# books · 读书笔记索引

> 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](notes/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](notes/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](notes/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](notes/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](notes/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](notes/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）：

- ① [看 / 改 / 悔：三层因果阶梯 + 消融实验](notes/2026-11-06-concepts-L1-L2-ablation.html)
- ② [七个词，一个烘箱讲完（白话版）](notes/2026-11-06-concepts-plain-words.html) — DAG、不确定性量化、机制不变、gap 三修法、硬经验、DTCF、ATE/CATE/QTE，**零基础版**
- ③ [分词器这 30 年：四次被逼出来的改动](notes/2026-11-07-tokenizer-history.html) — 名词分类表 + 时间线 + 4 个故事 + 与教材章节对照，配 DIY LLM 第 2 章
- ④ [分词器也有它的 2012（故事版）+ 两个「我能不能自己改」](notes/2026-11-07-tokenizer-story-and-two-questions.html) — 三幕故事（Gage 1994 → 三个翻译人 2015 → 2018 分家）+ 翻车名场面 + 专有 token / ontology 两个 verdict，**故事化讲法**
- ⑤ [本体到底装在哪？](notes/2026-11-07-where-does-ontology-live.html) — 三种「自带」对照 + 老师傅经验 vs 仓库台账 + 理货员/设计师分工 + 审供应商三问，配 DIY LLM 提问 #3
- ⑥ [本体能不能复制？三层，三种答案](notes/2026-11-07-can-ontology-be-replicated.html) — 上层通用大类 / 中层骨架 / 下层细节规则 + 归属判据与复利判据 + 第 1/2/3 家曲线示意 + L1/L2/L3 拉回，配提问 #4（商业判断层）

## 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。