一、LLM 与 AI 工作流：可信输出来自系统工程，不来自模型自觉正确
LLM 训练数据中有大量相互冲突的信息，模型本身没有内置真理判别器。输出质量来自系统工程：预训练前的数据清洗和来源加权，让高质量语料密度更高；SFT 用专家问答和推理过程塑造回答范式；RLHF 或 DPO 用人类偏好奖励事实准确、逻辑严密、不自相矛盾的输出；代码、数学和思维链训练加强逻辑约束。模型并没有把世界中的矛盾统一解决，只是在参数空间中强化更符合主流证据和人类偏好的激活路径。细分领域、低密度知识和未覆盖矛盾仍会暴露幻觉，所以严肃场景必须做外部事实核验。
论文写作和代码研究中，Claude Code 更适合做项目级任务：跨文件读取、章节重构、编译排错、文献和数据目录检查、Git 操作和批量修改。Codex 或 Copilot 更适合在 VS Code 中做编辑器内补全：补句子、补公式、补 LaTeX、补短代码、做局部润色。两者的上下文同步应依靠项目文件，而不是聊天记忆：根目录放 project_rules.md、术语表、写作规范、审稿偏好和数据说明；Claude Code 显式读取规则文件，编辑器内联模型通过打开的规则文件获得上下文。宏观架构和微观心流分开，AI 协作才不会互相覆盖。
新的智能体窗口的关键价值不是多一个聊天框，而是会话管理、独立 worktree、Plan 模式、diff 审查和跨工作区任务聚合。复杂论文或代码改动可以在独立工作树中执行，不污染当前目录；Plan 模式先生成 Markdown 执行计划，用户可以行内批注，再允许修改；任务结束后用统一 diff 合并。终端 Claude Code 适合快速命令和局部排错，VS Code 智能体窗口适合长流程、可视化审查和多文件合并。AI 从“在当前目录直接动手”变成“在隔离环境提出计划、执行、交付差异”。
中文论文投稿中的 AIGC 披露，应把工具使用限定清楚：文字语法修正、表述润色、代码排错、格式检查等辅助工作可以写；研究假设、实验设计、数据分析、结果解释、核心创新和最终结论由作者负责。声明中要说明作者对 AI 建议进行了人工审查、修改和确认，AI 不作为合著者，所有作者对准确性、真实性和原创性承担责任。披露文件的重点不是显得先进，而是切断“AI 代替学术判断”的风险。
二、硬件与工具维护：容量、带宽、散热和更新方式要分开判断
V100 的 HBM2 带宽高，FP16 推理生成速度更快，长期满载稳定性更强；2080 Ti 魔改 22GB 的优势是显存容量大，能塞下 V100 16GB 跑不通的 7B/多模态/OCR 满血任务。两者都属于旧架构，vLLM 可运行但缺少新一代 FlashAttention 和 BF16 支持，长上下文和新模型兼容性都有折扣。模型和 KV Cache 能塞进 16GB 时，V100 更快；塞不进时，速度归零，2080 Ti 22GB 才有意义。推理硬件先看显存能否容纳，再看带宽和算力。
本地大模型推理在单卡 4090 上主要受 GPU 张量核心、显存容量和显存带宽限制，9900X 与 9950X 的 tokens/s 差异很小。日常办公几乎无感。视频剪辑中，如果使用 GPU 解码、调色和 NVENC，CPU 只承担调度和部分 I/O，差异有限。Python、MATLAB 和文本处理若能充分多进程，9950X 的 16 核会比 9900X 更快；若算法单线程、内存敏感或主要调用 GPU，提升有限。9950X 的额外价值是并行吞吐，不是所有任务都更顺手；散热上也要给 16 核持续满载预留更高冗余。
VS Code 正常应由内置更新或系统包管理器接管。macOS 上应用应放在 /Applications，否则可能受安全隔离影响；Windows 应优先使用安装版或 winget，不要反复下载 zip 解压覆盖；Ubuntu 应接入官方源后随 APT 更新。Windows zip 包如果下载后没有解除网络标记，解压出的 .exe 和 .dll 会继承 Mark of the Web，导致每次升级后都要手工解除限制。解决方式不是关闭系统安全机制，而是停止用 zip 手动覆盖，改用安装包或包管理器。
三、学术发表与出版：渠道价值不同，不能混用评价标准
ABS/AJG 2、3、4 星期刊中大量是 hybrid journals。作者录用后通常可以选择 traditional/subscription 模式，读者通过机构订阅访问，作者不支付 APC；也可以选择 Gold OA，作者支付高额开放获取费用。想免费发表，关键是确认期刊不是 Gold OA only，并在出版协议中选择传统订阅模式。少数期刊可能有投稿费、超页费或彩图费，但这与 OA APC 不是同一类费用。投稿前要查 author guidelines、APC 页面和 open access options，不能把高星级、开放获取和付费发表直接画等号。
Research Policy 之所以重要，不只是分区或评级高，而是它要求研究对创新、科技政策、技术管理或科学学问题有实质推进。纯数据拼接、热门模型套用和中国情境描述不够，必须在理论、机制、方法或政策理解上有可迁移贡献。它的审稿周期和修改强度通常较高，审稿意见会逼迫作者解释为什么这个问题重要、为什么数据能回答问题、为什么方法不是装饰、为什么结果对全球研究有意义。能进入这类期刊，说明研究不只是完成一个实证任务，而是在国际知识体系中占了一个可讨论的位置。
Kindle Direct Publishing 是亚马逊自助出版平台，可以发布电子书和按需印刷实体书。优点是前置成本低、效率高、作者自主权大、全球可售，适合技术手册、课程辅助材料、研究框架、个人知识产品和快速迭代内容。局限也明确：缺乏同行评审和传统出版社背书，在国内科研评价、职称、项目结项和正式学术专著认定中的权重很低。KDP 是传播渠道，不是学术认证机制。若目标是快速让内容被读到，它有价值；若目标是体制内学术成果认定，仍需传统学术出版。
四、内容分发与技术分析：信息要能被订阅，也要能被发现
播客上架小宇宙、Apple Podcasts、Pocket Casts、Spotify 等平台，本质不是每个平台重复上传文件，而是先选一个 hosting 平台存放音频、封面和节目元数据，由托管平台生成 RSS Feed。首次提交时，把 RSS 链接登记到各平台；之后只需在托管平台发布新音频，各客户端会定期抓取更新。准备工作包括首期 MP3 或预告、正方形封面、节目名、简介和作者信息。播客分发的稳定性来自 RSS 链接，平台只是订阅入口。
独立博客没有视频平台那种中心化推荐引擎，发布后不会自然获得推送流量。它的传播像引文网络：搜索引擎索引、其他网站反链、邮件通讯、RSS 订阅、社区引用和读者主动分享。博客的筛选机制是慢共识，不是即时算法；优质内容通过长尾搜索和权威链接沉淀权重。视频平台是注意力租赁，流量可以靠投放换来；博客是数字资产，成本主要是高信息密度、结构化写作、长期更新和外部链接建设。博客不负责帮内容爆红，它负责让内容长期可访问、可引用、可检索。
原始摘要为人类阅读而写，包含背景、修辞、过渡和词汇通胀；技术三元组把文本压成实体、关系、实体或功能结构，只保留技术主干。将三元组作为 embedding 输入，可以减少冗余叙述和夸张词对向量空间的污染，使相似度更接近技术关系本身。这个方法不是说摘要无用，而是说向量化前最好先把“宣传语言”和“核心机制”分离。技术分析中，输入形态决定向量含义；把水分带入 embedding，后续聚类和检索都会被水分牵引。
“Text excels intra-domain; vision excels inter-domain”的含义是：同一领域内共享术语体系，文本检索和 NLP 更适合精细筛选；跨领域时，术语壁垒会让文本失效，而附图中的结构、连接关系和形态更可能暴露相似物理方案。专利附图可被视为一种 honest signal，因为充分公开要求使它不能像权利要求文本那样过度策略化模糊。文本可能隐藏结构真相，图像反而泄露底层结构。若再按 assignee diversity 筛选，就能发现常规竞品监控看不到的交叉许可、战略联盟或收购线索。文本负责圈定领域，视觉负责穿透领域。
少量 Word 文档合并，最稳的是 Word 内置“插入文件中的文字”，并提前用 01、02 这样的文件名控制顺序。大量文档可用 docxcompose 自动合并，第一份作为主文档，后续文档 append。在线合并工具方便，但不适合含有隐私、审稿、合同或未公开研究内容的文件。合并前要统一样式、标题级别、页眉页脚和编号规则，否则自动目录、交叉引用和段落格式会互相污染。Word 合并不是把文件拼接，而是把多个样式系统放进同一个容器。
