Auto-sync: update nexus workspace

wiki/concepts/AISummary.md

@@ -0,0 +1,24 @@
+---
+title: "AISummary"
+type: concept
+tags: [ai, summary, document-processing]
+sources: [我的工具集]
+last_updated: 2026-05-11
+---
+
+## Definition
+AI Summary 是利用 AI 技术对长文本、PDF 或视频内容进行自动摘要和提炼的服务。
+
+## Key Characteristics
+- 支持多种内容格式：文章、PDF、视频
+- 提供多种摘要模式
+- 可生成思维导图等可视化输出
+- 支持多语言摘要输出
+- 大幅降低信息消化时间
+
+## Examples from Sources
+- [[Decopy]] 提供 AI Summary Generator，支持文章、PDF 和视频的摘要生成，具备多摘要模式、思维导图和多语言输出功能
+
+## Relationships
+- 属于 [[AI时代发展策略]] 的信息处理层
+- 为知识管理提供高效的内容处理能力

wiki/concepts/Adversarial-Debate-Pattern.md

@@ -1,33 +1,34 @@
----
-title: "Adversarial Debate Pattern"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Adversarial Debate Pattern
-
-## 定义
-多智能体系统的对抗式辩论模式——一个Agent提出方案，另一个Agent攻击反驳，由第三个Agent（裁判）决定胜负。核心是用外部批评者和评判者模拟人类的"恐惧"动机。
-
-## 角色
-- **Generator**："Here is my plan."（生成方案）
-- **Critic**："Here are 3 reasons why that plan sucks."（扮演魔鬼代言人）
-- **Judge**："The Critic is right. Fix it."（裁判/主持人）
-
-## 核心洞察
-LLM是"Yes-Men"，一旦开始写作很少自我纠正——需要一个指定的反对者来打破这种惯性。
-
-## 关键机制
-- 三方应使用**不同模型**（不同训练/微调/提示），多样性有益
-- 顺序执行+循环特性导致速度可能非常慢
-- Agent可能陷入无限辩论——可使用**Watchdog**（确定性代码）在时间/次数超阈值时打破循环
-
-## 适用场景
-- 安全分析（Security Analysis）
-- 代码审查（Code Review）
-- 高风险内容审核（High-Stakes Content Moderation）
-
-## 来源
-- [[multi-agent-system-reliability]]
+---
+title: "Adversarial Debate Pattern"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Adversarial Debate Pattern
+
+## 定义
+多智能体系统的对抗式辩论模式——一个Agent提出方案，另一个Agent攻击反驳，由第三个Agent（裁判）决定胜负。核心是用外部批评者和评判者模拟人类的"恐惧"动机。
+
+## 角色
+- **Generator**："Here is my plan."（生成方案）
+- **Critic**："Here are 3 reasons why that plan sucks."（扮演魔鬼代言人）
+- **Judge**："The Critic is right. Fix it."（裁判/主持人）
+
+## 核心洞察
+LLM是"Yes-Men"，一旦开始写作很少自我纠正——需要一个指定的反对者来打破这种惯性。
+
+## 关键机制
+- 三方应使用**不同模型**（不同训练/微调/提示），多样性有益
+- 顺序执行+循环特性导致速度可能非常慢
+- Agent可能陷入无限辩论——可使用**Watchdog**（确定性代码）在时间/次数超阈值时打破循环
+
+## 适用场景
+- 安全分析（Security Analysis）
+- 代码审查（Code Review）
+- 高风险内容审核（High-Stakes Content Moderation）
+
+## 来源
+- [[multi-agent-system-reliability]]

wiki/concepts/Agent.md

@@ -0,0 +1,25 @@
+---
+title: "Agent"
+type: concept
+tags: [agent, llm, automation, mcp]
+aliases: [Agent, AI Agent, 智能体, 自主代理]
+last_updated: 2025-12-20
+---
+
+## Definition
+Agent，智能体，由 [[Large Language Model]] + [[Model Context Protocol|MCP]] + [[Prompt]] 组成，实现自动化执行。LLM 给出步骤方法和工具调用指令，MCP 负责实际执行。
+
+## Key Facts
+- LLM 本身只给出"步骤方法"，不会真正执行（如大模型告诉你如何发邮件，但不会自己发）
+- Agent 将 LLM 与 MCP 工具整合，实现真正的自动化
+- Agent 工作流：输入 Prompt（含工具描述）→ LLM 返回工具名和参数 → MCP Server 执行 → 返回结果
+- 是 [[LangChain]] 等开发框架的核心应用场景
+
+## Connections
+- [[Large Language Model]] ← 核心组件 ← [[Agent]]
+- [[Model Context Protocol]] ← 执行层 ← [[Agent]]
+- [[Prompt]] ← 输入 ← [[Agent]]
+- [[LangChain]] ← 用于构建 ← [[Agent]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Agentic-AI.md

@@ -2,7 +2,9 @@
 title: "Agentic AI"
 type: concept
 tags: []
-sources: [designing-for-agentic-ai]
+sources:
+  - designing-for-agentic-ai
+  - multi-agent-system-reliability
 last_updated: 2026-04-27
 ---
 

wiki/concepts/Consensus-Voting-Pattern.md

@@ -1,37 +1,38 @@
----
-title: "Consensus Voting Pattern"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Consensus Voting Pattern
-
-## 定义
-多智能体系统的共识投票模式——将同一任务分配给N个LLM，选取出现次数最多的答案作为最终结果。
-
-## 核心公式
-若单个模型幻觉概率为 P，则N个模型同时幻觉相同谎言的概率为 P^N。
-- 示例：P=0.2（20%幻觉率），N=3 → 0.2³ = 0.008（0.8%）
-
-## 核心机制
-1. **Spawn N LLMs**：N需要通过试验找到成本与可靠性的平衡点
-2. **Fan out work**：给所有Agent完全相同的任务
-3. **Fan in results**：选取最常见的答案
-
-## 关键要求
-- Agent之间**无反馈回路**，否则群体思维（Groupthink）和从众效应会扭曲结果
-- 理想情况下各Agent使用不同模型，降低思维同质化风险
-- 实验应像盲测一样进行
-
-## 适用场景
-- 事实核查（Fact-checking）
-- 分类任务（如"这是垃圾邮件吗？"）
-
-## 缺点
-成本高——本质上是将同一任务分配给多个Agent，ROI需根据任务和失败成本计算。
-
-## 来源
-- [[multi-agent-system-reliability]]
-- [[Composite SLO]]（概率公式类比）
+---
+title: "Consensus Voting Pattern"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Consensus Voting Pattern
+
+## 定义
+多智能体系统的共识投票模式——将同一任务分配给N个LLM，选取出现次数最多的答案作为最终结果。
+
+## 核心公式
+若单个模型幻觉概率为 P，则N个模型同时幻觉相同谎言的概率为 P^N。
+- 示例：P=0.2（20%幻觉率），N=3 → 0.2³ = 0.008（0.8%）
+
+## 核心机制
+1. **Spawn N LLMs**：N需要通过试验找到成本与可靠性的平衡点
+2. **Fan out work**：给所有Agent完全相同的任务
+3. **Fan in results**：选取最常见的答案
+
+## 关键要求
+- Agent之间**无反馈回路**，否则群体思维（Groupthink）和从众效应会扭曲结果
+- 理想情况下各Agent使用不同模型，降低思维同质化风险
+- 实验应像盲测一样进行
+
+## 适用场景
+- 事实核查（Fact-checking）
+- 分类任务（如"这是垃圾邮件吗？"）
+
+## 缺点
+成本高——本质上是将同一任务分配给多个Agent，ROI需根据任务和失败成本计算。
+
+## 来源
+- [[multi-agent-system-reliability]]
+- [[Composite SLO]]（概率公式类比）

wiki/concepts/Continuous-Batching.md

@@ -0,0 +1,23 @@
+---
+title: "Continuous Batching"
+type: concept
+tags: [continuous-batching, vllm, inference, gpu]
+aliases: [Continuous Batching, 连续批处理, Iteration-Level Scheduling]
+last_updated: 2025-12-20
+---
+
+## Definition
+Continuous Batching，连续批处理，vLLM 的推理优化技术。与传统的攒满一批再处理不同，Continuous Batching 在每个解码步骤（按 Token 迭代）都动态组装活跃请求批次，GPU 基本满负载运转。
+
+## Key Facts
+- 传统批处理：攒满一批再跑，短任务被长任务阻塞（头阻塞问题）
+- Continuous Batching：每步解码都组装新批次，无需等待整批结束即可插入新请求
+- 基于 [[PagedAttention]] 的块式内存 + 步进级调度器实现
+- 提高 GPU 并发与公平性，充分利用 GPU 算力
+
+## Connections
+- [[vLLM]] ← 使用 ← [[Continuous Batching]]
+- [[PagedAttention]] ← 协同 ← [[Continuous Batching]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Data-Distillation.md

@@ -0,0 +1,22 @@
+---
+title: "Data Distillation"
+type: concept
+tags: [distillation, model-compression, training, llm]
+aliases: [Data Distillation, 数据蒸馏, Knowledge Distillation]
+last_updated: 2025-12-20
+---
+
+## Definition
+Data Distillation，数据蒸馏，利用高性能的大模型生成精简但有价值的数据，使一个小模型可以从中学习并逼近大模型的效果。
+
+## Key Facts
+- 核心思想：用大模型作为"教师"（Teacher），生成高质量训练数据
+- 小模型（Student）从这些数据中学习
+- 目标：以更低成本达到接近大模型的效果
+- 是模型压缩和高效部署的重要技术手段
+
+## Connections
+- [[Large Language Model]] ← 教师模型 ← [[Data Distillation]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Embedding.md

@@ -0,0 +1,24 @@
+---
+title: "Embedding"
+type: concept
+tags: [embedding, vector, nlp, similarity]
+aliases: [Embedding, 向量化, Text Embedding, 词向量]
+last_updated: 2025-12-20
+---
+
+## Definition
+Embedding，向量化，将词或文本转换为浮点数向量的技术。通过计算向量之间的距离（欧氏距离、余弦相似度等）判断语义关联性。
+
+## Key Facts
+- 词的意义取决于上下文语境（如"苹果"可指水果或手机）
+- Embedding 将词转化为高维浮点向量
+- 语义相近的词在向量空间中距离更近
+- 示例：一百和两百的距离近，而一百离一千远，说明一百比一千更接近两百的语义
+- 是 [[RAG]] 检索的基础技术
+
+## Connections
+- [[RAG]] ← 依赖 ← [[Embedding]]
+- [[Vector-Embedding]] ← 同义词 ← [[Embedding]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Generation.md

@@ -1,33 +1,54 @@
 ---
 title: "Generation"
 type: concept
-tags: [rag, generation, llm, prompt, reasoning]
+tags: [RAG, LLM, 问答生成]
+sources: [rag从入门到精通系列1-基础rag]
 last_updated: 2025-01-16
 ---
 
 ## Definition
-Generation（生成阶段）是 RAG Pipeline 的第三步，将用户问题与 Retrieval 阶段检索到的相关文档块组合为 Prompt，输入 LLM 生成最终答案。
 
-## Process
-1. **Context Assembly**：将用户问题（Question）与 Top-k 个相关文档块（Context）放入字典结构：`{"question": ..., "context": ...}`
-2. **Prompt Templating**：通过 PromptTemplate 将 Question 和 Context 组合为结构化的 Prompt String
-3. **LLM Inference**：将 Prompt 输入 LLM，LLM 严格基于上下文中提供的信息生成答案
-4. **Output Parsing**：从 LLM 输出中提取纯字符串结果
+Generation（生成阶段）是 RAG 管道的第三阶段，将用户问题与检索到的相关文档块组合成 Prompt，输入 LLM 生成带事实依据的答案。
 
-## Key Requirements for Generation
-- **Source Grounding**：LLM 必须严格基于检索到的上下文生成，不能凭空发挥
-- **Answer Attribution**：理想情况下应提供答案的来源引用（哪些文档块支持该答案）
+## Core Process
 
-## In RAG Pipeline
-- **上游**：接收 Retrieval 阶段返回的文档块作为上下文
-- **下游**：输出最终答案给用户
+```
+问题 + Top-k 文档块 → PromptTemplate 组装 → LLM 生成 → 返回答案
+```
 
-## Frameworks Simplify This
-LangChain 和 LlamaIndex 将 Retrieval + Generation 封装为 RAG Chain（如 RetrievalQA Chain），只需几行代码即可完成端到端 Pipeline。
+1. **组装上下文**：将问题（Question）和检索到的文档块（Context）放入预定义的字典结构
+2. **Prompt 模板**：通过 PromptTemplate 将问题+上下文组合成完整的 Prompt String
+3. **LLM 生成**：将 Prompt 输入 LLM，LLM 基于检索到的知识生成回答
+4. **可选链式组合**：使用 LangChain/LlamaIndex 的 Chain 将 Retrieval 和 Generation 串联为统一管道
 
-## Related Concepts
-- [[RAG]] — Generation 是 RAG Pipeline 的第三阶段
-- [[Retrieval]] — Generation 的上游，提供上下文
-- [[PromptTemplate]] — 组装 Question + Context 的模板技术
-- [[Chain]] — LangChain 中串联 Retrieval 和 Generation 的抽象
-- [[Large Language Model]] — 实际执行生成任务的模型
+## Key Prompt Pattern
+
+```
+你是一个问答助手。请根据以下参考资料回答用户问题。
+如果参考资料中没有相关信息，请如实说明。
+
+参考资料：
+{context}
+
+用户问题：{question}
+
+回答：
+```
+
+## LangChain Chain
+
+LangChain 和 LlamaIndex 提供了 `RetrievalQA Chain` 等开箱即用的链，可将检索和生成过程自动化串联，避免手动拼装 Prompt。
+
+## Connections
+
+- [[Generation]] ← part_of ← [[RAG]]
+- [[Generation]] ← receives_input ← [[Retrieval]]
+- [[Generation]] ← uses ← [[Large-Language-Model]]
+- [[Generation]] ← uses ← [[Prompt]]
+
+## Aliases
+
+- Answer Generation
+- RAG Generation
+- LLM Response Generation
+- 答案生成

wiki/concepts/Genetic-Algorithm.md

@@ -1,23 +1,24 @@
----
-title: "Genetic Algorithm"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Genetic Algorithm
-
-## 定义
-遗传算法——传统机器学习中基于自然选择和遗传机制的优化算法，是[[Tree-of-Thoughts]]和[[Knock-out-Pattern]]的ML理论根源。
-
-## 核心要素
-1. **遗传表示**（Genetic Representation）：解决方案域的编码（模型+上下文）
-2. **适应度函数**（Fitness Function）：评估解决方案质量的函数（淘汰赛裁判）
-
-## 在多智能体系统中的应用
-- [[Knock-out-Pattern]]是遗传算法的精简实现——将适应度函数替换为验证器（Validator）
-- [[Tree-of-Thoughts]]通过验证器持续筛选Agent分支，可结合赢家的特征重组生成新Agent
-
-## 来源
-- [[multi-agent-system-reliability]]
+---
+title: "Genetic Algorithm"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Genetic Algorithm
+
+## 定义
+遗传算法——传统机器学习中基于自然选择和遗传机制的优化算法，是[[Tree-of-Thoughts]]和[[Knock-out-Pattern]]的ML理论根源。
+
+## 核心要素
+1. **遗传表示**（Genetic Representation）：解决方案域的编码（模型+上下文）
+2. **适应度函数**（Fitness Function）：评估解决方案质量的函数（淘汰赛裁判）
+
+## 在多智能体系统中的应用
+- [[Knock-out-Pattern]]是遗传算法的精简实现——将适应度函数替换为验证器（Validator）
+- [[Tree-of-Thoughts]]通过验证器持续筛选Agent分支，可结合赢家的特征重组生成新Agent
+
+## 来源
+- [[multi-agent-system-reliability]]

wiki/concepts/Hallucination.md

@@ -0,0 +1,23 @@
+---
+title: "Hallucination"
+type: concept
+tags: [hallucination, llm, problem, reliability]
+aliases: [Hallucination, 幻觉, 大模型幻觉, LLM 幻觉]
+last_updated: 2025-12-20
+---
+
+## Definition
+Hallucination，幻觉，大语言模型在面对陌生领域或缺乏足够知识的问题时，"一本正经地胡说八道"，给出看似合理但实际错误答案的现象。
+
+## Key Facts
+- 本质原因：LLM 的知识局限于训练数据集，面对未知领域时无法真实"理解"，只能基于概率生成最可能的下一个词
+- 类比：LLM 在陌生领域"只会写一个解字"，然后放飞自我
+- [[RAG]] 是解决幻觉的主要技术手段之一（通过外部知识引导）
+- 其他方法：模型微调、Prompt Engineering、Chain-of-Thought
+
+## Connections
+- [[RAG]] ← 解决 ← [[Hallucination]]
+- [[Large Language Model]] ← 问题 ← [[Hallucination]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Hierarchy-Agent-Pattern.md

@@ -1,34 +1,35 @@
----
-title: "Hierarchy Agent Pattern"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Hierarchy Agent Pattern
-
-## 定义
-多智能体系统的等级制度模式——由一个主管模型（Supervisor/Planner）制定计划、分解任务、分配工作给专业工作代理（Worker），再由验证代理（Validator）检验结果的质量。
-
-## 核心机制
-- **Planner**：智能模型（如 Opus）将用户目标分解为原子化小步骤
-- **Worker**：专门化智能体（通常用更小更快的模型），专注于单一任务
-- **Validator**：检查点——工作不合格则退回；可用确定性代码（单元测试/JSON schema）或LLM本身
-
-## 为什么有效
-依赖图强制协作——Worker必须等Planner分配任务才能开始，且无法作弊（会被Validator发现）。
-
-## 适用场景
-需要将上下文分开的复杂工作流（如不让"撰稿人"看到"研究员"的原始日志）。
-
-## 优点
-- 任务分解清晰，可独立验证每个步骤
-- 支持上下文隔离
-
-## 缺点
-- 顺序执行（Planner→Worker→Validator），速度慢、成本高
-- Validator建议使用与Planner/Worker不同的模型以提高客观性
-
-## 来源
-- [[multi-agent-system-reliability]]
+---
+title: "Hierarchy Agent Pattern"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Hierarchy Agent Pattern
+
+## 定义
+多智能体系统的等级制度模式——由一个主管模型（Supervisor/Planner）制定计划、分解任务、分配工作给专业工作代理（Worker），再由验证代理（Validator）检验结果的质量。
+
+## 核心机制
+- **Planner**：智能模型（如 Opus）将用户目标分解为原子化小步骤
+- **Worker**：专门化智能体（通常用更小更快的模型），专注于单一任务
+- **Validator**：检查点——工作不合格则退回；可用确定性代码（单元测试/JSON schema）或LLM本身
+
+## 为什么有效
+依赖图强制协作——Worker必须等Planner分配任务才能开始，且无法作弊（会被Validator发现）。
+
+## 适用场景
+需要将上下文分开的复杂工作流（如不让"撰稿人"看到"研究员"的原始日志）。
+
+## 优点
+- 任务分解清晰，可独立验证每个步骤
+- 支持上下文隔离
+
+## 缺点
+- 顺序执行（Planner→Worker→Validator），速度慢、成本高
+- Validator建议使用与Planner/Worker不同的模型以提高客观性
+
+## 来源
+- [[multi-agent-system-reliability]]

wiki/concepts/ImageToVideo.md

@@ -0,0 +1,24 @@
+---
+title: "ImageToVideo"
+type: concept
+tags: [ai, video, image-to-video]
+sources: [我的工具集, 14个免费的ai图生视频工具]
+last_updated: 2026-05-11
+---
+
+## Definition
+Image-to-Video 是将静态图片转化为动态视频的 AI 技术，让图片中的元素产生运动效果。
+
+## Key Characteristics
+- 将静态图像作为输入，生成包含运动元素的视频
+- 广泛应用于电商视频制作、内容创作、广告营销等场景
+- 降低视频创作门槛，无需专业设备和拍摄技能
+
+## Examples from Sources
+- [[Wavespeed AI]] 提供 Image-to-Video 功能（付费）
+- [[Vidu]] 提供 Image-to-Video 功能（月费 ¥8）
+- [[Hailuo AI]] 提供 Image-to-Video 功能（月费 ¥42）
+
+## Relationships
+- 属于 [[AI时代发展策略]] 的创意工具层
+- 与 [[TextToVideo]] 互补：ImageToVideo 从图像生成，TextToVideo 从文本生成

wiki/concepts/Indexing.md

@@ -1,29 +1,47 @@
----
-title: "Indexing"
-type: concept
-tags: [rag, indexing, document-processing, embedding]
-last_updated: 2025-01-16
----
-
-## Definition
-Indexing（索引阶段）是 RAG Pipeline 的第一步，负责将外部文档转化为可检索的向量表示：文档加载 → 文本切分 → 向量化 → 存入向量数据库。
-
-## Process
-1. **Document Loading**：从多种来源（网页/PDF/数据库/API 等）加载原始文档
-2. **Text Splitting**：将长文档切分为满足 Embedding Model Context Window 的文本片段（Split）
-3. **Embedding**：使用 Embedding Model 将每个 Split 转化为固定长度的语义向量
-4. **Storage**：将向量 + 原始文本块存入 Vector Store（向量数据库）
-
-## Why Splitting is Necessary
-Embedding Model 的 Context Window 有限（通常 512~8192 token），无法直接处理整篇长文档，因此必须切分。切分策略直接影响检索质量——过小则语义不完整，过大则引入噪声。
-
-## In RAG Pipeline
-- **前置阶段**：Indexing 的输出（向量数据库）是 Retrieval 阶段的输入
-- **工具支撑**：LangChain 的 DocumentLoader、TextSplitter、Embedding、VectorStore 组件封装了全流程
-
-## Related Concepts
-- [[RAG]] — Indexing 是 RAG Pipeline 的第一阶段
-- [[Split]] — 切分后的文档片段
-- [[Embedding]] — 向量化的技术
-- [[Vector Store]] — 存储向量的数据库
-- [[Retrieval]] — Indexing 的下一阶段
+---
+title: "Indexing"
+type: concept
+tags: [RAG, 向量数据库, 文档处理]
+sources: [rag从入门到精通系列1-基础rag]
+last_updated: 2025-01-16
+---
+
+## Definition
+
+Indexing（索引阶段）是 RAG（检索增强生成）管道的第一阶段，负责将外部文档转换为可检索的向量表示并存入向量数据库。
+
+## Core Process
+
+```
+原始文档 → 文档加载器 → 文本切分(Split) → Embedding向量化 → 存入Vector Store
+```
+
+1. **文档加载（Loading）**：通过 LangChain 等框架的 Document Loader 从多种来源（网页/本地文件/数据库等）加载原始文档
+2. **文本切分（Splitting）**：将长文档切分成适合 Embedding Model Context Window 的小块（Split），通常 512~4096 token
+3. **向量化（Embedding）**：使用 Embedding Model（如 BAAI/bge 系列）将文本块转换为固定长度的向量表示
+4. **存入向量数据库**：将 Embedding Vector 存入 Vector Store（如 Qdrant、Chroma、Milvus 等）
+
+## Key Parameters
+
+- **Chunk Size**：每个 Split 的 token 数量，需平衡上下文完整性和模型限制
+- **Chunk Overlap**：相邻 Split 之间的重叠 token 数，防止信息在切分边界丢失
+- **Embedding Model**：决定向量质量和检索效果的模型（如 BAAI、OpenAI text-embedding-3、BGE 等）
+
+## Tools
+
+- **LangChain**：提供 160+ 文档加载器和向量存储集成
+- **LlamaIndex**：专注数据连接和索引的 LLM 应用框架
+- **Qdrant**：Rust 编写的开源向量数据库，支持过滤和混合检索
+
+## Connections
+
+- [[Indexing]] ← part_of ← [[RAG]]
+- [[Indexing]] ← uses ← [[Embedding]]
+- [[Indexing]] ← produces ← [[Vector-Store]]
+- [[Indexing]] ← depends_on ← [[Context-Window]]
+
+## Aliases
+
+- Document Indexing
+- Chunking
+- 文档索引

wiki/concepts/KV-Cache.md

@@ -0,0 +1,23 @@
+---
+title: "KV Cache"
+type: concept
+tags: [kv-cache, inference, llm, optimization]
+aliases: [KV Cache, Key-Value Cache, KV缓存]
+last_updated: 2025-12-20
+---
+
+## Definition
+KV Cache，大语言模型推理过程中的缓存机制。K（Key）和 V（Value）是由每个 Token 的向量通过线性变换得到的两类向量，用于注意力计算。KV Cache 将这些历史 K/V 保存下来，避免后续解码步骤重复计算。
+
+## Key Facts
+- 节省计算：无需每次都重新计算历史 Token 的注意力
+- 显存开销：KV Cache 随上下文长度、层数、头数、维度线性增长，是推理中最大的显存开销来源之一
+- [[vLLM]] 的核心优化对象
+- [[PagedAttention]] 通过分块管理解决其碎片化问题
+
+## Connections
+- [[vLLM]] ← 优化 ← [[KV Cache]]
+- [[PagedAttention]] ← 解决 ← [[KV Cache]] 的碎片化问题
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Knock-out-Pattern.md

@@ -1,36 +1,37 @@
----
----
-title: "Knock-out Pattern"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Knock-out Pattern
-
-## 定义
-多智能体系统的淘汰制模式——将任务分配给N个Agent，用验证器决定哪些表现最差的被淘汰。核心是用"适者生存"替代LLM不存在的"死亡恐惧"。
-
-## 核心机制
-1. 将任务分配给N个Agent
-2. 用Validator决定要淘汰哪些Agent
-3. （可选）用通过验证的Agent特征组合创建新Agent填补空缺
-
-## ML渊源
-这是传统机器学习中[[Genetic-Algorithm]]（遗传算法）的精简实现，依赖两个要素：
-- **遗传表示**：解决方案域（模型+上下文）
-- **适应度函数**：淘汰决策依据
-
-## 关键要求
-需要**快速验证输出的方式**（如单元测试）——如果需要人工检查所有分支，成本太高。Eval是必要基础设施。
-
-## 适用场景
-迭代式智能体工程——主要用于开发/调试阶段，不适合生产环境的高用户负载。
-
-## 与Tree of Thoughts的关系
-Tree of Thoughts是Knock-out模式的进阶实现，通过验证器持续筛选。
-
-## 来源
-- [[multi-agent-system-reliability]]
-- [[Genetic-Algorithm]]
+---
+---
+title: "Knock-out Pattern"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Knock-out Pattern
+
+## 定义
+多智能体系统的淘汰制模式——将任务分配给N个Agent，用验证器决定哪些表现最差的被淘汰。核心是用"适者生存"替代LLM不存在的"死亡恐惧"。
+
+## 核心机制
+1. 将任务分配给N个Agent
+2. 用Validator决定要淘汰哪些Agent
+3. （可选）用通过验证的Agent特征组合创建新Agent填补空缺
+
+## ML渊源
+这是传统机器学习中[[Genetic-Algorithm]]（遗传算法）的精简实现，依赖两个要素：
+- **遗传表示**：解决方案域（模型+上下文）
+- **适应度函数**：淘汰决策依据
+
+## 关键要求
+需要**快速验证输出的方式**（如单元测试）——如果需要人工检查所有分支，成本太高。Eval是必要基础设施。
+
+## 适用场景
+迭代式智能体工程——主要用于开发/调试阶段，不适合生产环境的高用户负载。
+
+## 与Tree of Thoughts的关系
+Tree of Thoughts是Knock-out模式的进阶实现，通过验证器持续筛选。
+
+## 来源
+- [[multi-agent-system-reliability]]
+- [[Genetic-Algorithm]]

wiki/concepts/Large-Language-Model.md

@@ -1,28 +1,27 @@
----
-title: "Large Language Model"
-type: concept
-tags: [llm, ai, nlp]
-last_updated: 2026-04-25
----
-
-## Definition
-大语言模型（Large Language Model，LLM）是基于大规模预训练的深度学习模型，能够理解和生成人类语言，在推理与生成方面表现出色。
-
-## Core Characteristics
-- **知识截止日期**：LLM 的知识基于训练数据，存在固定的时间节点，无法自动获取最新信息
-- **推理能力强**：能够进行复杂推理、代码生成、文本创作等任务
-- **幻觉问题**：可能生成看似合理但实际错误的内容（幻觉）
-
-## Role in AI System Architecture
-- **思考层**：LLM 作为 AI 系统的"天才大脑"，负责逻辑推理和内容生成
-- 与 [[RAG]] 配合获取实时信息
-- 与 [[AI Agent]] 配合实现自主行动
-
-## Related Concepts
-- [[RAG]] — 补充实时知识，降低幻觉
-- [[AI Agent]] — 提供行动能力
-- [[ReAct Pattern]] — 推理-行动协同模式
-
-## Sources
-- [[llms-rag-ai-agent-三个到底什么区别]]
-- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]
+---
+title: "Large Language Model"
+type: concept
+tags: [llm, nlp, deep-learning]
+aliases: [LLM, 大语言模型, Large Language Model]
+last_updated: 2025-12-20
+---
+
+## Definition
+Large Language Model，大语言模型。行业通常以参数规模和训练数据/算力来衡量是否称为"大模型"，语言模型常在 ≥1B 参数开始被称为"大模型"。
+
+## Key Facts
+- 1B = Billion = 10亿参数
+- 常见大模型示例：GPT-2（1.5B）、GPT-3（175B）、GPT-4（参数量未公开）
+- 参数规模是衡量模型能力的重要指标之一
+
+## Connections
+- [[Agent]] ← 构建于 ← [[Large Language Model]]
+- [[Prompt]] ← 输入给 ← [[Large Language Model]]
+- [[Model Context Protocol]] ← 连接 ← [[Large Language Model]]
+- [[RAG]] ← 增强 ← [[Large Language Model]]
+- [[vLLM]] ← 加速推理 ← [[Large Language Model]]
+- [[Hallucination]] ← 问题 ← [[Large Language Model]]
+- [[Data Distillation]] ← 蒸馏对象 ← [[Large Language Model]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Model-Context-Protocol.md

@@ -1,52 +1,24 @@
----
-title: "Model Context Protocol"
-type: concept
-tags: [llm, mcp, protocol, tool-calling]
-sources: [大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]
-last_updated: 2026-04-25
----
-
-# Model Context Protocol (MCP)
-
-## Aliases
-- MCP
-- Model Context Protocol
-- 模型上下文协议
-
-## Definition
-
-Model Context Protocol（MCP，模型上下文协议）是一个开放协议，旨在为 LLM 应用提供**标准化接口**，使其能够连接外部数据源和各种工具进行交互。
-
-MCP 充当 LLM 与外部世界之间的**标准化通信层**：当 LLM 处理用户请求时需要访问外部信息或功能，MCP Client 向 MCP Server 发送请求；MCP Server 负责与相应的外部数据源或工具交互，获取数据并按 MCP 协议规范格式化后返回给 LLM。
-
-## Key Insight
-
-> "大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。"
-
-MCP 解决的核心问题：**LLM 只能返回"需要调用什么工具和参数"的描述，不能自己执行**。MCP 提供了 LLM 与工具之间的标准桥梁。
-
-## Architecture
-
-```
-User Request
-    ↓
-LLM（分析请求，决定需要哪些工具）
-    ↓
-MCP Client（发送标准化请求）
-    ↓
-MCP Server（与外部数据源/工具交互）
-    ↓
-格式化结果
-    ↓
-LLM（整合结果，生成最终响应）
-```
-
-## Related Concepts
-
-- [[AI Agent]]：LLM + MCP + 工具执行 = 真正自主的 Agent
-- [[Prompt]]：MCP Server 的返回结果作为上下文注入 LLM 的 Prompt
-- [[Large Language Model]]：MCP 扩展了纯 LLM 的能力边界
-
-## Sources
-
-- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]
+---
+title: "Model Context Protocol"
+type: concept
+tags: [mcp, protocol, llm, tool]
+aliases: [MCP, Model Context Protocol, 模型上下文协议]
+last_updated: 2025-12-20
+---
+
+## Definition
+Model Context Protocol（MCP），模型上下文协议，是一个开放协议，为 LLM 应用提供标准化接口，使其能够连接外部数据源和各种工具进行交互。
+
+## Key Facts
+- MCP Client 向 MCP Server 发送请求
+- MCP Server 负责与外部数据源或工具交互，获取数据并按 MCP 协议规范格式化后返回
+- **核心约束**：大模型本身不会自己调用外部数据源或工具，只会告诉用户需要调用哪些工具，实际调用需要开发者自己实现
+- MCP 是连接 LLM 与真实世界的桥梁
+
+## Connections
+- [[Agent]] ← 构建于 ← [[Model Context Protocol]]
+- [[Large Language Model]] ← 通过 ← [[Model Context Protocol]] → 连接外部工具
+- [[Model Context Protocol]] ← 标准化 ← 工具调用
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/PagedAttention.md

@@ -0,0 +1,24 @@
+---
+title: "PagedAttention"
+type: concept
+tags: [paged-attention, vllm, inference, optimization]
+aliases: [PagedAttention, 分页注意力]
+last_updated: 2025-12-20
+---
+
+## Definition
+PagedAttention，vLLM 的核心注意力机制创新，将 [[KV Cache]] 切分为固定大小的块（block），并用页表式映射管理，类似操作系统的虚拟内存调度方式。
+
+## Key Facts
+- 传统方式：为每条序列分配一大块连续内存，导致碎片化和 OOM（显存不足）
+- PagedAttention 解决方案：将 KV Cache 切分为固定大小块，用页表管理，灵活调度
+- 优势：避免碎片化、支持动态并发、支持 KV 块复用（多分支/重复前缀场景）
+- 显著减少预填充（Prefill）时间
+
+## Connections
+- [[vLLM]] ← 使用 ← [[PagedAttention]]
+- [[KV Cache]] ← 优化管理 ← [[PagedAttention]]
+- [[Continuous Batching]] ← 协同 ← [[PagedAttention]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Prompt.md

@@ -0,0 +1,24 @@
+---
+title: "Prompt"
+type: concept
+tags: [prompt, llm, interaction]
+aliases: [Prompt, 提示词, Prompt Engineering]
+last_updated: 2025-12-20
+---
+
+## Definition
+Prompt，提示词，用户输入给大模型的语句。是与大模型交互的唯一入口。
+
+## Key Facts
+- Prompt 是用户与大模型之间的通信媒介
+- Prompt 的质量直接影响大模型的输出质量
+- Prompt Engineering（提示词工程）研究如何写出更有效的提示词
+- Zero-shot、Few-shot、Chain-of-Thought 等是常见的 Prompt 策略
+
+## Connections
+- [[Large Language Model]] ← 接收 ← [[Prompt]]
+- [[Agent]] ← 使用 ← [[Prompt]]
+- [[Large Language Model]] ← 指导 ← [[Prompt]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/RAG.md

@@ -1,35 +1,26 @@
 ---
 title: "RAG"
 type: concept
-tags: [rag, retrieval, llm, ai]
-last_updated: 2026-04-27
+tags: [rag, retrieval, llm, knowledge]
+aliases: [RAG, Retrieval-Augmented Generation, 检索增强生成]
+last_updated: 2025-12-20
 ---
 
 ## Definition
-检索增强生成（Retrieval-Augmented Generation，RAG）是将大语言模型（LLM）链接到外部实时知识库的技术，通过检索+生成的流程提升答案准确性和时效性。
+Retrieval-Augmented Generation（RAG），检索增强生成，通过从外部知识库检索相关信息来增强大语言模型的回答质量，解决模型在陌生领域的幻觉（Hallucination）问题。
 
-## Core Mechanism
-1. **检索（Retrieval）**：当用户提问时，从外部知识库（向量数据库/知识图谱/公司文档）中检索最相关的信息块（Chunk）
-2. **增强生成（Augmented Generation）**：将检索结果与用户问题作为上下文输入 LLM，指示其严格基于上下文生成答案
+## Key Facts
+- 大模型在陌生领域容易产生幻觉，"一本正经胡说八道"
+- RAG 通过给模型"一些提示"，引导其在正确方向上回答
+- 效果案例：正确率从 60% 提升至 90%
+- RAG 依赖 [[Embedding]] 技术实现语义检索
+- 典型 RAG 流程：用户问题 → 检索外部知识 → 将检索结果注入 Prompt → LLM 生成回答
 
-## Key Benefits
-- **知识更新与定制**：无需重新训练即可获取最新信息
-- **消除幻觉**：提供事实依据，显著降低胡说八道的风险
-- **引用来源**：可追溯信息来源，增加可信度
-- **成本效益**：相比微调，成本更低、更新更快
-
-## Role in AI System Architecture
-- **认知层**：RAG 作为 AI 系统的"记忆系统"，负责信息获取与准确性保障
-- 为 [[AI Agent]] 提供可信赖的信息来源
+## Connections
+- [[Embedding]] ← 依赖 ← [[RAG]]
+- [[Hallucination]] ← 解决 ← [[RAG]]
+- [[Large Language Model]] ← 增强 ← [[RAG]]
+- [[LangChain]] ← 支持 ← [[RAG]]
 
 ## Sources
-- [[llms-rag-ai-agent-三个到底什么区别]]
-- [[rag从入门到精通系列1-基础rag]]
 - [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]
-- [[knowledge-base-rag]]
-
-## Related Concepts
-- [[Large Language Model]] — 被增强的底层模型
-- [[AI Agent]] — 依赖 RAG 提供准确信息
-- [[Hybrid Search]] — RAG 常用检索策略
-- [[Semantic Search]] — 向量检索的核心技术

wiki/concepts/Reliability-Engineering.md

@@ -1,31 +1,32 @@
----
-title: "Reliability Engineering"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Reliability Engineering
-
-## 定义
-可靠性工程——将LLM视为分布式系统中不可靠组件的工程哲学，而非"有感知"的智能体。
-
-## 核心原则
-停止要求模型"小心"，开始**强制**其正确：
-
-1. **Constrained（约束）**：通过架构约束（如依赖图强制执行）而非提示词约束
-2. **Verified（验证）**：每个步骤有检查点，不合格则退回
-3. **Pruned（修剪）**：淘汰表现最差的Agent
-4. **Challenged（挑战）**：通过对抗辩论让错误暴露
-
-## 核心转变
-从"AI原型"（Prototype AI）到"企业级AI"（Enterprise AI）的范式转变：
-- ❌ 将LLM视为神奇的聊天机器人
-- ✅ 将LLM视为不可靠的分布式组件
-
-## 关键人物
-- [[Alex Ewerlöf]]：可靠性工程专家，KTH系统工程硕士，27年经验，专注将人类系统协作模式迁移至AI架构
-
-## 来源
-- [[multi-agent-system-reliability]]
+---
+title: "Reliability Engineering"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Reliability Engineering
+
+## 定义
+可靠性工程——将LLM视为分布式系统中不可靠组件的工程哲学，而非"有感知"的智能体。
+
+## 核心原则
+停止要求模型"小心"，开始**强制**其正确：
+
+1. **Constrained（约束）**：通过架构约束（如依赖图强制执行）而非提示词约束
+2. **Verified（验证）**：每个步骤有检查点，不合格则退回
+3. **Pruned（修剪）**：淘汰表现最差的Agent
+4. **Challenged（挑战）**：通过对抗辩论让错误暴露
+
+## 核心转变
+从"AI原型"（Prototype AI）到"企业级AI"（Enterprise AI）的范式转变：
+- ❌ 将LLM视为神奇的聊天机器人
+- ✅ 将LLM视为不可靠的分布式组件
+
+## 关键人物
+- [[Alex Ewerlöf]]：可靠性工程专家，KTH系统工程硕士，27年经验，专注将人类系统协作模式迁移至AI架构
+
+## 来源
+- [[multi-agent-system-reliability]]

wiki/concepts/Retrieval.md

@@ -1,34 +1,49 @@
----
-title: "Retrieval"
-type: concept
-tags: [rag, retrieval, vector-search, similarity]
-last_updated: 2025-01-16
----
-
-## Definition
-Retrieval（检索阶段）是 RAG Pipeline 的第二步，根据用户问题的语义向量（Embedding Vector），在向量数据库中按相似度找出 Top-k 个最相关的文档块（Split）。
-
-## Process
-1. **Query Embedding**：将用户问题通过同一个 Embedding Model 转化为语义向量
-2. **Vector Search**：在 Vector Store 中按相似度（余弦相似度/点积/欧氏距离）检索最接近的 k 个向量
-3. **Result Selection**：返回对应的原始文本块（Split）作为上下文
-
-## Key Parameters
-- **Top-k（k值）**：决定返回多少个最相关的文档块，k 过小可能遗漏关键信息，k 过大则引入噪声
-- **Similarity Metric**：余弦相似度最常用，适合方向性语义匹配；点积适合归一化向量；欧氏距离适合几何距离度量
-
-## In RAG Pipeline
-- **上游**：依赖 Indexing 阶段构建的向量数据库
-- **下游**：检索结果传递给 Generation 阶段作为上下文
-
-## Challenges
-- **语义鸿沟**：用户问题的措辞与文档中相关内容可能不同（词汇不匹配）
-- **上下文窗口限制**：Top-k 个文档块的总 token 数不能超过 LLM 的 Context Window
-- **噪声召回**：向量相似度高但实际无关的文档块可能被召回
-
-## Related Concepts
-- [[RAG]] — Retrieval 是 RAG Pipeline 的第二阶段
-- [[Vector Store]] — 检索的数据库后端
-- [[Embedding]] — 检索的向量来源
-- [[Generation]] — Retrieval 的下一阶段，接收检索结果作为上下文
-- [[Hybrid Search]] — 结合向量检索与关键词检索以弥补单一向量检索的不足
+---
+title: "Retrieval"
+type: concept
+tags: [RAG, 向量检索, 语义搜索]
+sources: [rag从入门到精通系列1-基础rag]
+last_updated: 2025-01-16
+---
+
+## Definition
+
+Retrieval（检索阶段）是 RAG 管道的第二阶段，根据用户问题的语义向量（Embedding Vector）在向量数据库中检索与之最相似的 Top-k 个文档块。
+
+## Core Process
+
+```
+用户问题 → 问题向量化 → Vector Store 相似度检索 → 返回 Top-k 文档块
+```
+
+1. **问题向量化**：将用户输入的自然语言问题通过相同的 Embedding Model 转换为向量
+2. **相似度计算**：Vector Store 计算问题向量与所有文档块向量的相似度（常用方法：余弦相似度、点积、欧氏距离）
+3. **返回 Top-k 结果**：返回相似度最高的 k 个文档块作为检索结果
+
+## Similarity Metrics
+
+| 方法 | 适用场景 |
+|------|----------|
+| 余弦相似度（Cosine） | 归一化向量，衡量方向相似性 |
+| 点积（Dot Product） | 未归一化向量，兼顾 magnitude |
+| 欧氏距离（L2） | 几何距离，适用低维空间 |
+
+## Retrieval Strategies
+
+- **Top-k Retrieval**：返回相似度最高的 k 个结果
+- **MMR（Maximal Marginal Relevance）**：平衡相关性和多样性，减少重复信息
+- **Hybrid Retrieval**：结合关键词检索（BM25）与向量检索
+
+## Connections
+
+- [[Retrieval]] ← part_of ← [[RAG]]
+- [[Retrieval]] ← uses ← [[Vector-Store]]
+- [[Retrieval]] ← uses ← [[Embedding]]
+- [[Retrieval]] ← feeds_into ← [[Generation]]
+
+## Aliases
+
+- Information Retrieval
+- Semantic Search
+- 向量检索
+- 语义检索

wiki/concepts/TextToSpeech.md

@@ -0,0 +1,22 @@
+---
+title: "TextToSpeech"
+type: concept
+tags: [ai, speech, text-to-speech]
+sources: [我的工具集]
+last_updated: 2026-05-11
+---
+
+## Definition
+Text-to-Speech（TTS）是将文本转换为语音的 AI 技术，也称为语音合成。
+
+## Key Characteristics
+- 将书面文本转换为可听的语音输出
+- 广泛应用于辅助阅读、语音导航、无障碍访问等场景
+- 现代 TTS 系统基于深度学习（如 WaveNet、Tacotron）生成自然语音
+
+## Examples from Sources
+- [[Google AI Studio]] 提供免费的 Text-to-Speech 服务，支持 Gemini 模型和 Dialog 对话
+
+## Relationships
+- 属于 [[AI时代发展策略]] 的创意工具层
+- 与 [[TextToVideo]] 互补：TTS 处理音频，TextToVideo 处理视频

wiki/concepts/TextToVideo.md

@@ -0,0 +1,24 @@
+---
+title: "TextToVideo"
+type: concept
+tags: [ai, video, text-to-video]
+sources: [我的工具集, 14个免费的ai图生视频工具]
+last_updated: 2026-05-11
+---
+
+## Definition
+Text-to-Video 是将文本描述转换为视频内容的 AI 技术，属于生成式 AI 的重要分支。
+
+## Key Characteristics
+- 根据文本描述生成动态视频内容
+- 可结合音频（[[TextToSpeech]]）实现完整的视频创作流程
+- 广泛应用于营销视频、内容创作、广告制作等场景
+
+## Examples from Sources
+- [[Vidu]] 提供 Text-to-Video 服务
+- [[Hailuo AI]] 提供 Text-to-Video 服务
+
+## Relationships
+- 属于 [[AI时代发展策略]] 的创意工具层
+- 与 [[ImageToVideo]] 互补：TextToVideo 从文本生成，ImageToVideo 从图像生成
+- 结合 [[TextToSpeech]] 可实现完整的"文字→视频+音频"创作流程

wiki/concepts/Token.md

@@ -0,0 +1,22 @@
+---
+title: "Token"
+type: concept
+tags: [token, llm, pricing, metering]
+aliases: [Token, Tokens, 分词, 词元]
+last_updated: 2025-12-20
+---
+
+## Definition
+Token，大语言模型的基本输入单元，可以认为是一个单词或一个短语。是模型计费和性能计算的基础单位。
+
+## Key Facts
+- 英文：1 个字符 ≈ 0.3 个 Token
+- 中文：1 个字符 ≈ 0.6 个 Token（即中文 Token 消耗约是英文的 2 倍）
+- Token 数量直接影响 API 调用成本和响应延迟
+- Tokenization（分词）是将自然语言文本转换为 Token 序列的过程
+
+## Connections
+- [[Large Language Model]] ← 计量单位 ← [[Token]]
+
+## Sources
+- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]

wiki/concepts/Tree-of-Thoughts.md

@@ -1,25 +1,26 @@
----
-title: "Tree of Thoughts"
-type: concept
-tags: []
-sources: []
-last_updated: 2026-04-25
----
-
-# Tree of Thoughts
-
-## 定义
-思维之树——多智能体系统的树形探索模式，是[[Genetic-Algorithm]]（遗传算法）的精简实现。通过验证器决定哪些Agent分支被淘汰，持续筛选直至找到最优解。
-
-## 核心公式
-将任务分配给N个Agent → Validator决定淘汰哪些 → 可选：用通过验证的Agent特征生成新Agent填补空缺
-
-## 关键要求
-- 需要快速验证输出的方式（如Eval/单元测试）
-- 如果需要人工检查所有分支，太慢且容易出错
-
-## 与Knock-out Pattern的关系
-Tree of Thoughts是Knock-out模式的进阶——后者只是淘汰，前者还包括通过验证的Agent特征重组。
-
-## 来源
-- [[multi-agent-system-reliability]]
+---
+title: "Tree of Thoughts"
+type: concept
+tags: []
+sources:
+  - multi-agent-system-reliability
+last_updated: 2026-04-28
+---
+
+# Tree of Thoughts
+
+## 定义
+思维之树——多智能体系统的树形探索模式，是[[Genetic-Algorithm]]（遗传算法）的精简实现。通过验证器决定哪些Agent分支被淘汰，持续筛选直至找到最优解。
+
+## 核心公式
+将任务分配给N个Agent → Validator决定淘汰哪些 → 可选：用通过验证的Agent特征生成新Agent填补空缺
+
+## 关键要求
+- 需要快速验证输出的方式（如Eval/单元测试）
+- 如果需要人工检查所有分支，太慢且容易出错
+
+## 与Knock-out Pattern的关系
+Tree of Thoughts是Knock-out模式的进阶——后者只是淘汰，前者还包括通过验证的Agent特征重组。
+
+## 来源
+- [[multi-agent-system-reliability]]

wiki/concepts/Vector-Store.md

@@ -0,0 +1,50 @@
+---
+title: "Vector-Store"
+type: concept
+tags: [RAG, 向量数据库, 嵌入向量]
+sources: [rag从入门到精通系列1-基础rag]
+last_updated: 2025-01-16
+---
+
+## Definition
+
+Vector Store（向量数据库）是专门用于存储和检索高维向量（Embedding Vector）的数据库系统，是 RAG 管道中 Retrieval 阶段的核心基础设施。
+
+## Core Functions
+
+1. **向量存储**：存储文本的 Embedding Vector 表示
+2. **相似度检索**：支持多种相似度度量方法（余弦相似度、点积、欧氏距离），返回 Top-k 最相似的结果
+3. **元数据过滤**：支持在检索时附加标量过滤条件（如时间、类别等）
+4. **混合检索**：部分向量数据库支持结合传统关键词检索（BM25）与向量检索
+
+## Popular Vector Stores
+
+| 名称 | 特点 | 语言 |
+|------|------|------|
+| Qdrant | 开源，高性能，支持过滤，Rust 编写 | Rust |
+| Chroma | 轻量级，适合本地和小规模场景 | Python |
+| Milvus | 开源，分布式，成熟生产级 | Go |
+| Weaviate | 原生支持混合检索，GraphQL 接口 | Go |
+| Pinecone | 云原生，全托管，无需运维 | 云服务 |
+| pgvector | PostgreSQL 扩展，简化技术栈 | PostgreSQL |
+
+## Indexing in Vector Store
+
+向量数据库通常使用近似最近邻（ANN）算法构建索引，以支持在海量向量中快速检索：
+
+- **HNSW（Hierarchical Navigable Small World）**：图索引，高检索精度，中等内存占用
+- **IVF（Inverted File Index）**：倒排索引，支持聚类加速
+- **PQ（Product Quantization）**：压缩索引，节省内存
+
+## Connections
+
+- [[Vector-Store]] ← supports ← [[Retrieval]]
+- [[Vector-Store]] ← receives_data_from ← [[Indexing]]
+- [[Vector-Store]] ← uses ← [[Embedding]]
+
+## Aliases
+
+- Vector Database
+- Vector Search Engine
+- Embedding Store
+- 向量数据库

wiki/concepts/WebScraper.md

@@ -0,0 +1,22 @@
+---
+title: "WebScraper"
+type: concept
+tags: [ai, data, scraper, web]
+sources: [我的工具集]
+last_updated: 2026-05-11
+---
+
+## Definition
+Web Scraper 是用于从网页中自动提取结构化数据的工具或服务。
+
+## Key Characteristics
+- 自动化抓取网页内容
+- 支持大规模数据采集
+- 可用于市场研究、竞品分析、内容聚合等场景
+
+## Examples from Sources
+- [[Brightdata]] 提供付费的 Web-Scraper 服务
+
+## Relationships
+- 属于 [[AI时代发展策略]] 的数据采集层
+- 为 AI Agent 提供数据输入源

wiki/concepts/九宫格法.md

@@ -1,37 +1,34 @@
----
-title: "九宫格法"
-type: concept
-tags: ["AI图像生成", "画面一致性", "视频制作"]
-sources: ["固定镜头短视频制作的ai全流程解析"]
-last_updated: 2026-04-23
----
-
-## 定义
-九宫格法是一种 AI 图像生成的一致性控制方法，通过一次性生成 3×3 共九个画面（在同一张图内），确保所有分镜的摄像机机位、角度、景深、光影完全一致，从而解决逐帧独立生成导致画面风格不一致的问题。
-
-## 核心问题
-逐帧独立生成图片会导致：
-- 光影关系错乱（同一光源在不同帧中方向/强度不一致）
-- 空间关系错乱（物体位置、比例关系变化）
-- 色彩风格不一致（色调、饱和度、明度不统一）
-- 摄像机机位漂移（角度、景深在系列画面中不连贯）
-
-## 九宫格法的工作流程
-1. 在 AI 图像生成工具（如 [[Midjourney]] 或 [[Nano Banana]]）中设计 3×3 网格布局
-2. 一次性输入提示词，同时生成九张连贯的分镜画面
-3. 使用工具（如 [[Google AI Studio]]）自动将九宫格图裁剪为九张独立的竖屏图（9:16 比例）
-4. 将九张独立图片配对，通过 [[首尾针动画]] 技术生成连贯视频片段
-
-## 核心优势
-- **机位固定**：同一张图内，机位和角度天然一致
-- **光影连贯**：同一光源设置贯穿所有分镜
-- **构图统一**：景深、视角保持一致
-- **效率提升**：一次生成九个画面，减少重复调整
-
-## 在 AI 短视频制作流程中的位置
-在 [[固定镜头短视频制作的AI全流程解析]] 中，九宫格法是**第二步（一致性图像生成）**的关键技术：
-1. 拆分镜头 → [[Google AI Studio]]
-2. **一致性图像生成 → 九宫格法**
-3. 首尾针动画制作
-4. 快速剪辑
-5. 声音设计
+---
+title: "九宫格法"
+type: concept
+tags: [AI视频生成, 图像一致性, 分镜]
+last_updated: 2026-03-15
+---
+
+## Aliases
+- 九宫格图像生成
+- 3x3 Grid Method
+- 9-Grid Image Generation
+
+## Definition
+九宫格法是一种保证AI生成视频画面一致性的图像生成技术。通过一次性生成3x3共九个画面，确保摄像机机位、拍摄角度、空间关系和光影效果在所有画面中保持高度统一。
+
+## Mechanism
+1. 将整个视频内容分解为九个连贯阶段
+2. 在同一prompt中使用九宫格布局一次性生成9张图
+3. 通过Google AI Studio工具自动检测并裁剪为9张竖屏图（9:16比例）
+4. 各阶段图像保持机位和角度不变，仅细节表现施工进度变化
+
+## Advantages
+- 保证画面空间和光影连贯性
+- 避免逐帧独立生成导致的光影错乱
+- 增强视频整体视觉一致性
+- 适合固定机位类视频制作
+
+## Related Concepts
+- [[首尾针动画]]：基于生成的图像制作动态动画
+- [[固定机位]]：九宫格法的最佳应用场景
+- [[时间压缩]]：九宫格法用于表现时间流逝的手法
+
+## Source
+- [[固定镜头短视频制作的ai全流程解析]]

wiki/concepts/提示词工程.md

@@ -2,7 +2,8 @@
 title: "提示词工程"
 type: concept
 tags: [AI, 提示词, Prompt Engineering]
-last_updated: 2025-12-18
+sources: [清华出的deepseek使用手册-104页-真的是太厉害了-免费领取, nano-banana-pro-prompting-guide-strategies-1]
+last_updated: 2026-04-28
 ---
 
 ## 基本定义
@@ -13,9 +14,11 @@ last_updated: 2025-12-18
 - 需要理解AI的工作机制，才能写出高效的提示词
 - 清华大学《DeepSeek从入门到精通2025》手册系统讲解了提示词设计方法
 - 核心教学理念：**"授人以渔"** —— 不只告诉你怎么问，还告诉你为什么这么问
+- Nano-Banana Pro 的方法论：**"像创意总监一样思考"** —— 停止标签堆砌，使用自然语言和完整句子，80% 正确时通过编辑而非重生成
 
 ## 相关来源
 - [[清华出的deepseek使用手册-104页-真的是太厉害了-免费领取]]
+- [[Nano-Banana Pro Prompting Guide & Strategies 1]]：强调"思维模式"（Thinking Mode）和自然语言提示，适用于图像生成领域
 
 ## 相关概念
 - [[AI幻觉]]：与提示词工程密切相关，通过好的提示词设计可以有效减少AI幻觉

wiki/concepts/首尾针动画.md

@@ -1,35 +1,40 @@
----
-title: "首尾针动画"
-type: concept
-tags: ["AI视频生成", "动画技术", "短视频制作"]
-sources: ["固定镜头短视频制作的ai全流程解析"]
-last_updated: 2026-04-23
----
-
-## 定义
-首尾针动画（Keyframe Animation）是一种 AI 视频生成技术，通过上传两个关键帧图片——首针图（Start Frame）和尾针图（End Frame）——让 AI 自动补齐两个阶段之间的中间画面，从而产生连贯流畅的动画效果。
-
-## 技术原理
-1. **上传首尾两张关键图**：首针图定义起点状态，尾针图定义终点状态
-2. **AI 分析两张图之间的变化**：识别主体、背景、光影等元素的差异
-3. **自动生成中间过渡帧**：AI 在两张图之间插值计算，生成平滑过渡的连续画面
-4. **输出连贯视频片段**：最终生成从首针到尾针的完整动画视频
-
-## 在 AI 短视频制作流程中的作用
-在 [[固定镜头短视频制作的AI全流程解析]] 描述的五步公式中，**首尾针动画制作**是第三步：
-1. 拆分镜头（[[Google AI Studio]]）
-2. 一致性图像生成（[[九宫格法]]，[[Midjourney]]/[[Nano Banana]]）
-3. **首尾针动画制作**（海螺AI/KAI/[[KAI]]）
-4. 快速剪辑（[[剪映]]）
-5. 声音设计
-
-## 核心优势
-- **平滑过渡**：AI 自动补齐中间变化，避免手动逐帧制作的繁琐
-- **时间压缩**：将漫长的过程（如装修数月）浓缩为几秒的流畅动画
-- **自然感强**：过渡效果由 AI 智能计算，比硬切更平滑自然
-
-## 支持工具
-- [[海螺AI]]（MiniMax）
-- [[KAI]]
-- 即梦AI（字节跳动）
-- 可灵AI（快手）
+---
+title: "首尾针动画"
+type: concept
+tags: [AI视频生成, 动画制作, 关键帧]
+last_updated: 2026-03-15
+---
+
+## Aliases
+- 首尾帧动画
+- First-Last Frame Animation
+- Keyframe Animation
+- Frame Interpolation
+
+## Definition
+首尾针动画是一种AI视频生成技术，通过上传两个关键帧图片（"首针"和"尾针"），让AI自动补齐两个阶段之间的变化，从而产生平滑的过渡动画效果。
+
+## Mechanism
+1. 逐个上传九张分镜图像配对制作动画
+2. 每对图像包含"首针图"（起始状态）和"尾针图"（结束状态）
+3. AI分析两张图像的差异，自动生成中间过渡帧
+4. 达成画面平滑过渡效果，无需镜头移动
+
+## Technical Requirements
+- 需要支持"首尾针"动画模式的AI工具
+- 推荐工具：海螺AI、多么AI、KAI
+- 图片需保持良好的一致性（建议使用九宫格法生成）
+
+## Advantages
+- 提供平滑的过渡效果
+- 硬切反而更简洁干净
+- 无需复杂转场效果
+- 适合固定机位、内容连续变化的视频
+
+## Related Concepts
+- [[九宫格法]]：生成一致性图像，为首尾针动画提供素材
+- [[快节奏剪辑]]：首尾针动画与硬切结合使用
+- [[固定机位]]：首尾针动画的最佳应用场景
+
+## Source
+- [[固定镜头短视频制作的ai全流程解析]]