个人知识库 · 2026 · 持续构建中
建站思路
知识的危险不在于太多，而在于太散。本站以定义、定理、方法、思想、应用为骨架，将数学、编程、算法与 AI 的核心概念织入一张可生长的图，使理解可以被度量，使盲区可以被定位，使跨域类比成为可能。
核心论点
传统的线性学习以进度完成为表征，却在认知深处制造碎片化的孤岛——概念在缺乏关系网络的情况下被孤立存储，在最需要被调用时反而无从激活。
数学、编程、算法与 AI 共享同一种形式化的底色——概念有清晰的边界、定理有严格的推导链、方法有明确的适用条件、应用有划定的有效域。
若知识本身已是有图结构的，为何我们仍用线性方式存储它？本站的回答是：不应该。
理解一个概念，意味着知道它在语义中的位置——它从哪里来，它通向哪里，它的对偶是什么。
图谱的节点是概念，但概念并非原子——它有内部结构。逻辑学给出了最精准的剖析工具：内涵（本质属性集合，回答“它是什么”）与外延（所有实例集合，回答“它有哪些”）。这一对互为表里的维度，价值在于它会自动暴露理解的深浅——当你无法为一个概念写出严格内涵时，你并未真正理解它。
在人工智能领域，“涌现”、“泛化”这些词的内涵至今悬而未决。这不是偶然，而是领域尚未成熟的精确诊断。
节点解剖
用最少的、相互独立的原语刻画概念，使它在任何语境下都能被无歧义地复现与引用。
回答"它是什么"。严格内涵使概念有边界，使"这是"与"这不是"成为可判定的命题。
回答"它有哪些"。外延枚举使抽象落地，使内涵的完备性可以被检验和反驳。
由定义出发的不可避免的结论。定理是概念之间承重的钢梁，决定整张图谱的结构强度。
将概念转化为可执行的步骤集合，标注其前提条件、复杂度与失败模式，使理论可被实施。
跨越具体形式的母题——分治、对偶、不变量、对称性——它们让看似无关的概念彼此呼应。
记录概念在真实问题中被调用的现场，用经验闭环检验定义、定理与方法是否仍然成立。
刻画概念之间的边——上位、对偶、推广、特化、依赖、类比——使节点不再孤立，构成可遍历的图。
深入阅读
每个领域先识别 20–30 个枢纽概念，将它们的关系织清再向外生长。完整图谱是生长的结果，不是设计的前提。
群的同态、图的同构、程序等价变换、神经网络参数对称性——四个领域同构于图的发现，是这张图谱最强大的副产品。
孤岛节点（少量边）和断边（感知有关联但无法命名类型）是精确的学习信号，比任何课程大纲都诚实。
先建节点，在真实的遭遇中（阅读、推导、实现、讨论）补充边，而非强迫自己预先穷举所有关系。