Overview
个人知识库的主题总览。目前涵盖七个核心主题：上下文工程（Context Engineering）、AI 时代的用户体验、LLM Wiki 模式、Transformer 架构 / 注意力机制、音频信号处理 / 音频可视化、前端动画中的物理模型 和 浏览器中的折射玻璃效果。
Context Engineering（上下文工程）
研究 LLM 如何接收、处理和利用输入信息，以及如何通过结构化管理上下文窗口来提升模型输出质量。
核心发现：输入更多信息反而可能降低模型表现（Context Rot 问题），需要通过 Context Engineering 的四种策略（Write、Select、Compress、Isolate）来优化。
涉及：Attention Mechanism、Context Window、Retrieval-Augmented Generation (RAG)、Lost in the Middle Problem 等。
AI 时代的用户体验
研究 AI 把用户角色从“执行步骤的人”转成“监督自动化的人”之后，交互设计、可用性指标和风险控制方式会如何被重写。
这条知识线从 Intent-based Outcome Specification 出发，串起 Articulation Barrier、Orchestration Surface、Intentional Cognitive Friction、Slow AI 与 Intent by Discovery，也和 Long-term Memory for LLMs、Multi-agent System 等系统层能力发生交叉。
LLM Wiki 模式
一种由 LLM 逐步构建和维护的持久化知识库架构。核心理念是 知识编译一次、持续更新，而非每次查询时重新从原始文档中提取。
人负责：提供源资料、提出问题、审查结果。LLM 负责：总结、交叉引用、归档、维护一致性。
涉及：Scratchpads、Long-term Memory for LLMs、Obsidian 工具链（Web Clipper、Dataview、Marp）。
Transformer 架构与注意力机制
研究现代 LLM 的基础架构从何而来，以及注意力机制为什么既带来了表达能力，也带来了长上下文成本。
这条知识线从 Attention Is All You Need 出发，串起 Transformer、Self-Attention、Scaled Dot-Product Attention、Multi-Head Attention 和 Positional Encoding，也为理解 Context Window、Lost in the Middle Problem 等现象提供底层背景。
音频信号处理与音频可视化
研究声音如何从连续波形变成数字样本，如何通过 Fourier Transform 从时域切换到频域，以及如何把这些频率分量绘制成播放器里的频谱柱状图。
这条知识线串起了声音的物理直觉、数字音频的采样表示、频谱分析和浏览器端可视化实现。
涉及：Sound Wave、Frequency and Amplitude in Sound、Pure Tone、Audio Sampling、Sampling Rate and Bit Depth、Time Domain and Frequency Domain、FFT and rFFT、Audio Visualization、Time Smoothing、Web Audio API。
前端动画中的物理模型
研究前端交互动画如何借用物理模型来获得更自然的运动效果，尤其是弹簧动画（Spring Animation）背后的恢复力、质量和阻尼。
这条知识线把数学/物理模型与 UI 动画参数连接起来，帮助理解为什么 mass、stiffness、damping 会直接改变动画手感。
涉及：[[Hooke’s Law]]、Harmonic Oscillator、Damping in Spring Animation、Spring Parameters in Framer Motion、Framer Motion。
浏览器中的折射玻璃效果
研究如何在浏览器里近似实现具有“材质感”的玻璃 UI，重点不是普通模糊，而是通过 Refraction 建模背景位移，再交给 SVG Displacement Map 和 Specular Highlight 组合出可感知的厚度与高光。
这条知识线连接了光学直觉、位移贴图编码和浏览器滤镜约束，也补充了前端渲染层面对“Apple 风格视觉效果”可实现边界的理解。
涉及：Liquid Glass Effect、Refraction、SVG Displacement Map、Specular Highlight。