Transformer 的核心思想不是死记硬背，而是在生成每一个 Token 时，动态决定应该重点关注前文中的哪些 Token。这一章，我们不用矩阵、向量运算这些复杂公式来表述，而是用一个现实例子，说明模型到底是如何"思考"一段文字的。后面一节，我们将专门讲解 Attention 是如何工作的，以及为什么它彻底改变了自然语言处理的发展方向。Transformer 并不是直接处理文字，而是处理 To

Screen（屏幕）是 UI 层面的根容器，一个 Display 可以绑定多个 Screen，Screen 尺寸完全匹配所属设备，二者在本质、从属关系、操作权限上有明确区分，是理解整个显示系统的前提。件显示（Display）与 UI 屏幕（Screen）的核心区别，覆盖多显示设备支持、单显示简化逻辑、镜像 / 分屏拼接、透明屏幕等全场景方案，帮开发者搞定嵌入式 GUI 的像素输出与多屏适配，是做稳

Claude Code的命令体系虽然庞大，但只要掌握了核心的30%命令，就能覆盖80%以上的日常开发场景。优先级命令类别核心命令🔴 必学会话管理/init/compact/clearclaude -c🟠 重点Git操作/commit/review🟡 进阶模型切换/model/memory🟢 高阶MCP/Skills/mcp/skills我的推荐学习路径第一周：掌握claude -c恢复会话

MetaSkills 的 30 次提交构建了一个相当厚的抽象层——声明式 DSL、DAG 引擎、LLM 路由、Checkpoint 机制。但每一层都保留了可观测性、可调试性、可审计性的逃生舱口。它没有假装本质困难不存在，而是用抽象把偶然困难压到极限低，然后把省下来的大脑带宽全部投入到 DAG 死锁检测、LLM 输出校验、失败分支恢复这些无法逃避的本质困难上。

前段时间 dsV4 刚出的时候，我就接到了 Claude code 里试了试，跑了几个模型的对比和消融实验，发现性价比确实不错。偶尔刷抖音会刷到一些 vibe coding 作品，便有了尝试的想法。选番茄钟主要是因为我对这种 APP 的开发流程的了解是浅薄的，因此，我应该可以较好的作为一个没有相关多少专业基础的人，试试看使用 AI 工具实现作品需要多少精力和成本。其次也是因为它不需要过于复杂的逻辑

策略实现严格分离JIT 内零副作用，I/O 全在普通 Python显式数据搬运device_put进 JIT,device_get出 JIT异步安全保证参数发布前计算完成配置项不进入 JAX 追踪不用 callback避免顺序不确定性和性能损失进程隔离Actor/Learner 分离天然解决 JIT/I/O 矛盾★核心思想。