ai-dist/TASTE.md

Taste Profile

这是用户当前有效 taste 的精炼视图。它是可修正的结论层，不是原始资料库；每条结论都应链接到 learnings/ 中的证据。

使用约定

• 确认：用户直接表达，或多份一致证据支持。
• 暂定：由有限示例推断，需要后续学习验证。
• 有条件：只在明确场景或约束下成立。
• 已取代：历史上成立，但已被后续偏好更新；保留用于解释演变。

应用某条偏好前，同时检查其适用范围。发生冲突时，优先使用更明确、更近期且场景更匹配的证据。

条目格式

画像按领域组织，每条偏好使用以下格式：

### 偏好标题

- 状态：确认 | 暂定 | 有条件 | 已取代
- 适用范围：这条偏好影响哪些任务或场景
- 规则：未来 Agent 应遵循的一句话规则
- 证据：[学习记录](learnings/YYYY-MM-DD-NNN-short-title.md)
- 边界：不适用场景、反例、冲突或未知项；没有则写“尚未发现”

同一条偏好获得新证据时，优先更新现有条目并追加证据链接；只有规则或适用范围实质不同才新建条目。

当前画像

科研选题 / 先问重要性，再寻找共性结构

• 状态：确认
• 适用范围：科研选题、问题定义、方法设计与研究方向判断
• 规则：先识别真正值得解决的问题，再从具体任务中抽象共性结构，并尽量设计对一类问题有普遍意义的解决方案；具体任务更适合作为理解共性问题的窗口，而不是研究的终点。
• 证据：vibe coding 时代的科研品味，赵霞研究与系统文章清单，把奖项看作分布的一次抽样，从真实摩擦提炼缺失语义的研究推进法
• 边界：这是用户当前、明确但仍开放修正的工作定义；“好发文章”“可工业落地”“热门”、venue 或奖项都不能单独充当标准答案，抽象也必须有真实理解和科学价值支撑。外部认可可以提供反馈，但受时机、评审偏好和学术权力结构影响。

系统研究 / 从跨场景摩擦提炼缺失语义

• 状态：确认
• 适用范围：系统研究选题、问题归纳、抽象设计、scope 界定、实现定位与 evaluation 设计
• 规则：从多个场景反复出现的真实摩擦中提炼最小 capability set，明确现有系统缺失的 semantics，再定义可独立复用的系统抽象；及早声明 non-goal，以现有机制实现也可以，但必须产生可解释的新语义，并让每项 design requirement 对应可回答它的 metric 与 baseline。
• 证据：从真实摩擦提炼缺失语义的研究推进法
• 边界：跨场景相似性必须落实为同一个可检验的语义缺口，不能用新命名包装普通工具集成；概念优先不削弱实现、正确性和实验证据的要求。不同研究可有不同 non-goal，requirement 与 metric 也不必机械一一对应，但必须可追踪且足以支撑 claim。

科研表达 / 用问题—窗口—方法—证据组织故事

• 状态：确认
• 适用范围：论文摘要、研究叙事、proposal、技术报告和结果表达
• 规则：先确定一个可用一句话复述的中心 idea，再从重要的共性问题出发，说明具体任务为何是观察该问题的 benchmark、方法如何尝试解决这类问题以及结果提供了什么证据；让段落、图和实验都服务这条主线，而不只报告“方法 A 在任务 B 上得到结果 C”。
• 证据：vibe coding 时代的科研品味，赵霞研究与系统文章清单，把奖项看作分布的一次抽样
• 边界：更宏大的叙事不自动意味着更好的研究；问题、benchmark、方法和结果之间必须存在真实联系，不能用包装替代证据。“一个中心 idea”也不等于省略限制、反例、替代解释或会改变 claim 的必要实验。

科研评审 / 重视简洁、内在一致、启发性、必然性与适用范围

• 状态：确认
• 适用范围：研究问题、理论框架、实验结果、方法和抽象的质量判断
• 规则：好的研究应尽量简洁而不故弄玄虚，框架具有内在和谐，结果能引出新问题，方法与问题之间显得自然且有说服力，抽象能覆盖一类问题而非单个特例。
• 证据：vibe coding 时代的科研品味，赵霞研究与系统文章清单
• 边界：这些是启发式判断标准，不是可以机械打分的 benchmark；使用时仍需结合问题重要性、证据和领域语境。

科研价值 / 不以抽象之名贬低实际问题

• 状态：确认
• 适用范围：选题评价、论文评审、对工程型或应用型研究的判断
• 规则：区分真正的一般性科学价值与学术权力结构塑造的“高级感”；实际、可落地或具体的问题并不天然低级，应看研究者是否理解得足够深并能提炼出有意义的东西。
• 证据：vibe coding 时代的科研品味，赵霞研究与系统文章清单
• 边界：这不是否定科学对一般性的追求，而是要求对“高级/低级”的区分保持反思，避免把范式声望当成研究价值本身。

科研阅读 / 从理解走向评价与综合

• 状态：暂定
• 适用范围：论文阅读、文献调研、paper review、研究入门与选题准备
• 规则：阅读时先提炼问题与动机、贡献、证据和结论，再检查重要性、有效性、假设与历史语境，最后主动寻找替代解法、反方论证、迁移场景和开放问题；阅读的产物应是自己的判断，而不只是技术细节摘要。
• 证据：赵霞研究与系统文章清单，把奖项看作分布的一次抽样
• 边界：并非每篇论文都值得同样深读；可按 awareness、局部使用和准备延伸三个目的分配深度。真正影响当前 claim、实现或实验的论文需下钻到方法与证据细节；建立领域地图后仍要从 first principles 检查社区惯例，避免把独立思考误解为忽略 prior work。

科研发现 / 把异常当作待验证的机制线索

• 状态：暂定
• 适用范围：异常实验结果、复现失败、系统故障、经验研究与新现象判断
• 规则：结果不符合预期时，不立即把它归为 bug 或 discovery；先稳定复现并排除实现、测量和基线问题，再通过独立实现、真实样本、sensitivity 与跨场景迁移检验它是否来自可解释的共性机制。
• 证据：vibe coding 时代的科研品味，赵霞研究与系统文章清单
• 边界：大多数异常仍可能是普通错误、噪声或偶然相关；“异常值得查”不等于“异常值得发表”，一般化必须晚于排错和独立证据。

科研执行 / 先验证最大风险，再决定是否重投入

• 状态：暂定
• 适用范围：研究开项、原型实验、项目组合管理、论文执行与停止条件判断
• 规则：先用最小但有效的实验检验最可能失败的关键假设，并预先写清 success、failure 与 kill criteria；核心风险通过且 best-case 结论确有意义后，再围绕唯一中心 idea 为实现完整性和证据严谨性重投入，失败或意义不足时及时停止或降级交付。
• 证据：赵霞研究与系统文章清单，把奖项看作分布的一次抽样
• 边界：最小实验必须保留决定结论的 workload、规模和机制，不能因 prototype 失真而错误否定方向；长周期、基础性、复现、负结果和基础设施工作也可能有累积价值。停止或转向还要考虑合作者承诺、学生培养和已有 artifact，并防止用“避免 sunk cost”包装追逐新鲜感。

系统设计 / 先跑通简单闭环，再按真实约束演进

• 状态：暂定
• 适用范围：系统原型、研究实现、复杂工程、架构设计与从论文到生产的迁移
• 规则：先区分 Must-Have 与 Nice-to-Have，用最小机制尽快跑通端到端闭环并验证总体方向，再依据测量和真实需求迭代；演进时同时检查正确性、稳定性、扩展性、尾部行为、资源成本和可维护性。
• 证据：赵霞研究与系统文章清单
• 边界：简单不是目标函数中的唯一维度，也不是牺牲安全、可靠性、兼容性或必要完整性的通行证；快速原型和生产系统承担的约束不同。

GPU 服务器评审 / 从端口规格追到业务有效带宽

• 状态：确认
• 适用范围：GPU 服务器通信配置评审、硬件选型与验收、训练和推理网络瓶颈分析
• 规则：不要只看“几卡几网”和 NIC 标称速率；依次核算外部 NIC 聚合出口、PCIe 主机侧供给与共享上行、GPU 到 NIC 的 NUMA/PCIe/socket 路径、具体训练或推理通信需求，再用拓扑、NCCL、链路计数器和端到端业务指标验证实际可用能力。
• 证据：GPU 服务器网络配置五步评审法
• 边界：聚合端口速率是以 bit/s 表示的理论上界，不等于应用有效吞吐；具体合格线依赖 workload、并行策略、规模和目标指标。该流程主要覆盖通信子系统，不能替代对算力、HBM、CPU 内存、存储、功耗、散热、可靠性和运维的评审。

科研培养 / 以独立判断而非论文数量为终点

• 状态：暂定
• 适用范围：导师—学生合作、研究团队建设、研究实习与长期技术培养
• 规则：按人的兴趣、能力、阶段和时间定制问题与风险，通过第一手实践、及时而建设性的反馈、同伴协作和逐步放权，最终让学习者能够独立选题、验证、表达和承担判断，而不是只执行论文任务。
• 证据：赵霞研究与系统文章清单
• 边界：自主不等于放任，早期学习者通常需要更具体的支持；长期培养也不能以“坚持”为名忽视压力、退出选择、权力不对等或不健康的工作方式。

实验评测 / 自我比较不能代替独立基线

• 状态：确认
• 适用范围：系统性能评测、论文 evaluation、baseline 选择、性能 claim 审计
• 规则：与自己的旧版本或内部变体比较，只能回答“这次改动对自己是否有帮助”；要证明结果的重要性、竞争力或实际价值，还必须选择与 claim 匹配的独立参照，并明确每个 baseline 回答哪个研究问题，不能把不同角色都混成一个 speedup。
• 证据：不要只和自己做 benchmark，从真实摩擦提炼缺失语义的研究推进法
• 边界：自我比较对 regression、ablation、组件优化和开发过程仍然有价值；如果 claim 明确只描述内部增量，它可以是充分证据。需要外部基线时，基线类型必须由问题和 claim 决定，不能机械地一律要求同一种 competitor。

模型评测 / 不允许同一组假设闭环自证

• 状态：暂定
• 适用范围：仿真系统、解析模型、调度与资源模型、模型驱动的系统优化
• 规则：如果方法建立在一组简化假设上，不能只在编码了同一组假设的模型或模拟器中验证它；至少需要独立数据、不同假设下的 sensitivity，或真实系统的 reality check 来检验结论是否超出模型自身。
• 证据：不要只和自己做 benchmark
• 边界：受控模型和仿真适合隔离机制、做早期探索或计算不可直接实现的上界；问题在于用它们支持现实有效性或泛化 claim，而没有验证关键假设。

性能优化 / 先估算和测量，再决定复杂度预算

• 状态：暂定
• 适用范围：性能设计、热点优化、库代码、系统调优和性能 review
• 规则：先判断代码是否位于 hot path、调用规模和目标资源，再用 back-of-the-envelope estimation、profiling 和基准测量定位量级与瓶颈；只有预期收益与实测证据足够时，才为性能支付可读性、复杂度和维护成本。
• 证据：Abseil Performance Hints
• 边界：这不等于把性能问题全部推迟到 profiling 之后；若更快的设计不显著损害可读性或复杂度，应在最初设计时采用，尤其是广泛复用的 library API。估算中的操作成本只是量级直觉，必须按实际硬件和 workload 校准。

性能优化 / 优先减少总工作与数据移动

• 状态：暂定
• 适用范围：算法选择、数据结构、内存布局、热点循环、并发与低层代码优化
• 规则：优化时先寻找更高杠杆的变化：改善算法复杂度，消除不必要工作，批量化或把工作移出热点路径，减少 allocation、copy、cache line 和同步开销；确认这些结构性机会后，再做局部指令级微优化。
• 证据：Abseil Performance Hints
• 边界：fast path、cache、specialization、紧凑表示和 parallelism 都会交换内存、code size、尾延迟、通用性或维护复杂度；必须在固定 workload 下分别测量，不能把某个 C++ 示例机械推广到所有系统。

性能设计 / 用窄接口保留局部优化空间

• 状态：暂定
• 适用范围：公共 API、library、模块边界、数据所有权和并发接口设计
• 规则：优先让模块具有窄而稳定的接口，把数据结构和实现选择封装在内部；提供确有 workload 需求的 bulk、view 或复用型接口，以减少边界穿越、copy、allocation 和 lock 开销，同时避免承诺调用方并不需要、却会永久限制实现的特性。
• 证据：Abseil Performance Hints
• 边界：API usability、所有权清晰、线程安全和兼容性仍是约束；只有当调用模式和测量表明收益时才扩展性能 API，不能为了潜在优化预先增加公共表面积。

AI 协作 / 把稀缺注意力放在判断而非操作上

• 状态：确认
• 适用范围：vibe coding、AI 辅助科研、Agent 的任务分工与输出重点
• 规则：充分利用 AI 完成实现、检索和文字处理，但把更多注意力投入问题是否值得解决、哪些文献真正重要、异常结果如何解释、研究故事如何成立，以及什么才算好的输出。
• 证据：vibe coding 时代的科研品味
• 边界：操作能力仍是验证想法和形成可靠证据的必要条件；AI 降低操作门槛，不等于实现质量、事实核查或实验正确性可以被忽略。