Knowledge Bank · 我的第二大脑 🧠
这是我的第二大脑 (Second Brain)——把学过的、查过的、踩过坑的知识都沉淀成笔记，随时能翻、越用越熟。
大脑负责思考，不负责记忆。把知识交给这个仓库，脑子腾出来做更重要的事。
为什么要有它
- 好记性不如烂笔头：学过的东西不记下来，很快就忘；记下来才是真正属于自己的
- 可复用：同一个坑不踩第二次，同一个命令不查第二遍
- 越写越懂：把一个概念讲清楚的过程，本身就是最好的学习
- 可检索：需要时几秒钟找到，而不是重新 Google 半小时
怎么用（重要：这不是写完就完事的仓库）
📌 核心原则：常回来复习，主动锻炼自己。
- 定期回顾：每周挑几篇翻一翻，尤其是”常见坑”那部分，很多都是当时血泪换来的
- 主动回忆：看标题先自己讲一遍，讲不清再看笔记——这比被动阅读有效得多（主动回忆 + 间隔重复）
- 边学边补：遇到新知识/新坑，立刻记进来，别攒着
- 常读常新：回头看旧笔记，能补充、能纠正、能关联到新知识，就说明真的进步了
- 交叉链接：笔记之间用相对路径互相引用，形成知识网，而不是一堆孤立的点
复习节奏参考：学完当天 → 隔天 → 一周后 → 一个月后。间隔重复能把短期记忆变成长期记忆。
目录结构
| 目录 | 内容 |
|---|---|
python/ | Python 语言、NumPy/pandas、PyTorch、sklearn、语法惯用写法等 |
ai-agent-guide/ | AI Agent、ReAct、MCP、Embedding、Tool Calling、Harness、基座模型、Agent 安全、世界模型、Hermes、OpenClaw（VPN/代理部署、切换国产模型 DeepSeek/Qwen 为默认）、OpenAI 兼容 SDK、API 中转站（relay）、Prompt Engineering（提示词工程：指令强度层级）、Agent 记忆（短期/长期、七个追问）、frontend-design skill（让 AI 产出有辨识度、非模板化 UI 的设计原则）、n8n（可视化工作流自动化）、搭建 Agent 工作流（六步施工法实操手册）、用 Agent 团队做独立开发（四 agent 分工 + Prompt 模板）、用 Agent 管理小红书发笔记（浏览器自动化 + LLM 生成 + HITL 人审 + 数据回收）等 |
machine-learning/ | 机器学习基础：损失函数（交叉熵）、梯度下降、决策树、注意力与残差（Transformer）、强化学习、感知机、Scaling Law、TTS（文本转语音）、Benchmark（评测集构建）等 |
game-dev/ | Unity、Blender、AI 生成 3D 资产、PICO 空间开发 |
command/ | 命令行工具：grep、curl、sed、brew、pnpm、uv、bun、esbuild、vite、包管理器对比、tmux+Ghostty 工作流 |
computer-architecture/ | 计算机基础：ALU、状态机等 |
database/ | 数据库：SQLite、Turso（分布式 SQLite）、Postgres（对象关系型、pgvector 兼当向量库）、MySQL vs PostgreSQL vs Supabase 选型对比、与 client-server 数据库对比、schema（与 MCP 工具 schema 对比）、ER 图（实体关系建模 → 落地成 schema）、SQL RAG（RAG 检索源扩展到 SQL 数据库 / Text2SQL） |
networking/ | 网络：DNS 绑定、ping、服务器原理、Socket、TCP/UDP、SSH、HTTP、HTTP 方法与 Fetch API、网络安全、网关（Gateway）、密码鉴权（PWD）、VPS 与 VPN、自建 VPN 与商业代理对比 等 |
statistics/ | 统计：分布、高斯实现等 |
docker/ | 容器化：Docker 概念、使用场景、与虚拟环境对比 |
frontend/ | 前端跨端：Taro（多端统一开发框架，React/Vue 语法编译/运行到小程序+H5+RN）、H5（移动端网页 / HTML5 双含义、与小程序/App 对比）等 |
web/ | Web 概念：静态 vs 动态网页等 |
git/ | Git 操作流程：git-worktree（多 agent 并行工作的多工作区机制）、git-graph（提交历史 DAG 可视化：分支分叉/合流）等 |
linear-algebra/ | 线性代数：矩阵秩、特征值、SVD、向量空间等 |
research/ | 研究性主题：情绪智能（“情感是否技能”、心智理论 ToM）、AI 认知（涌现 vs 模式匹配、具身认知）等 |
security/ | 安全：逆向工程（二进制/协议/固件逆向、静态 vs 动态分析、合法边界） |
产品prd/ | 产品需求文档、黑客松行动清单、Figma 工具链（原型/MCP/CLI·GUI 实操）；索引见 产品prd/README.md |
bank/ | 财经/理财相关 |
leadership/ | 领导力 / 管理法则：字节 Leader 的 27 条建议、判断方向、团队管理 |
| 根目录 | 跨主题的综合笔记（如单层感知机） |
🕸️ 知识网关系图
笔记不是孤岛。下面两张图记录了近期几条主线是怎么互相咬合的，方便顺着链接导航、复习时建立整体感。
网络这条线（自底向上的协议栈）
ping (ICMP) ← 通不通
│
dns-binding ← 域名 → IP（含 IP 地理定位辨析）
│
tcp-udp ← 传输层：可靠 vs 快、三次握手
│
socket ← 编程接口：bind/listen/accept、四元组
│
server ← 服务器原理：请求-响应、并发、代理
├── ssh ← 应用层：远程登录、密钥认证、隧道/跳板机
└── http ← 应用层：方法/状态码/HTTPS/HTTP1-3
│
▼
http_methods_fetch ← 实践层：怎么用 Fetch 真正发出 GET/POST，调 API
│
network-security ◀───┴─▶ ai-agent-guide/agent_security
（Web漏洞/主机防御） （提示词注入 = 注入漏洞的AI版）
AI / 认知这条线（技术线 × 研究线的握手）
machine-learning ai-agent-guide
┌──────────────┐ ┌────────────────────┐
│ gradient- │◀─训练──────────── │ foundation_model │
│ descent │◀─训练─┐ │ (基座/RLHF/涌现) │
│ cross-entropy│ │ │ world_model │
│ reinforcement│──model-based────▶ │ loop_engineering │
│ -learning │──RLHF──▶(基座) │ ai_predictability │
└──────────────┘ │ context_engineering │
│ skills / agent_sec │
└─────────┬──────────┘
建模三兄弟 & "会做≠真懂" │
▼
research/ ┌────────────────────────┐
├ emotional-intelligence/ │ 汇聚枢纽： │
│ emotion-as-skill (自我模型)────▶│ research/ai-cognition/ │
│ theory-of-mind (ToM)─────────▶│ emergence-vs- │
│ │ pattern-matching │
world_model (世界模型)────────────▶│ ("会做 ≠ 真懂" 母题) │
foundation_model ─────────────────▶└────────────────────────┘
两个母题把技术线和研究线缝在了一起：「建模」（世界模型/ToM/自我模型 = 给环境/他人/自己建模）与 「涌现 vs 模式匹配」（会做 ≠ 真懂，同一把”功能 vs 体验”的哲学尺子量遍各处）。
新增主题如何织进知识网（交叉链接）
AI Agent 工具链（本次新笔记大多落在这里）
foundation_model ──SFT──▶ hermes / sft
│ │
│ (函数调用能力) ├─▶ mcp ◀────────▶ openclaw (Gateway: Tools+Skills+MCP)
▼ │ ├─▶ skills / orchestration / multimodal
tool_calling ──────────────▶ openclaw └─▶ rag_optimization ─▶ embedding_model
│
└─▶ n8n (可视化工作流自动化 + AI Agent 节点; Level3 平台智能体, 见 agent_dev / orchestration)
│
└─▶ openai_compatible_sdk (统一客户端: Ollama/vLLM/OpenRouter/LiteLLM 都换 base_url 即可调)
└─▶ api_relay (中转站/网关: 把兼容端点做成服务端 + 格式翻译 + 计费; cc-switch 改 CLI 的 base_url 指过来)
Figma MCP 落地（把"想法→Figma 画布"接进 Agent 工作流）
mcp ──▶ 产品prd/figma/figma-mcp (Figma 接成 AI 工具源: 读/写画布)
├─▶ figma/figma-mcp-cli (Claude Code 终端: claude plugin install + 连 MCP)
└─▶ figma/figma-mcp-gui (VS Code/Cursor: mcp.json + 装 Figma 扩展含 skill)
└─▶ figma/figma-prototype (画完连成可点原型)
记忆线（ai-agent-guide/memory.md：短期/长期 + 七个追问）
memory ──▶ context_engineering (记忆是"喂什么"的一个来源)
──▶ loop_engineering / agent_harness (循环里的 scratchpad = 工作记忆)
──▶ embedding_model / rag_optimization (长期记忆的存储与检索)
──▶ prompt_engineering (用强声明约束读写行为)
数据库线（database/）
er-diagram ──▶ schema ──▶ mcp (postgres 等 MCP Server 把库结构当 Resource 返回)
sqlite-turso ──▶ schema └──────────▶ openclaw (自然语言查库)
postgres ──▶ schema / mcp (SQL RAG 的库本体, pgvector 兼当向量库)
sql-rag ──▶ schema / mcp ──▶ rag_optimization (RAG 检索源 = SQL 库, 两层注入风险)
安全线（security/ + networking/）
reverse-engineering ──▶ network-security (协议/抓包分析) ──▶ agent_security (提示词注入 = 注入漏洞 AI 版)
└──▶ docker (隔离沙箱跑可疑样本)
线性代数线（linear-algebra/）
matrix-rank ──▶ sft (LoRA 的低秩 r) ──▶ foundation_model
matrix-rank ──▶ gradient-descent / matrix-operations
认知线补链（research/）
multimodal ──▶ embodied-cognition ──▶ emergence-vs-pattern-matching
(AI 多模态不具身) (符号接地 / "真懂了吗")笔记持续新增并互相链接（ai-agent-guide 的 MCP/中转站/兼容 SDK 线、networking 的 VPS/VPN 线、产品prd 的 Figma 工具链等），均按相对路径织成知识网，并在对应文件夹索引 / README 目录表中登记。
🚀 近期学习计划：3 天 Vibe Coding 顺带学 AI Agent
目标：这三天边写代码边把 AI Agent / AI 应用开发这条线补齐。下面 13 个主题高度重叠，与其孤立地一个个啃，不如按「主题簇」分三天学，每个都挂到已有笔记上，避免碎片化。
用法：每天让 Kiro 就当天主题生成笔记，落点默认在
ai-agent-guide/。生成时务必用相对路径链接到「关联笔记」列，把新知识织进现有知识网。✅ 表示学完。
一图看懂主题之间的关系
┌─ Loop Engineering（怎么循环）
Agent 运行机制 ───────┼─ Agent Harness（跑循环的外壳/运行时）
（agent.md 已有基础） ├─ Harness Engineering（怎么设计这个外壳）
└─ AI Agent 开发（整体落地）
│
│ 循环里每一步都要喂对上下文
▼
上下文与可控 ─────────┬─ Context Engineering（喂什么、怎么组织）
├─ AI 可预测性（怎么让它稳定、可复现）
└─ Skill（按需加载知识，控制上下文成本）← skills.md 已有
│
│ 上下文从哪来 / 能力怎么接
▼
接入 · 检索 · 编排 ───┬─ MCP 及工具开发 ← mcp.md / tool_calling.md 已有
├─ RAG 优化 ← embedding_model.md 已有
├─ 流程编排 ← agent_dev.md 已有
└─ 多模态大模型接入
│
▼
模型定制 ────────────┬─ 模型 SFT（微调让模型更听话）
└─ Hermes（擅长 function-calling 的开源模型系列）
Day 1 · Agent 运行机制与工程化
把”Agent 是怎么跑起来的”这条线打通。这几个词其实是同一件事的不同侧面。
| 主题 | 一句话理解 | 关联已有笔记 | 计划笔记 | ✅ |
|---|---|---|---|---|
| Loop Engineering | 设计 Agent 的运行循环（想→做→看→再想），何时继续、何时停 | ai-agent-guide/agent.md（运行循环 / ReAct）、computer-architecture/state-machine.md | ai-agent-guide/loop_engineering.md | ✅ |
| Agent Harness | 承载并驱动这个循环的”外壳/运行时”（相当于 AgentExecutor 的进化版） | ai-agent-guide/agent.md（Executor / LangGraph runtime） | ai-agent-guide/agent_harness.md | ✅ |
| Harness Engineering | 如何设计这个外壳：错误重试、工具编排、状态管理、可观测性 | 同上 + ai-agent-guide/tool_calling.md | 并入 agent_harness.md | ✅ |
| AI Agent 开发 | 从提示词→工作流→平台智能体的整体落地路径 | ai-agent-guide/agent_dev.md（已有，可深化） | 深化 agent_dev.md（+Level 4 代码级） | ✅ |
Day 2 · 上下文与可控性
Agent 每一轮循环都在跟”上下文”打交道。这一天解决”喂什么、怎么让它稳定”。
| 主题 | 一句话理解 | 关联已有笔记 | 计划笔记 | ✅ |
|---|---|---|---|---|
| Context Engineering | 精心设计喂给模型的上下文（选哪些、怎么排、怎么压缩） | ai-agent-guide/token.md（上下文窗口）、ai-agent-guide/skills.md（渐进式加载） | ai-agent-guide/context_engineering.md | ✅ |
| AI 可预测性 | 让 Agent 行为稳定、可复现、可控（温度、结构化输出、人为触发） | ai-agent-guide/slash_commands.md（可控触发）、ai-agent-guide/agent.md（workflow vs agent） | ai-agent-guide/ai_predictability.md | ✅ |
| Skill（复习+深化） | 把某类任务的方法论打包、按需加载 | ai-agent-guide/skills.md（已有，主动回忆一遍再补） | 深化 skills.md（+示例/与上下文工程关系/坑） | ✅ |
| Agent 安全（延伸） | 提示词注入=注入漏洞的AI版；沙箱、最小权限、人工把关 | networking/network-security.md、docker/docker.md、ai-agent-guide/tool_calling.md | ai-agent-guide/agent_security.md | ✅ |
Day 3 · 接入 · 检索 · 编排 · 模型定制
Agent 的能力和上下文从哪来，以及怎么让底层模型更听话。
📌 概念桥梁：
ai-agent-guide/foundation_model.md辨析了两个”基座”——「基座模型」(模型地基，Day 3 SFT) vs 「基座/脚手架」(系统地基，即 Day 1 的 Agent Harness)，顺带回答了”Loop 策略是工程师定还是模型决策”。它横跨 Day 1 和 Day 3，可随时翻。
💡 复习钩子：每天学完，回到本表把 ☐ 划成 ✅；一周后回来，先看标题自己讲一遍再看笔记（主动回忆）。
笔记风格约定
大部分笔记遵循统一结构，方便快速定位：
- 定义 — 一句话讲清是什么 + 一个类比
- 解决什么问题 / 核心概念 — 表格对比
- 常用命令 / 用法 — 可直接复制的代码
- 常见坑 — 踩过的雷（复习时重点看这里）
- 延伸阅读 / 关联概念 — 交叉引用其他笔记
约定
- 包管理器统一用 pnpm（JS）/ uv（Python）
- 笔记之间用相对路径互相引用，构建知识网
- 中文为主，代码和术语保留英文
记录是为了遗忘得慢一点，复习是为了记得久一点。加油。💪