人工智能

catalog

• （没有真实样本前先跑下面的 30 分钟实验，不要直接扩服务页）

30-minute AI coding audit entry

如果只是想马上验证一次 AI 编程审查机会，不要先读完整资料库。先按 发出一次只收样本的 CTA，再用下面这条最短路径跑一轮：

0. 先看闭环：如果不知道该从哪里进入，先用 判断当前处于找样本、补证据、交付首份报告还是停止。
1. 找样本：复制 ，只要求对方提供一个 PR、一次失败命令、一段 agent log 或一份脱敏 final report。
2. 收束回复：用 把“我们也遇到过”收束成目标、范围、证据、公开边界和期望输出；如果对方只给痛点原话或截图，先发 ，只追 5 个最小证据。
3. 交付首份报告：按 做 30-60 分钟只读审查；证据不足时只交付 Next evidence needed，证据足够时交付 1 页报告。
4. 判断下一步：用 Continue / Narrow / Stop 记录是否进入 PR 审查、缩小样本范围或停止；公开前先走本页的 evidence boundary checkpoint。
5. 观察信号：先用 记录单轮渠道、输入证据、公开边界、交付物和 Continue / Narrow / Stop；如果证据请求后仍不足，照着 写成 Narrow。发布后再用 记录痛点原话、证据形状、公开边界和 Next evidence needed；不知道如何写第一条时，照着 先判断 Narrow，不要只看点赞数。
6. 沉淀资产：如果同类问题重复出现，再回到 、 和 ，判断是否升级为文章、模板、技能、书稿卡片或服务 offer。

这条入口的判断标准是“是否拿到真实可复核证据并交付下一步”，不是点赞、收藏或路线图完整度。

如果连续多轮都没有发布渠道、真实样本或反馈证据，先走 ：能拿到证据就 Continue，只能验证单点就 Narrow；如果只有一条脱敏 Narrow 记录，下一步只能索取真实失败命令、exit code、PR / Issue 链接或发布渠道，拿不到就把当前资产封存并 Switch 到另一个可验证的小实验，避免继续堆文档。

切换到新实验时，不要只换一个更大的想法。先用 写清本周约束、候选实验、最小交付物、验证方式和停止条件，优先选择能在本地运行、能提交、能被别人复核的小闭环。

AI document change preflight

修改本目录的 AI 工作流、收入实验、审查样板或跨目录链接时，先把改动当作一次小实验处理：

1. 改前跑轻量检查：对准备修改的入口页、长文或跨目录链接目标执行 python3 scripts/check-markdown-proof.py documents/trending/ai/README.md ...，确认当前文件没有已知断链、frontmatter 或绝对路径问题。
2. 只记录可复查结果：如果 checker 通过，把命令和输出追加到 ；如果失败，先修最小问题，再考虑是否需要补回归测试。
3. 目录入口另跑覆盖 proof：如果改了本页 catalog 或新增 AI 目录同级页面，追加 python3 scripts/check-ai-catalog.py，确认入口没有漏链、重复链接或指向缺失页面。
4. 不要让 checker 变万能 linter：它负责快速兜底 markdown proof；涉及 sidebar、VuePress 插件或页面渲染时，仍然追加 cd web/vuepress && npx -y pnpm@8.15.9 run docs:build。

这条 preflight 的目标不是替代完整构建，而是在 agent 频繁改文档时，给“这次改动没有基础破损”留下可重复证据。

如果要把这轮实验写进书稿，优先参考 books/tech-cards-handbook/chapters/ai-agent/thirty-minute-route-before-productizing.md、books/tech-cards-handbook/chapters/ai-agent/first-report-before-consulting.md、books/tech-cards-handbook/chapters/ai-agent/public-case-separates-facts-inferences-unverified.md 和 books/tech-cards-handbook/chapters/ai-agent/publish-feedback-needs-evidence-shape.md：先抽象原则和反馈证据形状，再决定是否公开案例。

AI-assisted PR review path

如果目标是审查 AI 生成的改动，不要从单篇文章随机阅读。按下面顺序走，能从工作流、验证、PR 入口、服务化样板一路串到可复用资产：

1. 先读 ，确认 agent 的边界、工具调用和交接格式。
2. 再读 ，把验证失败、未验证项和下一条安全命令写成可接手记录。
3. 进入 ，把 git status --short、接管文件、避开的 dirty path、验证梯和 Continue / Narrow / Stop 固定到 PR 审查入口。
4. 如果要把它产品化，先读 看完整路径，再读 ，并用 把“下一步先跑什么”写成可复核交付物。
5. 交付前用 压缩成客户可读的公开报告；内部执行时把同一条命令梯复用到 skills/skills/manual/review/next-safe-command-ladder/，避免 agent 只产出测试清单。
6. 如果还没有真实授权样本，先用 获取候选回复；发布后用 记录痛点原话、证据形状和 Continue / Narrow / Stop。对方回复后，用 把热情回复收束成范围、证据、公开边界和期望输出，再用 压缩成 30-60 分钟的只读报告。如果样本进入 PR，再用 把 Issue 字段映射到 PR snapshot、ownership boundary、verification ladder 和 Continue / Narrow / Stop。最后用 做脱敏复盘，并回到 ，判断这次审查结果应该沉淀成文章、模板、技能还是书稿卡片。

evidence boundary checkpoint

把一次 AI 编程审查写成公开内容前，先做证据边界检查，避免把审查记录包装成未经验证的结论：

• 先分层 claim：把每条想公开的结论标成 Fact、Inference、Unverified、Private 或 Stop；没有证据的内容只能进入 Next evidence needed。
• 只公开证据形状：命令、exit code、失败类型和脱敏后的路径可以保留；客户名、私有仓库、绝对路径、密钥、用户数据和未经授权截图要删除。
• 把停止条件写出来：授权不清、脱敏后无法支撑结论、或验证链断裂时，不发布“真实案例”，改写成方法样板或征集样本的说明。
• 复用内部技能：内部执行可先用 skills/skills/manual/review/audit-evidence-boundary/ 做 claim 分层，再进入匿名案例写作。

这个 checkpoint 与 是同一条路径的发布前闸门：前者判断“能不能说”，后者组织“怎么安全地说”。

concept

abbr	full	description
NLP	Natural Language Processing	自然语言处理
LLMs	Large Language Models	大语言模型
GLM	General Language Model	通用语言模型
LoRA	Low-Rank Adaptation of Large Language Models	大语言模型的低阶适应
BERT	Bidirectional Encoder Representations from Transformers	基于大规模无监督预训练的双向表示法
GPT	Generative Pre-trained Transformer	生成式预训练语言模型
LLaMA	Large Language Model Meta AI	facebook 大语言模型
RNN	Recurrent Neural Network	循环神经网络
CNN	Convolutional Neural Network	卷积神经网络
ELMO	Embeddings from Language Models
SA	Self-Attention	自注意力机制
F-FNN	Feed-Forward Neural Networks	前向神经网络
RC	Residual Connection	残差连接
MLM	Masked Language Model	掩码语言模型
NSP	Next Sentence Prediction	下一句预测
POS	Part of Speech	词性
TF	Term Frequency	词频
SW	Stop Words	停用词
IDF	Inverse Document Frequency	逆文档频率
FT	Fine Tuning	微调

TensorFlow vs PyTorch vs Jax

• TensorFlow

  An Open Source Machine Learning Framework for Everyone

• PyTorch

  Tensors and Dynamic neural networks in Python with strong GPU acceleration

• Jax

  Composable transformations of Python+NumPy programs: differentiate, vectorize, JIT to GPU/TPU, and more

Transformer vs RNN vs CNN

• Transformer : (Multi-Head Attention) 多头自注意力机制

  特色 : 自然语言处理

• RNN : 循环神经网络

  特色 : 处理序列数据和时序关系

• CNN : 卷积神经网络

  特色 : 处理网格数据(如: 图像处理)