从 Q/K/V 的投影含义、多头注意力的独立 softmax，到 GQA/MQA、Decoding KV Cache 与输出稳定性，系统梳理 Transformer 注意力机制。

以节点、边和结构化状态解释 Graph Engineering，说明它与 Loop Engineering、LangGraph、Claude Code workflow 和 Multica 控制面的关系，并梳理适用边界。

用 60 张图理解大模型量化：数值表示、线性映射、校准、PTQ、GPTQ、GGUF、QAT、BitNet 与 1.58-bit LLM。

从一张 FP16 位结构图切入，逐步解释指数偏置、二进制循环小数，以及 0.1 + 0.2 不等于 0.3 的根源。

基于 AI Trends (August 2026) — AI Trend Analysis, LLM Statistics & Industry Insights 最新数据快照，逐图解读 48 张 AI/LLM 趋势图表及其比较边界。

从人类控制点逐层上移的视角梳理 Prompt、Context、Harness 与 Loop Engineering，并说明内外循环、可靠闭环和 Multica 外循环控制面的关系。

分清 Billion、Giga、Byte 三套记号，并用一条公式快速估算不同精度 LLM 的纯权重空间。

区分 Agent 的任务规划能力与搜索服务的检索能力，梳理二者如何协作交付证据，并比较 SimpleQA、FreshQA、BrowseComp-ZH 与 XBench-DeepSearch 的评测边界。

沿着信息进入模型、形成上下文表示并生成输出的路径，理解 Encoder-Only、Decoder-Only 与 Encoder-Decoder 的结构差异、适用场景，以及视觉 Token 如何把图像接入语言模型。

介绍 Multica 的用途和自托管架构，说明 --with-server 安装脚本的工作流程，并记录 macOS 上的实际部署与运行方式。