Wiki Index

概念 Pages

• Overview — 当前知识库总览，串联上下文工程、AI UX 与 LLM Wiki 模式
• Context Engineering — 设计和管理 LLM 上下文窗口的四种策略（Write、Select、Compress、Isolate）
• Context Rot — 输入长度增加导致 LLM 性能断崖式下降
• Attention Mechanism — 注意力机制的工作原理、计算代价和注意力分配不均
• Transformer — 以注意力机制替代 RNN/CNN 的基础序列建模架构
• Self-Attention — 让序列中每个位置直接读取其他位置信息的机制
• Scaled Dot-Product Attention — Transformer 中标准的注意力计算形式
• Multi-Head Attention — 并行关注不同表示子空间的注意力机制
• Positional Encoding — 为 Transformer 注入顺序信息的位置表示
• Context Window — 模型单次交互能看到的词元总数，有效长度远小于营销值
• Lost in the Middle Problem — LLM 对输入中间部分关注度不足的现象
• Retrieval-Augmented Generation (RAG) — 检索增强生成，只拉取相关信息注入上下文
• Scratchpads — 智能体长任务中将中间步骤写入外部存储
• Long-term Memory for LLMs — LLM 跨会话持久化信息
• Multi-agent System — 将任务分配给多个专业化智能体，各自拥有干净的上下文
• LLM Wiki Pattern — 由 LLM 构建和维护的持久化知识库，知识编译一次后持续更新
• KV-Cache — 键值缓存对 AI 智能体性能至关重要，直接影响延迟和成本
• Agent Loop — AI 智能体的标准循环流程，上下文增长与输出失衡
• State Machine for Agents — 用状态机管理工具可用性，通过词元屏蔽保持上下文稳定
• Recitation for Attention Manipulation — 通过重复读写（todo.md）将目标保持在上下文末尾，避免迷失在中间
• File System as Context — 将文件系统视为终极上下文，作为无限、持久的外部内存
• Keep Errors in Context — 保留错误痕迹让模型自适应更新
• Few-Shot Prompting in Agents — 少样本提示在 Agent 系统中的陷阱
• Stochastic Graduate Descent — “随机研究生梯度下降”，Manus 团队对实验式迭代方法的戏称
• State Space Model (SSM) — 一类可替代 Transformer 的序列建模路线
• Neural Turing Machines — 将神经网络与外部可读写记忆结合的模型设计
• Masking Tool Logits — 通过屏蔽工具相关词元来约束动作选择
• Intent-based Outcome Specification — 用户描述结果、约束与委派边界，系统负责规划执行
• Articulation Barrier — 用户难以把真实意图完整表达给 AI 的可用性障碍
• Orchestration Surface — 意图与执行之间的协商、审计与回执层
• Intentional Cognitive Friction — 高风险任务中按风险校准的减速与确认机制
• Slow AI — 面向长时运行智能体任务的交互模式
• Intent by Discovery — 通过探索潜在方案空间逐步形成意图的长期 UX 模型
• Audio Visualization — 将音频频率分量映射成动态图形的技术
• Sound Wave — 描述声音振动随时间变化的波形表示
• Frequency and Amplitude in Sound — 声音的频率与振幅分别对应音高与响度
• Pure Tone — 只含单一频率的正弦波声音
• Audio Sampling — 将连续声音离散化为样本序列
• Sampling Rate and Bit Depth — 数字音频的两个核心参数
• Fourier Transform — 将信号从时域转换到频域的方法
• Time Domain and Frequency Domain — 观察信号的两种视角
• FFT and rFFT — 傅里叶变换的常用快速算法
• Time Smoothing — 让频谱动画更平稳的帧间平滑方法
• Web Audio API — 浏览器中的音频解码与处理接口
• Window Function — FFT 前常见的样本窗口预处理
• Spring Animation — 使用弹簧物理模型驱动动画收敛的方式
• [[Hooke’s Law]] — 弹簧恢复力与位移成正比的基本定律
• Harmonic Oscillator — 偏离平衡后受到恢复力的振荡系统
• Damping in Spring Animation — 让弹簧动画逐渐停下的阻尼机制
• Spring Parameters in Framer Motion — mass、stiffness、damping 三个核心参数
• Liquid Glass Effect — 通过折射位移和边缘高光近似实现玻璃 UI 的视觉效果
• Refraction — 光线跨介质传播时改变方向的现象，也是液态玻璃位移建模的基础
• SVG Displacement Map — 用图像通道编码像素位移并交给 <feDisplacementMap /> 执行
• Specular Highlight — 材质表面的明亮反光区域，帮助玻璃效果建立厚度感

实体

• ByteByteGo — 技术博客，发布了 Context Engineering 指南
• Karpathy — Andrej Karpathy，提出 context engineering 概念
• Chroma — AI 公司，2025 年 Context Rot 研究的发布者
• Anthropic — AI 公司，多智能体研究系统的开发方
• Cognition — Devin 编码智能体的开发商
• Manus — AI 智能体项目，被 Meta 收购，提供了上下文工程实战经验
• qmd — 面向 Markdown wiki 的本地搜索工具
• Framer Motion — React 动画库，支持弹簧动画
• Maxime Heckel — 撰写前端动画与交互原理文章的作者
• Jakob Nielsen — 可用性领域先驱，提出 AI 时代 UX 需要重写评估指标与交互范式

源摘要

• A Guide to Context Engineering for LLMs — ByteByteGo 关于上下文工程的全面指南（2025-12-16）
• llm-wiki — karpathy 关于 LLM Wiki 模式的原始概念文件（2026-04-04）
• Context Engineering for AI Agents Lessons from Building Manus — Manus 团队的实战经验（2025-07-18）
• 音频可视化：采样、频率和傅里叶变换 — 从声音波形、采样到频谱可视化的实现链路（2021-08-06）
• The physics behind spring animations - The Blog of Maxime Heckel — 解释弹簧动画背后的物理模型与 Framer Motion 参数（2020-06-23）
• Attention Is All You Need — 提出 Transformer 架构的经典论文（2017-06-12）
• Liquid Glass in the Browser Refraction with CSS and SVG — 用折射建模和 SVG 位移贴图近似实现 Liquid Glass（2025-10-04）
• Intent by Discovery Designing the AI User Experience — Jakob Nielsen 关于 AI UX 范式转移与发现式交互的文章（2026-03-26）

分析 / 对比

（暂无，后续 query 中产生的分析将归档于此）