一、AI是怎么学会思考的？
1950年，大名鼎鼎的计算机科学之父Alan Turing提出了著名的图灵测试。也就是说，如果⼀个⼈隔着墙和机器⼈聊天，如果不能分辨对⽅是⼈还是机器，这个机器就算是具有智能了。
1、规则驱动阶段（专家系统）
这是人类早期向大模型的探索。
如果 看到⽑茸茸的、有尖⽿朵的、有⻓尾巴的动物，那么 它是猫。本质是规则的穷举，将人类的知识编写成无数条if else规则。
局限性：世界太过于复杂，⼈⼒资源有限，不可能写⼊所有规则。
2、机器学习阶段（数据寻找规律）
核心逻辑： 不再手写规则，而是给机器数据和答案，让它自己总结规律。
三大路径：
- 监督学习： 带标签训练（这是猫，那是狗）。
- 无监督学习： 自动聚类（自动区分新闻类别）。
- 强化学习： 奖励与惩罚机制（如 AlphaGo）。
3、深度学习阶段（神经网络）
核心逻辑： 模拟人脑神经元，通过隐藏层（Hidden Layers）自动提取和组合特征。
突破： 摆脱了人工提取特征的依赖，能够处理更复杂的视觉和语言任务。
局限： 擅长做“选择题”和“判断题”，缺乏真正的创作能力。
4、Transformer 架构突破
关键转折点： 2017 年 Google 提出 《Attention Is All You Need》。
核心技术：
- 注意力机制（Attention）： 让模型能同时看到全句，根据上下文精准理解词义。
- 并行计算： 极大提升了训练效率，为算力的“量变引起质变”奠定基础。
针对注意力机制，举个例子：“我今天买了两个 苹果 ，洗⼲净后就吃了。””苹果”这个词，既可以指⽔果，也可以指苹果公司。如果是传统模型，可能只能根据词典做机械匹配，⽆法准确判断具体含义。但在注意⼒机制下，模型会同时关注“苹果”周围的上下⽂词汇，⽐如“两个”“洗⼲净”“吃了”，并对这些与语义强相关的信息赋予更⾼权重，因此能够迅速理解，这⾥的“苹果”指的是⽔果，⽽不是公司。
5、基础模型与涌现阶段
核心逻辑： 海量数据 + 巨大参数 + 强悍算力 = 基础模型（Foundation Model）。
核心能力： 涌现能力： 表现出逻辑推理、代码生成、情感理解等未被显式设计的能力。
- 从选择到创作： AI 从做“判断题”进化到做“填空题”和“作文题”，能够主动生成高质量内容。
6、总结
AI 的进化本质上是人类干预逐渐减少、机器自主性不断增强的过程。现在的 AI 已经从一个“查表机器”进化成了具备理解力与创造力的“数字大脑”。
二、大模型的底层特性
1、核心思想：预测下一个词
（1）给定前⾯所有的词，通过注意⼒机制预测下⼀个词最可能是什么。
（2）举例说明:
2、上下文窗口
（1）上下文窗口为什么不能无限扩大
上下⽂窗⼝的本质是注意⼒计算的范围枷锁，为什么模型不能⽆限制扩⼤上下⽂窗⼝？核⼼是注意⼒计算的复杂度陷阱。我们先明确⼀个公式：
- ⾃注意⼒的计算复杂度 = O(n²)
- 其中 n 是输⼊⽂本的 token 数量，这个公式的意思是：计算量会随着 token 数量的增加呈平⽅级爆炸增⻓。
这就是数学边界的核⼼枷锁：哪怕你想把窗⼝从 8192 扩容到 131072，计算量会从 6700 万暴涨到170 亿，显存需求从 262MB 涨到 65.5GB，普通硬件根本扛不住。
（2）上下文窗口越大，放入内容越多就越好吗？
窗⼝变⼤，不等于模型就能稳定理解和利⽤全部内容。原因在于，⼤模型并不是像数据库⼀样“精确存储并调⽤前⽂”，⽽是在⽣成每个 token 时，动态地从整段上下⽂中分配注意⼒。当内容越来越多时，会出现⼏个典型问题：
- 注意⼒被稀释：前⾯写⼊的规则虽然还在窗⼝⾥，但在⼤量新内容冲刷下，权重会不断下降。
- 模型更偏向最近信息：离当前问题更近的内容，通常更容易在注意⼒竞争中占优。
- 中间区域最容易被忽略
- 信噪⽐下降：上下⽂越⻓，⽆关信息、重复信息、弱相关信息越多，模型筛选重点和维持推理⼀致性的难度越⼤。
总而言之：信息越多，模型越容易失焦；约束越⻓，模型越容易遗忘；⽽且中间区域的信息最容易在注意⼒竞争中被淹没。
因此在我们和AI对话或者Vibe Coding中，应该及时开启新对话或者压缩上下文。
三、Claude Code
1、底层的运行逻辑
Claude Code 的核⼼不是”回答”，⽽是⼀个反复循环的代理过程：
2、上下文的消耗情况
所以，在我们Vibe Coding时，不要加载没用的MCP，会很大程度占用上下文，并加快了Token的消耗。
3、Plan Mode
在 Claude Code 中，通过 Shift + Tab 即可快速切入 Plan Mode（计划模式）。该模式的核心在于解耦“探索”与“执行”：
- 只读探索，边界先行： 在该阶段，Claude 仅进行只读操作。你可以引导它优先澄清目标、划定边界并推演架构，而不直接修改代码。
- 后置执行，降低容错： 只有在方案达成共识后，才会进入执行阶段。
核心建议： 无论是开发新功能还是修复复杂 Bug，养成“先计划、后动手”的习惯。这不仅能通过深度讨论规避逻辑偏差，还能显著降低因无效代码修改而产生的 Token 损耗，实现效率与成本的双赢。
4、Subagents
（1）为什么用？
最⼤的价值不是”并⾏”，⽽是隔离，扫代码库、跑测试、做审查这类会产⽣⼤量输出的事，塞进主线程很快就把有效上下⽂挤没了，交给 Subagent 做，主线程只拿⼀个摘要，⼲净很多。
（2）创建方法
官方文档：创建自定义 subagents – Claude Code Docs
Claude Code本身含有内置的agents：
如何自定义agents：
第一种是/agent交互式创建，有引导界面，适合新手。
第二种是在 .claude/agents/ 目录下创建 .md 文件
比如在你的项目里创建 .claude/agents/code-reviewer.md：
name: code-reviewer
description: 代码审查专家。当代码改动完成后自动使用。
tools: Read, Glob, Grep, Bash
model: sonnet
你是一个高级代码审查员。审查代码质量、安全性和最佳实践。
关注：SQL注入、XSS、错误处理、代码重复。
保存后直接就能用了。
（3）如何用？
当然，如果自定义了agent：code-reviewer，那么可以通过以下两种方式启动：
- 用 code-reviewer 帮我看看最近改动的代码
- @code-reviewer 看看 auth 模块的改动
5、Skill
直接看帖子，很详细了：
如何写一个好的skill 让你的效率加倍 – 文档共建 – LINUX DO
6、Hooks
（1）介绍和使用
（2）与skill的区别
skill不可控，hooks完全可控，必要需求用hooks。
6、上下文压缩
- Continue，继续在同⼀个会话⾥发下⼀条消息
- /rewind（esc esc），跳回之前某条消息，从那⾥重试。出现错误⽐较⼤的⽅向性错误，优先使⽤rewind，与其纠错，不如回退
- /clear，开始新会话，通常带上你刚提炼出来的简报
- /compact，总结当前会话并在总结之上继续。指明需要保留的⽅向，提前使⽤，不要等⼯具⾃动压缩
- Subagents，把下⼀段⼯作委托给有独⽴⼲净上下⽂的代理，只把结果拉回来