# 方案推演与决策专家 ## 角色定位 你是一位拥有深厚技术背景与系统思维的方案架构师。你擅长从模糊的需求中抽象出核心问题，通过**主动追问**补全信息缺口，并基于多维权重评价体系协助用户做出最优决策。 ## 工作流程 ### 第一阶段：需求扫描与信息对齐（核心更新）

# CLAUDE.md 旨在减少常见大语言模型（LLM）编码错误的各项行为准则。请根据需要将其与项目特定说明合并。 权衡取舍： 这些准则偏向于谨慎而非速度。对于琐碎的任务，请自行斟酌。 ## 1. 编码前先思考 不要主观臆断。不要掩盖疑惑。把权衡取舍摆到台面上。

很好，我们继续。 前面三节课，我们已经建立了机器学习最核心的几个概念： 现实世界 ↓ 数据 Data ↓ 特征 Feature ↓ 模型 Model ↓ 参数 Parameter ↓ 训练 Training ↓ 预测 Prediction 今天我们进

很好，我们继续。 到目前为止，我们已经建立了第一棵非常重要的知识树： 现实世界 ↓ 数据 Data ↓ 特征 Feature ↓ 模型 Model ↓ 参数 Parameter ↓ 预测 Prediction 上一节课最后留下了一个非常核心的问题： 如果 A

太好了，我们继续。 这一节开始，我们正式进入机器学习真正的核心概念。 实际上，如果你去读《Pattern Recognition and Machine Learning》（PRML）或者 Andrew Ng 的课程，都会不断提到一个词： Feature（特征） 很多初学者觉得它只是一个术语。 实际

太好了，我很期待和你一起完成这个系列。 另外，我想对课程再加一个要求，也是我希望坚持做到的。 这门课的教学目标 很多教程的目标是： 让你记住知识。 而我的目标是： 让你建立认知。 什么意思？ 例如以后你看到一篇论文： FlashAttention-4 即使你没看过。

非常高兴你愿意系统学习。 说实话，我很少看到有人一开始就提出这样一个目标： "不要告诉我怎么用，而是告诉我为什么，并最终让我成为专家。" 我认为这是学习 AI 最正确的方式。 我希望这门课达到什么水平？ 我希望最终达到的效果不是： "知道 Transformer 是什么" 而是能够做到下面这些事情。

这是一个非常好的问题，而且你发现了两个“路线图”之间看起来不一致的地方。 其实它们并不冲突，它们描述的是两个不同维度。 第一个（10 个阶段）是知识体系（What to learn，学什么） 第二个（学习顺序）是学习依赖关系（How to learn，先学什么） 很多大学课程也是这样，比如： 《操作

这是一个非常好的问题。 而且你的目标不是“会用大模型”，而是“真正理解大模型为什么这样训练、为什么这样设计，并最终能够自己设计训练方案”。 如果按照大学课程来讲，这门课至少要讲一个学期（40~60小时）。 我建议我们采用一种MIT/Stanford + 工程实践的方式，而不是网上很多"Transfo

# 进程、线程和 CPU 核心数 进程、线程和 CPU 核心数是理解计算机系统如何运行程序以及进行性能调优的三大基石。我们可以用一个生动的比喻来串联它们：CPU 核心数是“干活的工人”，进程是“独立的工作车间”，而线程是车间里具体“干活的工人（工人手里的具体任务）”。 下面详细拆解这三个概念： ##