这篇文章是技术复现记录模板，适用于论文、框架、Kernel、推理优化和量化方法。

复现对象​

• 名称：
• 来源：
• 目标：
• 运行环境：

核心问题​

这项技术解决什么瓶颈？瓶颈来自模型结构、访存、并行度、调度、显存，还是通信？

实验记录​

• 环境配置：
• 关键命令：
• 输入数据：
• 指标：
• 失败现象：

复盘​

• 哪些结果符合预期？
• 哪些结果需要重新验证？
• 可以沉淀到哪个知识栏目？

这篇文章作为未来记录课程和资料进度的模板。课程只是资料来源，最终笔记仍然归入数学、计算机基础、AI 模型或 AI 系统等知识方向。

当前资料​

• 数学基础：微积分、线性代数、概率论。
• 计算机基础：数据结构、操作系统、组成原理、网络。
• AI 基础与模型：机器学习、深度学习、NLP、LLM、扩散模型。

记录方式​

每次记录包含：

• 本次学习的问题。
• 对应知识方向。
• 核心概念。
• 需要补的前置知识。
• 可以产出的笔记或实验。

复盘问题​

• 这部分内容应该放在哪个长期栏目？
• 是否只是记住了课程结论，还是理解了知识结构？
• 是否有可以复现、计算或验证的实验？

本周目标是把学习内容放入稳定的知识结构中，而不是按课程列表堆叠。

本周重点​

• 数学基础：复习极限、连续和导数的直觉。
• 编程语言：整理 Python 数值实验模板。
• AI 系统与性能：初步梳理 GPU、CUDA、算子优化、推理系统之间的层级关系。

产出​

• 建立 Xiaoming Wiki 的文档目录。
• 写出第一篇高质量数学示例笔记。
• 规划后续 AI Infra 学习路径。

下周计划​

• 继续补充微积分和线性代数笔记。
• 开始记录 vLLM、KV Cache 和 PagedAttention 的阅读笔记。
• 每周保留一次复盘，检查学习内容是否回到知识体系中。