Theqiqi_blog

知识如何形成可调用的结构——从概念到经验、规则、标准、约束 知识真正有价值的状态，不是「被保存」，而是「能够被线索找到、被关系连接、被模型解释、被经验调用、被思考重新组合、被行动验证，并在反馈之后继续更新」。本篇讲知识如何从零散信息长成可调用的结构：概念是模型的节点，记忆的关键是可达，线索是检索入口，经验是被验证过的关系，规则明确了条件，标准规定「应该怎样」，约束限制选择；最终形成分层的、可调用的知识结构。 一、知道一个概念，不等于掌握它「知道循环是什么」和「能用循环解决问题」是两回事。 12知道：能说出定义（循环 = 反复执行某个过程）掌握：能识别循环的场景、能选择循环、能写出实现、能知道边界 掌握 = 概念 + 关系 + 应用能力。 只有概念没有关系，知道但用不出来；有关系没有应用经验，用起来会卡住。 二、概念本身就是模型的节点知识网络的最小单元是概念。但孤立概念没有意义： 1「玩家」「攻击」「敌人」「生命值」 这些词单独存在，还不构成知识。一旦建立关系： 12玩家 → 攻击 → 敌人攻击 → 伤害 → 生命值 概念就成了模型的节点。概念的价值不在于它本身，而 ...

从模型到行动——思考为什么必须经过选择与决策 思考产生的是可能性，决策负责从可能性中选择行动。没有选择的思考可能只是分析；没有行动的决策只是计划。本篇展开「选择与决策」的完整机制：为什么必须有选择、决策需要哪些依据（目标/标准/约束/成本/风险/经验）、决策本质上是在缩小可能空间、信息不足时最好的决策是继续寻找信息、验证会重新进入决策循环，以及「智能」为什么是在不确定性中继续运行的能力。 一、思考不是直接得到一个答案角色掉进坑里。当前信息：位置=坑底，目标=继续向右，前方=墙，上方=平台。 已有模型给出多种可能： 1234方案 A：直接跳方案 B：后退后跳方案 C：寻找其他路线方案 D：等待 到这一步，问题还没解决。因为： 思考产生的是可能性，决策负责从可能性中选择行动。 二、思考与决策解决的是不同问题123思考：「有哪些可能？」决策：「选择哪一个？」行动：「执行哪一个？」 1问题 → 分析 → 发现多个方案 → 比较方案 → 选择方案 → 执行 没有选择的思考可能只是分析；没有 ...

从模型到思考——信息、经验、分析与决策如何连接 拥有模型并不等于能够解决问题。模型是组织好的知识结构；真正面对问题时，还需要知道：当前该调用哪些信息？哪些经验与问题有关？缺什么信息？如何分析？有哪些候选？最终选什么？本篇讲这条「思考」的过程——思考如何激活相关结构、寻找缺失的关系、产生候选解释、经过选择与决策、走向行动，并最终通过反馈形成闭环。 一、思考不是凭空产生答案面对问题： 「为什么游戏中的角色移动起来感觉很奇怪？」 直接回答容易变成「可能是加速度不合适」——这是猜。 真正的思考从激活相关信息开始：角色、移动、速度、加速度、重力、输入、碰撞、动画、状态……这些概念被问题激活，然后彼此连接： 1输入 → 移动状态 → 垂直速度 → 重力 → 位置 于是形成一个局部模型。思考的第一步不是找答案，而是从当前问题出发，激活相关的信息结构。 二、真正的「输入」不只是用户说的话一个问题的输入，不只是表面上那句话： 1234问题本身 + 上下文（当前场景、已有信息） + 相关的模型与经验 + 缺失信息的提示（「这里我还不知道」） 「为什么移动奇怪」这句话本身没有答案。答案依赖：是 ...

认知能力分解——「听懂」是结果不是阶段，能力如何逐层形成一句话 「听懂」看起来是一瞬间，拆开是一串能力的成功运行——它是这串能力运行成功后的状态，不能当成一个可以单独训练的动作。能力分解要区分三个维度：能力是什么、能力如何形成、如何组织成课程。 主题 01（认知语言智能）只取了这条线的结论（语言理解、习得、Skill 沉淀）；本线（02）展开完整推导：从听觉理解能力的逐层拆分，到能力获得的基本机制，再到三大能力 Skill 的诞生。 一、听觉理解能力的完整拆分把一个最终结果「听懂」沿着信息被识别、组合、解析、理解的方向逐层拆开——一条从声音 → 语言结构 → 意义的流水链： 12345678910111213141516171819202122232425262728293031声音 ↓语音 ↓音素 ↓音素序列 ↓词边界 ↓词 ↓多个词 ↓意群 ↓句法结构 ↓词义 ↓组合语义 ↓句子意义 ↓上下文关系 ↓语篇意义 ↓说话者意图 ↓听懂 四个层级声音识别层（先把连续声音分辨出来）： 听见声音——把语音和环境噪声区分开 识别音素——辨认 /p/、/b& ...

认知·语言·智能——人和 AI 如何理解、认知、表达 「听懂」是一串能力的成功结果，不是一步；自然语言只编码几十个高层特征，图片有几万个变量，所以从语言到图像必须有中间的领域模型；人通过模型理解世界，通过语言交换模型，通过系统改变状态，又通过反馈修正模型——认知、语言、智能是同一条链的三个面。这条链可以沉淀成可执行的 Skill。 一、语言理解：从声音到意图「听懂」看起来是一瞬间，拆开是一串能力的成功运行： 1声音 → 音素 → 词 → 意群 → 句子 → 语篇 → 意图 听懂是结果，不是阶段。 它是这串能力运行成功后的状态，不能当成一个可以单独训练的动作。 这些能力不是「讲」进去的，而是靠预测 → 误差 → 修正长出来的： 1大量输入 → 差异发现 → 类别抽象 → 预测 → 误差修正 → 泛化 比如「不同人、不同时间、不同速度」说出同一个词，人靠语言归一化把它们归成同一个单位。大模型的训练本质也是同一件事。 听懂背后还有更底层的认知链： 1感知 → 对象 → 概念 → 关系 → 思考 → 推理 → 决策 → 反思 认知范围 > 语言范围。 语言是认知的催化剂：认知扩 ...

图像生成的领域模型——为什么同一描述画出来不一样，以及怎么让它一致一句话 自然语言确定的是「是什么」（一个区域），而不是「具体长什么样」（一个点）。从语言到图像必须经过领域模型：不要让自然语言直接控制像素，而是先让语言变成一个可操作的「世界模型」，最后才交给绘制器。 一、为什么同一描述画出来不一样给十位画家同一句描述：「一位二十岁左右的少女，黑色长发，穿白色连衣裙，站在湖边，夕阳下微笑。」最终十张画，一眼就知道是同一个人设，但又明显不是同一个人。 第一层：自然语言只描述了少量特征一句描述只包含几十个信息点（性别、年龄、发型、衣服、场景、时间、表情），而一张图片包含几万个连续变量（脸型、下巴宽度、鼻梁高度、嘴唇厚度、肩宽、衣服褶皱、光照方向……）。自然语言只规定了几十个，还有大量自由度没有约束。 第二层：每个人脑中的默认值不同没有说明的信息，画家会自动补全。「黑色长发」有人想到及腰长发，有人想到齐肩长发。「微笑」有人画 🙂，有人画 😊。每个人都把未指定的信息用自己的经验填满。 第三层：人的经验库不同日本画师天天看动漫，脑中「少女」是大眼睛、小鼻子、V 脸；欧美画师天天看真人，脑中 ...

绘制与图像——程序绘制、绘画软件与画师的区别，从像素到 2D 人物一句话 区别不在于能不能画，而在于「谁负责画」以及「画的方式」——程序写代码画、绘画软件人拿画笔画、画师靠创作。它们最终得到的都是像素图，只是创作方式不同。 一、四层定位：图形库的层次 层次 作用 Python C++ 图片处理 图片读写、格式解析、像素处理 Pillow、OpenCV OpenCV、FreeImage、stb_image 二维绘图 二维图元绘制（线/矩形/圆/文字/曲线） Cairo、Skia、Matplotlib Skia、Cairo、NanoVG GPU 渲染 高性能实时渲染 ModernGL、PyOpenGL OpenGL、Direct3D、Vulkan 游戏渲染 游戏场景渲染 pygame、pyglet SDL、SFML、raylib 图片库 vs 图形 API 的最大区别图片库（Pillow、OpenCV）：内存里修改像素 → 保存。 1图片 → 修改像素 → 保存 GPU 图形 API（OpenGL/D3D&# ...

运行时程序扩展工程——从「分析」进入「修改与扩展」的工程化一句话 「找到指令并调用它」不是一步，而会自然分叉出一整套运行时修改/扩展工程。 Shellcode、DLL、Hook、Trampoline、Signature、线程管理不是零散技巧，分别属于「代码载体、控制流、定位、运行时管理、维护」这些工程阶段——分析链回答「它怎么工作」，扩展链回答「我怎么改变或扩展它」。 一、从「分析」进入「执行扩展」分析链（逆向）： 1游戏 → 数据 → 地址 → 状态 → 指令 → 函数 → 系统 → 机制 目标从「我想知道它怎么工作」变成「我想改变或扩展它」，就进入另一条链： 12分析结果 → 确定修改点 → 确定执行方式 → 准备代码载体 → 建立执行入口→ 处理执行上下文 → 处理并发/线程 → 执行扩展逻辑 → 恢复/继续原程序 → 验证稳定性 这称为运行时程序扩展工程（Runtime Modification / Extension）。 二、「调用指令」本身分三层123A. 修改已有数据 Player.Health → Write → 新值（最低层）B. ...

逆向信息保存方法——软件地图、知识图谱与找功能的手法一句话 逆向里最值钱的不是地址和偏移，而是对象之间的关系，以及怎么证明这个关系存在。 单个软件的逆向信息用「软件地图」分十层保存；知识用「对象地图 / 发现过程 / 规律库」三种文档组织，记关系不记地址；找功能靠「功能发现策略库」记录为什么这样找，而不是找到了什么。 一、软件地图：单个软件逆向信息的十个保存层次做单个软件的逆向分析，最重要的不是保存所有细节，而是建立一个能快速定位功能的知识库——软件地图（Software Map）。十个层次： 软件基本信息——名称/版本/编译时间/大小/MD5/开发商/保护方式（无壳/UPX/VMProtect/Themida）。 模块结构图——主程序 → 登录/配置/网络/数据库/升级/UI 模块，或 MainWindow → 菜单/工具栏/配置页。这是后面所有分析的索引。 功能列表（最重要）——表格：功能/ ...

步骤工程化与审查——从文字流程到可执行的步骤图 前面几篇把工程变成「过程 → 流程 → 步骤」。这一篇解决最后一个问题：步骤本身怎么定义，才能让流程被人工、程序、AI Agent 一致地执行和审查？ 答案是两步：① 步骤 = 一个有明确输入、目标、约束、操作、输出、验证的原子任务；审查 = 对某一个明确对象的某一个明确属性进行验证——每个步骤只做一件事，每个审查只检查一件事；② 用 STEP/REVIEW 关键字把步骤组织成带状态和分支的控制流，让整个工程从「文字描述的流程」变成可执行、可自动审查的步骤图。 一、核心定义 步骤 = 一个有明确输入、目标、约束、动作、输出的原子任务。 审查 = 对某一个明确对象的某一个明确属性进行验证。 把依赖关系加入审查步骤，整个流程就不只是线性 checklist，而是一个带依赖关系和反馈回路的工程系统。 二、一个标准步骤的结构12345678步骤├── 输入├── 前置条件├── 目标├── 约束├── 操作├── 输出└── 验证 例如： 123456789101112131415161 ...