math-skill 1.0.0 → 2.0.1

package/references/books/abstract-algebra.md

@@ -0,0 +1,120 @@
+# 🔢 抽象代数 / Abstract Algebra
+
+> **Contemporary Abstract Algebra**, Eighth Edition · Joseph A. Gallian · Brooks/Cole, Cengage Learning.
+> 本文件是「激活」参考：把书里的群/环/域结构映射到 ML/算法/Infra，不复述原文。全保真回查见文末「深挖入口」。
+
+## 概要
+
+本书是标准本科抽象代数教材，主线三段：**群 → 环 → 域**，从公理出发，重点讲**对称、结构守恒的映射（同态/同构）、商结构、有限对象的分类与计数**。对 AI 的价值不在定理本身，而在它给出的**「在某种变换下保持不变」的语言**——这正是等变网络、置换不变聚合、编码与哈希的代数底座。
+
+一句话激活观点：**对称性是一种免费的归纳偏置（inductive bias）**。与其让模型从数据里硬学"旋转后还是同一只猫"，不如把对称群 G 的作用直接编进网络结构，让参数沿轨道共享——既省参数又给出泛化保证。群（变换本身）→ 环（带两种运算的代数，松弛后给出广义矩阵乘）→ 域（算术封闭且精确，给出编码与哈希）这条主线，恰好覆盖了"等变 / 广义 GEMM / 容错计算"三类 Infra 需求。
+
+**本书的边界（避免误用）**：Gallian 是初等本科教材，**只讲环、不讲半环**（热带半环要自行做公理松弛）；表示论只到有限阿贝尔群的层面，**不展开非阿贝尔表示论与字符理论**；不涉及范畴论、模、同调代数。需要这些更现代的工具时，本书只作"激活起点"，深入要转到表示论/代数几何专著。
+
+真实章节地图（按主题归并，章号取自本书目录）：
+
+- **群的基础**：1 Introduction to Groups（二面体群 Dₙ 即对称群范例）、2 Groups、3 Finite Groups; Subgroups、4 Cyclic Groups。
+- **对称与作用**：5 Permutation Groups（轨道 orbit / 稳定子 stabilizer）、6 Isomorphisms、7 Cosets and Lagrange's Theorem、8 External Direct Products。
+- **商与同态**：9 Normal Subgroups and Factor Groups、10 Group Homomorphisms、11 Fundamental Theorem of Finite Abelian Groups。
+- **环**：12 Introduction to Rings、13 Integral Domains、14 Ideals and Factor Rings、15 Ring Homomorphisms、16 Polynomial Rings、17 Factorization of Polynomials、18 Divisibility in Integral Domains。
+- **域与扩张**：19 Vector Spaces、20 Extension Fields、21 Algebraic Extensions、**22 Finite Fields**、23 Geometric Constructions。
+- **进阶群论**：24 Sylow Theorems、25 Finite Simple Groups、26 Generators and Relations。
+- **对称的应用**：27 Symmetry Groups、28 Frieze and Crystallographic Groups、**29 Symmetry and Counting**（Burnside 计数）、30 Cayley Digraphs of Groups。
+- **编码与 Galois**：**31 Introduction to Algebraic Coding Theory**（Hamming 码、有限域上的线性码）、**32 An Introduction to Galois Theory**、33 Cyclotomic Extensions。
+
+## 可迁移到 AI/Infra 的核心结构
+
+| 代数结构（章号） | 一句话本质 | ML/Infra 对应 |
+|---|---|---|
+| **群作用 group action**（5, 29）| G 作用在输入空间上，轨道-稳定子定理 \|orbit\|=\|G\|/\|stab\| | 等变层 + **权重共享**：参数在一条轨道上复用 |
+| **同态 homomorphism**（10, 15）| 保运算的映射 φ(ab)=φ(a)φ(b) | **表示 representation** = 同态 G→GL(V)（书中即 GL(2,F)）；可学习线性作用 |
+| **商/因子结构 quotient**（9, 14）| 对正规子群/理想取商 = "遗忘"一个对称方向 | 池化 / 粗化 / 等变下采样：对 Sₙ 取商 = 置换不变聚合 |
+| **循环 & 有限阿贝尔群**（4, 11）| Zₙ 的周期结构，任意有限阿贝尔群 ≅ 循环群直积 | DFT/FFT、循环卷积、RoPE（SO(2)/循环旋转的表示）|
+| **环 ring**（12–14）→ 放松公理 | 去掉加法逆元公理 → **半环 semiring**（书本身只讲环，半环是公理松弛）| 广义矩阵乘：把 (×,+) 换成 (+, min/max) 的 **min-plus / 热带半环 tropical semiring** GEMM |
+| **有限域 GF(pⁿ)**（22, 16, 17）| 元素有限、算术封闭精确的域 | 纠错码、哈希/LSH、CRC、Shamir 秘密共享、量化码本 |
+| **线性码 linear code**（31）| 有限域 F 上的 k 维子空间，生成矩阵 G、Hamming 距离/权重 | 鲁棒存储/通信、梯度压缩、容错训练、安全聚合 |
+
+### 三个最值得激活的映射（展开）
+
+- **群作用 → 等变 + 权重共享**：轨道-稳定子定理 \|orbit\|=\|G\|/\|stab\|（5 章）正是"权重共享"的代数解释——同一轨道上的输入共用一组参数，独立参数量按群阶被压缩 \|G\| 倍。等变约束 f(g·x)=ρ(g)·f(x) 串起一族真实模型：CNN（平移群）、Group Equivariant CNN（Dₙ 旋转/镜像 steerable filter）、DeepSets / Set Transformer（Sₙ 置换不变）、E(3)-等变 GNN（刚体群，分子/点云）。
+- **环公理松弛 → 半环 → 广义 GEMM**：本书 12–14 章给出环的两条运算 (+,×) 与公理；**去掉加法逆元**（即不再要求减法可逆）就得到半环。把通用矩阵乘 C=A⊗B 里的 (×,+) 抽象成任意半环 (⊙,⊕)，一套代码即可同时表达标准 GEMM、布尔可达性 (∧,∨)、最短路/Viterbi/DTW (+, min)。这是把"动态规划"装进矩阵乘的统一视角。
+- **有限域 → 精确可重放算术**：GF(pⁿ)（22 章，由多项式环模不可约多项式构造，见 16–17 章）的算术封闭且**无浮点误差**，天然适合需要可重放、可验证、可纠错的场景：Reed-Solomon / Hamming 纠错码（31 章）、Shamir 秘密共享（GF(p) 多项式插值）、一致性哈希与 LSH。
+
+## 适合激活的问题类型
+
+- 输入带**明确对称性**：平移、旋转、镜像（Dₙ）、置换（Sₙ）、周期（Zₙ）——想要等变/不变而非靠数据增强硬学。
+- 需要**硬选择/离散路由**但要端到端可微（Top-K、最短路、对齐）——可用半环松弛。
+- 需要**鲁棒压缩/通信/存储**：KV-Cache、梯度、checkpoint 的容错与压缩。
+- 需要把**周期/循环结构**嵌进位置编码或 token 混合。
+- 需要把一条**约束/守恒律**写成可学习的线性映射，天然落到 GEMM。
+
+## 可能的算法启发
+
+1. **群等变层 G-equivariant layer**（源：5, 6, 10）：把对称群 G 的作用实现为置换/旋转矩阵 ρ(g)，权重沿轨道共享，约束 f(g·x)=ρ(g)·f(x)。实现上对每个 g∈G 把输入用 ρ(g) 变换后过同一组权重，再聚合——相当于把卷积核扩成 [\|G\|, C_out, C_in] 的 batched GEMM，独立参数量 ↓\|G\| 倍。落地模型：CNN（平移）、G-CNN（Dₙ steerable filter）、DeepSets/Set Transformer（Sₙ）、E(3)-等变 GNN（点云/分子）。
+2. **热带 / min-plus 注意力与路由**（源：12–14 环公理松弛）：把 softmax 的 (×,+)+exp 换成 (+, min/max) 的 min-plus matmul：score⊕=min_k(Q_ik+K_kj)。硬 Top-K 路由 → 热带半环**分段线性门控**（次可微——折点需 LogSumExp 软化，软化后退回标准 softmax；替代不可微的 argmax）。Viterbi、DTW、最短路本质都是这条 min-plus matmul——见 `../gpu-friendly-math.md` 的 Tropical Gating 范例（只在低维门控用、且**不上 Tensor Core**——max/min 落 CUDA core，主干仍走标准 (×,+) GEMM）。
+3. **置换不变聚合 permutation-invariant aggregation**（源：9, 29）：对 Sₙ 作用取商即得 sum/max/mean pooling——天然 O(n) 且并行友好，是 DeepSets ρ(Σφ(xᵢ)) 与 GNN message passing 的代数基础。Burnside 计数（29）可在设计期估"本质不同的配置有多少"，用于预测参数节省比与数据去重收益。
+4. **有限域编码做 Infra**（源：22, 31）：线性码 c=mG（生成矩阵 G 在 GF(q) 上）做容错存储与梯度压缩，Hamming 距离给纠错能力下界；Shamir 秘密共享（GF(p) 多项式插值，t 个分片可恢复）做联邦学习安全聚合；有限域哈希/CRC 做去重与一致性校验。共性：纯 int/bitwise，放数据流前后处理。
+5. **循环群表示 → 频域 token mixing**（源：4, 11）：Zₙ 的不可约表示即 DFT 基，催生 FFT 卷积（O(n log n) 取代 O(n²)）、RoPE（把位置编成 SO(2) 旋转、即 Z 上的酉表示）、循环/相对位置编码。有限阿贝尔群分类定理（11）保证任意此类周期结构都可分解成循环分量做 FFT。
+6. **群上的傅里叶 / 谱方法**（源：10 同态 + 4/11）：把表示论的不可约分解推广到一般有限群，得到群卷积定理——谱 GNN、球面 CNN（SO(3) 上的调和分析）即其特例；代价是非阿贝尔群的快速变换不一定存在，需评估复杂度。
+
+## GPU 友好性警告
+
+> 八维标准与判分规则唯一来源：`../gpu-friendly-math.md`（张量化 / GEMM 可映射 / 复杂度 / 显存 / 低精度 / 并行 / 稀疏 / 算子融合）。此处只给本书结构的逐维裁决。
+
+**焦点 A：半环 GEMM 能上 Tensor Core 吗？——默认不能。**
+
+- **维度 2 GEMM 可映射（❌不友好）**：Tensor Core 硬件只做 (×,+) 的 MAC（fp16/bf16/fp8 累加到 fp32）。min-plus / max-plus 用的是 (+, min/max)，**非原生**，朴素 tropical GEMM 退化到 CUDA core 标量比较，吃不到 Tensor Core。
+- **维度 3 复杂度（❌）**：min-plus 矩阵乘没有 Strassen 式亚立方加速（等价于 APSP 难题），朴素 O(n³)。
+- **维度 5 低精度（✅）**：tropical 用 max/min，无 exp 上溢，反而数值稳健。
+- **维度 8 可微/融合（⚠️可改造）**：min/max 不可微，需松弛。
+- **改造（→ 八维转友好）**：① log-sum-exp 软化 min/max 退回 (×,+) 稳定 softmax，重上 Tensor Core；② 把热带运算**只放在低维门控**，主干仍走标准 (×,+) GEMM（范例文件中 Tropical Gating = dim 1✅张量化 / 2❌非 Tensor Core GEMM / 3✅逐 token 门控亚二次，dim 8 需 LogSumExp 软化）；③ 分块——块内标准 GEMM、块间 min-plus 归约。
+
+**焦点 B：群操作能张量化吗？——小群能，大群和精确算术不能。**
+
+- **有限群作用（维度 1/2 ✅）**：置换矩阵 / 稠密表示矩阵 → batched GEMM，G-CNN 已工程化。正交的旋转/置换矩阵在 bf16 下数值稳定（维度 5 ✅）。
+- **大群枚举（维度 3/4 ❌）**：\|Sₙ\|=n! 爆炸，显式枚举群元素 → 显存与算力爆。**改造**：只用生成元（26 Generators and Relations）+ Cayley 图（30）做局部传播，不物化整群。
+- **置换 = gather/scatter（维度 7/1/8 ❌）**：实现为不规则 gather/scatter 会 warp divergence。**改造**：固定置换模式预编译为结构化稀疏或 dense 索引。
+- **有限域 / 模算术（维度 2 ❌、维度 1/6 ✅）**：mod p、GF(2ⁿ)、XOR、查表**不是浮点 MAC**，吃不到 Tensor Core，但在 int/bitwise kernel 上高并行。结论：**适合放编码/哈希的前后处理，绝不放进训练主干 GEMM**。Galois/精确域算术要求 int、不可微，违反维度 8。
+
+**判分结论**：群等变（小群、稠密表示）与频域结构 = 数学美 × GPU 友好，可进主干；半环、有限域、精确 Galois = 需先松弛/隔离，否则只能当辅助算子或离线工具。
+
+**范例对照（候选 × 八维裁决）**：
+
+| 候选设计 | 代数来源（章） | 关键维度裁决 | 进主干？ |
+|---|---|---|---|
+| 群等变层（小群 Dₙ/Sₙ，置换+旋转矩阵）| 5, 6, 10 | 1✅ 2✅ 5✅，群大时 3/4❌ | ✅（限小群/生成元）|
+| 热带门控（低维 min-plus 取代硬 Top-K）| 12–14 松弛 | 1✅ 2✅ 8 需松弛，主干仍 (×,+) | ✅（仅门控）|
+| 纯 min-plus 主干注意力 | 12–14 松弛 | 2❌ Tensor Core 不支持、3❌ O(n³) | ❌（先 log-sum-exp 软化）|
+| 有限域编码压缩 KV/梯度 | 22, 31 | 2❌ 非浮点 MAC，1/6✅ int 并行 | ❌主干 / ✅前后处理 |
+| 循环群表示（FFT/RoPE token mixing）| 4, 11 | 1✅ 2✅ 3✅（n log n）| ✅ |
+
+## 该调用哪个思想武器
+
+- **主：`symmetry-invariance`（对称与不变性）**——群作用、等变/不变、轨道-稳定子是本书与 ML 的最大接口。
+- **副：`abstraction`**——提取群/环/域的公共结构，看穿"不同模块其实是同一代数对象"。
+- **副：`axiomatization`**——放松环公理得半环、逐条核对所设代数性质是否真成立（防伪对称）。
+- **副：`transformation`**——同态/同构作等价转换、FFT/频域变换简化问题。
+- **副：`discrete-combinatorial`**——有限群计数（Burnside, 29）、编码（31）、有限域枚举（22）。
+
+典型组合链：先 `symmetry-invariance` 识别问题里的群与不变量 → `abstraction` 抽出公共代数结构 → `axiomatization` 核对公理是否真成立（防伪对称、防误用减法）→ `transformation` 落成可学习线性映射 → 最后过 `../gpu-friendly-math.md` 八维门。
+
+## 反模式
+
+- **把"群之美"硬塞进主干却吃不到 Tensor Core**：tropical / 有限域算术当 GEMM 用，实测全程 CUDA core 标量。
+- **枚举整群**而非用生成元（\|Sₙ\|=n! / \|GL\| 爆显存）。
+- **死磕精确 Galois / 有限域结构**：导致不可微、必须 int、阻断端到端梯度。
+- **过度对称约束**：把"近似对称/伪对称"写成硬等变，扼杀表达力与模型探索（呼应 agentic-workflow 的"别把主观偏见写死"）。
+- **混淆环与半环**：默认有加法逆元做减法/求逆，到 min-plus 上不成立 → 正确性出错。
+- **为"群之美"造一堆模块**：能用现成等变库/FFT 时不要新造 skill；先用足模型已有能力，再补结构（呼应 agentic-workflow "不要一来就造一堆 skill"）。
+- **把同态当同构**：同态可丢信息（有核 kernel），误当可逆双射会导致重构/解码错误。
+
+## 深挖入口
+
+> **全保真回查 = Agent 自动搜索本地 PDF**：`math_book/Contemporary Abstract Algebra.pdf`。需要精确定义/定理/例子时，让 Agent 按下列真实章号定向略读，不要凭记忆；若安装环境没有 `math_book/`，停在本蒸馏稿层。
+
+- **Ch 5 Permutation Groups**——轨道 orbit / 稳定子 stabilizer：等变权重共享的根。
+- **Ch 22 Finite Fields**——GF(pⁿ) 构造与算术：编码/哈希/安全聚合的底座。
+- **Ch 29 Symmetry and Counting**——Burnside 计数：估等价类数 / 参数节省。
+- **Ch 31 Introduction to Algebraic Coding Theory**——Hamming 码、有限域上的线性码（生成矩阵、Hamming 距离/权重）：压缩与容错。
+- **Ch 32 An Introduction to Galois Theory**——域扩张的对称群：结构化变换的范例（落地需先过 GPU 门）。
+- （半环松弛起点：Ch 12–14 环公理 → 去加法逆元 → 热带半环。）

package/references/books/algebraic-geometry-rising-sea.md

@@ -0,0 +1,167 @@
+# 🌊 代数几何（The Rising Sea）/ Algebraic Geometry
+
+> 《The Rising Sea: Foundations of Algebraic Geometry》，Ravi Vakil 著，Princeton University Press，2025 年版（ISBN 978-0-691-26866-8）。
+> 书名取自 Grothendieck 的"涨潮（la mer monte）"比喻：不正面强攻坚果般的难题，而是让抽象之水（范畴、层、上同调）缓缓上涨，悄无声息地淹没并瓦解问题。
+> 本文件把这套"涨潮式抽象"蒸馏成 AI/GPU 的可激活算法结构——只取最能迁移的骨架，不复述原书证明。
+
+## 概要
+
+本书用约 30 章、从零搭起 Grothendieck 学派的现代代数几何（algebraic geometry）：核心是把**几何对象翻译成交换代数（commutative algebra）**，再用**层（sheaf）+ 上同调（cohomology）**度量"局部数据能否黏成全局"。
+
+对 AI 而言，真正可迁移的不是椭圆曲线或除子，而是三件抽象机械：
+
+- **层（sheaf）= 局部数据 + 一致黏合（gluing）**——图上几何感知聚合的本体。
+- **上同调（cohomology）= 全局一致性的障碍度量（obstruction）**——幻觉/不一致的代数判据。
+- **范畴（category）= 统一不同构造的接口**——把异构算子收拢为一套伴随（adjoint）关系。
+
+一句话：**层管"怎么把局部拼成全局"，上同调管"拼不起来时差在哪"，范畴管"用同一套语言说所有这些事"。**
+
+### 真实章节地图
+
+按本书章号（`*`/`**` 为进阶节）：
+
+- **Part I 预备（Preliminaries）**
+  - **§1 Just Enough Category Theory to Be Dangerous**：§1.1 范畴与函子，§1.2 泛性质（universal property），§1.3 极限与余极限（limits/colimits），§1.4 伴随（adjoints），§1.5 阿贝尔范畴（abelian categories），§1.6\* 谱序列（spectral sequences）。
+  - **§2 Sheaves**：§2.1 动机（光滑函数层），§2.2 层与预层定义，§2.3 态射，§2.4 茎与层化（stalks & sheafification），§2.5 sheaf on a base，§2.6 OX-模构成阿贝尔范畴，§2.7 逆像层（inverse image sheaf）。
+- **Part II 概形（Schemes）**：§3 仿射概形的集合与拓扑空间（Zariski 拓扑、generic point），§4 结构层与概形定义，§5 概形的性质，§6 拟凝聚层（quasicoherent sheaves）。
+- **Part III 概形的态射（Morphisms）**：§7 概形态射（§7.7 Grassmannian 第一构造），§8 各类有限性态射（§8.4 Chevalley 定理与消元理论），§9 闭嵌入，§10 纤维积与基变换（§10.6 Segre 嵌入），§11 分离与紧合态射、簇（varieties）。
+- **Part IV 概形的"几何"性质**：§12 维数，§13 正则性与光滑性（§13.1 Zariski 切空间）。
+- **Part V 概形上的拟凝聚层及其应用**：§14 向量丛"="局部自由层（vector bundles = locally free sheaves），§15 线丛、到射影空间的映射与除子（§15.4 线丛与 Weil 除子），§16 线丛性质（§16.2 充裕/极充裕，§16.4 Grassmannian 作为模空间），§17 射影态射与相对 Spec/Proj。
+  - **§18 拟凝聚层的 Čech 上同调（Čech Cohomology）**：§18.1 期望性质，§18.2 定义与证明，§18.3 射影空间上线丛的上同调，§18.4 Riemann–Roch 与算术亏格，§18.5 Serre 对偶（Serre duality）初窥。
+  - §19 应用：曲线，§20\* 交点理论一瞥，§21 微分（differentials），§22 Riemann–Hurwitz 公式。
+- **Part VI 更多上同调工具**：**§23 导出函子（derived functors，§23.5 Čech 上同调与导出函子上同调一致）**，§24 平直性（flatness），§25 上同调与基变换。
+
+> 注：**热带几何（tropical geometry）** 是代数几何在热带/min-plus 半环（tropical semiring）上的"骨架化"，是 §15–17 射影簇的 tropicalization，本书未单列章节。下文"热带门控"以此为数学来源，引用时**不绑定具体章号**（避免编造）。
+
+## 可迁移到 AI/Infra 的核心结构
+
+先看总览映射，再逐条展开：
+
+| 数学概念（本书章节） | AI/ML 对应 | 工程落地形态 |
+|---|---|---|
+| 层 sheaf（§2） | 图上几何感知信息聚合 | 节点=截面、边=变换的消息传递 |
+| 限制映射 restriction map（§2.3, §14） | 边上的方向性特征变换 | 每边一个低秩线性映射 = 小 GEMM |
+| 层拉普拉斯 sheaf Laplacian（§2, §14） | 几何注意力/扩散算子 | L = δᵀδ 上的传播 |
+| 上同调 H⁰/H¹（§18, §23） | 全局一致性 / 幻觉判据 | Čech H¹ 正则项 |
+| 范畴+伴随 adjoint（§1.3–1.4） | 统一算子接口 | pullback=对齐、pushforward=聚合 |
+| Grassmannian+Plücker（§7.7, §16.4） | 子空间压缩编码 | Plücker 坐标块摘要压 KV-Cache |
+| 平直性 flatness（§24） | 分布平滑迁移判据 | 纤维无跳变 → 无秩坍塌信号 |
+
+**1. 层 → 图上几何感知的信息聚合（sheaf → geometry-aware aggregation）**（§2）
+
+- **本体**：层把"每个开集/节点配一个数据空间（茎/截面 stalk/section）+ 沿包含关系的限制映射（restriction map）+ 局部一致即可黏合（gluing axiom）"系统化。
+- **映射**：节点特征 = 截面，边 = 限制映射，消息传递 = 强制相邻截面在限制下一致。
+- **落地**：这正是**胞腔层扩散（cellular sheaf diffusion）/ sheaf neural network** 的本体；普通 GNN 是其"平凡层（trivial sheaf）"特例——层结构给每条边注入了方向性几何归纳偏置。
+
+**2. 限制映射 → 每条边一个低秩线性变换（restriction map → per-edge low-rank linear map）**（§2.3, §14）
+
+- **本体**：每条边携带一个学习到的线性映射 F(U)→F(V)。
+- **算子**：由此定义**层拉普拉斯（sheaf Laplacian）** L = δᵀδ（δ 为协边界算子），扩散/注意力即 L 上的传播；当所有限制映射为恒等时退化为标准图拉普拉斯。
+- **落地**：每边映射取低秩 → 一串**小 GEMM**，天然落 Tensor Core；秩即可调的表达力旋钮。
+
+**3. 上同调 → 全局一致性 / 幻觉判据（cohomology → global-consistency / hallucination criterion）**（§18, §23）
+
+- **H⁰** = 全局截面（global sections）：所有局部一致并真能黏成的全局解。
+- **H¹** = **黏合障碍（obstruction）**：局部两两一致、却拼不出全局——即"自洽的矛盾"。形式上 H¹ = ker δ¹ / im δ⁰。
+- **判据**：给幻觉一个**代数判据**——H¹≠0 ⇔ 模型局部自信但全局冲突。
+- **可算性边界**：**Čech 上同调（§18.2）** 用覆盖（cover）的交叠（overlap）直接算，局部、廉价；§23.5 证明它在好情形下与昂贵的导出函子上同调一致——这条边界线决定"哪种上同调能上 GPU"。
+
+**4. 范畴 + 泛性质 + 伴随 → 统一抽象接口（category → unified interface）**（§1）
+
+- **本体**：pullback / pushforward（f\*, f\_\*）是一对伴随（adjoint，§1.4）；积、和、纤维积统一为（余）极限（§1.3）。
+- **落地**：用一个抽象接口统一不同算子——**pullback = 特征对齐/重采样，pushforward = 聚合/池化**，由伴随关系自动保证二者相容，少写超参、少出对不齐的 bug。
+
+**5. Proj / 射影 + Plücker 坐标 → 子空间压缩编码（projective + Plücker → subspace compression）**（§7.7, §16.4, §15）
+
+- **本体**：Grassmannian 把"k 维子空间"参数化，并经 **Plücker 嵌入（Plücker embedding，本书显式出现）** 用外积坐标（Plücker coordinates）塞进射影空间。
+- **落地**：一组 KV 向量张成的子空间，可用少量 Plücker/外积坐标做**块摘要**，从而压缩 KV-Cache——存"子空间"而非逐个向量。
+
+**6. 平直性 → 分布平滑过渡的几何判据（flatness → smooth deformation）**（§24）
+
+- **本体**：平直态射的纤维（fiber）随基"无跳变"地连续变化。
+- **落地**：可作为训练/微调中"分布平滑迁移、无秩坍塌（rank collapse）"的几何正确性信号（偏理论，落地需谨慎验证）。
+
+## 适合激活的问题类型
+
+- **图/集合结构上的注意力与消息传递**：节点带异质特征空间、边带方向性变换 → 层扩散比朴素 GNN 表达力更强。
+- **多源/多视图一致性**：多模态、多 agent、检索增强（RAG）的局部证据要黏成全局答案 → H⁰/H¹ 度量一致性。
+- **幻觉 / 自洽性检测与正则**：需要一个"局部自洽但全局矛盾"的可微惩罚 → Čech H¹ 正则项。
+- **长上下文推理的显存压缩**：KV 子空间冗余高 → Plücker 式块摘要。
+- **稀疏路由 / 门控（MoE、Top-K）**：需要可微地逼近离散选择 → 热带半环分段线性门控。
+- **需要统一异构算子的框架**：用 pullback/pushforward 伴随对统一对齐与聚合。
+
+## 可能的算法启发
+
+**Tropical Sheaf Attention 三件套**（与 `../gpu-friendly-math.md` 的候选验证范例一致）：
+
+1. **热带门控（Tropical Gating）**
+   - 把硬 Top-K 路由换成 max-plus 半环上的**分段线性**评分。
+   - 次可微（折点需 LogSumExp 软化，软化后退回标准 softmax）、可张量化但**非 Tensor Core GEMM**（max/min 落 CUDA core）—— 替代不可微的离散选择。
+2. **胞腔层扩散（Cellular Sheaf Diffusion）**
+   - 注意力 = 可学习层拉普拉斯上的扩散。
+   - 每条边一个**低秩限制映射（= 小 GEMM）**，给注意力注入边方向的几何归纳偏置。
+3. **Čech 上同调正则（Čech Cohomology Regularizer）**
+   - 在注意力图的**固定有限覆盖**上计算一阶 Čech H¹。
+   - 作为幻觉/不一致惩罚项；局部、廉价。可微性需用代理（如 H¹-分量投影范数 ‖(I−P_im δ⁰)c‖²，经 SVD/伪逆可微，秩跳变处非光滑），非精确 Betti 数。
+
+**其他单点启发：**
+
+- **低秩基底 KV 压缩（Grassmannian/Plücker 视角）**：把每块 KV 子空间用其**低秩基底**（低秩分解，kn 或 k(n−k) 参数）表示以压缩显存。注意：Plücker 坐标本身在低秩时共 C(n,k) 个、反而**扩张**，故真正起压缩作用的是低秩基底而非 Plücker 坐标——「Plücker」是借名。压缩率取决于块的原冗余度，需实测。
+- **热带半环上的 MoE 路由（Tropical-Semiring MoE Routing）**：路由 logits 在 max-plus 上做分段线性，得到**结构化稀疏**且可微的专家选择。
+- **伴随式 Pull/Push 算子对（Adjoint Pull/Push）**：把上/下采样、对齐/聚合实现为一对伴随，强制相容性、减少超参。
+
+## GPU 友好性警告
+
+> **必读且唯一权威**：`../gpu-friendly-math.md`
+> 八维记分卡：①张量化 ②GEMM 可映射 ③复杂度 ④显存/KV ⑤低精度稳定 ⑥并行通信 ⑦稀疏结构 ⑧算子融合。
+> **数学美 ≠ 可算**；任一维"不友好且不可改造"即淘汰。
+
+**可落 GEMM / 亚二次（友好 ✅）：**
+
+| 构造 | 命中维度 | 说明 |
+|---|---|---|
+| 低秩限制映射 restriction map | ①②④ | 批量小 GEMM，吃满 Tensor Core，低秩省显存 |
+| 热带门控 tropical gating | ①③（非②） | 可张量化、逐 token 门控亚二次；**非 GEMM**（不落 Tensor Core）；次可微，max 折点需 LogSumExp 软化 |
+| Čech H¹ 正则（固定覆盖） | ③⑧ | 局部廉价，可与注意力 kernel 融合（FlashAttention 式）|
+| 低秩基底块摘要（Plücker 视角） | ④ | 低秩分解压缩 KV，推理显存大降（压缩率需实测） |
+
+**美但不可算（不友好 ❌，禁止塞进训练 forward）：**
+
+- **一般层上同调的导出函子计算（derived functor cohomology，§23）**
+  - 需内射分解（injective resolution）+ 谱序列（spectral sequence），属**符号代数**。
+  - 无张量化、无 GEMM、非亚二次、不可微 → 违反维度①②③⑤⑧。
+  - 只能离线、小规模、作分析；**只用与之一致的 Čech 版本（§23.5）且限定固定覆盖**。
+- **Spec/Proj 的拓扑层（Zariski 拓扑、generic point，§3–4）**：离散非数值结构、不可微 → 违反维度①。仅作概念脚手架。
+- **理想消元 / Gröbner 基（Chevalley 定理与消元理论，§8.4）**：组合爆炸、串行、非结构化 → 违反维度③⑥⑦。
+- **动态 / 非结构化的 Čech 覆盖**：若覆盖随输入变化或交叠不规则，H¹ 计算退化为随机 gather/scatter → 违反维度⑦。**必须固定有限覆盖 + 结构化（块/带状）交叠。**
+
+## 该调用哪个思想武器
+
+- **topological-thinking（🌀 拓扑思想）** — 主力：上同调、H¹ 障碍、连续变形下的不变量，正是层/上同调激活的母题。
+- **abstraction（🧩 抽象化）**：用"层 = 局部数据 + 黏合"提取消息传递的本质，把工程算子抽象为限制映射。
+- **transformation（🔄 变换思想）**：tropicalization、Plücker 嵌入、pullback/pushforward —— 用等价转换把难算问题搬到可算坐标系。
+- **symmetry-invariance（⚛️ 对称与不变性）**：射影不变、规范（gauge）对称、层的协变性，约束模型的等变结构。
+- **axiomatization（📐 公理化）**：把层公理（局部性 + 黏合）、上同调长正合列当作正确性约束，审查"该有的一致性是否被违反"。
+
+## 反模式
+
+- **把抽象/导出函子上同调直接塞进训练 forward**：符号计算、无梯度、不可算 —— 经典"美但不可算"，违反 GPU 八维。要用 Čech + 固定覆盖的可微替身。
+- **为"显得高级"引入整套 Scheme/Proj 机械**，而任务其实只需要一个图拉普拉斯：过度工程，违反 CLAUDE.md「Simplicity First」。先问"是否只需平凡层（= 普通 GNN）？"
+- **把 Zariski 拓扑 / generic point 等离散结构当可微对象**优化：类型错误。
+- **让 Čech 覆盖动态化、交叠非结构化**：退化成随机访存，毁掉 GPU 并行（维度⑦）。
+- **把 max-plus 半环当真半环做精确算术**而不在不可微点做松弛：梯度断裂，训练不动。
+- **盲目相信 H¹=0 等于"没幻觉"**：它只保证所选覆盖下的局部黏合一致，不等于事实正确；它是结构一致性信号，不是真值判据。
+
+## 深挖入口
+
+**全保真回查（full-fidelity lookup）**：当摘要不足以支撑设计时，让 Agent 自动检索本地 PDF
+`math_book/The Rising Sea Foundations of Algebraic Geometry.pdf`
+（用 `pdftotext -f <start> -l <end>` 取定向页，**不要 dump 整本**）。
+
+值得深读的真实章号：
+
+1. **§2 Sheaves**（重点 §2.2 定义、§2.4 茎与层化、§2.5 sheaf on a base、§2.7 逆像层）—— 胞腔层扩散与限制映射的数学地基。
+2. **§18 Čech Cohomology of Quasicoherent Sheaves**（§18.1 期望性质、§18.2 定义与证明、§18.4 Riemann–Roch、§18.5 Serre 对偶初窥）—— H¹ 幻觉正则的来源与可算性边界。
+3. **§23 Derived Functors**（§23.5 Čech 上同调与导出函子上同调一致）—— 划清"可算 Čech vs 不可算导出函子"的红线。
+4. **§7.7 + §16.4 Grassmannian**（配 §15 线丛与除子，Plücker 嵌入在此体系出现）—— Plücker KV 压缩的几何依据。
+5. **§1 Category Theory**（§1.3 极限/余极限、§1.4 伴随）—— pullback/pushforward 伴随对与统一算子接口。

package/references/books/differential-geometry.md

@@ -0,0 +1,136 @@
+# 📐 流形与微分几何 / Manifolds & Differential Geometry
+
+> **Manifolds and Differential Geometry** — Jeffrey M. Lee
+> American Mathematical Society, *Graduate Studies in Mathematics*, Volume 107 (2009), ISBN 978-0-8218-4815-9.
+> MSC: 58A05, 53C05, 22E15, 53C20, 53B30, 55R10. 本文件是「激活」摘要，非原文转录；全保真回查见末尾「深挖入口」。
+
+## 概要
+
+本书是一部从零构建**光滑流形（smooth manifold）→ 张量 / 微分形式 → 联络与曲率 → 黎曼几何**的研究生教材。它的主线不是"在欧氏空间里算"，而是**在弯曲空间上做微积分**：当没有全局坐标、没有"自然"的向量加法时，如何定义微分、如何比较不同点的向量、如何度量距离与弯曲程度。这恰好是把"参数空间是平坦欧氏的"这一默认假设打破后，深度学习需要的语言。
+
+前言里有一句对 AI 研究极关键的话：**纤维丛上的联络（connection on a fiber bundle）与物理学的规范场（gauge field）是数学家与物理学家各自独立发现的同一个概念**（前言脚注 2）。这正是本技能包反复强调的"跨域激活"原型——结构早就在那里，只差有人把它接到算法设计上（规范等变网络就是这次接驳的产物）。
+
+真实章节地图（按依赖排序，章号与节号经 PDF 目录核对）：
+
+| 章 | 标题 | 对 AI 的钩子 |
+|----|------|-------------|
+| 1–2 | Differentiable Manifolds / The Tangent Structure | 切空间（tangent space）= 局部线性化、梯度的归属空间 |
+| 3 | Immersion and Submersion | 子流形、降维 / 嵌入 |
+| 4 | Curves and Hypersurfaces in Euclidean Space | Gauss / mean curvature 的几何直觉来源 |
+| 5 | Lie Groups | 连续对称群、指数映射、伴随表示 → 等变架构 |
+| 6 | Fiber Bundles（§6.1 一般丛, §6.2 向量丛, §6.8 主丛与配丛）| **规范等变的几何骨架** |
+| 7 | Tensors（§7.6 Metric Tensors）| 度量张量 g = 内积场 → Fisher 度量 |
+| 8 | Differential Forms（§8.5 丛值形式）| 反对称张量、外微分、规范场强 |
+| 9 | Integration and Stokes' Theorem（§9.8 Electromagnetism）| Maxwell = U(1) 联络曲率的实例 |
+| 10 | De Rham Cohomology | 整体拓扑不变量（积分守恒量）|
+| 11 | Distributions and Frobenius' Theorem | 可积性、约束分布 |
+| 12 | Connections and Covariant Derivatives（§12.2 联络形式, §12.4 Ehresmann, §12.5/§12.10 曲率, §12.12 G-联络）| **平行移动 + 曲率** |
+| 13 | Riemannian & Semi-Riemannian Geometry（§13.1 Levi-Civita, §13.2 Riemann 曲率, §13.4 测地线, §13.7 Jacobi 场, §13.11 Rauch 比较）| **自然梯度 / 优化地形** |
+
+## 可迁移到 AI/Infra 的核心结构
+
+每条都按 **几何概念 → 数学内核 → AI 迁移** 三段给出，方便直接接到算法设计上。
+
+- **黎曼度量 g（Riemannian metric, §7.6 / §13.1）→ 自然梯度与信息几何。**
+  - 内核：度量张量在每点给切空间一个内积 ⟨u,v⟩_g = uᵀg v，决定"谁离谁近"、什么方向算"最陡"。
+  - 迁移：概率分布族上的天然度量就是 **Fisher 信息矩阵（Fisher–Rao metric）**；参数空间因此不是平坦欧氏的，而是弯曲流形。最陡下降方向不是 ∇L 而是 **g⁻¹∇L（natural gradient）**，对重参数化不变。
+- **联络 / 协变导数（connection, §12.1–§12.4）→ 平行移动（parallel transport）。**
+  - 内核：不同点的切空间无法直接相加；联络 ∇ 规定"如何把一个向量沿曲线搬到另一点而不额外旋转"。**Levi-Civita 联络**是唯一与度量相容且无挠的那一个。
+  - 迁移：把**动量（momentum）/ 历史梯度 / 二阶状态**在参数流形上正确搬运，是 Riemannian SGD/Adam 中 vector transport 的来源。
+- **曲率（curvature, §12.5 / §13.2 / §13.7）→ 优化地形（loss landscape）。**
+  - 内核：曲率 = 向量绕一个小环平行移动一圈后偏转多少，是"空间弯不弯、路径依不依赖"的度量，本质是 Hessian 的几何化身。
+  - 迁移：损失曲面的曲率决定条件数与尖锐度；**Jacobi 场 / Rauch 比较定理（§13.7 / §13.11）** 描述测地线发散—汇聚，等价于优化轨迹的稳定 vs 发散。
+- **测地线与指数映射（geodesics, §13.4）→ 流形上的"直线步"。**
+  - 内核：测地线是局部最短路径；指数映射 exp_p(v) 把切空间向量 v 映回流形上对应的最短路径终点。
+  - 迁移：在 SPD 矩阵、Stiefel / Grassmann 流形上做**约束优化**时，exp_p 是 retraction 的精确版；latent 空间的测地插值比欧氏直线更尊重数据流形。
+- **纤维丛 / 主丛 + G-联络（§6.8 / §12.12 / §9.8）→ 规范等变（gauge equivariance）。**
+  - 内核：主 G-丛把"局部坐标系 / frame 的任意选择"打包成纤维上的群作用；丛上的联络 = 规范场（gauge field），曲率 = 场强。
+  - 迁移：物理量不应依赖局部 frame 选择，这个"规范自由度（gauge freedom）"正是 **gauge-equivariant CNN（球面 / mesh / 一般流形卷积）** 的归纳偏置；§9.8 用 Maxwell 给出 U(1) 联络曲率的真实样板。
+- **李群与李代数（§5）→ 连续对称作为先验。**
+  - 内核：指数映射 exp: 𝔤→G、伴随表示 Ad 给出"无穷小生成元 → 有限变换"的通道。
+  - 迁移：把对称群作为网络的硬归纳偏置（等变层、李代数参数化的旋转 / 刚体变换）。
+
+## 适合激活的问题类型
+
+- 优化在**欧氏假设下病态 / 收敛慢**，但底层参数有自然的概率或几何结构（用度量重新定义"距离"）。
+- 数据本身住在**非欧流形**上：协方差 / SPD 矩阵、旋转 SO(3)、方向数据、图与网格、球面信号。
+- 需要**严格的对称 / 等变保证**：旋转、平移、局部规范变换下输出可预测地变化。
+- 需要把**"坐标选择的任意性"**显式建模成对称性（多视角、多 frame、传感器姿态无关）。
+- 想用**几何量（曲率 / 测地距离）做正则或诊断**：sharpness、泛化、轨迹稳定性。
+
+## 可能的算法启发
+
+- **自然梯度 / K-FAC（natural gradient / K-FAC）**：用 Fisher 度量做预条件，更新方向 = F⁻¹∇L 而非 ∇L。
+  - 关键工程：K-FAC 把每层 Fisher 近似成 Kronecker 积 **F ≈ A ⊗ B**（A 来自输入激活、B 来自输出梯度），求逆变两小矩阵求逆、作用变小 GEMM（见下节记分卡）。
+- **信息几何优化（information-geometric optimization）**：把训练看成在分布流形上沿 Fisher–Rao 测地线移动。
+  - 镜像下降（mirror descent）、Bregman 散度、指数族的对偶坐标都是这套 Hessian 度量的特例；可用来设计对参数化不敏感的优化器。
+- **Riemannian optimization**：在 SPD / Stiefel / Grassmann / 双曲流形上做 SGD/Adam。
+  - 三件套：retraction（exp 的廉价近似）、vector transport（平行移动的离散版）、流形上的动量；常用于度量学习、正交约束、层次结构嵌入。
+- **Gauge-equivariant CNN**：在流形 / 网格上卷积时引入局部规范（local gauge）。
+  - 用 G-联络对齐相邻点的 frame，使特征对局部坐标选择不变；适用于球面信号、mesh、晶格等没有全局坐标的域。
+- **曲率正则 / SAM 的几何视角（curvature regularization）**：用 Hessian-vector product 估计曲率。
+  - 惩罚尖锐极小（flat minima 偏好），或用 Jacobi 场刻画轨迹发散，给 sharpness-aware 训练一个几何解释。
+- **测地插值与流形增广（geodesic interpolation）**：latent / 嵌入空间沿测地线插值与采样，比欧氏直线更尊重数据流形，可用于数据增广与可控生成。
+
+## GPU 友好性警告
+
+> 用 `../gpu-friendly-math.md` 的**八维记分卡**逐项评判。微分几何最大的坑是"度量 / 曲率矩阵的求逆与物化"。
+
+- **维度 2/3（GEMM 可映射 / 复杂度）—— 求逆是生死线。** 朴素自然梯度要算 N×N Fisher 的逆，N 是参数量（~10⁹），O(N³) 求逆 + O(N²) 显存，**直接出局**。
+  - **可改造 ✅**：**K-FAC** 把 F 分块为 Kronecker 积 A⊗B，利用 (A⊗B)⁻¹ = A⁻¹⊗B⁻¹，只需对两个小因子求逆，且预条件作用到梯度上**就是 GEMM**。这就是"能否 Kronecker 因子化为 GEMM"的肯定答案——能，且这是它唯一可上集群的形态。
+- **维度 4（显存）—— 不要物化全 Hessian / 全曲率张量。** Riemann 曲率张量是 4 阶，全物化爆显存。用 **Hessian-vector product（HVP）** 经一次反向以 O(N) 拿到曲率信息，避免 N×N。
+- **维度 5（低精度）—— Fisher / 度量矩阵常病态。** bf16/fp16 下求逆灾难性放大误差，**必须加阻尼（damping / Tikhonov，F+λI）** 并把求逆留在 fp32；否则违反"低精度稳定"。
+- **维度 6（并行）—— 平行移动 / 测地线是串行 ODE。** 沿曲线积分联络方程是长串行递推，并行性差；工程上用**一步 retraction / 闭式平行移动**（特定流形有解析公式）替代逐步积分。
+- **维度 1/2（张量化 / GEMM）—— 群卷积可友好，但连续群要当心。** 离散群（如 C_n、八面体群）的群卷积可展开成 GEMM ✅；连续李群需采样离散化，采样不当会导致等变性破缺 + 不规则 gather/scatter（维度 7 稀疏不友好）。
+
+**自然梯度 / K-FAC 八维记分卡（worked example）：**
+
+| 维度 | 朴素自然梯度（全 Fisher 求逆）| K-FAC（Kronecker 因子化）|
+|------|------------------------------|--------------------------|
+| 1 张量化 | ❌ 大矩阵显式逆 | ✅ 批量小矩阵代数 |
+| 2 GEMM | ❌ N×N 求逆无法 GEMM | ✅ A⁻¹⊗B⁻¹ 作用 = GEMM 链 |
+| 3 复杂度 | ❌ O(N³) | ✅ 两个小因子，亚立方 |
+| 4 显存 | ❌ 物化 N×N | ✅ 只存两个小因子 |
+| 5 低精度 | ❌ 病态、需 fp64 | ⚠️ 加阻尼 + fp32 求逆可改造 |
+| 6 并行 | ⚠️ 单次大求逆难并行 | ✅ 各层因子独立、可并行 |
+| 7 稀疏 | — | ✅ 块对角结构化 |
+| 8 融合 | ❌ | ✅ 预条件可融进优化器 kernel |
+
+**结论**：黎曼 / 信息几何方法**只有在度量被结构化因子化（Kronecker / 块对角 / 低秩）后才 GPU 可行**；精确求逆与精确平行移动都属于"美但不可算"，须改造或淘汰。
+
+## 该调用哪个思想武器
+
+- **symmetry-invariance（⚛️ 对称与不变性）—— 首选。** 规范等变、李群对称、纤维丛 = 把"frame / 坐标选择无关"编码成对称性，是本书与 DL 最强的接口。
+- **optimization（⚖️ 优化）—— 并列首选。** 自然梯度、Riemannian SGD、曲率正则都是"在弯曲约束空间里找最优"。
+- **transformation（🔄 变换）**：指数 / 对数映射、retraction、坐标变换简化问题。
+- **modeling（🌉 建模）**：把参数 / 数据空间显式建模为流形，再翻译回算法。
+- **topological-thinking（🌀 拓扑）**：辅助——de Rham 上同调 / 整体不变量用于守恒量与可积性诊断。
+
+组合建议：先 `symmetry-invariance` 定对称结构 → `optimization` 落到自然梯度 / Riemannian 优化 → `transformation` 处理 retraction → 过 `../gpu-friendly-math.md` 验收门。
+
+## 反模式
+
+每条给出 **反模式 → 正解**：
+
+- **物化并精确求逆全 Fisher / 全 Hessian**：O(N³) / O(N²)，集群上不可行。
+  - 正解：先做 Kronecker / 块对角 / 低秩因子化，再求逆；不做因子化就别上自然梯度。
+- **在 fp16 直接求逆病态度量矩阵**：灾难性抵消，结果是噪声。
+  - 正解：加阻尼 F+λI，求逆留在 fp32，必要时用 CG / Woodbury 隐式求解。
+- **逐步 ODE 积分做平行移动 / 测地线**：串行递推杀死并行度。
+  - 正解：用闭式 retraction / vector transport（特定流形有解析式），把递推换成单步。
+- **连续群无脑离散化**：等变性悄悄破缺，还引入不规则 gather/scatter。
+  - 正解：选可精确表示的离散子群，或用可证明误差界的求积 / 频域（球谐）方案。
+- **为"几何美"强行流形化**：绝大多数任务欧氏近似已足够。
+  - 正解：上黎曼机制前先用实验证明欧氏确实病态（条件数 / 收敛曲线），再引入。
+- **把曲率正则当万能药**：曲率估计本身昂贵且噪声大。
+  - 正解：先用 HVP 在小规模验证收益，确认信噪比再放大。
+
+## 深挖入口
+
+> 全保真回查 = 让 Agent **自动搜索本地 PDF** `math_book/Manifolds and Differential Geometry.pdf`（按章号 / 节号定位，勿凭记忆复述）。本摘要只给坐标，不替代原文。
+
+- **§6.8 Principal and Associated Bundles** + **§12.12 G-Connections**：规范等变的几何基础（主丛 + 联络 = 规范场）。
+- **§7.6 Metric Tensors** + **§13.1 Levi-Civita Connection**：度量张量与自然梯度 / Fisher 度量的源头。
+- **§13.2 Riemann Curvature Tensor** + **§13.7 Jacobi Fields**：曲率与优化地形、轨迹稳定性。
+- **§13.4 Geodesics** + **§13.11 Rauch's Comparison Theorem**：测地线 / retraction 与收敛—发散比较。
+- **§9.8 Electromagnetism**：规范场作为 U(1) 联络曲率的具体实例（跨域激活的历史样板）。

package/references/books/matrix-analysis.md

@@ -0,0 +1,142 @@
+# 🧮 矩阵分析 / Matrix Analysis
+
+> Roger A. Horn & Charles R. Johnson, *Matrix Analysis*, 2nd Edition, Cambridge University Press, 2013（ISBN 978-0-521-83940-2）。以**标准型（canonical forms）作为统一主题**的研究生级矩阵理论经典。
+
+## 概要
+
+这是把"线性代数"升级为"矩阵分析"的权威参考：不只算矩阵，而是研究矩阵在**相似 / 酉等价 / 合同**等变换下的不变量、标准型、谱的位置与扰动、范数几何、以及正定/非负结构。对 AI/ML/GPU 而言，它是 v2 书单里**最贴近底层算子的骨干**——GEMM、数值稳定、低秩压缩、二阶优化全都从这里取根。
+
+真实章节地图（来自实际目录）：
+
+- **Ch 0 Review and Miscellanea**：秩、非奇异、内积、分块矩阵——速查底座。
+- **Ch 1 Eigenvalues, Eigenvectors, and Similarity**：特征方程、特征多项式、代数/几何重数、相似（§1.1–1.4）。
+- **Ch 2 Unitary Similarity and Unitary Equivalence**：QR 分解（§2.1）、Schur 三角化（§2.4）、正规矩阵（§2.5）、**SVD（§2.6）**、CS 分解（§2.7）。
+- **Ch 3 Canonical Forms for Similarity and Triangular Factorizations**：Jordan 标准型（§3.1）、最小多项式与友矩阵（§3.3）、实 Jordan 与 Weyr 型（§3.4）、三角分解 LU（§3.5）。
+- **Ch 4 Hermitian, Symmetric Matrices, and Congruences**：变分刻画 Courant–Fischer（§4.2）、特征值不等式 Weyl/交错（§4.3）、合同与惯性定律（§4.5）。
+- **Ch 5 Norms for Vectors and Matrices**：范数与内积、对偶范数（§5.5）、**矩阵范数（§5.6–5.7）**、**条件数（§5.8）**。
+- **Ch 6 Location and Perturbation of Eigenvalues**：Geršgorin 圆盘（§6.1–6.2）、特征值扰动定理（§6.3）。
+- **Ch 7 Positive Definite and Semidefinite Matrices**：极分解与 SVD（§7.3–7.4）、**Schur 积定理（§7.5）**、同时对角化（§7.6）、Loewner 偏序与分块矩阵（§7.7）、正定不等式（§7.8）。
+- **Ch 8 Positive and Nonnegative Matrices**：Perron–Frobenius（§8.2–8.5）、随机与双随机矩阵（§8.7）。
+- 附录 A–F：复数、**凸集与凸函数（B）**、代数基本定理、特征值连续性、紧致性、典范对（F）。
+
+**激活时的边界提醒**：本书是**理论优先**的——讲存在性、刻画、不等式、标准型，而**不是数值算法食谱**。具体的算法实现、收敛常数、稳定性细节（如 blocked QR 的通信下界、SVD 的实际复杂度系数）需配数值线性代数教材（Golub–Van Loan / Trefethen–Bau）。这里给的是"该用哪个结构 + 为什么 + GPU 能不能算"的**激活索引**，落地实现回查那一类书。
+
+## 可迁移到 AI/Infra 的核心结构
+
+| 数学结构（章节） | 迁移到 ML / 算法 / Infra |
+|---|---|
+| **SVD / 低秩（§2.6, §7.4）** | 一切低秩压缩的根基：LoRA、PCA/白化、Eckart–Young 最优低秩逼近、KV-Cache 低秩化、权重压缩 |
+| **谱与相似不变量（Ch 1）** | Hessian/梯度协方差谱、谱半径决定线性 attention / SSM / RNN 的稳定性、迹=参数计数/正则 |
+| **Schur 三角化 + 正规矩阵（§2.4–2.5）** | 数值 EVD 算法（QR algorithm）地基；正规⇔可酉对角化，是"良态谱"的判据 |
+| **变分刻画 Courant–Fischer（§4.2）** | Rayleigh 商、谱归一化、谱聚类、PCA 即 min–max；最大奇异值=算子范数 |
+| **特征值扰动 Weyl/Bauer–Fike（§4.3, §6.3）** | 量化/低精度/剪枝下的谱漂移界、训练扰动鲁棒性、稳定性证书 |
+| **矩阵范数 + 对偶（§5.5–5.7）** | 谱范数(梯度裁剪/Lipschitz)、Frobenius(权重衰减)、**核范数=谱范数对偶**(低秩正则) |
+| **条件数（§5.8）** | 数值稳定诊断、预条件、为什么 bf16 训练会发散 |
+| **极分解 + Newton–Schulz（§7.3）** | 把梯度/权重正交化（Muon 优化器、正交初始化），纯 GEMM 可算 |
+| **正定性 / PSD（Ch 7）** | 核方法、协方差、attention Gram 矩阵、二阶法预条件子、Loewner 偏序写矩阵不等式 |
+| **Schur 积定理（§7.5）** | Hadamard 积保 PSD——可学习核工程、门控不破坏正定结构 |
+| **Perron–Frobenius / 随机矩阵（Ch 8）** | attention 行随机矩阵的混合与坍缩(over-smoothing)、PageRank、图传播、谱 gap=表达力 |
+
+把上表收成四个**激活家族**，方便检索：
+
+- **谱系（Ch 1–3）**：特征值/相似/标准型——回答"动力学稳不稳、谱长什么样"。注意 Jordan/Weyr 是理论工具，数值上转向 Schur/SVD。
+- **范数系（Ch 5–6）**：范数/对偶/条件数/扰动——回答"误差怎么传、低精度稳不稳、该不该预条件"。
+- **正定系（Ch 4, 7）**：Hermitian/PSD/极分解/Loewner——回答"二阶结构、核、协方差、最近正交矩阵"。
+- **非负系（Ch 8）**：Perron–Frobenius/随机矩阵——回答"传播、混合、坍缩、平稳分布"。
+
+## 关键桥接事实（激活速记）
+
+把这本书"激活"成算法时，最常用到的连接性事实——记住这些就能在结构间快速跳转：
+
+- **条件数 κ₂(A) = σ_max / σ_min（§5.8）**：直接预测 bf16/fp8 下误差放大几个数量级。
+- **SVD ⇔ AᴴA 与 AAᴴ 的特征分解，σ = √λ（§2.6, §7.4）**：奇异值就是 Gram 矩阵的特征值开方。
+- **谱范数 = σ_max，Frobenius = √Σσ²，核范数 = Σσ（§5.6）**：三大矩阵范数全由奇异值决定，谱范数与核范数互为对偶。
+- **正规矩阵 ⇔ 可酉对角化（§2.5）**：唯一"特征值=奇异值结构良态"的类；非正规就要看 pseudospectra。
+- **正定 ⇔ 所有特征值 > 0 ⇔ 所有顺序主子式 > 0（§7.1）**：后者是可算的正定判据（Sylvester 准则）。
+- **极分解 A = UP，P = (AᴴA)^½（§7.3）**：Newton–Schulz 迭代收敛到正交因子 U。
+- **Weyl 扰动界 |λ_i(A+E) − λ_i(A)| ≤ ‖E‖₂（§4.3）**：一行给出量化/剪枝的谱漂移上界。
+- **行随机矩阵谱半径 = 1（§8.7）**：attention 的 Perron 根恒为 1，谱 gap 决定坍缩速度。
+
+## 适合激活的问题类型
+
+- **低秩 / 压缩**：注意力、KV-Cache、权重、梯度里哪里有冗余？能压到多少秩？截断的最优逼近误差怎么估（Eckart–Young）？低秩正则该用核范数还是直接参数化？
+- **数值稳定性**：低精度（bf16/fp8）训练为何发散？条件数与谱半径如何在线监控？量化/剪枝的谱漂移有没有界（Weyl、Bauer–Fike）？哪些算子需要重参数化才稳？
+- **谱设计**：归一化（谱归一化 / BatchNorm）背后的算子范数；谱半径约束的循环 / 状态空间模型（SSM）；谱 gap 决定表达力与可分性。
+- **二阶优化**：Hessian / Fisher 的 PSD 结构与负曲率（惯性定律检测鞍点）；预条件子的条件数改善；Kronecker 因子近似（K-FAC / Shampoo）。
+- **图 / 传播**：消息传递的稳定性与 over-smoothing；行随机算子的混合时间；Markov 链平稳分布与谱 gap。
+
+## 可能的算法启发
+
+> 每条标注**八维落点**（对应 `../gpu-friendly-math.md` 维度编号），方便直接进 GPU 验收门。
+
+1. **随机化数值线代（randomized NLA）**：用随机投影 + QR（§2.1）做随机 SVD，把 O(n³) 完整分解降到亚二次，对超大权重/激活做低秩草图（sketching）。*落点：维度 2/3——全 GEMM、复杂度可控。*
+2. **低秩注意力 / KV 压缩**：以 Eckart–Young（§7.4）保证截断 SVD 是最优低秩逼近；用**核范数（谱范数对偶，§5.5）**作低秩正则，把 KV-Cache 投影到低维子空间。*落点：维度 2/4——GEMM 链 + 显存压缩。*
+3. **谱归一化（spectral normalization）**：power iteration 估最大奇异值（算子范数 §5.6），约束每层 Lipschitz——GAN/扩散/稳定训练。*落点：维度 1/6——matvec，但迭代串行需块化。*
+4. **Newton–Schulz 正交化（Muon 式）**：极分解（§7.3）把梯度矩阵投到最近正交矩阵，迭代只含矩阵乘——当前最 GPU 友好的"二阶味"更新。*落点：维度 2/6/8——纯 GEMM、可融合、bf16 稳。*
+5. **预条件 / Shampoo / K-FAC**：条件数（§5.8）诊断病态，用 PSD Kronecker 因子（Ch 7）近似 Hessian 做预条件，把病态损失面拉圆。*落点：维度 2/5——小矩阵 GEMM，注意逆运算的精度。*
+6. **Geršgorin 廉价谱半径门（§6.1）**：训练循环里用圆盘界 O(n²) 快速估谱半径，做低成本稳定性 gate，不必跑完整 EVD。*落点：维度 1/3——逐行求和，极廉价。*
+7. **PSD 核工程（Schur 积定理 §7.5）**：用 Hadamard 积组合多个 PSD 核，保证可学习相似度矩阵始终半正定。*落点：维度 1——逐元素张量积，天然友好。*
+8. **Perron–Frobenius 诊断（§8.2–8.5）**：把行随机 attention 当 Markov 算子，用谱 gap 量化 over-smoothing / rank collapse，指导残差与温度设计。*落点：维度 1/3——谱估计廉价，避免深层坍缩。*
+9. **块化 / communication-avoiding 分解**：把 QR、Cholesky（§3.5）写成分块版本，用 GEMM 替代逐列消元，跨设备减少通信轮次。*落点：维度 2/6——串行递推改造成并行 + overlap。*
+
+## GPU 友好性警告
+
+> 评分维度引用 `../gpu-friendly-math.md` 的**八维检查**（张量化 / GEMM 可映射 / 复杂度 / 显存 / 低精度 / 并行 / 稀疏 / 算子融合），此处不重复定义。
+
+**天然友好（math beautiful × GPU friendly）：**
+- **SVD 截断 / 低秩**：写成 GEMM 链（维度 2），压缩 KV-Cache/权重（维度 4）。
+- **Frobenius / 谱范数、Gram 矩阵、Hadamard 积**：批量张量代数（维度 1、2）。
+- **极分解 Newton–Schulz**：纯矩阵乘迭代（维度 2、6、8 可融合），bf16 下稳健。
+- **Geršgorin 圆盘**：O(n²) 逐行求和（维度 1），廉价稳定性估计。
+- **良态 PSD 的 blocked Cholesky / Gram 构造**：分块后是 GEMM 链（维度 2），核方法与协方差预条件常用。
+
+**美但不可算（beautiful, not computable）：**
+- **Jordan 标准型（§3.1）**——经典反例：特征值重数对扰动极度敏感，浮点下根本无法可靠计算，**永远不要当数值工具**（违反维度 5 低精度稳定）。Weyr 型同理。
+- **完整 EVD / SVD 的 O(n³)**——大矩阵直接爆（违反维度 3），必须换随机化/迭代法。
+- **非正规矩阵（non-normal，§2.5 之外）**——特征值不能反映真实行为，需 pseudospectra；低精度下谱失真（维度 5）。
+- **病态 / 高条件数（§5.8）**——会出现灾难性抵消，要 fp64 才对，与 bf16/fp8 训练冲突（维度 5）。
+- **QR / Cholesky 的串行依赖（§2.1, §3.5）**——朴素实现是长串行递推（违反维度 6），需 blocked / communication-avoiding 变体。
+- **power iteration 的串行迭代**——单向量迭代并行度低；需块化（block / subspace iteration）才吃满 SM（维度 6）。
+
+**改造手法（呼应 `../gpu-friendly-math.md` 的 Make-It-Computable Toolkit）：**
+- 完整 EVD/SVD → **随机化 + 截断**降复杂度（维度 3）；
+- 精确分解 → **块化 / GEMM 化**消除串行（维度 2/6）；
+- 病态/非正规 → **重参数化 + 谱归一化**稳低精度（维度 5）；
+- Jordan 等不可算标准型 → 只留作**理论证明**，数值上换 Schur/SVD。
+
+## 该调用哪个思想武器
+
+配合 `skills/` 下的现有武器使用：
+
+- **`transformation`（变换）**：相似 / 酉等价 / 合同、SVD、对角化——本书的灵魂就是"换坐标让结构显形"。
+- **`algorithmic-thinking`（算法与计算）**：power iteration、Newton–Schulz、QR algorithm、随机化 NLA——把定理变成可跑的 kernel。
+- **`optimization`（优化）**：变分刻画（§4.2）、条件数与预条件、二阶法、Loewner 偏序下的矩阵不等式。
+- **`symmetry-invariance`（对称与不变性）**：酉不变性、相似不变量（特征值/迹/行列式）、正规矩阵的良态谱。
+- **`abstraction`（抽象化）**：标准型即"等价类的代表元"——用最简形态抓住本质、忽略坐标细节。
+- **`probability-statistics`（概率与统计）**：随机化 NLA、随机矩阵谱、Perron–Frobenius/Markov 链平稳分布。
+
+## 反模式
+
+- **把 Jordan 型当数值算法**：它在浮点下不可算，只用于理论分析，不要写进 kernel。
+- **默认上完整 SVD/EVD**：大规模场景该用随机化/截断/迭代，否则 O(n³) 直接拖垮。
+- **只看特征值忽略非正规性**：非正规矩阵的特征值不预测瞬态行为，要看奇异值 / pseudospectra。
+- **假设矩阵都良态**：不监控条件数就上 bf16/fp8，发散后才找原因。
+- **用核范数却忘了它要 SVD**：核范数是优雅的低秩正则，但计算依赖 SVD，需配近端/随机化技巧。
+- **数值上假设精确正定**：浮点下 Gram/协方差可能丢正定性，要加 jitter（对角抖动）或用 Cholesky 带 pivot。
+- **用 Frobenius 范数当低秩正则**：Frobenius / 权重衰减压的是"能量"不是"秩"；要低秩得用核范数或显式低秩参数化（如 LoRA）。
+- **对非对称矩阵谈"特征值大小"**：度量能量/范数/稳定裕度该看**奇异值**；非正规矩阵的特征值模长会严重误导（瞬态增长远超谱半径预测）。
+- **把 O(n²) Gram 矩阵全量物化**：attention/核矩阵不分块就直接撑爆显存；应走 FlashAttention 式融合 + 分块（呼应 GPU 八维维度 4/8）。
+- **堆定理而不诊断瓶颈**：先问"算法瓶颈是谱、低秩还是稳定性"，再选结构，别一上来灌矩阵理论。
+
+## 深挖入口
+
+**全保真回查 = 让 Agent 自动搜索本地 PDF `math_book/Matrix Analysis.pdf`**：用 `pdftotext` 抽取 → `grep` 定位关键词/定理名 → `Read` 命中页精读。本文件是"激活索引"，不是替代品；需要精确陈述、证明或常数时，回原书核对。
+
+值得深读的真实章节：
+
+- **§2.6 The singular value decomposition**——所有低秩压缩 / LoRA / PCA 的源头。
+- **§4.2–4.3 Variational characterizations & eigenvalue inequalities**——Courant–Fischer min–max 与 Weyl 不等式，谱归一化与扰动界的理论根。
+- **§5.6–5.8 Matrix norms & condition numbers**——数值稳定、梯度裁剪、预条件的判据全在这。
+- **§7.3–7.5 Polar/SVD & the Schur product theorem**——Muon 正交化、PSD 核工程的直接出处。
+- **§6.1–6.3 Geršgorin discs & perturbation theorems**——廉价谱定位与扰动鲁棒性。
+- **§8.2–8.5 Perron–Frobenius theory**——行随机 attention、图传播、over-smoothing 分析。