术架构，有她教你的严谨。”
新增细节：技术分享会的专业问答
参会者问：“你们的强化学习采样器，探索-利用平衡怎么处理？”
沈蔓回答：“我们用了Thompson Sampling变体，但做了改进——传统TS假设奖励服从伯努利分布，但实际场景中，用户对推荐物品的反馈是渐进式的。所以我们用Beta-Bernoulli复合模型，同时学习点击率（CTR）和观看时长（Watch Time）两个目标。”
她共享屏幕，展示数学推导：
```
传统TS: P(选择物品i) ∝ ∫ I[θ_i ＞ max(θ_-i)] ∏ Beta(α_j, β_j) dθ
我们的改进: P(选择物品i) ∝ ∫ f(θ_i, τ_i) ∏ Beta-Gamma(α_j, β_j, a_j, b_j) dθ dτ
其中τ_i是观看时长参数，用Gamma分布建模
```
聊天区刷屏：“这个改进很实用！”“有论文吗？”
沈蔓平静回应：“正在整理，计划投稿KDD。”