math-skill 2.0.1 → 3.0.0

package/skills/induction-analogy/original-texts.md

@@ -1,154 +0,0 @@
-# 数学出处与经典文献 / Mathematical Sources and Classic Texts
-
-## 数学归纳法 / Mathematical Induction (Pascal, 1654)
-
-**原理**：
-> 如果 P(1) 成立，且 P(n) → P(n+1)，则 P(n) 对所有正整数 n 成立。
-> If P(1) holds and P(n) → P(n+1), then P(n) holds for all positive integers n.
-
-**哲学含义**：从"有限"推导"无限"——只需基础与递推两步 / Deriving "infinite" from "finite" — just base case and inductive step.
-
-**经典案例**：1+2+...+n = n(n+1)/2；Fibonacci 性质；图论证明
-
-## 强归纳法 / Strong (Complete) Induction
-
-> 若 P(1)...P(k) 全部成立可推出 P(k+1)，则 P(n) 对所有正整数成立。
-> If P(1)...P(k) all holding implies P(k+1), then P(n) holds for all n.
-
-**适用场景**：P(k+1) 依赖多个甚至全部前命题，而非仅 P(k) / When P(k+1) depends on many or all preceding propositions, not just P(k).
-
-**案例**：唯一分解定理 / Unique factorization；Fibonacci 递推 F(n)=F(n-1)+F(n-2)；算术基本定理
-
-## 结构归纳法 / Structural Induction
-
-> 对递归定义结构（列表、树、表达式），证明性质对基础元素成立且在递推步骤中保持，则对所有实例成立。
-> For recursively defined structures: prove property holds for base elements and is preserved under construction steps → holds for all instances.
-
-**计算机科学应用**：编译器正确性；类型系统安全性（良类型程序不崩溃）；数据结构不变量（红黑树平衡）；算法终止性证明
-
-**案例**：|L₁ ++ L₂| = |L₁| + |L₂|；树高度 ≤ 节点数
-
-## 超限归纳法 / Transfinite Induction (Cantor Ordinals)
-
-> 若对所有 γ < β，P(γ) 成立可推出 P(β) 成立，则 P(α) 对所有序数 α 成立。
-> If P(γ) for all γ < β implies P(β), then P(α) holds for all ordinals α.
-
-**意义**：归纳超越自然数——对任意良序集成立 / Induction extends beyond naturals — applies to any well-ordered set.
-
-**关键概念**：Cantor 序数 ω, ω+1, ω·2, ω², ω^ω...；Zorn 引理等价性；应用：证明每个向量空间都有基
-
-## 良序原理 / Well-Ordering Principle
-
-> 自然数的每个非空子集有最小元素，与数学归纳法逻辑等价。
-> Every nonempty subset of naturals has a least element; logically equivalent to mathematical induction.
-
-**等价论证**：良序→归纳：反例集有最小元 m，则 P(m-1) 成立而 P(m) 不成立，矛盾。归纳→良序：用归纳法证每个非空子集含最小元。
-
-**推广**：良序定理（Zermelo 1904）——任何集合可良序化，与选择公理等价。
-
-## Pólya《数学与猜想》/ *Mathematics and Plausible Reasoning* (1954)
-
-> "归纳、类比、特例化、一般化——发现数学真理的主要方法。"
-> "Induction, analogy, specialization, generalization—principal methods of discovering mathematical truths."
-
-**归纳模式**：1. 观察案例 → 2. 发现模式 → 3. 提出猜想 → 4. 验证（证明或证伪）
-
-## 类比的数学地位 / Mathematical Status of Analogy
-
-> "类比是发现的工具，不是证明的工具。" / "Analogy is a tool for discovery, not for proof."
-
-**经典类比**：声波→光波动理论；行星轨道→Bohr 原子模型；水流→电流（电压≈水压）
-
-## Euler 与 Basel 问题 / Euler and the Basel Problem (1735)
-
-> Euler 通过归纳发现 ∑1/n² = π²/6 ——数学史上最著名的归纳发现。
-> Euler discovered ∑1/n² = π²/6 by inductive reasoning — the most celebrated inductive discovery in mathematics.
-
-**归纳过程**：计算部分和 ≈1.6449 → 识别 π²/6 → 类比 sin(x) 无穷乘积与多项式根系数关系 → 严格证明。Pólya 专门以此说明"合情推理"。
-
-## Fermi 方法 / Fermi Estimation
-
-> 通过类比和数量级估计解决未知问题 / Solve unknowns via analogy and order-of-magnitude estimation.
-
-**经典问题**："芝加哥有多少钢琴调音师？"：人口~300万→~100万户→1/20有钢琴→~5万台→每年调1次×2小时→调音师2000小时/年→≈50名调音师
-
-**价值**：合理的类比估计可得数量级正确答案 / Reasonable analogy yields order-of-magnitude correct results.
-
-## Mill 五种归纳方法 / Mill's Five Methods (1843)
-
-> Mill 在《逻辑体系》中系统化归纳推理 / Mill systematized inductive reasoning in *A System of Logic*.
-
-1. **一致法 / Agreement**：多场合仅一共同情况→该情况可能为原因
-2. **差异法 / Difference**：两场合仅一情况不同→该差异可能为原因
-3. **联合法 / Joint Method**：一致+差异结合，增强可信度
-4. **共变法 / Concomitant Variations**：现象随某情况变化而变化→因果关系
-5. **残差法 / Residue**：扣除已知原因效应后，剩余效应由剩余原因解释
-
-## Ramanujan：直觉归纳 / Ramanujan: Intuitive Induction (1887–1920)
-
-> Ramanujan 以惊人模式识别发现公式，常无形式证明——直觉归纳天才。
-> Ramanujan discovered formulas via astonishing pattern recognition, often without formal proof — genius of intuitive induction.
-
-**案例**：1/π 级数从少数项推广到一般形式；mock theta 函数（模式描述了，证明延迟数十年）。Hardy："他的直觉近乎超自然，但逻辑常缺。"
-
-**教训**：归纳发现可远超前于证明——直觉与严格性的张力是数学发展的动力。
-
-## Borwein 积分：归纳警醒 / Borwein Integrals: Cautionary Tale (2000s)
-
-> 模式持续很久然后突然断裂——归纳推理的深刻警示。
-> A pattern holds for many terms then suddenly breaks — a profound warning about inductive reasoning.
-
-**现象**：∫sin(x)/x dx = π/2；加入 sin(x/3) 仍 = π/2；...持续到 sin(x/13)；但加入 sin(x/15) 时突然偏离！数学根源：Patel-Vital 条件。
-
-**教训**：前 N 个案例成立，第 N+1 个可能打破模式。归纳结论需理论支撑，不能仅依赖经验 / First N cases may hold while case N+1 breaks. Inductive conclusions need theoretical support.
-
-## Lakatos《证明与反驳》/ *Proofs and Refutations* (1963/1976)
-
-> 数学发现不是线性"猜想→证明"，而是通过反驳、怪物排除、引理嵌入不断演进。
-> Mathematical discovery evolves through counterexamples, monster-barring, and lemma-incorporation — not linear "conjecture→proof".
-
-**核心概念**：怪物排除 / Monster-barring（修改定义排除反例）；引理嵌入 / Lemma-incorporation（将反例条件加入前提）；概念拉伸 / Concept-stretching（反例推动概念扩展）
-
-**案例**：多面体 Euler 公式 V-E+F=2 的证明生成——从 Cauchy 朴素证明到对空洞、隧道的逐步修正。
-
-## Hume 归纳问题 / Hume's Problem of Induction (1739)
-
-> "过去太阳每天升起，不能逻辑保证明天也会升起。"
-> "The sun has risen every day in the past; this does not logically guarantee it will rise tomorrow."
-
-**本质缺陷**：从有限到无限永远存在不确定性 / Deriving infinite from finite always carries uncertainty.
-
-**科学方法解决**：归纳产假说（非定理）→ 可证伪（Popper）→ 持续检验 → 反例则修正/放弃
-
-## Carnap 归纳逻辑 / Carnap's Inductive Logic (1950s)
-
-> Carnap 试图形式化量化归纳推理——为归纳概率建立逻辑基础。
-> Carnap attempted to formalize and quantify inductive reasoning — a logical foundation for inductive probability.
-
-**核心**：确证函数 c(h,e)——证据 e 对假说 h 的确证度 / Confirmation function c(h,e): degree of confirmation. 归纳逻辑应有严格规则；先验概率基于逻辑对称性而非主观信念。
-
-**局限**：系统对语言框架高度敏感——不同谓词集导致不同确证度；Goodman "绿蓝悖论"(grue paradox) 进一步揭示困难。
-
-## 不充分决定 / Problem of Underdetermination
-
-> 多个类比或理论可同等吻合同一数据——数据不充分决定理论选择。
-> Multiple analogies or theories equally fit the same data — data underdetermines theory choice.
-
-**数学类比**：有限数据点→无数函数可拟合；多个归纳假说可能同时与经验一致；理论选择需额外准则：简洁性、解释力、预测力。
-
-**哲学根源**：Quine-Duhem 论题——任何假说可通过调整辅助假说免于证伪。
-
-## 机器学习作为归纳 / Machine Learning as Induction
-
-> 机器学习是归纳推理的工程化——从数据推断一般规律。
-> Machine learning is the engineering of inductive reasoning — inferring general rules from data.
-
-**统计学习理论**：PAC 学习（Valiant 1984）——以高概率输出低误差假说；泛化界限——样本复杂度与假说类复杂度定量关系；VC 维度——衡量"归纳能力"的数学指标。
-
-**与数学归纳对比**：数学归纳=无限域确定性推理；统计归纳=有限样本概率性推理；泛化=归纳跳跃
-
-## 类比思维的力量与局限 / Power and Limits of Analogy
-
-**力量**：跨领域迁移知识（最重要创新来源之一）；将未知转化为已知；产生新思路和假说
-
-**局限**：类比不是证明——结论需独立验证；表面相似 ≠ 结构相似；每个类比有失效点——两个领域不可能完全同构

package/skills/information-theory/SKILL.md

@@ -1,138 +0,0 @@
----
-name: information-theory
-description: |
-  触发：问题需量化不确定性、以"信息=不确定性的减少"度量信息价值；或需计算熵/互信息/KL 散度/信道容量，为压缩/KV 压缩/量化/路由设计信息准则时调用。
-  English: Trigger when a problem needs to quantify uncertainty, measure information value as "information = reduction of uncertainty"; or compute entropy / mutual information / KL divergence / channel capacity, or design information criteria for compression / KV-cache compression / quantization / routing.
----
-
-# 📡 信息论思想 / Information Theory
-
-> "信息是不确定性的减少——知道更多意味着怀疑更少。"
-> "Information is reduction of uncertainty — knowing more means doubting less."
->
-> —— 信息论、编码理论、统计推断 / Information Theory, Coding Theory, Statistical Inference
-
-## 核心原则 / Core Principle
-
-**信息是不确定性的减少——不确定性可由熵精确量化，压缩与通信存在由熵限与信道容量刻画的不可逾越极限，信息增益则指导在不确定性下应优先获取何种观察。**
-
-**Information is reduction of uncertainty — uncertainty is precisely quantified by entropy; compression and communication have unbreakable limits set by the entropy bound and channel capacity; information gain guides which observation to prioritize under uncertainty.**
-
-> **数学形式化 / Mathematical Formalization**
->
-> Shannon 熵 $H(X) = -\sum_x p(x)\log p(x)$ 量化随机变量的平均"惊奇度"——概率越低的事件发生时惊奇越大，熵是惊奇度的期望。
->
-> 互信息 $I(X;Y) = H(X) - H(X|Y) = \sum_{x,y} p(x,y)\log\frac{p(x,y)}{p(x)p(y)}$，即观察 $Y$ 后对 $X$ 不确定性的减少——这正是"信息"的数学定义。
->
-> KL 散度 $D_{KL}(P\|Q) = \sum_x p(x)\log\frac{p(x)}{q(x)}$ 衡量用 $Q$ 替代 $P$ 的信息损失，**不对称** $D(P\|Q)\neq D(Q\|P)$。
->
-> 信源编码定理：最优压缩的平均编码长度 $\ge H(X)$ bits/symbol，低于熵限则必然丢失信息。
->
-> 信道编码定理：可靠通信的速率上限为信道容量 $C = \max_{p(x)} I(X;Y)$；$R<C$ 时存在编码使误码率趋零，$R>C$ 时可靠通信不可能。
->
-> 率失真函数 $R(D) = \min_{p(\hat{x}|x):\,\mathbb{E}[d(x,\hat{x})]\le D} I(X;\hat{X})$ 给定失真 $D$ 下的最小信息率——有损压缩的极限。
->
-> 详细数学依据见 `original-texts.md`。
-
-## GPU 友好性 / GPU-Friendliness（横切检查）
-
-信息论量用于**压缩/剪枝/量化/KV 压缩/路由设计**时，须过 `../../references/gpu-friendly-math.md` 八维门。核心判据：**局部、可融合的熵/KL 估计 = 友好；全局精确信息估计 = 不友好**。
-
-- **量化校准（per-block 熵/Hessian）**：局部、可批量 GEMM 化、低精度可行——友好（维度 1/2/5）。
-- **KV-Cache 压缩（信息瓶颈/块摘要）**：低秩块摘要压缩显存——友好（维度 4）；Plücker 式块摘要见 `../../references/books/algebraic-geometry-rising-sea.md`。
-- **互信息剪枝/特征选择**：用局部或低秩近似估计 $I(X;Y)$ 则可改造；若需全分布精确估计则不友好。
-- **信息增益路由**：全局精确 $I(X;Y)$ 需 $O(n^2)$ 显存、高精度、不可融合——反模式；改用 softmax/热带门控等连续可微近似（维度 3/6/8）。
-- **反模式**：在完整 token 分布上精确计算熵/互信息——显存爆炸、需 fp64、串行依赖，"美但不可算"。
-
-八维最低判定（正式术语）：**张量化**看熵/KL/MI 是否可按 token/block/batch 估计；**GEMM 可映射**看压缩、投影、校准是否落线性代数；**复杂度**避免全分布精确估计；**显存与 KV-Cache**量化 KV/激活/码本占用；**低精度稳定**检查 log/softmax/KL 动态范围；**并行与通信**看分块统计是否可跨设备归约；**稀疏结构**看码本/路由是否块结构化；**算子融合**看统计、mask、量化能否融合。
-
-> 配合 `../../references/books/matrix-analysis.md`（低秩压缩）、`../../references/books/abstract-algebra.md`（编码/有限域）。
-
-## 不适用场景 / When NOT to Use
-
-- **问题无概率结构**（如纯粹符号推理、逻辑演绎）——熵与信息增益需要概率分布，无概率则无信息论。
-- **纯确定性场景无不确定性**（如已知精确答案的数学问题）——熵为零时信息论退化为平凡结论。
-- **定性判断无需量化**（如美学评价、情感判断）——信息论量化的是概率意义上的不确定性，非语义歧义。
-
-## 何时使用 / When to Use
-
-- 需要度量不确定性的大小（熵 $H(X)$ 量化随机变量的"混乱程度"）。
-- 需要比较不同信息源的价值（互信息 $I(X;Y)$ 衡量哪个观察 $Y$ 最能减少关于 $X$ 的不确定性）。
-- 需要最优数据压缩（信源编码定理保证最优压缩极限为 $H(X)$ bits/symbol）。
-- 需要在噪声环境下可靠通信（信道编码定理保证 $R<C$ 时可靠传输可行）。
-- 需要特征选择或模型选择（互信息筛选特征，AIC/BIC/MDL 作为信息准则选择模型）。
-- 需要贝叶斯模型比较（KL 散度 $D(P\|Q)$ 衡量分布间信息距离，贝叶斯因子量化模型间证据比）。
-- **为压缩 / KV-Cache 压缩 / 量化 / 路由设计信息准则**，并评估其 GPU 可行性。
-
-## 方法流程 / Method
-
-### 第一步：识别信息源与不确定度 / Identify Source and Uncertainty
-- **随机变量 $X$** 是什么？——定义信息源，明确要研究的不确定性对象。
-- **概率分布 $p(x)$**——离散分布用概率表，连续分布用密度函数。
-- **计算 $H(X) = -\sum p(x)\log p(x)$**——量化当前不确定性水平。
-- **识别要减少的不确定性**——明确"知道什么之后不确定性会降低？"
-
-### 第二步：量化信息增益 / Quantify Information Gain
-- **计算条件熵 $H(X|Y)$**——观察 $Y$ 之后 $X$ 的剩余不确定性。
-- **计算互信息 $I(X;Y) = H(X) - H(X|Y)$**——$Y$ 对 $X$ 提供的信息量。
-- **识别最优观察**——哪个 $Y$ 使 $I(X;Y)$ 最大？该观察最值得获取。
-- **链式规则**——$H(X_1,\dots,X_n) = H(X_1) + H(X_2|X_1) + \dots + H(X_n|X_1,\dots,X_{n-1})$，逐变量拆解联合不确定性。
-
-### 第三步：选择编码策略 / Choose Coding Strategy
-- **信源编码（压缩）**：Huffman 编码（贪心最优前缀码，平均长度接近 $H(X)$）、算术编码（更接近熵限）、通用编码（LZ77/LZ78/LZW，无需已知分布）。
-- **信道编码（纠错）**：Hamming 码（最小距离 3，纠正 1 位错）、Reed-Solomon 码（突发纠错）、LDPC/Turbo 码（逼近 Shannon 极限）。
-- **编码选择原则**：压缩需求用信源编码→逼近 $H(X)$；噪声防护用信道编码→逼近 Shannon 极限 ($R\to C$)。
-
-### 第四步：评估信道容量 / Evaluate Channel Capacity
-- **计算信道容量 $C = \max_{p(x)} I(X;Y)$**——在所有输入分布上最大化互信息。
-- **比较传输速率 $R$ 与容量 $C$**：$R<C$ → 可靠通信可行；$R>C$ → 必定出错。
-- **噪声模型**：BSC（二元对称信道，翻转概率 $p$）、BEC（二元擦除信道，擦除概率 $\varepsilon$）、AWGN（加性白高斯噪声信道）。
-- **容量公式示例**：BSC 容量 $C = 1 - H(p)$；AWGN 容量 $C = \frac{1}{2}\log(1 + S/N)$。
-
-### 第五步：应用信息准则 / Apply Information Criteria
-- **AIC（赤池信息准则）**：$\text{AIC} = -2\ln L + 2k$——偏重拟合，适合预测目标。
-- **BIC（贝叶斯信息准则）**：$\text{BIC} = -2\ln L + k\ln n$——偏重简约，适合解释目标。
-- **KL 散度 $D_{KL}(P\|Q) = \sum p(x)\log\frac{p(x)}{q(x)}$**——衡量用 $Q$ 替代 $P$ 的信息损失，注意不对称性。
-- **MDL 原则（最小描述长度）**：选择使"数据描述长度 + 模型描述长度"最小的模型——信息论版本的奥卡姆剃刀。
-
-### 第六步：做出信息最优决策 / Make Information-Optimal Decision
-- **贝叶斯实验设计**：选择使期望信息增益 $\max\,\mathbb{E}[I(\theta;Y)]$ 最大的实验——优先获取最能减少不确定性的数据。
-- **最小化 KL 散度**：决策输出分布 $Q$ 应尽量接近目标分布 $P$，即 $\min D(P\|Q)$。
-- **最大熵原则**：在已知约束下选择使 $H(X)$ 最大的分布——最少假设，最保守推断。
-- **信息瓶颈**：$\min I(X;T) - \beta I(T;Y)$——在压缩 $X$ 为 $T$ 时保留关于 $Y$ 的最大相关信息。
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
-|---|---|---|
-| 把信息等同于比特而非概率减少 | 熵 $H(X)$ 是概率分布的函数，比特只是量化单位 | 理解信息为不确定性的减少 $I(X;Y)=H(X)-H(X\|Y)$ |
-| 忽视信道容量极限 | $R>C$ 时无论何种编码都不能可靠通信 | 计算容量 $C=\max I(X;Y)$，确保 $R<C$ |
-| 混淆熵与方差 | 熵度量概率结构的"扩散度"，方差度量数值"展开度"，两者不等价 | 概率不确定性用熵，数值偏差用方差；连续熵可为负 |
-| 过度压缩低于熵限 | 最优压缩 $\ge H(X)$ bits/symbol，低于此限必然丢信息 | 接受熵限并据此设计编码 |
-| 忽视 KL 散度不对称性 | $D(P\|Q)\ne D(Q\|P)$，方向不同含义不同 | 明确方向：$D(P\|Q)$ 用于"用 $Q$ 编码 $P$ 的额外代价" |
-| 把相关性等同于信息 | 相关 $\rho$ 仅衡量线性关联；$I(X;Y)=0 \Leftrightarrow$ 独立，但 $\rho=0 \not\Rightarrow$ 独立 | 用互信息 $I(X;Y)$ 评估依赖关系 |
-| 把定性判断强行量化 | 信息论量化概率不确定性，非语义歧义或主观感受 | 区分概率不确定性与语义歧义，不对定性问题套熵公式 |
-| 全局精确熵/互信息不可算 | 在完整分布上精确估计 $I(X;Y)$ 需 $O(n^2)$ 显存与高精度，GPU 不可行 | 用局部/采样/低秩估计，过 GPU 八维门 |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，输出必须包含：
-
-1. **[信息源]:[描述]** $H(X)=$ [值]——定义随机变量 $X$，计算其熵，量化当前不确定性。
-2. **[信息增益]:[描述]** $I(X;Y)=$ [值]——计算互信息，识别最有价值的观察 $Y$。
-3. **[编码策略]:[选择]**——信源编码（压缩）或信道编码（纠错），说明逼近哪种极限。
-4. **[信道容量]:[描述]** $C=$ [值]——计算信道容量，比较传输速率 $R$ 与 $C$。
-5. **[信息准则]:[AIC/BIC/KL/MDL]**——说明选择的信息准则及理由。
-6. **[最优决策]:[说明]**——基于信息增益最大化或 KL 散度最小化的决策建议。
-7. **[GPU 可行性]**（若用于压缩/KV 压缩/量化/路由）——熵/KL/互信息估计是局部可融合还是全局精确？过八维门，标注友好/可改造/不友好 + 改造建议。
-
-**输出不得只给分析而无结论。**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **概率与统计**：熵与信息增益补充概率推理——$H(X)$ 度量分布不确定性，$I(X;Y)$ 是贝叶斯更新的信息论表达。
-- **优化思想**：信道容量最大化是优化问题——$C=\max_{p(x)} I(X;Y)$ 是输入分布上的最优化。
-- **变换思想**：编码是信息空间的变换——信源编码变换为高效表示，信道编码变换为抗干扰表示。
-- **建模思想**：信息准则指导模型选择——AIC/BIC/MDL 从信息论角度量化拟合与复杂度权衡。
-- **算法思想**：压缩算法是计算实现——Huffman/LZ/LDPC 等算法是信息论极限的逼近实现。
-- **现代数学激活**：`../../references/books/matrix-analysis.md`（低秩压缩）、`../../references/books/abstract-algebra.md`（编码/有限域）、`../../references/books/algebraic-geometry-rising-sea.md`（Plücker KV 压缩）。

package/skills/information-theory/original-texts.md

@@ -1,127 +0,0 @@
-# 数学出处与经典文献 / Mathematical Sources and Classic Texts
-
-## Shannon 信息论 / Shannon's Information Theory (1948)
-
-> H(X) = −Σ p(x) log p(x) —— 熵，信息源的平均不确定性
-> I(X;Y) = H(X) − H(X|Y) —— 互信息，观察 Y 对 X 的信息贡献
-> C = max_{p(x)} I(X;Y) —— 信道容量，可靠通信的速率上限
->
-> 信源编码定理：最优压缩 ≥ H(X) bits/symbol
-> 信道编码定理：R < C 时存在编码方案使误码率趋零
-
-**含义**：信息可以被精确量化；压缩与通信存在不可逾越的数学极限，而非仅受工程水平限制。熵度量"平均惊奇"——低概率事件发生时带来的信息量更大。互信息度量"不确定性减少"——观察 Y 使我们对 X 的不确定降低了多少。
-
-**数学背景**：Claude Shannon 在《A Mathematical Theory of Communication》(1948) 中创立信息论。核心贡献：(1) 定义熵 H(X) = −Σ p(x) log p(x)，对数基底选择决定单位（基底 2 → bits，基底 e → nats）；(2) 信源编码定理证明最优前缀码平均长度 L ≥ H(X)，等号当且仅当所有概率为 2 的幂次时成立；(3) 信道编码定理证明 R < C 时存在编码序列使 P(error) → 0，R > C 时 P(error) > 0 不可避免。Shannon 的证明是随机编码论证——构造随机码本后证明"典型"码的误码率趋零，再指出至少存在一个这样的码。
-
-## Huffman 编码 / Huffman Coding (1952)
-
-> 贪心构造最优前缀码：每次合并概率最小的两个符号，自底向上建树。
-> 平均编码长度 L(Huffman) ≤ H(X) + 1，当概率为 2 的幂次时 L = H(X)。
-
-**含义**：最优前缀码（无歧义解码）可通过贪心算法精确构造，平均长度接近熵限。
-
-**数学背景**：David Huffman 在 1952 年作为 MIT 学生发表此算法，证明其最优性。Huffman 编码是变长前缀码——较频繁的符号用较短的码字，保证任何码字不是另一码字的前缀（前缀条件），从而可即时解码（instantaneous decoding）。当符号概率不全是 2 的幂次时，Huffman 编码平均长度严格大于 H(X)；算术编码将整个消息编码为一个区间，可更接近熵限。
-
-## Hamming 码 / Hamming Codes (1950)
-
-> [7,4] Hamming 码：4 位信息 + 3 位校验 = 7 位码字，最小 Hamming 距离 d_min = 3
-> 可纠正 1 位错误或检测 2 位错误
-> 一般 [2^r−1, 2^r−1−r] Hamming 码：r 位校验，最小距离 3
-
-**含义**：纠错编码的第一个系统构造——少量冗余即可保护信息免受噪声损坏。
-
-**数学背景**：Richard Hamming 在 Bell 实验室工作时，因早期计算机的硬件错误导致程序崩溃，于是设计了第一个系统化的纠错码。Hamming 距离 d(x,y) = 两个二进制串不同位置的个数；最小距离 d_min ≥ 2t+1 时可纠正 t 位错误。Hamming 码是完美码（perfect code）——球 packing 恰好填满整个空间。后续发展：Reed-Solomon 码（1960）用于突发纠错和 CD/DVD；LDPC 码（Gallager 1962）和 Turbo 码（1993）逼近 Shannon 极限。
-
-## Kolmogorov 复杂度 / Kolmogorov Complexity (1965)
-
-> K(x) = 输出 x 的最短程序长度（在通用 Turing 机上）
-> Kolmogorov 复杂度是信息的算法度量——与 Shannon 熵互补
->
-> 不可计算性：K(x) 不可一般计算（Chaitin 不完备定理）
-
-**含义**：最短程序描述长度是对象的内在信息量——比 Shannon 熵更本质的信息度量，不依赖概率分布。
-
-**数学背景**：Andrey Kolmogorov 在 1965 年提出算法信息论，定义 K(x) 为在通用 Turing 机 U 上输出 x 的最短程序 |p| 的长度：K_U(x) = min{|p| : U(p) = x}。关键性质：(1) 不可计算性——不存在算法一般地计算 K(x)；(2) 不变定理——不同通用 Turing 机上的 K_U(x) 差异至多为常数 c（依赖于机器选择）；(3) 与熵的关系——对 i.i.d. 序列，E[K(x)] ≈ nH(X)（Shannon 熵的算法版本）；(4) Chaitin 不完备定理——形式系统不能证明 K(x) > c 对大多数 x 成立。Kolmogorov 复杂度是 MDL 原则的理论根基。
-
-## KL 散度 / KL Divergence (Kullback-Leibler, 1951)
-
-> D(P||Q) = Σ p(x) log(p(x)/q(x)) = E_P[log(p(X)/q(X))]
->
-> D(P||Q) ≥ 0，等号当且仅当 P = Q
-> D(P||Q) ≠ D(Q||P)——不对称
-> D(P||Q) 不是距离（不对称、不满足三角不等式）
-
-**含义**：KL 散度度量"用 Q 分布编码 P 分布的数据所需的额外比特数"——信息损失的单向度量。
-
-**数学背景**：Solomon Kullback 与 Richard Leibler 在 1951 年提出相对熵（relative entropy），定义为 D(P||Q) = Σ p(x) log(p(x)/q(x))。核心性质：(1) 非负性 D(P||Q) ≥ 0（由 Gibbs 不等式证明）；(2) 不对称性 D(P||Q) ≠ D(Q||P)——D(P||Q) 的解释是"用 Q 编码 P 的数据的期望额外长度"，方向不可互换；(3) 与互信息的关系 I(X;Y) = D(p(x,y)||p(x)p(y))——互信息是联合分布与独立假设分布间的 KL 散度；(4) 与熵的关系 H(P) + D(P||Q) = Σ p(x)(−log q(x))——交叉熵 = 熵 + KL 散度。交叉熵损失函数是深度学习的核心：min H(P) + D(P||Q) = min Σ p(x)(−log q(x))。
-
-## 码率-失真理论 / Rate-Distortion Theory (Shannon, 1959)
-
-> R(D) = min_{p(z|x): E[d(x,z)]≤D} I(X;Z)
->
-> 在允许失真 D 的条件下，所需的最小码率 R(D)
-> R(0) = H(X)（无损压缩），R(D_max) = 0（最大允许失真）
-
-**含义**：有损压缩存在码率-失真函数 R(D) 的基本极限——更低的码率需要接受更大的失真。
-
-**数学背景**：Shannon 在 1959 年扩展信源编码定理到有损压缩情形。码率-失真函数 R(D) 定义为在期望失真 E[d(x,z)] ≤ D 的约束下最小化互信息 I(X;Z)。失真度量 d(x,z) 可选 Hamming 失真（二元）、平方误差（连续）等。R(D) 单调递减、凸函数——失真容忍越大，所需码率越低。逆函数 D(R) 给出给定码率下的最小可达失真。实际应用：JPEG/MPEG 压缩、语音编码等遵循此理论框架。
-
-## Fisher 信息 / Fisher Information (1925)
-
-> I(θ) = E[(∂log f(X;θ)/∂θ)²] = −E[∂²log f(X;θ)/∂θ²]
->
-> Cramér-Rao 下界：Var(θ̂) ≥ 1/I(θ)，对任何无偏估计量 θ̂
-> Fisher 信息度量数据对参数 θ 的信息含量
-
-**含义**：Fisher 信息是统计推断的信息论度量——它连接了信息论与参数估计的理论极限。
-
-**数学背景**：R.A. Fisher 在 1925 年提出信息量概念 I(θ)，度量一个观测对参数 θ 的区分能力。Cramér (1946) 与 Rao (1945) 分别独立证明了 Cramér-Rao 下界 Var(θ̂) ≥ 1/nI(θ)。关键联系：(1) Fisher 信息与 KL 散度——I(θ) = lim_{θ'→θ} 2D(f(x;θ)||f(x;θ'))/(θ−θ')²，KL 散度的局部二阶近似；(2) Fisher 信息与 Bayesian 信息——Jeffreys 先验 p(θ) ∝ |I(θ)|^(1/2) 使得参数空间中 Fisher 信息度量下的体积均匀；(3) 最大似然估计的大样本性质——θ̂_MLE 渐近正态 N(θ, 1/nI(θ))，达到 Cramér-Rao 下界。Fisher 信息是信息论与统计推断的桥梁。
-
-## MDL 原则 / MDL Principle (Rissanen, 1978)
-
-> MDL(M, D) = L(D|M) + L(M)
->
-> 选择使"数据给定模型的描述长度 + 模型本身的描述长度"最小的模型
-> L(D|M) = −log P(D|M)（数据的负对数似然）
-> L(M) = 模型编码长度（复杂度惩罚）
-
-**含义**：MDL 是信息论版本的奥卡姆剃刀——好模型既准确（数据描述短）又简约（模型描述短）。
-
-**数学背景**：Jorma Rissanen 在 1978 年提出最小描述长度原则，将模型选择转化为编码问题。MDL 与其他准则的关系：(1) MDL 与 BIC——两参数 MDL（L(D|M)+L(M)）与 BIC (−2lnL+k·ln(n)) 在大样本下等价；(3) MDL 与 Kolmogorov 复杂度——理想 MDL 用 Kolmogorov 复杂度 K(M) 庡量模型复杂度，但 K(M) 不可计算；实际 MDL 用参数编码长度近似。先验 MDL（1996）用混合编码处理参数，避免任意精度问题。MDL 的核心洞见：模型选择本质上是数据压缩——最好的模型是压缩数据最好的模型。
-
-## 互信息与信道容量 / Mutual Information and Channel Capacity
-
-> I(X;Y) = H(X) − H(X|Y) = H(Y) − H(Y|X) = H(X) + H(Y) − H(X,Y)
->
-> 互信息的对称性：I(X;Y) = I(Y;X)
-> 互信息的非负性：I(X;Y) ≥ 0，等号当且仅当 X,Y 独立
->
-> 信道容量 C = max_{p(x)} I(X;Y)
-> 典型集 A_ε^n：{x^n : |−log p(x^n)/n − H(X)| < ε}
-
-**含义**：互信息是两个随机变量间依赖关系的精确度量——为零等价于独立，为正则存在统计关联。信道容量是互信息在所有输入分布上的最大值，定义可靠通信的理论极限。
-
-**数学背景**：互信息 I(X;Y) = Σ p(x,y) log(p(x,y)/p(x)p(y)) = D(p(x,y)||p(x)p(y))——联合分布与独立假设分布间的 KL 散度。典型集是 Shannon 证明编码定理的关键工具：对 i.i.d. 信源 X^n，典型序列 x^n 满足 |−1/n log p(x^n) − H(X)| < ε；典型集的概率趋近 1（当 n→∞），但典型集的大小 ≈ 2^{nH(X)}，远小于整个空间 2^n（当 H(X) < 1）。这解释了为何压缩到 nH(X) bits 即可覆盖几乎所有有效序列。
-
-## 联合熵、条件熵与链式规则 / Joint Entropy, Conditional Entropy, and Chain Rules
-
-> H(X,Y) = H(X) + H(Y|X) —— 联合熵链式规则
-> H(Y|X) = Σ p(x) H(Y|X=x) —— 条件熵
-> I(X;Y) = H(X) − H(X|Y) = H(Y) − H(Y|X) —— 互信息
-> I(X;Y|Z) = H(X|Z) − H(X|Y,Z) —— 条件互信息
-> I(X₁;X₂;...;Xₙ) 的链式展开：I(X;Y,Z) = I(X;Y) + I(X;Z|Y)
-
-**含义**：熵的链式规则将联合不确定性拆解为逐个变量的贡献——理解多变量系统的信息结构。
-
-**数学背景**：联合熵 H(X,Y) = −Σ p(x,y) log p(x,y) 度量一对随机变量的总不确定性。链式规则 H(X,Y) = H(X) + H(Y|X) 说明：知道 X 后，Y 的额外不确定性是 H(Y|X)。推广到 n 个变量：H(X₁,...,Xₙ) = Σᵢ H(Xᵢ|X₁,...,Xᵢ₋₁)。条件互信息 I(X;Y|Z) 度量"在已知 Z 的条件下，Y 对 X 的额外信息量"——这是信息瓶颈和因果推断的关键工具。多变量互信息的链式展开：I(X;Y,Z) = I(X;Y) + I(X;Z|Y)，说明 Y 和 Z 对 X 的联合信息等于 Y 的直接信息加上 Z 的条件信息。
-
-## 信息论与编码理论的日常洞见
-
-> "信息论的核心不是计算精确的比特数，而是养成'不确定性可量化、信息有价值、极限不可逾越'的思维习惯。"
-
-- 不要忽视不确定性——熵 H(X) 量化它
-- 信息有方向和大小——互信息 I(X;Y) 度量它
-- 压缩有极限——信源编码定理限定它
-- 通信有极限——信道编码定理限定它
-- 模型选择有信息论标准——AIC/BIC/MDL 指导它
-- 概率分布间有信息距离——KL 散度衡量它

package/skills/logic-deduction/SKILL.md

@@ -1,133 +0,0 @@
----
-name: logic-deduction
-description: |
-  触发：检查证明严谨性、形式逻辑分析、前提审查、谓词逻辑推理验证、量词结构分析、发现逻辑漏洞；或为算法正确性/不变量做形式推导与证明验证时调用。
-  English: Trigger when checking proof rigor, formal logic analysis, premise auditing, predicate logic verification, quantifier structure analysis, discovering logical loopholes; or doing formal derivation and proof verification for algorithm correctness or invariants.
----
-
-# 🧠 逻辑演绎 / Logic Deduction
-
-> "逻辑是数学的家规——一切推理必须在形式规则的监督下进行。"
-> "Logic is the house rule of mathematics — all reasoning must proceed under the supervision of formal rules."
->
-> —— 哥德尔完备性定理 (1929)，一阶逻辑
-> —— Gödel's Completeness Theorem (1929), First-Order Logic
-
-## 核心原则 / Core Principle
-
-从真前提严格推理新真命题——推理链条的每一步都必须合法。推理类型：演绎（前提真+规则有效→结论必然真，最可靠）、归纳（实例→一般，或然性）、溯因（观察+理论→最佳解释，假设性）。
-
-> **数学形式化 / Mathematical Formalization**
->
-> 逻辑演绎具有两层结构：命题逻辑处理真值函数连接词（¬, ∧, ∨, →, ↔），谓词逻辑在此基础上添加量词（∀, ∃）与个体变元。数学证明生活在谓词逻辑之中——仅靠命题逻辑无法表达 "对所有 x，若 P(x) 则 Q(x)" 这类陈述，因此也无法对实际数学论证进行证明检验。
->
-> 哥德尔完备性定理（Gödel's Completeness Theorem, 1929）：一阶谓词逻辑中，所有有效论证都是可证明的——若 φ 是一阶逻辑的有效公式，则存在一个形式证明序列从空前提集推导出 φ。这保证了一阶逻辑的演绎能力与语义有效性完全吻合（可靠性+完备性），但仅限一阶逻辑；二阶逻辑不具备此性质。
->
-> 详细数学依据见 `original-texts.md`
-
-## GPU 友好性 / GPU-Friendliness（横切检查）
-
-逻辑/形式验证结构映射 GPU 时需警惕：**符号推理常「美但不可算」**——证明搜索、归结（Resolution）回溯本质串行，难以张量化。当逻辑用于算法/不变量设计时，过 `../../references/gpu-friendly-math.md` 八维门：
-
-- **SAT/SMT 批量求解**：独立子句可批量并行（友好），但 CDCL 回溯串行。
-- **定理证明（Coq/Lean）**：tactic 求解器高度串行、依赖图复杂——不可训练，应**离线验证**产物后仅部署结论。
-- **模型检查（Model Checking）**：状态空间爆炸→符号 BDD 可压缩；GPU 上可改用并行 SAT / 局部可达性（可改造）。
-- **类型/不变量检查**：作为编译期/离线静态检查，运行期零开销（友好）。
-- **反模式**：把归结/自然演绎证明搜索塞进训练循环——不可微分、不可并行；应松弛为可微近似（概率/神经符号逻辑）或离线证毕后仅部署结论。
-
-八维最低判定（正式术语）：**张量化**通常不友好，除非子句/状态可批量编码；**GEMM 可映射**只适合可微逻辑、SAT 打分或布尔半环近似；**复杂度**必须标注证明搜索/模型检查的指数或不可判定边界；**显存与 KV-Cache**看状态空间、证明树、BDD 是否爆炸；**低精度稳定**看松弛逻辑在 fp16/bf16 下是否保持语义边界；**并行与通信**看分支搜索能否批量或离线；**稀疏结构**看约束图是否规则；**算子融合**看逻辑 loss/mask 是否能融合，证明搜索本身不应进 kernel。
-
-> 配合 `../../references/books/abstract-algebra.md`（形式系统）、`../../references/books/algebraic-geometry-rising-sea.md`（范畴论推理）。
-
-## 不适用场景 / When NOT to Use
-
-- **前提本身不确定**——先确定前提真假，再进行演绎。
-- **需要创造性突破而非逻辑验证**——演绎只能发现已有信息蕴含的结论，不能产生新信息。
-- **二阶逻辑问题**——哥德尔完备性仅覆盖一阶逻辑；二阶有效性不可完全公理化。
-
-## 何时使用 / When to Use
-
-- 阅读论文或代码时，检查其证明/推导/不变量的严谨性。
-- 发现论证中可能存在逻辑跳跃或漏洞，需形式化定位。
-- 验证某个结论是否真的能从前提推导出来（Γ ⊢ φ 是否成立）。
-- 分析含 ∀ / ∃ 的数学陈述时，验证量词推理的正确性。
-- 检查二阶逻辑论证的有效性边界。
-- 为算法正确性、循环不变量、程序性质做形式推导与证明验证。
-
-## 方法流程 / Method
-
-### 第一步：识别前提 / Identify the Premises
-列出论证中所有前提（假设、已知条件、引用定理），标注状态：**已证定理**（如"素数无穷"）、**公理**（如 ZF 集合论公理）、**假设**（如"黎曼猜想"）、**经验事实**。同时标注逻辑层次：纯命题前提（不含量词）还是谓词前提（含 ∀ / ∃）。前提质量决定推理质量——前提不成立则结论必然不可靠。
-
-### 第二步：检查推理规则 / Check the Rules of Inference
-验证每一步是否使用有效推理规则。
-
-**命题逻辑规则**：假言推理（Modus Ponens）P→Q, P ⊢ Q；拒取式（Modus Tollens）P→Q, ¬Q ⊢ ¬P；假言三段论 P→Q, Q→R ⊢ P→R；析取三段论 P∨Q, ¬P ⊢ Q；合取引入 P, Q ⊢ P∧Q；双重否定消除 ¬¬P ⊢ P。
-
-**谓词逻辑规则**：全称实例化（UI）∀x P(x) ⊢ P(a)；全称泛化（UG）P(a) 对任意 a 成立 ⊢ ∀x P(x)（a 必须任意，不能是特定常元）；存在实例化（EI）∃x P(x) ⊢ P(c)（c 必须为新名称，不与已有常元冲突）；存在泛化（EG）P(a) ⊢ ∃x P(x)。
-
-**其他框架**：消解原理（Resolution）从 (P∨Q) 与 (¬P∨R) 消解出 (Q∨R)，适于自动化证明；自然演绎系统（Natural Deduction）以引入/消除规则对称组织，更贴近人类推理习惯。
-
-### 第三步：检查常见逻辑谬误 / Check for Common Fallacies
-**命题逻辑谬误**：肯定后件 P→Q, Q ⊢ P（无效）；否定前件 P→Q, ¬P ⊢ ¬Q（无效）；混淆充分与必要条件；循环论证（结论隐含用作前提）；稻草人谬误。
-
-**谓词逻辑谬误**：量词移位谬误 ∀x∃y R(x,y) ≠ ∃y∀x R(x,y)（前者"每人各有其所爱"，后者"有人被所有人所爱"）；非法全称泛化（从特定 a 的 P(a) 推 ∀x P(x)，违反 UG 任意性）；混淆自由与约束变量；混淆 ∀ 与 ∃ 强度；偷换概念（Equivocation）；虚假二分（False Dilemma，将 P∨Q 呈现为仅有选择，隐含排除 ¬P∧¬Q）。
-
-### 第四步：分析量词结构 / Analyze Quantifier Structure
-∀ 与 ∃ 的嵌套顺序决定逻辑强度：
-- **∀∃ 结构**（较弱）：∀x∃y R(x,y)——对每个 x 可构造各自的 y，构造性可满足。
-- **∃∀ 结构**（较强）：∃y∀x R(x,y)——存在统一 y 对所有 x 成立，往往需选择公理（Axiom of Choice）。
-
-要点：嵌套层数越多推理越需谨慎；相邻同类型量词可交换（∀x∀y = ∀y∀x，∃x∃y = ∃y∃x），不同类型不可交换；量词否定等值 ¬∀x P(x) ≡ ∃x ¬P(x)，¬∃x P(x) ≡ ∀x ¬P(x)。
-
-### 第五步：验证推理链完备性 / Verify Completeness of the Inference Chain
-检查前提集 Γ 能否形式推导出结论 φ：是否存在有限序列 φ₁, φ₂, ..., φₙ = φ，其中每个 φᵢ 或属于 Γ，或由前面公式通过有效规则得出？若链不完整，标注缺失的中间步骤及其所需规则。缺失一步，整条链断裂。
-
-### 第六步：评估结论强度 / Assess the Strength of the Conclusion
-逻辑强度分类：**必然的**（演绎有效，前提真则结论必然真）、**或然的**（归纳支持，概率性证据）、**假设性的**（溯因，最佳解释但未验证）。同时评估适用范围：全称（∀）还是存在（∃）？条件性（→）还是无条件？不要把"可能"夸大为"必然"。
-
-### 第七步：证明策略选择 / Select Proof Strategy
-- **直接证明**：从前提逐步推导至结论，最自然。
-- **反证法**：假设 ¬φ 推导出矛盾从而证明 φ，适于否定性结论或难以直接构造的论证。
-- **逆否证明**：证明 ¬Q → ¬P 以建立 P → Q，当逆否方向更易推理时使用。
-- **穷举证明**：将所有情况逐一验证，适于有限可枚举情形。
-- **构造性证明**：直接构造满足条件的对象，比纯存在性证明（仅证 ∃x P(x) 不给出 x）更有信息量。
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
-|---|---|---|
-| 混淆充分与必要条件 | P → Q 成立不代表 Q → P 成立 | 明确区分充分、必要、充要条件 |
-| 肯定后件谬误 | P → Q, Q ⊬ P；只有 Modus Ponens/Tollens 有效 | 拒绝 P→Q, Q ⊢ P 这类无效推理 |
-| 隐藏前提 | 推理中使用了未声明的前提 | 暴露所有前提，逐一检验 |
-| 无限倒退 | 每个前提都需要另一个前提来证明 | 找到不需要证明的起点（公理/经验事实）|
-| 量词移位谬误 | ∀x∃y R(x,y) ≠ ∃y∀x R(x,y)，前者弱后者强 | 严格遵守量词顺序，不可交换不同类型量词 |
-| 非法全称泛化 | 从特定 a 的 P(a) 推 ∀x P(x)，违反 UG 任意性 | UG 仅适用于任意个体 a，不适用于特定常元 |
-| 混淆自由与约束变量 | x 在 ∀x P(x) 中约束、在 P(x) 中自由，含义不同 | 明确标注变元约束/自由状态，避免混用 |
-| 混淆 ∀ 与 ∃ | "所有元素满足 P" 远强于 "存在元素满足 P" | 严格区分全称断言与存在断言的逻辑强度 |
-| 符号推理塞进训练循环 | 证明搜索/归结本质串行、不可微分，"美但不可算" | 松弛为可微近似（概率/神经符号）或离线证毕后仅部署结论 |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，输出必须包含：
-
-1. **[前提清单]** — 列出所有前提，标注 `[已证]` / `[公理]` / `[假设]` / `[经验]`，并标注逻辑层次 `[命题]` / `[谓词]`
-2. **[推理链重构]** — 用形式逻辑语言重述推理过程，每一步标注使用的推理规则（含 UI/UG/EI/EG 等谓词规则）
-3. **[谬误检查]** — 逐一检查命题逻辑与谓词逻辑谬误，标注 `✅ 无此谬误` 或 `❌ 发现 [具体谬误]`
-4. **[量词结构分析]** — 若有 ∀ / ∃ 嵌套，标注量词顺序与逻辑强度 `∀∃(弱)` / `∃∀(强)`
-5. **[完整性评估]** — 推理链是否完整？标注 `✅ 完整` 或 `⚠️ 跳跃：[说明]`
-6. **[结论强度]** — 标注 `[必然]` / `[或然]` / `[假设性]`，并标注适用范围 `[全称]` / `[存在]` / `[条件]`
-7. **[证明策略评估]** — 当前论证使用了何种证明策略？是否有更优策略？标注 `✅ 策略适当` 或 `💡 建议：[更优策略]`
-8. **[GPU 可行性]**（若用于算法/不变量验证）— 形式验证是否离线进行、结论可否部署；证明搜索是否需松弛为可微近似，过八维门。
-
-**输出不得只给分析而无结论。**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **公理化思想**：逻辑演绎是公理体系的推理引擎；公理提供前提，演绎提供推导机制，二者共同构成形式系统。
-- **抽象化思想**：形式逻辑本身就是高度抽象的结构——将具体内容剥离后只保留推理形式。
-- **归纳与类比**：演绎与归纳互补——演绎保证正确性，归纳提供新前提。
-- **概率与统计**：在不确定性下，经典逻辑需扩展为概率逻辑。
-- **算法思想**：逻辑演绎为算法正确性证明提供形式框架——程序性质验证本质上是一阶谓词推理。
-- **反例思想**：反例是证伪 ∀ 断言的直接手段，与演绎证真构成双重验证体系。
-- **现代数学激活**：`../../references/books/abstract-algebra.md`（形式系统）、`../../references/books/algebraic-geometry-rising-sea.md`（范畴论推理）。