20260514:增加新内容

index.md

@@ -1,137 +1,278 @@
-# Wiki Index
+# LLM Wiki
 
-> 内容目录。每个 wiki 页面按类型列出，附单行摘要。
-> 首先阅读此文件以查找任何查询的相关页面。
-> 最后更新：2026-04-29 | 总页面数：116
+> 知识索引页面 — 自动生成
+> 最后更新：2026-05-14 | 总页面数：300
 
-## Entities（实体）
-<!-- 按字母顺序排列 -->
-- [[andrzej-odrzywolek]] - 波兰理论物理学家，EML Sheffer 算子发现者
-- [[tanya-klowden]] - 艺术与人文学科学者，与陶哲轩合著 AI 哲学论文
-- [[terence-tao]] - 著名数学家，莲莲尔奖得主，AI 与数学先驱探索者
+## Concepts
 
-## Concepts（概念）
-- [[ai-agent-security]] — AI 代理安全：保护自主AI代理及其运行环境免受恶意攻击、滥用和意外危害的安全实践和技术
-- [[ai-alignment]] — AI 对齐：确保 AI 系统与人类价值观一致的研究领域
-- [[ai-mathematics]] - AI 与数学的交叉研究，以数学为 "沙盒"探索 AI 能力
-- [[ai-safety]] — AI 安全：确保 AI 系统安全可靠的研究领域
-- [[agent-mediated-deception]] — 代理中介欺骗 (AMD) 攻击模式与防御
-- [[attention-entropy-collapse]] — 注意力熵崩溃：深层 Transformer 中注意力分布退化现象
-- [[attention-sinks]] — 注意力汇：利用初始Token的注意力吸引特性稳定长序列推理与优化KV缓存淘汰
-- [[automated-theorem-proving]] — 自动定理证明：开发能够自动发现数学证明的计算机程序，AI 与数理逻辑的交叉领域
-- [[bpf-syscall-interception]] — BPF系统调用拦截：使用BPF技术拦截、监控和控制系统调用的方法，用于安全策略执行和行为监控
-- [[chaitin-algorithmic-information-theory]] — 算法信息论：蔡廷将哥德尔不完备性与信息论结合的研究领域（K(x)、Ω）
-- [[chaitin-constant]] — 蔡廷常数 Ω：通用图灵机的停机概率，不可计算且包含最大信息量
-- [[clawless]] — ClawLess：针对自主AI代理的安全框架，在最坏情况威胁模型下对AI代理强制执行形式化验证的安全策略
-- [[cognitive-architecture]] — 认知架构：人类或AI系统认知过程的理论框架和计算实现，支持感知、学习、记忆、推理等功能
-- [[completeness-logic]] — 完备性（逻辑学）：形式系统能否证明所有真命题的性质
-- [[computability-theory]] — 可计算性理论：研究「什么是可计算的」及其边界的学科
-- [[computerized-adaptive-testing]] — 计算机化自适应测试综述：ML 方法如何优化测量模型、选题策略、题库构建和测试控制
-- [[compressed-sparse-attention]] — CSA：压缩稀疏注意力，先压缩 KV 再在压缩后表示上执行稀疏注意力
-- [[consistency-logic]] — 一致性（逻辑学）：形式系统不能同时证明 φ 和 ¬φ 的性质
-- [[continuum-hypothesis]] — 连续统假设 CH：不存在基数严格介于自然数和实数之间的集合
-- [[cramer-rao-lower-bound]] — 参数估计的理论方差下界，由 Fisher 信息量的倒数给出，是 MLE 和 CAT 的数学基础
-- [[crawl4ai]] — Crawl4AI：为 LLM 和 AI 应用设计的开源网页爬虫与数据提取工具，支持智能内容转换为 Markdown 格式
-- [[curvine-distributed-cache]] — Curvine 云原生分布式缓存系统
-- [[darwin-godel-machine]] — 达尔文·哥德尔机：通过生成和评估自我修改变体实现编码领域自我改进的框架
-- [[depth-scaling-signal-degradation]] — LLM 深度扩展与信号退化问题
-- [[diagonalization-method]] — 对角线方法：通过自我参照构造揭示系统内在限制的证明技术（康托尔→罗素→哥德尔→图灵）
-- [[duo-attention]] — DuoAttention：区分检索头和流式头的双模式注意力，按需分配全注意力或局部缓存
-- [[eml-operator]] - EML (Exp-Minus-Log) 算子，连续数学中的 Sheffer 算子
-- [[evolutionary-algorithms]] — 进化算法：基于自然选择和遗传原理的优化算法家族
-- [[few-shot-learning]] — 少样本学习：从少量示例中学习新概念的机器学习方法
-- [[flash-attention]] — FlashAttention：IO感知的精确注意力优化，通过Tiling和Recomputation实现数量级加速
-- [[flash-attention-3]] — FlashAttention-3：异步计算和FP8低精度的最新版本
-- [[formal-security-model]] — 形式化安全模型：使用数学方法精确描述和验证安全属性的方法论
-- [[formal-systems]] — 形式系统：由字母表、语法规则、公理和推理规则组成的数学系统
-- [[formal-verification]] - 使用形式化方法验证数学证明正确性
-- [[fp4-quantization-training]] — FP4 量化感知训练：在 MoE 专家权重和注意力路径中应用 4 位浮点量化以降低内存和计算开销
-- [[genetic-programming]] — 遗传编程：通过模拟自然选择自动生成计算机程序的进化计算技术
-- [[godel-incompleteness-theorems]] — 哥德尔不完备定理：任何足够强的一致形式系统必然不完备且不能自证一致性
-- [[godel-numbering]] — 哥德尔编码：将形式系统的符号、公式和证明唯一映射为自然数的技术
-- [[goodsteins-theorem]] — 古德斯坦定理：所有古德斯坦序列最终到达 0，但在 PA 中不可证
-- [[gravitino-unified-metadata]] — Gravitino 统一元数据管理方案
-- [[grouped-query-attention]] — GQA：分组查询注意力，MHA与MQA的折中方案，Llama 3系列采用
-- [[halting-problem]] — 停机问题：判定程序是否终止的不可判定问题，哥德尔定理在计算理论中的对应物
-- [[heavily-compressed-attention]] — HCA：高强度压缩注意力，对 KV 激进压缩但保持密集注意力以最大化全局上下文效率
-- [[hilberts-program]] — 希尔伯特计划：20 世纪初提出的数学基础统一方案，被哥德尔定理终结
-- [[human-agent-trust]] — 人机信任建立与脆弱性研究
-- [[human-centered-ai]] - 以增强人类能力为核心目标的 AI 发展哲学
-- [[hybrid-attention-architecture]] — 混合注意力架构：组合 CSA 和 HCA 的分层注意力方案，在计算效率和上下文覆盖间取得最优平衡
-- [[hyperagents]] — 超智能体：自指代理，集成任务解决和自我修改，支持元认知自我修改
-- [[knowledge-bank]] — AI 辅助开发时代的知识管理系统，3D 分类 (scope + source + type) 与自动捕获生命周期
-- [[kolmogorov-complexity]] — 柯尔莫哥洛夫复杂度 K(x)：输出字符串 x 的最短程序长度
-- [[kv-cache-bottleneck]] — KV缓存瓶颈：自回归推理中的核心内存瓶颈，驱动MQA/GQA/MLA等结构优化
-- [[kvcache-transfer]] — KVCache 传输与优化技术
-- [[linear-attention-methods]] — 线性注意力：通过核分解将注意力复杂度从O(n²)降至O(n)的方法族
-- [[llm-applications]] — LLM 应用：基于大型语言模型的各类实际应用系统，包括文本生成、对话系统、RAG 和代理系统
-- [[lost-in-the-middle]] — Lost in the Middle：LLM长上下文中中间位置信息被系统性忽略的U形注意力分布现象
-- [[lucas-penrose-argument]] — 卢卡斯-彭罗斯论证：基于哥德尔定理论证人类心智超越机器的哲学论证
-- [[mamba-ssm]] — Mamba：选择性状态空间模型，线性复杂度的Transformer替代架构
-- [[manifold-constrained-hyper-connections]] — mHC：流形约束超连接，将残差映射约束到 Birkhoff 多面体确保深层训练的数值稳定性
-- [[mathematical-pluralism]] — 数学多元主义：接受不存在唯一数学真理的哲学立场
-- [[memory-caching-rnn]] — 通过缓存 RNN 隐藏状态检查点扩展有效记忆容量的技术
-- [[meta-learning]] — 元学习：学习如何学习的机器学习方法，支持快速适应新任务
-- [[metacognitive-self-modification]] — 元认知自我修改：AI 系统改进其自身改进机制的能力，实现递归改进
-- [[metamathematics]] — 元数学：使用数学方法研究形式系统性质的学科
-- [[million-token-context]] — 百万 Token 上下文：LLM 高效处理 1M token 序列的能力，DeepSeek-V4 的核心突破之一
-- [[mixture-of-attention-schemes]] — MoAS：注意力方案混合路由，根据Token复杂度动态分配MHA/MQA/GQA
-- [[mixture-of-depths-attention]] — MoDA 跨层注意力机制
-- [[mixture-of-experts]] — MoE 混合专家：通过稀疏激活路由实现参数规模扩展而控制计算开销的架构范式
-- [[multi-head-attention]] — MHA：标准多头注意力，h个并行头学习不同子空间后拼接融合
-- [[multi-head-latent-attention]] — MLA：多潜在头注意力，通过低秩压缩将KV缓存缩减至MHA的1/10~1/20
-- [[multi-query-attention]] — MQA：多查询注意力，所有Q头共享单个KV头以实现极低KV缓存
-- [[multi-token-prediction]] — MTP 多 Token 预测：训练时同时预测多个后续 token 的策略
-- [[muon-optimizer]] — Muon 优化器：基于矩阵正交化的优化器，比 AdamW 收敛更快、训练更稳定
-- [[native-sparse-attention]] — NSA：硬件对齐的原生可训练稀疏注意力，DeepSeek 2025提出
-- [[neuroscience]] — 神经科学：研究神经系统结构和功能的科学
-- [[ntk-aware-interpolation]] — NTK-aware插值：通过NTK理论调整RoPE旋转频率实现上下文窗口外推
-- [[on-policy-distillation]] — OPD 在线策略蒸馏：多教师模型通过反向 KL 散度在学生轨迹上融合领域专家知识的技术
-- [[paris-harrington-theorem]] — 巴黎-哈灵顿定理：首个自然数学命题中发现的 PA 不可判定性
-- [[peano-arithmetic]] — 皮亚诺算术 PA：哥德尔定理中使用的一阶算术公理系统
-- [[prefill-as-a-service]] — PrfaaS 跨数据中心 LLM 服务架构
-- [[prefill-decode-disaggregation]] — Prefill-Decode 分离架构演进
-- [[primitive-recursive-functions]] — 原始递归函数：通过复合和原始递归构造的函数类
-- [[program-synthesis]] — 程序合成：从高级规范自动生成满足这些规范的程序的过程
-- [[rag-systems]] — RAG 系统：检索增强生成架构，将信息检索与生成式 AI 结合以提高输出质量和准确性
-- [[recursive-self-improvement]] — 递归自我改进：AI系统改进其自身改进能力，可能导致能力爆炸的理论概念
-- [[rotary-position-embedding]] — RoPE：旋转位置编码，通过旋转变换将相对位置信息编码到注意力计算中
-- [[russells-paradox]] — 罗素悖论：不包含自身的集合组成的集合导致矛盾，触发第三次数学危机
-- [[secure-containers]] — 安全容器：提供增强安全特性的容器技术，保护主机系统免受容器内应用程序的攻击
-- [[seer-attention]] — SeerAttention：可学习稀疏注意力，训练预测网络预估注意力热点区域
-- [[self-improving-ai]] — 自我改进人工智能：能够通过学习改进自身学习过程、问题解决能力或认知架构的 AI 系统
-- [[self-reference]] — 自指：命题或系统指向自身的能力，哥德尔句子的核心构造机制
-- [[singularity]] — 技术奇点：假设的未来时间点，技术进步变得如此迅速和深刻，以至于人类无法预测或理解其后的世界
-- [[sparse-attention-patterns]] — 稀疏注意力：限制每个Token只关注序列子集，复杂度从O(n²)降至O(n·k)
-- [[specialist-training-pipeline]] — 专家训练流水线：DeepSeek-V4 后训练第一阶段，针对每个领域独立训练专家模型
-- [[spurious-predictability]] — 金融机器学习中的虚假可预测性：自适应搜索产生的统计伪影
-- [[subquadratic-transformer-alternatives]] — Transformer 的次二次复杂度替代架构综述
-- [[symbolic-regression]] — 从数据中发现数学表达式的机器学习技术
-- [[test-time-scaling]] — 测试时扩展：通过增加推理计算资源提升模型性能的范式，DeepSeek-V4 的高效长上下文使其更加可行
-- [[transfer-learning]] — 迁移学习：将从一个任务学到的知识应用到另一个相关任务的机器学习方法
-- [[userspace-kernel]] — 用户空间内核：在用户空间提供内核功能，增强系统安全的技术
-- [[worst-case-threat-model]] — 最坏情况威胁模型：假设系统将面临最坏可能攻击场景的安全设计方法论
+- [[additive-combinatorics]]
+- [[agent-communication-stack]]
+- [[agent-mediated-deception]]
+- [[agent-network-memory-scope]]
+- [[agent-network-taxonomy]]
+- [[agent-network-topology]]
+- [[agent-network-update-behavior]]
+- [[agentic-systems]]
+- [[ai-agent-security]]
+- [[ai-alignment]]
+- [[ai-mathematics]]
+- [[ai-safety]]
+- [[api-key-authentication]]
+- [[attention-entropy-collapse]]
+- [[attention-sinks]]
+- [[automated-theorem-proving]]
+- [[backtranslation-round-trip-relay]] — 回译接力：通过可逆编辑链评估 LLM 文档编辑保真度
+- [[bidirectional-trajectory-evaluation]]
+- [[bpf-syscall-interception]]
+- [[cache-health-observability]]
+- [[cache-hit-ratio]]
+- [[cache-invalidation]]
+- [[cache-safe-forking]]
+- [[caddy-web-server]]
+- [[cel-shading-style]]
+- [[centralized-agent-architecture]]
+- [[certainty-based-rewards]]
+- [[chain-of-thought]]
+- [[chaitin-algorithmic-information-theory]]
+- [[chaitin-constant]]
+- [[cl-bench-life]]
+- [[classifier-free-guidance-language]] — CFG 在语言扩散模型中的应用
+- [[clawless]]
+- [[coarse-grained-counting]]
+- [[cognitive-architecture]]
+- [[completeness-logic]]
+- [[compressed-sparse-attention]]
+- [[computability-theory]]
+- [[computerized-adaptive-testing]]
+- [[confidence-correctness-alignment]]
+- [[consistency-logic]]
+- [[context-blue-clique]]
+- [[context-compression]]
+- [[context-learning]]
+- [[context-misuse]]
+- [[continuous-diffusion-language-models]] — 连续嵌入空间中的扩散语言模型
+- [[continuum-hypothesis]]
+- [[cramer-rao-lower-bound]]
+- [[crawl4ai]]
+- [[critical-failures]] — 关键失败：稀疏但严重的错误解释了约80%的文档退化
+- [[curvine-distributed-cache]]
+- [[darwin-godel-machine]]
+- [[decentralized-agent-architecture]]
+- [[deepseek-v4-flash]]
+- [[deepseek-vit]]
+- [[delegate-52]] — Microsoft 基准：310工作环境 × 52专业领域，评估LLM委托工作就绪性
+- [[delegated-work]] — 委托工作：新兴LLM交互范式，用户监督模型代其完成任务
+- [[depth-scaling-signal-degradation]]
+- [[diagonal-ramsey-number]]
+- [[diagonalization-method]]
+- [[discrete-diffusion-language-models]] — 离散 token 空间中的扩散语言模型
+- [[distractor-context]] — 干扰上下文：话题相关但无需编辑的文档，模拟不完美检索精度
+- [[document-degradation]] — 文档退化：LLM在长委托工作流中静默破坏文档内容的现象
+- [[domain-knowledge-reasoning]]
+- [[domain-specific-evaluation]] — 领域特定评估：每个领域自定义解析器和语义等价评分的评估方法
+- [[duo-attention]]
+- [[dynamic-mode-decomposition]]
+- [[embedded-language-flows]] — ELF: 连续嵌入流匹配语言模型
+- [[eml-operator]]
+- [[empirical-discovery-simulation]]
+- [[ensemble-based-rewards]]
+- [[evolutionary-algorithms]]
+- [[exponential-decay-reward]]
+- [[few-shot-learning]]
+- [[fine-grained-counting]]
+- [[flash-attention]]
+- [[flash-attention-3]]
+- [[flow-matching]] — 连续时间流匹配生成框架
+- [[formal-security-model]]
+- [[formal-systems]]
+- [[formal-verification]]
+- [[forward-authentication]]
+- [[fourier-filter-dynamics]]
+- [[fp4-quantization-training]]
+- [[furstenberg-correspondence]]
+- [[generation-verification-asymmetry]]
+- [[generative-perplexity]] — 基于第三方模型评估生成质量的指标
+- [[genetic-programming]]
+- [[geometric-ramsey-theory]]
+- [[glitch-art-style]]
+- [[godel-incompleteness-theorems]]
+- [[godel-numbering]]
+- [[goodsteins-theorem]]
+- [[gpt-image2]]
+- [[gravitino-unified-metadata]]
+- [[greedy-context-screening]]
+- [[green-tao-theorem]]
+- [[group-relative-policy-optimization]]
+- [[grouped-query-attention]]
+- [[halftone-print-style]]
+- [[halting-problem]]
+- [[heavily-compressed-attention]]
+- [[hilberts-program]]
+- [[human-agent-trust]]
+- [[human-centered-ai]]
+- [[hybrid-attention-architecture]]
+- [[hyperagents]]
+- [[hypergraph-ramsey-number]]
+- [[identity-reference-resolution]]
+- [[image-generation-prompt-design]]
+- [[intrinsic-rewards-sharpening]]
+- [[jagged-frontier]] — 锯齿前沿：AI模型能力在不同领域间不均衡、不可预测的分布
+- [[klein-blue]]
+- [[knowledge-bank]]
+- [[kolmogorov-complexity]]
+- [[koopman-autoencoder]]
+- [[koopman-predictor]]
+- [[koopman-theory]]
+- [[kv-cache-bottleneck]]
+- [[kvcache-transfer]]
+- [[length-extrapolation]] — 长度外推：让 LLM 处理超出预训练窗口的序列长度
+- [[linear-attention-methods]]
+- [[llm-applications]]
+- [[llm-evaluation-benchmarks]]
+- [[long-context-understanding]]
+- [[long-horizon-evaluation]] — 长视界评估：通过延长交互揭示短评估中不可见的退化模式
+- [[lost-in-the-middle]]
+- [[lovasz-local-lemma]]
+- [[lucas-penrose-argument]]
+- [[mamba-ssm]]
+- [[manifold-constrained-hyper-connections]]
+- [[mathematical-pluralism]]
+- [[maze-navigation]]
+- [[memory-caching-rnn]]
+- [[messy-context-reasoning]]
+- [[meta-jctrader]]
+- [[meta-learning]]
+- [[metacognitive-self-modification]]
+- [[metamathematics]]
+- [[million-token-context]]
+- [[mixture-of-attention-schemes]]
+- [[mixture-of-depths-attention]]
+- [[mixture-of-experts]]
+- [[model-collapse-step]]
+- [[multi-head-attention]]
+- [[multi-head-latent-attention]]
+- [[multi-query-attention]]
+- [[multi-token-prediction]]
+- [[multimodal-large-language-model]]
+- [[muon-optimizer]]
+- [[native-sparse-attention]]
+- [[neuroscience]]
+- [[non-stationary-time-series]]
+- [[ntk-aware-interpolation]]
+- [[on-policy-distillation]]
+- [[paley-graph]]
+- [[paris-harrington-theorem]]
+- [[path-tracing]]
+- [[peano-arithmetic]]
+- [[perception-gap]]
+- [[prefill-as-a-service]]
+- [[prefill-decode-disaggregation]]
+- [[prefix-matching]]
+- [[primitive-recursive-functions]]
+- [[probabilistic-method]]
+- [[procedural-task-execution]]
+- [[program-synthesis]]
+- [[prompt-caching]]
+- [[prompt-layering]]
+- [[prompt-reverse-engineering]]
+- [[rag-systems]]
+- [[ramsey-context-cache]]
+- [[ramsey-context-graph]]
+- [[ramsey-context-template]]
+- [[ramsey-numbers]]
+- [[ramsey-theory]]
+- [[ramsey-theory-applications]]
+- [[random-graph-theory]]
+- [[real-life-context-learning]]
+- [[rectified-flows]] — Flow Matching 中的直线插值路径
+- [[recursive-self-improvement]]
+- [[reference-gap]]
+- [[reinforcement-learning-trading]]
+- [[reverse-proxy-authentication]]
+- [[reward-hacking-llm]]
+- [[reward-model]]
+- [[risograph-print-style]]
+- [[rlvr-unified-framework]]
+- [[rolling-kv-cache]] — 滚动 KV 缓存：StreamingLLM 的两段式固定大小缓存机制
+- [[rotary-position-embedding]]
+- [[round-trip-reconstruction-score]] — RS@k：衡量k次交互后文档重建质量的评估指标
+- [[rule-system-application]]
+- [[russells-paradox]]
+- [[russian-constructivism]]
+- [[sde-sampler-language]] — 语言扩散中的随机微分方程采样器
+- [[secure-containers]]
+- [[seer-attention]]
+- [[self-conditioning]] — 用自身中间预测作为条件的扩散技术
+- [[self-improving-ai]]
+- [[self-reference]]
+- [[self-verification-rewards]]
+- [[semantic-equivalence]] — 语义等价：通过领域特定解析器衡量文档间语义等价程度的方法
+- [[shared-weight-discretization]] — ELF 的共享权重去噪-解码机制
+- [[singularity]]
+- [[sink-token]] — 可学习汇 Token：预训练时添加专用 Token 作为唯一注意力汇
+- [[softmax-off-by-one]] — SoftMax₁：允许丢弃多余注意力的 SoftMax 变体
+- [[sparse-attention-patterns]]
+- [[specialist-training-pipeline]]
+- [[specialized-rl]]
+- [[specialized-sft]]
+- [[spurious-predictability]]
+- [[stub-pattern]]
+- [[subquadratic-transformer-alternatives]]
+- [[symbolic-regression]]
+- [[system-2-thinking]]
+- [[system-message-abuse]]
+- [[szemerédi-regularity-lemma]]
+- [[test-time-scaling]]
+- [[test-time-training-rl]]
+- [[time-variant-dynamics]]
+- [[token-efficiency]]
+- [[tool-registry]]
+- [[transfer-learning]]
+- [[unified-rft]]
+- [[unsupervised-rlvr]]
+- [[userspace-kernel]]
+- [[van-der-waerden-theorem]]
+- [[visual-primitives]]
+- [[window-attention]] — 窗口注意力：仅缓存最近 Token 的朴素方案，因驱逐注意力汇而崩溃
+- [[worst-case-threat-model]]
+- [[x-prediction-parameterization]] — Flow Matching 中直接预测干净数据的参数化
 
-## Articles（文章）
-- [[crawl4ai-open-source-web-crawler]] — Crawl4AI：赋能AI用户的开源智能网页爬虫与数据提取工具（知乎专栏）
-- [[oppo-multimodal-data-lake]] — OPPO 多模态数据湖架构实践 (Gravitino + Curvine)
+## Papers
 
-## Comparisons（对比）
+- [[behrouz-memory-caching-rnn]]
+- [[clawless-ai-agent-security]]
+- [[deepseek-v4-million-token-context]]
+- [[dou-cl-bench]]
+- [[elf-embedded-language-flows]] — ELF: 连续嵌入空间中的 Flow Matching 语言扩散模型 (2026)
+- [[godel-incompleteness-tutorial]]
+- [[he-urlvr-sharpening-2026]]
+- [[hunyuan-team-cl-bench-life]]
+- [[laban-llms-corrupt-documents-delegate]] — "LLMs Corrupt Your Documents When You Delegate" — DELEGATE-52
+- [[li-amd-human-perception]]
+- [[liu-koopa-2023]]
+- [[llm-attention-survey-2026]]
+- [[nikolopoulos-spurious-predictability]]
+- [[odrzywolek-eml-single-operator]]
+- [[qin-prfaas-cross-datacenter]]
+- [[ramsey-numbers-survey]]
+- [[song-agent-network-taxonomy]]
+- [[streaming-llm]] — StreamingLLM: 基于注意力汇的无限长流式语言模型推理框架 (ICLR 2024)
+- [[tao-klowden-ai-mathematical-methods]]
+- [[thinking-with-visual-primitives]]
+- [[zhang-hyperagents]]
+- [[zhu-moda-mixture-of-depths]]
 
-## Papers（论文）
-- [[behrouz-memory-caching-rnn]] — Memory Caching 技术：通过缓存 RNN 隐藏状态实现可增长记忆 (arXiv:2602.24281, 2026)
-- [[clawless-ai-agent-security]] — ClawLess: AI 代理安全模型，形式化验证与运行时执行框架 (arXiv:2604.06284, 2026)
-- [[deepseek-v4-million-token-context]] — DeepSeek-V4：高效百万Token上下文智能，CSA+HCA混合注意力、mHC、Muon优化器 (HuggingFace, 2026)
-- [[godel-incompleteness-tutorial]] — 哥德尔不完备定理教程：从哥德尔编号到 AI 边界探索的综合教学资料 (2026)
-- [[li-amd-human-perception]] — 人类对 LLM Agent 欺骗的感知脆弱性实证研究 (arXiv:2602.21127, 2026)
-- [[llm-attention-survey-2026]] — 大语言模型注意力机制全面分析综述：MHA→GQA→MLA演化、熵崩溃、FlashAttention优化 (2026年4月)
-- [[Mathematical methods and human thought in the age of AI]] - 陶哲轩与 Klowden 关于 AI 哲学的深度论文 (arXiv:2603.26524, 2026)
-- [[nikolopoulos-spurious-predictability]] — 金融机器学习中的虚假可预测性：证伪审计框架 (arXiv:2604.15531, 2026)
-- [[odrzywolek-eml-single-operator]] - EML 算子：单一二元算子生成所有初等函数 (arXiv:2603.21852, 2026)
-- [[qin-prfaas-cross-datacenter]] — PrfaaS：跨数据中心 LLM 服务架构，KVCache 可跨集群传输 (arXiv:2604.15039, 2026)
-- [[zhang-hyperagents]] — 超智能体：自指代理框架，支持元认知自我修改和通用自我改进 (arXiv:2603.19461, 2026)
-- [[zhu-moda-mixture-of-depths]] — MoDA：跨层注意力机制解决深度扩展中的信号退化 (arXiv:2603.15619, 2026)
+## Articles
 
-## Books（书籍）
 
-## Queries（查询）
+- [[caddy-reverse-proxy-auth]]
+- [[crawl4ai-open-source-web-crawler]]
+- [[gpt-image2-prompt-collection]]
+- [[oppo-multimodal-data-lake]]
+- [[prompt-caching-architecture]]
+- [[ramsey-context-construction]]
+## Special Pages
+
+- [[SCHEMA]] — Wiki 结构规范
+- [[log]] — 变更日志
+- [[README]] — Wiki 说明