解释机器学习框架为何需要计算图和自动微分，以及现代框架如何兼顾即时执行、编译优化与大模型分布式运行。

拆解 GPT 的 embedding、Attention 和 FFN 参数，推导参数量近似公式，并说明参数量如何转化为权重与真实推理显存。

解释大语言模型如何通过行动闭环、工具协议、状态管理和上下文工程变成可执行、可控制的智能体系统。

从向量与矩阵的几何含义出发，厘清线性变换、仿射变换、左右乘约定、激活函数与多种归一化操作在神经网络中的不同角色。

用一套形状推导方法串起 PyTorch Tensor 的 dim、softmax、transpose、squeeze、view、NumPy 互转与批量矩阵乘法。

从 QKV 与多头注意力出发，串起 decoder-only、训练并行、Prefill/Decode、KV Cache、PagedAttention、Prefix Caching 与 PD 分离。

沿着表示学习、预训练、上下文学习与人类反馈四条线，解释 NLP 如何从每个任务单独建模演进为用一个通用模型响应自然语言指令。

沿着统计模型、传统机器学习和深度学习的演进顺序，科普算法如何表示数据、学习规律，并解决非线性与泛化问题。

从计算职责迁移而非型号堆砌的角度，梳理 NVIDIA GPU 从硬件 T&L、CUDA、Tensor Core、RTX 到 Rubin 机架级 AI 系统的架构演进。

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。