从注意力机制、位置编码、前馈网络到 Encoder-Decoder，梳理 Transformer 的核心组件与演进方向。

把一次真实经历写成 Skill 时，最容易丢掉的不是格式，而是证据、冲突、决策变化和可以照着练习的教学过程。

真正进入业务之后，交付不能只回答‘有没有上传成功’，还要能说明改了什么、依据是什么、谁有权执行以及失败如何恢复。

我不想让用户为了维护产品而离开工作现场；产品的主入口应该是判断变化发生的地方。

内部系统和外部产品可以共享认知源，但不能假设它们拥有相同入口、权限和维护方式。

反馈驱动的 Skill 改进证明了自动优化可以发生，但它不等于人的判断应该被自动写入和自动执行。

一个真正理解我的系统，不能只把我喜欢的东西推回来；它也要在关键时刻提供反例，但不能把每次使用都变成考试。

外部内容最有价值的地方，不是替我总结一个结论，而是让我看到相似处境、失败条件、反对观点和边界。

我不想再造一个主聊天框：Codex、Claude Code 和 Cursor 负责当前推理，Trace 负责让重要的认知变化跨工具继续存在。

Memory infrastructure 帮 AI 记住上下文；我想做的 Thinking Infrastructure，帮助人把已经采用的判断带到新的工具和时间里。