books · AI content

books · 读书笔记索引

INDEX.md

结构：INDEX.md 在 books\ 根，PDF 在 books\sources\，笔记在 books\notes\；本表所有链接带 notes/ 前缀。 2026-11-08 从 D:\AI books 迁入，备份在 D:\_CleanupBackup\AI-books-2026-11-08\。

维护人：小 Q · 起始 2026-11-06

约定

  • 每读一份材料（PDF / 论文 / 网页专题），在 notes\ 新增一份 YYYY-MM-DD-短名.md，并在此表补一行。多篇论文一次性评估时可合一份笔记，但要在表里逐篇列清。
  • 每份笔记固定包含：判断（值不值得读 / 怎么读）→ 结构地图 → 核心内容（带页码）→ 可复用清单 → 按目的的读法 → 局限 → 资源与待跟进 → 批注。
  • "判断"必须是一句话能执行的结论，不写摘要、不写"取决于你的目标"。
  • 页码一律用 pN 指 PDF 文件页序；slides 类材料必须渲染核对图形，不能只信文字提取。
  • 论文类材料必须查 arXiv abs 的版本历史（v1 常有后续版本），并核对项目页 / 博客是否只是论文摘要——网页里的结果表常只以图片存在，数字要回原论文取。
  • 状态：已读 / 只读提纲 / 待读 / 弃读。

已评估

日期 材料 形态 状态 一句话判断 笔记
2026-11-06 Becoming an AI Researcher（Stefano V. Albrecht） 31 页讲座 slides 已读 不值得当书读，值得当检查清单用 20 分钟；可直接改造成企业 AI workshop 骨架 2026-11-06-becoming-an-ai-researcher-slides.md
2026-11-06 AI Engineering: Building Applications with Foundation Models（Chip Huyen） 535 页技术书，2024-12 第 1 版 已读（定向精读） 事实层与范式层已过期、别照着做；评估 / 失败模式 / 数据工程 / 架构这层没老，是书架上最该精读的一本 2026-11-06-ai-engineering-chip-huyen.md
2026-11-06 Causal AI（Robert Osazuwa Ness） Manning，522 页，13 章 已读（定向精读） 不造世界模型，但给判定"什么才算真能干预"的尺子；几乎不过时，是三本里最该慢读的一本 2026-11-06-causal-ai-ness.md
2026-11-06 机器人基础模型 4 篇（ReMEmbR 项目页 + NVIDIA 博客 + 2312.07843 综述 + X-Mobility 2410.17491） 论文 / 项目页 / 博客，补查 ReMEmbR 原论文 2409.13682 已评估（分级：2 细读 / 2 略读 / 1 跳过） 四份里只有一份值得真细读（X-Mobility，且必须换成 v3）；它们是同一条 NVIDIA 技术栈上两套互不相通的"世界"——权重里的隐式预测 vs 向量库里的显式记忆 2026-11-06-remembr-x-mobility-papers.md

进行中的带读（提问式笔记）

起始 材料 形式 状态 笔记
2026-11-06 X-Mobility v3 + ReMEmbR 原论文 小 Q 带读一段 → 侃姐提问 → 原话记录 + 回答追加到笔记；一段的 done = 侃姐说"这段过了"或没新问题；无排期、不承诺下一期 第 1 段已开讲并仍停着（本轮在补地基，不推进）；16:01 提问 #1–#4 已记录；16:13 她反馈"太深看不懂"，#5 为全部概念的白话重讲版，以 #5 为准 2026-11-06-guided-reading-world-model-papers.md
2026-11-07 Datawhale《DIY LLM》第 2 章〈分词器〉 她在自学、陆续提问 → 原话 + 回答 + 时间追加；无排期、不承诺下一期 #1 发展史与名词理顺；#2（19:30）故事化讲法 + 专有 token + ontology 进 token；#3（19:39）大模型是否自带 ontology、能否自己建本体；#4（19:46）从本体层推到商业判断：细分行业数据复用价值低 → 本体还有没有可复制价值（已主动修正 #3 一句话，停在判断层不落执行方案）；#5（20:58）从概念转到动手：每种分法分出来到底差在哪 + 代码实现 + 指定 D:\AI Coding\DIY LLM\tokenizer\ 作为课程代码专区（已派独立 agent 实作，主 agent 用官方词表独立跑出验收基准）。均已回答、查证并标可信度 2026-11-07-diy-llm-ch2-tokenizer.md

概念图解（真实 HTML 文件，直接打开，不用内联 SVG）：

代码验证专区（D:\AI Coding\DIY LLM\）

2026-11-07 侃姐亲自指定：DIY LLM 这门课后面所有需要代码验证、或者做出容易理解的内容都放这里，按主题建子文件夹（第一个是 tokenizer/）。不要散落到 WorkBuddy 会话目录，也不要放进 D:\AI content\books\notes\（那边只放笔记）。

子目录 对应章节 内容 怎么跑
tokenizer/ 第 2 章〈分词器〉 8 种自训分法同句对比 + merges 顺序表 + 两个 DeepSeek 官方词表真实分词 + index.html 可视化页；零新增依赖、完全离线；另有独立 agent 另写的一版实现可对照 python -X utf8 compare.py / bpe_train.py / deepseek_real.py / compare_subagent.py；不想跑代码双击 index.html

约定：不装任何新依赖（本机已有 transformers / tokenizers / tiktoken / regex）；huggingface.co 直连握手失败，词表走 hf-mirror.com 下载后已落盘在 tokenizer/data/；脚本必须实际跑通、真实输出写进 results.md 不许编造；连续失败 2 次就停手如实标注。她会明确要求「分出一个 SubAgent」来做，主 agent 负责逐项验收 —— 2026-11-07 这次验收确实抓到 agent 版本覆盖主链路模块导致的接口冲突并修复，两套实现各自保留、各自能跑。

待读队列（D:\AI content\books\sources\ 中已有，尚未评估）

材料 备注
知识工程和知识管理（Guus Schreiber 等，中译） OCR 版，与本体论 / klgwiki 方向相关；下一本建议读这本，接因果里的"变量与结构显式化"
计算机体系结构：量化研究方法（第5版，中译） 与 GPU / 算力选型相关

跨材料关联（累积区 · books 类）

本区只记 books 类内部关联；跨类关联见 D:\AI content\INDEX.md，不重复维护。

  • 评分卡 ↔ 评分卡怎么造：Becoming an AI Researcher p9–11、p13（问题 4 问、基线自检、复现清单）↔ AI Engineering ch3–4（p137–234，评测流水线三步）、ch10（p473–518，架构与反馈）。两本合起来讲 workshop 最完整。
  • 评测纪律 ↔ 企业交付验收：AI Engineering p224–231 逐组件评估 + 评估指南 + 方法与数据；p322–328 agent 失败模式分类 → 可直接改成客户验收表。
  • 什么才算一个可评分的世界：Causal AI ch5（p190–193 因果表征）、ch8–10（反事实 / 可识别性）↔ 世界模型四阵营辨析（Cosmos 3 / Genie 3 / Marble / JEPA，见第 3 份笔记）。制造业数字孪生要的是 L2 干预 + L3 反事实，四家产品都停在 L1。
  • 知识表示：知识工程和知识管理 → 待与 klgwiki、制造业本体工作、AI Engineering ch8 数据工程、Causal AI 的 DAG 变量定义对照。
  • 两套「世界」的对照（接第 3 份笔记的 L1/L2/L3）：X-Mobility = 权重里的潜状态预测器（能预测、不可审计，L1 预测型，T(s',s,a) 不是 do(a)）；ReMEmbR = 向量库里的显式时空索引（可查询可写回、不预测，纯 L1）。NVIDIA 同一台 Nova Carter 上同时押了这两套，互不相通。FDE 的「验证资产 / 受控写回」层要的是后者 + 显式因果结构。
  • 事实层 / 骨架层二分再次验证：2312.07843v1（2023-12 综述初稿，3 年未更新）的模型清单全过期，但 Section VI 的五大挑战与 VI-D3 校准、VI-E1/E2 运行时监测、VI-H 可复现性在 2026 年反而更该读——与《AI Engineering》同构。
  • 可直接搬进 workshop 的案例：ReMEmbR 把饮水机 caption 成 silver machine，用户问"带我去汽水机"就走错——「关联层 ≠ 干预层」的实体版，比 Pearl 公式好讲。
  • 分词器 ↔ 企业交付成本：DIY LLM 第 2 章（token 数决定上下文占用与 API 计费、多语言语料配比 4:4:1:1、词表覆盖不足导致显示「乱码」）↔ AI Engineering ch3 评测 / ch10 架构。中文比英文占更多 token 是词表语料偏向、不是模型能力差，可直接写进给客户的成本口径。
  • 同名异义 / 类型混排是理解障碍的通例：Causal AI 的 world model（反事实孪生图）vs 工程界 world model vs 数字孪生；DIY LLM 把算法名 / 工具库名 / 模型名混进一张表。以后遇到「一堆记不住的名字」，第一步先做类型分类表。
  • 两层不该混：记账层 vs 仓库层（接 DIY LLM 提问 #2）：token 只回答「这是哪块字」，本体回答「这块字此刻是什么、跟谁有关系」。垂直模型加专有 token 只省窗口与账单（新编号必须继续预训练，否则更差）；把 ontology 焊进编号会因「编号死、身份活、领域关系会变」而变脆。业界知识注入一律旁边另开一路（输入层 / 中间层 / 目标层、回答前查一层），并有「知识噪声」问题。→ 正落在 FDE 路线图「语义 / 数据治理」层，接 klgwiki 本体工作，也呼应 Causal AI「变量与结构必须显式」。
  • 本体在中间、模型在边上（接 DIY LLM 提问 #3）：没有通用模型把 ontology 装进权重；2026 企业级形态是平台打包一层（Palantir AIP 的 Ontology system = nouns + verbs + 权限 + 写回，模型可换架子不动），模型可自动从文档抽实体/关系/类别建草稿（GraphRAG、OntoGPT），但分类口径是人的约定、需签字与版本。与 FDE 路线图「语义 / 受控写回 / 验证资产 / 安全合规」同构；有分析称其为「企业的世界模型」，与视频生成式 world model 同名异义（再添一例）。
  • 可复制性判据（接 DIY LLM 提问 #4，直接关系 FDE 路线图的商业可扩展性）：复用不是一个开关，分三层 —— 上层通用大类（西门子/达索/AAS，换厂成立、已商品化）｜中层骨架（换厂大部分成立，问法/分层/验证与写回机制才是可复制资产）｜下层细节规则（换厂不成立，本来就不该复制）。判据①「换一家厂这句话还成立吗」定归属；判据②「第 2/3 家花的功夫有没有变少」定有没有复利（接 AI Engineering ch3–4 评测流水线、Albrecht 基线自检）。低复用是护城河不是库存；真危险是每次学到的东西没地方沉淀（退化成没有复利的一次性服务） ↔ Palantir 官方 FDE＝人类版反向传播、gravel road → paved highway、Echo/Delta 分工。她说「只做到知识库不出错」确实不值钱，但那是停在 L1，本体价值在 L2/L3 的「能改能推能验」。
  • 词表是语料的产物，不是字典（接 DIY LLM 提问 #5 的代码验证）：主链路 BPE 做 60 次合并，把整句「夏天湿度影响烘箱温度」粘成 1 块（小语料过拟合）；独立 agent 版只做 12 次合并，切出 7 块。两版互相反证 → 接 #2「给垂直模型加专有 token 要谨慎」与《AI Engineering》ch8 数据工程：往语料里塞什么，模型就记住什么。
  • 待办（培训材料）：把三本书 + 这批论文合成一份"制造业世界模型"讲解页——问题 4 问 → 评测流水线三步 → 从预测到干预四问 → 供应商 6 问。
查看原始文件：INDEX.md · 回书架