article / aiznoyer
Overview：从学习笔记到可靠 AI 系统
这条旧 README 路径如今是一张动态导航图：它解释这些本科笔记怎样生长为研究、项目与可持续扩展的知识基础设施。
这条地址来自我本科阶段的
MyLearningNotes。2026 年，我没有把它删掉，而是把它改造成整个知识花园的入口。旧链接仍然有效，页面承担的任务已经从“列出学过哪些课程”变成“解释这些积累正在通向哪里”。
一条没有被截断的学习路径
本科时，我学习数据科学与大数据技术，最初写笔记的动机很朴素：把算法、数据库、计算机网络、机器学习和 Spark 等课程真正弄懂，也让复习资料能够被下一次学习复用。
那些文档有明显的时代印记。它们围绕课程章节组织，夹杂应试重点、调试记录和当时尚未完成的计划。部分依赖、命令与结论在今天已经过时，因此它们更适合作为学习过程的原始切片，而非始终正确的技术手册。
但它们留下了一种后来越来越重要的习惯：写下结论，也写下结论从哪里来；保存能运行的答案，也保存失败、修正和上下文。
现在，我在解决什么问题
目前我是一名计算机科学与技术硕士研究生，关注大模型应用、可靠性验证、语义检索与 Agent 工作流的交界处。我的核心问题可以压缩成一句话：
当模型给出一个聪明、流畅而且看似合理的结果时，我们凭什么相信它，又怎样让它被复现、质疑和继续使用？
围绕这个问题，我的工作逐渐形成三条相互连接的主线：
1. 让输出拥有证据
把检索来源、实验条件、反例和语义一致性放回推理链，识别低置信输出。可靠性不只是一项最终评分，它应当参与系统作出每一步决定。
2. 让反馈进入建模循环
在 AutoEDM 等研究中，我尝试让解释信号参与特征生成与模型搜索。系统不只寻找更高的指标，也要说明哪些特征产生了作用、为什么保留它们，以及下一轮应该怎样变化。
3. 让 Agent 的行动可以审计
把目标、权限、证据、验收条件和失败边界写成显式合同。Agent 可以自主执行，但每次行动都应留下责任链，知道做了什么、依据什么、怎样撤回或重做。
项目是这些问题的实验场
| 项目 | 它在解决什么 | 我真正关心的设计命题 |
|---|---|---|
| ScholarFlow | 把研究问题拆成主张、证据、实验与交付合同 | 一句话怎样变成可定位、可复现、可质疑的研究任务 |
| Chronicle Memory | 为手账、口述史、传记与日志保留证据边界 | 怎样同时保存叙事温度、原始材料、事实与推断 |
| Let Code in Pad | 在电脑与平板之间组织离线知识和算法练习 | 同一份内容怎样在录入、遮蔽、复习与同步之间切换形态 |
| Aiznoyer Atlas | 统一本科笔记、研究写作、算法题库和多仓库内容源 | 知识怎样脱离某一次框架迁移，长期保持可搜索、可连接、可扩展 |
这些项目的外观不同，底层关心的是同一件事：把容易消失的上下文，变成能够被验证和再次使用的结构。
AI 让“会写代码”的含义发生了变化
越来越多代码可以由 AI 辅助生成，项目的新旧和代码量因此不再足以说明竞争力。真正稀缺的部分向上游移动：能否提出值得解决的问题，建立正确的约束，辨认模型隐藏的假设，并设计出可验证、可维护、对真实用户有意义的系统。
我仍然重视工程实现，因为想法只有进入真实环境才会暴露边界。但我更希望这些实现能回答几个具体问题：
- 问题为什么值得解决？
- 系统凭什么认为自己做对了？
- 失败时能否找到证据、恢复现场并继续迭代？
- 换一个模型、设备或内容仓库后，知识是否仍然存在？
Atlas 如何组织这些积累
今天的 Atlas 已经从单仓库博客变成内容与框架分离的知识系统。内容仓库保存统一格式的 Markdown、图片与知识关系；Nuxt 框架负责检索、阅读、算法工作台、成员页面和知识图谱；新的 GitHub 数据源只要遵守协议，就能加入同一个博客家庭。
这套结构保留了本科阶段的 53 篇学习文档，也接入后来的写作与算法内容。迁移没有把历史洗成一份整齐却失真的履历，而是给每条记录补上来源、时间、主题和可继续延伸的路径。
从这里继续阅读
- 博客：学习笔记、技术文章与研究过程的统一入口。
- 算法工作台：可以遮蔽参考答案、保存本地作答并反复练习。
- 知识图谱：从概念和文档之间的连接寻找下一条阅读路径。
- 项目与交互案例：直接体验各个项目试图解决的具体困难。
- 我的页面：管理个人 API Key，并使用站内 AI 辅助能力。
如果你正在阅读一篇旧笔记，请把发布日期当作它的一部分。若发现错误，欢迎通过对应 GitHub 仓库提交 Issue 或 Pull Request。知识花园的意义从来不是证明过去已经完美，而是让今天能够看见过去的依据，并从那里继续生长。