Skip to main content
这份笔记解决的是三个具体问题：学习开源项目时进度混乱、不知道学到何种程度算够、学完之后很快忘记。三者的解法分别是固定粒度的学习单元、可检验的行为判据，以及把细节外包给检索的分层记忆。
跑通项目只是 L0 入场券。代码里的设计取舍、抽象层次与性能权衡不会因为多跑几遍而进入理解。

​
学习单元：机制切片

学习单位是机制切片（Mechanism Slice），不是一个项目。一个切片是一条完整的、可独立理解的数据或控制流，判断标准是能用一句话说完，并且有明确的输入与输出。 同时只允许存在一个进行中的切片。 想开新的，先把当前切片验收通过，或者写进暂停清单。这一条规则消除了大部分混乱。

​
五阶段流程

每个切片都完整走一遍下面五步，顺序不可跳，尤其是第 ③ 步不能提前到第 ① 步。 以每晚两小时计算，五个阶段合计约六小时，通常跨两到三个晚上完成一个切片。

​
① 定位：链路与文件清单

产出是一份自己核对过的文件清单与调用顺序。
  1. 让 AI 给出涉及的文件和调用顺序，要求带真实路径与函数名。
  2. 用 IDE 的 Find Usages 或 grep 抽查两到三处，确认路径和函数真实存在。
  3. 写下这条链路的第一个函数和最后一个函数。
  4. 在头尾两处打断点或加日志，跑一次，确认链路真的被走到。
1 小时内找不到链路，说明切片切大了，回到上一步再切小。
验收标准：
  • 能背出这条链路的起止函数和文件名
  • 文件清单自己核对过，没有 AI 编造的路径
  • 断点至少命中过一次

​
② 建模：数据结构与接口

只读数据结构和接口，不读逻辑。产出是核心结构体的字段表与状态转换图。 对每个核心结构体做一张三列表，填不满的字段就是知识空洞，标记出来而不是跳过。 围绕每个结构体问四类问题：
  • 设计意图：这个字段为什么用引用计数而不是深拷贝？改成深拷贝会有什么后果？
  • 反事实：如果把这个分配策略换成另一种实现，需要改动哪些接口？
  • 边界：这个字段在什么情况下为空？为空时下游哪个分支会挂？
  • 失败模式：什么输入会让这段代码性能崩掉（不是出错，是变慢）？
再让 AI 输出一张 mermaid 状态转换图，描述结构体在生命周期内如何变化，直接贴进笔记。 验收标准：
  • 每个核心结构体的字段表填满，没有「不知道谁写」的字段
  • 能画出状态转换图，不看笔记能复述主干
  • 能用一句话说明这个机制解决什么问题（说不出来说明还停留在细节层）

​
③ 预测对答案

决定成败的一步。顺序绝对不能反：先看解释再写理解，写出来的只是复述，会产生「看懂了」的错觉，实际是识别而非回忆。
  1. 合上所有窗口，手写一段预测（不看代码）：这个函数做了什么、为什么这么做、关键分支分别在什么条件下走。
  2. 把这段话贴给 AI，用下面的模板要求批改。
  3. 把批改结果记下来，重写第二版预测。
  4. 反复到错误项连续两次为空。
验收标准：
  • 手写预测有文本留存，不是只在脑子里想
  • 第二版预测的错误项不超过 1 条，且是细节而非结构性错误
  • 能说出至少一个自己原本想错的地方

​
④ 动手验证

读代码得到的假设只有改动才能验证。每个实验必须有假设和预期，否则只是瞎试。 按性价比排序的实验类型：
  1. 加日志或计数器：最便宜，验证「谁被调用了几次」。
  2. 改极端参数：block size 设成 1 和设成 4096，看行为差异。
  3. 注释掉优化分支：验证这个优化是否真的在起作用。关掉后程序依然正确但变慢，说明理解正确。
  4. 性能对比：Nsight Compute 或 profiler，观察带宽利用率与 occupancy。
验收标准：
  • 至少三个有假设、有预期的实验
  • 至少一个实验结果出乎预期，并且解释了原因（没有意外说明实验太保守）
  • 关掉某个优化前能预测性能变化方向，并验证

​
⑤ 输出验收

产出是一篇自己的笔记，加上一次出题自测。
  1. 用自己的话写清：这个机制解决什么问题、怎么做的、踩过哪些坑、在哪想错了。
  2. 让 AI 出题，只要题目不要答案。
  3. 答完再要答案与评分，答对率低于 80% 则回到第 ③ 步。
终极验收是对真人（或对着空气）讲 5 分钟，对方能听懂。讲不清就是没懂。 验收标准：
  • 笔记里有「我原本想错的地方」一节，没有这一节说明笔记是抄的
  • 出题答对率不低于 80%
  • 能画一张图，不看笔记讲 5 分钟

​
掌握程度判据

用行为定义程度，替代「感觉懂了」。 对「学习一个项目」这个目标，L3 是及格线，L4 是优秀。到达 L3 的量化标准是完成三到五个机制切片，每个切片的 ③④⑤ 都通过验收，而不是读完所有文件。

​
学习状态表

放在笔记最上方，一眼看出当前在做什么、卡在哪、哪些可以放。 一行里出现两个 🔄 就说明违反了单一切片规则。

​
遗忘的分层处理

遗忘是正常机制，问题不在遗忘本身，而在忘记之后没有低成本的恢复路径，于是只能重学一遍。重学才是真正拖慢进度的地方。对策是让该背的极少，其余全部外包给笔记与检索。

​
三层知识的分工

区分法则：换个项目还能用上的属于原则层，只在这个仓库成立的属于细节层。
  • 「分页式管理用间接层消除碎片，代价是每次访问多一次查表」→ 原则层，必须记住
  • 「BlockTable 里有 block_table 和 num_blocks 两个字段」→ 结构层，记个大概即可
  • 「gpu_worker.py 某个函数叫什么」→ 细节层，忘了就 grep
把细节层也塞进记忆，是学习效率下降的主要原因。

​
间隔检索排期

重读笔记只产生熟悉感，不产生回忆能力。有效的方式是闭卷默写，排期为 D0（学完当天）→ D+1 → D+7 → D+30，每次 5 分钟，只做一件事：
拿一张白纸，默写这个机制的一句话目的 + 主干流程，不看笔记。
  • 默不出来就翻笔记看 5 分钟，这就是真正的复习，不算失败。
  • 连续三次默写失败，把该切片降级为「只需要知道它存在」，不要硬背。
  • 每次在笔记里记一行：D+1 ✅ / D+7 ⬜ / D+30 ⬜。
5 分钟乘以 4 次约 20 分钟，远低于重读一遍源码的代价。

​
机制卡片

在每篇笔记顶部放一张固定格式的卡片，正文则作为查阅资料而非背诵材料。
设计完成后，忘记的代价从「等于没学」降到「翻一页笔记」。

​
复习问题的形式

问题形式决定记忆质量。推理型问题答对一次，抵得上背诵型问题答对十次，因为它挂在因果链上。

​
遗忘日志

每次想不起某个东西时当场记一行，用真实使用频率替代主观重要程度。
一周后回看：反复出现的升到原则层并专门安排复习，只出现一次的保持可查即可。

​
跨项目记忆锚

同一机制在不同项目中再遇到一次，记忆强度高于复习多遍。
  • 页表加引用计数：操作系统虚拟内存 → vLLM 的 block table → Redis 共享对象
  • online softmax：FlashAttention → 流式统计计算
  • warp shuffle：CUDA Reduce → 任意并行规约
主动寻找这类对照，写进笔记的「相关笔记」栏，那一栏的价值是记忆锚点而不是导航。

​
每周固定 15 分钟

周日执行，15 分钟封顶：
  1. 更新状态表，看哪个切片卡住。
  2. 随机抽三张机制卡片，闭卷默写。
  3. 过一遍遗忘日志，把高频项排进下周。
复习计划一旦超过 15 分钟，第三周就会被放弃。

​
提问模板

不要问「请逐行解释这个文件」。那等于换个人念代码，仍然是被动接收信息。问设计意图、反事实、边界和失败模式，这些问题的答案不在代码字面上，需要推理。

​
三条硬规则

  1. 一次只学一个机制。 想做别的就写进暂停清单，不写代码不开窗口。
  2. 48 小时降级规则。 任何一步卡超过 48 小时或累计 3 小时，降低抽象层级，从「调度器怎么工作」降到「这个函数输入输出是什么」。降级不丢人，卡死才丢人。
  3. 有产出才算完成。 每一步必须有文件、文本或命令输出作为证据，没有产出等于没做，不管看了多久。

​
速查卡

​
相关笔记

PagedAttention 与 KV Cache

可用来练习机制切片拆分的对象：从预填充与解码两阶段拆到块表分配。

Reduce 算子

计划整理的 warp shuffle 与共享内存规约，是并行规约这一机制的两种实现。