Fundamentals · a first-principles library
15 areas · ~921 lessons · ~345 hours

A fundamentals library

The fundamentals of modern ML and software systems, explained from first principles.

A reference library, not a course to grind. Each topic is built from the ground up — every concept justified, every trade-off made explicit, every track readable end-to-end. Browse by area below, or filter for a specific idea.

~988lesson pages
16areas
~360hread time
49tracks

No tracks match those filters.

Foundations

6 tracks

The durable core — programming, math, and models that the rest of the library rests on.

Classical Machine Learning

The durable core of applied ML: bias-variance, linear and logistic models, trees, boosting, kernels, Bayes, unsupervised methods, evaluation, and interpretability.

bias-varianceGLMsGBDTSVMsevaluation
12 lessons ~4 h Open series →
new

Deep Learning Foundations

The mechanical core of modern deep learning. Backprop, optimizers, normalization, attention, positional encodings, tokenization, scaling laws, calibration, A/B testing, init, MoE — each derived from first principles, with the trade-offs that actually matter.

backpropAdamattentionRoPEscaling lawsMoE
12 lessons ~5 h Open series →
new

SICP JavaScript: Programming Systems from First Principles

A syllabus-first track for the JavaScript edition of Structure and Interpretation of Computer Programs: functions and processes, data abstraction, generic operations, local state, streams, metacircular evaluators, lazy/nondeterministic/logic evaluators, register machines, storage, and compilation. The split follows the PDF's five-chapter arc as 22 teachable lessons.

abstractionJavaScriptdata-directed designstreamsinterpreterscompilers
22 lessons ~8 h Open syllabus →
new

Functional Programming & Category Theory

An original first-principles path from mutable-state bugs to immutable data, pure cores, typed failure, folds, functors, monoids, monads, streams, effect boundaries, and type classes. Inspired by Jack Widman's Learning Functional Programming; it follows the book's conceptual arc without reproducing its prose, examples, or figures.

immutabilitypurityScalafunctorsmonadseffects
15 lessons ~6 h Open series →
new

C++ from the Machine Up

A first-principles C++ track that teaches the transferable skill underneath the language: the cost model of computation. The machine and memory, ownership and lifetime (RAII, value semantics, smart pointers), the cost of abstraction (the cache, classes, the vtable), generic and compile-time programming (templates, the STL, const/constexpr), then concurrency and the undefined-behavior contract — every cost claim backed by a number or a "what it compiles to."

zero-overheadRAIIownershipthe cachevtabletemplatesundefined behavior
20 lessons ~8 h Open series →
new

Go from the Team Up

A first-principles Go track and the deliberate counterpoint to C++ from the Machine Up: where C++ refuses to hide the machine, Go refuses to hide the maintenance bill. It teaches the transferable skill of treating complexity as a payable cost — the bet (values, the heap, the GC Go chose to pay for), composition without inheritance (methods, interfaces, embedding, errors as values), concurrency from first principles (goroutines, channels/CSP, select/context, when to share memory), programming in the large (packages, the stdlib, generics, tooling), then idiom and a concurrent-service capstone with an honest accounting of what the bargain cost.

the bargainvalue semanticsinterfaceserrors as valuesgoroutineschannels / CSPprogramming in the large
18 lessons ~7 h Open series →
new

Computer Vision

A standalone first-principles CV track: pixels, filtering, classical features, cameras, multi-view geometry, CNNs, training, classification, detection, segmentation, pose/tracking, retrieval, ViTs, self-supervision, VLMs, video, generation, and deployment.

pixelsgeometryCNNsdetectionsegmentationVLMs
19 lessons ~7 h Open series →
new

3D Vision

A first-principles continuation of the CV track into three dimensions. Frames all of 3D vision as one inverse-rendering loop, then derives it: representations (points, voxels, meshes, SDFs, radiance fields, Gaussians), rotations & SE(3), depth sensing, registration/ICP, surfaces & marching cubes, NeRF, Gaussian Splatting, 3D deep learning & detection, learned depth/MVS, and generative 3D + systems.

representationsSE(3)point cloudsNeRFsplattinggenerative 3D
13 lessons ~8 h Open series →
new

Computer Graphics · 计算机图形学

A first-principles Computer Graphics track — the forward-rendering mirror of the CV tracks (scene → image). Bilingual: English & 中文, with a per-page language toggle. Framed around the rendering equation as the north star: the forward problem & two visibility strategies, transforms, geometry, rasterization, interpolation/textures, sampling/anti-aliasing, radiometry, shading & PBR, materials, ray tracing & BVH, Monte Carlo path tracing, real-time GI, animation, color/HDR/tone mapping, and the GPU frame + neural rendering.

rendering equationrasterizationPBRpath tracingreal-time GIGPU
15 lessons ~9 h Open series →

Generative models

3 tracks

Building samplers and language models: diffusion, flow matching, and tokenizers; a GPT from pretrain to RLVR; and the full from-scratch LLM course (CS336).

Generative Continuous

Diffusion, flow matching, DiT, tokenizers, discrete generation, unified-token models, and hybrid reasoning/image pipelines.

DDPMflow matchingDiTVQ-VAEunified tokensDDIM/DPM-SolverCFGlatent diffusionCLIPStable DiffusionLoRA/ControlNet
23 lessons ~7 h Open series →

Mini GPT

A compact path through GPT architecture, pretraining, supervised tuning, chain-of-thought data, DPO, and RLVR.

architecturepretrainingSFTDPORLVR
6 lessons ~3 h Open series →
flagship

CS336 — Language Modeling from Scratch

A linearized rebuild of Stanford's CS336 — the rigorous, full-stack sibling of Mini GPT. The whole LLM stack derived as one chain of decisions under a fixed compute budget C ≈ 6ND. Part I · Basics (00–05): tokenization (BPE), the Transformer, the modern recipe (RMSNorm/RoPE/SwiGLU/GQA), AdamW training, and resource accounting — ending at the wall where a 7B won't fit one GPU. Part II · Systems (06–11): GPUs & the roofline, kernels & FlashAttention, data parallelism (DDP→ZeRO→FSDP), tensor/pipeline parallelism, Mixture of Experts, and running a fault-tolerant multi-week job. Part III · Scaling (12): Chinchilla-optimal sizing. Part IV · Data & evaluation (13–14): the data pipeline (incl. synthetic data) and the eval crisis. Part V · Alignment & inference (15–18): long-context extension, SFT (+ LoRA), RLHF/DPO/GRPO (+ safety), and serving (KV cache, MLA, quantization). Part VI (19): the whole budget, bytes → served assistant. A hub that cross-links into the kernels, RL, serving, and compression tracks.

BPETransformerRoPE / SwiGLU / GQA6ND accountingFlashAttentionFSDP / TP / PPMoEscaling lawsdata & evalRLHF / DPO / GRPOinference
20 lessons ~8 h Open series →

Build a Large Language Model — From Scratch

The gentle, build-every-matrix-by-hand sibling of CS336. A GPT derived as one unbroken chain: an LLM is one function, p(next token | context), and every part is the forced answer to a wall the previous part hits. Part I · Text becomes numbers (01–03): tokenization (BPE), learnable embeddings + positions, the sliding-window training signal. Part II · Attention (04–06): the idea with no weights, then trainable Q/K/V with the √d_k derivation, then the causal mask + multi-head. Part III · The GPT (07–08): the transformer block (LayerNorm, GELU, residuals) and the assembled model that generates text (N ≈ 12Ld² + Vd ≈ 124M). Part IV · Pretraining (09–11): cross-entropy & perplexity, the AdamW loop, temperature/top-k decoding, and loading GPT-2's weights. Part V · Fine-tuning (12–14): a spam classifier, an instruction-following assistant, and LoRA. Part VI (15): the whole machine, and what scale changes — handing off to CS336. Every lesson has one interactive widget with a setting that breaks.

next-tokenBPEembeddings & positionsQ / K / V attentioncausal + multi-headtransformer blockgenerationcross-entropy / perplexityAdamW looptemperature / top-kclassification FTinstruction tuningLoRA
16 lessons ~7 h Open series →

Reinforcement learning

1 track

From the Markov decision process to production post-training and applied domains.

flagship

Reinforcement Learning

One linearized track from the Markov decision process to the systems that train today's reasoning models and the domains that deploy them. Part I · Foundations (01–21): the theory — value & policy methods, planning & exploration, the policy-gradient lineage to TRPO/PPO, the LLM-era map (PPO/DPO/GRPO/RLHF), and the frontier (imitation, continuous control, offline RL). Part II · Post-Training Systems (22–53): the engineering of reasoning-model training — the system roles, the algorithm family REINFORCE → GRPO → Dr.GRPO, recipes, environments & data, cluster topology, the KV cache, and throughput math. Part III · Applications — concepts (54–66) and Part IV · Applications — engineering (67–86): recommendation, robotics, finance, scheduling, NLP, vision — then twenty applied domains run through one formulate–diagnose–engineer–guard loop. Closes with a self-test.

MDPspolicy gradientTRPO / PPOGRPO / RLHFpost-training systemsoffline RL20 applied domains
88 lessons ~25 h Open series →

Model compression

1 track

Shrinking a model without losing it.

new

Knowledge Distillation

A small model can learn more from a big model's answer than from the right answer. Three knobs — what the student matches, how the gap is measured, where the data comes from. Part 1 (LLMs): foundations — dark knowledge, the temperature/T² gradient correction from scratch, the WHAT knob; then generative distillation — word- vs sequence-level KD, forward-vs-reverse-KL, on-policy (GKD, MiniLLM), composing with quantization & pruning, the frontier (R1 reasoning-trace distillation, weak-to-strong). Part 2 (diffusion): turning a 1000-step image teacher into a 1–4-step student — progressive distillation, consistency models (CM/LCM/CTM), distribution matching (SDS, DMD) & adversarial (ADD/Turbo), and rectified-flow / reflow, with a decision map over the whole field.

soft targetstemperature / T²sequence-level KDforward vs reverse KLon-policy / GKDprogressive distillationconsistency / LCMDMD / Turborectified flow
6 lessons ~4 h Open series →

GPU, kernels & serving

9 tracks

How models actually run on hardware — CUDA, Triton, the ML compilers that generate the kernels, the serving engines, distributed training, and Kubernetes (fundamentals and GenAI operations).

flagship

GPU Kernels for ML Engineers

Both halves a real engineer needs — serving (forward) and training (backward). Part I (01–09): CUDA from first principles. Part II (10–17): serving on top — FlashAttention, paged KV, prefix reuse, continuous batching + CUDA graphs, quantized GEMM & MoE & sampling, framework synthesis. Part III (18–24): the optimization loop — PyTorch dispatch, profiling, reading the roofline, Triton, torch.compile, performant patterns. Part IV (25–30): training kernels — the backward pass: backward as a kernel chain, matmul backward (two-GEMM rule), fused cross-entropy, norm/activation backward, FlashAttention backward, fused optimizers. Part V (31–33): the same CUDA under interview conditions — declarations and call flow, optimized snippets, and the algorithm/data-structure patterns.

CUDAFlashAttentionpaged KVradix cacheTritontorch.compile
33 lessons ~13 h Open series →
new

Modern GPU Programming — Hopper & Blackwell

The advanced sequel to GPU Kernels: what happens when the classic synchronous loop breaks down on Hopper/Blackwell and the kernel becomes an asynchronous supply chain. The engine of the whole track: the tensor core got so fast that feeding it is the entire kernel — a B200 sustains ≈2 PFLOP/s of fp16 but HBM delivers only ≈8 TB/s (roofline ridge ≈250 FLOP/byte). Part I (00–02): the forcing function — roofline, why occupancy gave way to explicit async overlap, and the shape·stride·swizzle layout algebra. Part II (03–07): the five primitives, each a forced move — tensor-core generations (mma→wgmma→tcgen05), TMA, TMEM, mbarriers + the phase model, and clusters/DSMEM/CLC. Part III (08–10): assemble a GEMM from the smallest correct tile to a warp-specialized, clustered, cuBLAS-parity kernel (70 ms → 0.094 ms, ~744×). Part IV (11–14): Flash Attention 4 (two MMAs with a softmax wedged between), debugging warp-specialized kernels, and where it all lives — CUTLASS/CuTe, cuDNN, Triton. Framed in CUTLASS/CuTe + PTX; distilled from MLC.ai's Modern GPU Programming for MLSys.

tcgen05TMATMEMmbarrierswarp specializationFlash Attention 4
15 lessons ~6 h Open series →
new

Triton (OpenAI) — Writing GPU Kernels in Python

The kernel DSL (OpenAI Triton), not the NVIDIA inference server. Part I (01–03): the tile programming model, the execution pipeline, why hiding warps is the trade. Part II (04–06): the DSL — pointers/masks, tl.dot + tensor cores, reductions and the online softmax recurrence. Part III (07–11): five canonical kernels — vector add → fused linear+activation → tiled matmul → softmax → RMSNorm. Part IV (12): Flash Attention as the synthesis. Part V (13–14): autotune, software pipelining, pitfalls, backward passes, profiling, and the decision tree of when to write Triton. Part VI (15–17): the same DSL under interview conditions — operations and launch flow, optimized snippets, and algorithm/data-structure patterns. Part VII (18–21): training kernels — the backward pass: torch.autograd.Function wiring, the two-GEMM matmul backward, fused cross-entropy, and the norm-backward dγ/dβ reduction.

tile modeltl.dotonline softmaxFlash Attentionautotunenum_stages
21 lessons ~7 h Open series →
new

AI Compilers — From Graph to Kernel

How torch.compile, XLA, TVM, and TensorRT turn the tensor graph you wrote into a handful of fused, hardware-specialized kernels — derived as one forced chain where each pass answers an inefficiency the last left behind. Part I (00–01): the semantic gap and the eager baseline you must beat. Part II (02–03): the front end — graph capture (tracing vs Dynamo, guards, graph breaks) and the IR (SSA, multi-level lowering). Part III (04–07): the middle end — rewrites/canonicalization, operator fusion (the central win), memory planning, and layout assignment. Part IV (08–10): the back end — scheduling (the loop nest), codegen (LLVM/PTX vs Triton), and autotuning. Part V (11–13): the ML-specific hard parts — dynamic shapes, autodiff as a pass, and distributed compilation. Part VI (14–17): shipping the compiled model — operator coverage & decomposition (the long tail), quantization & precision lowering, the runtime/executor (streams, CUDA graphs, the allocator), and debugging compiled models. Part VII (18–19): the real stacks as one Rosetta stone, then a capstone tracing one block source-to-kernel. The "how the kernels get generated" sibling of the GPU & Triton tracks; a hub that links out for kernel-level depth.

torch.compilefusionIR & loweringschedulingcodegenautotuning
20 lessons ~7.5 h Open series →

vLLM

Serving from first principles: KV cache math, PagedAttention, FlashAttention, continuous batching, prefill/decode splits, GQA/MQA, and Multi-LoRA.

PagedAttentionFlashAttentioncontinuous batchingMulti-LoRA
12 lessons ~5 h Open series →

SGLang

A serving framework whose unit of work is the program, not the single call. RadixAttention turns prefix sharing into a tree-shaped cache; cache-aware scheduling turns that capability into hit rate; compressed-FSM + xgrammar make constrained outputs free; FlashInfer + DP-attention + EP carry the kernel and parallelism load.

RadixAttentioncache-aware schedxgrammarFlashInferDP attentionEAGLE
11 lessons ~3 h Open series →

System ML

Distributed training and inference: collectives, interconnect, DDP/FSDP/TP/PP/SP/EP, 3D parallelism, PyTorch internals, mixed precision, caching allocator, kernel fusion, Triton, torch.compile, CUDA Graphs & TensorRT. CUDA primitives moved to the GPU Kernels track.

FSDPtensor parallelpipeline parallelmixed precisiontorch.compile
26 lessons ~11 h Open series →
new

Kubernetes from First Principles

The substrate, derived — read before the GenAI track. A linear-thinking (线性思维) derivation of Kubernetes itself: start with one process you want to keep alive for the world, and at every step name the exact failure the previous tool leaves behind, then derive the one primitive that fixes it. The one idea — declare desired state, let a control loop reconcile it — then container, pod, node, control plane, controllers & labels, deployments, networking & services, DNS & ingress, config & storage, stateful/batch workloads, the scheduler, health & autoscaling, security & RBAC, and CRDs/operators, closing with a capstone that traces one apply and one request through the whole machine and bridges to the GenAI track.

reconciliationpodscontrollersservicesschedulerRBACoperators
14 lessons ~6 h Open series →
new

Generative AI on Kubernetes

The production platform layer for LLMs on Kubernetes. A book-linear operational track: manual model deployment, model servers and controllers, model artifact delivery, GPU node setup, multi-GPU topology, benchmarking, autoscaling, AI-aware routing, disaggregated serving, LLM observability, guardrails, customization, fine-tuning jobs, batch scheduling, RAG, agents, and a capstone covering GitOps release gates, security, FinOps, and incident response.

KServemodel dataGPU schedulingAI gatewaysobservabilityRAGagentsFinOps
18 lessons ~7 h Open series →

Systems, data & design

6 tracks

Designing ML, Ray, distributed, and agentic systems end-to-end, and the data plane behind them.

new

ML Systems Design

The staff-MLE design layer that sits on top of every mechanism track. Part I (01–03e): the method — ML design constraints, napkin math, SLOs, latency/throughput estimates, then the universal ML frame: decisions, data, labels, features, training pipelines, and registries. Part II (04–06a): inference and general model serving — one replica, scaling, optimization discipline, candidate generation, feature fetch, and calibrated decisions. Part III (07–08): pretraining topology & the data plane. Part IV (09): RL post-training as inference+training in a loop. Part V (10–11a): evaluation, task metrics, bias, production reliability, drift, and governance. Part VI (12): capstone. Part VII (13–19): seven case studies — code assistant, consumer chatbot, RAG, agentic platform, long-context, batch, and recommendation ranking — each binding on a different wall. Every choice justified in bytes, FLOPs, dollars, freshness, or decision utility.

design loopnapkin mathLittle's LawcapacityinferencetrainingRLcost
34 lessons + orientation ~13 h Open series →
new

Ray Systems

A linearized track through Learning Ray and the modern Ray ML stack. Part I (00–05): why Ray exists, tasks, object refs, actors, the object store, scheduling, and map/shuffle/reduce. Part II (06–11): the library layer — first distributed app, RLlib, Tune, Ray Data, Ray Train, and Ray Serve. Part III (12–16): clusters, KubeRay, ML-platform handoffs, debugging and failure semantics, ecosystem boundaries, and a capstone Ray platform design. Every lesson keeps the same spine visible: what the layer hides, what cost remains, and where the trade-off moves.

Ray Coretasks / actorsobject storeRay DataTrain / TuneServeKubeRayfailure semantics
17 lessons ~6 h Open series →
new

Agentic AI Systems

A book-linear architecture track for building reliable agents. The syllabus follows the PDF chapter order: orientation, agent boundaries, prompt/context contracts, prompt chaining, routing, parallelization, reflection, tool use, planning, multi-agent systems, memory, learning, MCP, goals, recovery, human review, RAG, A2A, resource optimization, reasoning, guardrails, evaluation, prioritization, exploration, and a capstone that folds the appendices into a buildable system design.

agentstoolsMCPRAGmemoryevalsguardrailscost
25 lessons ~8 h Open series →
new

Data-Intensive Systems

The DDIA-inspired mechanism layer beneath ML systems. A linear track from one truthful copy to specialized derived views: reliability and scale, data models, query languages, schema evolution, WAL/B-trees/LSM/columnar layout, replication, partitioning, transactions, partial failure, consistency, consensus, batch, streams, CDC, and derived-data correctness for caches, feature stores, vector indexes, and RAG.

storage enginesschema evolutionreplicationtransactionsconsensusCDC / streamsderived data
34 lessons + orientation ~14 h Open series →
new

Distributed Systems Design

Distributed systems from first principles, derived from one fact: a single box is simple, consistent, and fast but can't scale and will fail. The 19-lesson foundation track covers APIs, data modeling, scaling, caching, sharding, replication, consistency, queues, transactions, reliability, observability, and architecture. The PDF-backed case layer adds 44 rich design drills from the Alex Xu books and archive.

napkin mathAPIsstorageCAPqueuescase studies
19 lessons + 44 cases ~30 h Open series → Open syllabus →
new

Data Engineering for Post-Training

The pipelines that feed post-training. Part I (01–03): the data units across SFT / preference / RL, the ETL/ELT skeleton (medallion bronze/silver/gold, idempotency, determinism), ingestion & provenance. Part II (04–09): the pipeline one stage per lesson — storage formats (JSONL/Parquet/Arrow), distributed transformation (Spark/Ray/Daft and the shuffle), dedup & decontamination (MinHash + LSH), tokenization & packing, quality & validation, orchestration & versioning. Part III (10–11): the RL online dataplane (in-loop rollout→verify→buffer) and the end-to-end cost / throughput / monitoring model. Pairs with the RL data-curation lesson — that one is which data; this series is how to build the pipeline.

ETL / ELTmedallionParquetSpark / RayMinHash + LSHpackingorchestrationRL online dataplane
11 lessons ~4 h Open series →

通识 · 科学与人文

20 tracks

面向所有人的中文科普与通识。把每一门学科都讲成一条因果推理链，而不是要背的词条与清单——每一课都被上一课没答完的问题逼出来，每课配一个可交互的小实验。一条贯穿的脉络：数学 🔢 → 宇宙 🌌 → 物质 🧪 → 地球 🌍 → 人类与文明 📜 → 心智 🧠 → 思想 💭 → 政治 🏛️ → 艺术（音乐 🎵 · 电影 🎬）与生活（烹饪 🍳 · 旅行 ✈️）。涵盖数学（思想史）、天体物理与宇宙学、化学、地理、历史（人类简史 · 世界文明史 · 人类学）、心理学（含进阶《计算心智》：认知科学 × 机器学习）、哲学、政治、音乐、电影、烹饪与美食、酒与品鉴、民航与旅行酒店，以及侦查与反侦察（一门跨学科的「信息对抗学」：从信号检测、军事欺骗到大规模监控与取证）与犯罪心理学（把「恶」翻译成可研究的行为，沿一桩案子的生命周期走完侦破、审判与矫正）。

new

数学的逻辑 · The Logic of Mathematics

一条从「3 − 5 等于几」走到「数学永远证不完自己」、再从哥德尔与图灵转身一路造到神经网络与扩散模型的中文数学推理线。全程 44 课用线性思维：每一课都被上一课没答完的问题逼出来，引擎是「危机 → 发明 → 新危机」。前半是数学思想史加三块现代地基：数系阶梯逼出 ℤ/ℚ/ℝ/ℂ（00–04）→ 欧氏与非欧几何，公理从真理变成选择（05）→ 极限/导数/积分/ε–δ（06–09）→ 概率与线性代数（10–11）→ 数学回望自身：群、康托尔、罗素、哥德尔（12–15）→ 现代地基：拓扑、测度、图灵（16–18）。后半把这套数学搭成会学习、会生成的机器：表示与几何（内积投影、SVD/PCA、维度灾难，19–24）→ 学习就是优化（梯度、反向传播、凸优化，25–28）→ 概率·统计·信息（分布、多元高斯、MLE/MAP、贝叶斯、信息论、蒙特卡洛，29–34）→ 拼成经典学习器：回归、PCA/GMM、SVM（35–37）→ 从一个神经元到现代 AI：深度网络与万能逼近、泛化、卷积、注意力与 Transformer、VAE/扩散，收官于「从计数到现代人工智能」（38–43）。每课配一个可交互小实验。

数系阶梯非欧几何微积分 / ε–δ群与对称康托尔无穷哥德尔不完备拓扑 / 测度图灵可计算线性代数 / SVD·PCA梯度与反向传播概率与贝叶斯 / 信息论支持向量机深度网络与泛化注意力 / TransformerVAE / 扩散生成
44 lessons ~15 h Open series →
new

宇宙简史 · A Brief History of the Universe

一条从「夜空为何是黑的」走到「时间的尽头」的中文科普推理线。16 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）从我们的位置讲到牛顿引力的裂缝；第二部分（03–05）电磁学与光、狭义与广义相对论；第三部分（06–07）宇宙膨胀与大爆炸；第四部分（08–09）量子测不准与基本粒子四种力；第五部分（10–12）恒星一生、黑洞与霍金辐射；第六部分（13–15）暴胀/暗物质暗能量、时间之箭、大一统与未解之谜。以霍金《时间简史》为骨架，每课配一个可交互小实验。

大爆炸相对论量子黑洞霍金辐射暗物质 / 暗能量时间之箭
16 lessons ~5.5 h Open series →
new

物质为什么会变 · Why Matter Transforms

一条从「一根蜡烛烧完去哪了」走到「分子如何拼出生命」的中文化学科普推理线。15 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）从质量守恒逼出原子、再剖开原子；第二部分（03–04）电子排布与周期律；第三部分（05–07）化学键、分子形状与分子间力；第四部分（08–10）自由能（方向）、速率与化学平衡；第五部分（11–12）酸碱（质子转移）与氧化还原电化学（电子转移）；第六部分（13–14）碳的特殊与生命的化学。每课配一个可交互小实验。

质量守恒原子与电子周期律化学键自由能平衡酸碱 / 氧化还原碳与生命
15 lessons ~5 h Open series →
new

地理的逻辑 · The Logic of Geography

一条从「倾斜自转的地球」走到「城市、国界与人类世」的中文科普推理线。15 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）两台引擎——倾斜的球带来能量梯度、自转带来科里奥利；第二部分（03–05）大气环流、洋流、水循环与地形雨；第三部分（06–07）气候带与生物群系土壤；第四部分（08–09）板块构造与地貌河流；第五部分（10–13）人口、城市、地缘政治与人类世；尾声（14）回望整条链。三个钩子（30° 沙漠带、同纬度气候迥异、九成人住北半球）逐课兑现，每课配一个可交互小实验。

能量梯度科里奥利三圈环流洋流气候带板块构造人口与城市地缘政治人类世
15 lessons ~5 h Open series →
new

人类与文明简史 · A History of Humankind & Civilization

一条从「会讲故事的猿」走到「智人的未来」的中文推理线。18 课全程线性思维，把两条常被分开讲的人类史合成一条不断链的因果链：机制（《人类简史》：虚构／想象的秩序如何让陌生人大规模协作）与编年地理（大历史 + 戴蒙德：文明在何时何地兴起、又如何连成一体）。主线是「共同虚构是引擎，复杂度累积与人群连接是轨迹」：认知革命 → 农业与文明门槛 → 文字 / 金钱 / 帝国 / 宗教 → 丝路与蒙古连成欧亚 → 大航海缝成全球网 → 科学 / 资本 / 工业的大加速 → 智人的未来。每课配一个 canvas 小实验；争议框架均标为一家之言。

虚构协作复杂度与连接农业与文明门槛帝国与宗教大航海大分流大加速
18 lessons ~7 h Open series →
new

人类学 · Anthropology

一条从「同一个婴儿，三个世界」走到「我们何以为人」的中文科普推理线。15 课全程用线性思维：为什么人类生物上几乎相同，却活在彼此无法互译的世界里？每一课都被上一课没答完的问题逼出来。第一部分（00–04）文化这副眼镜——文化、相对论、田野调查、语言与符号；第二部分（05–09）社会的骨架——生计、交换与礼物、亲属、性别、政治与权力；第三部分（10–11）意义的世界——宗教巫术与过渡仪式；第四部分（12–14）回到人本身——种族、人类起源与全球时代。以博厄斯、马林诺夫斯基、莫斯、列维-斯特劳斯、涂尔干、特纳、吉尔茨等人的经典为骨架，每课配一个可交互小实验。是《人类简史》的姊妹线——它给的是看待这一切的「眼睛」。

文化文化相对论田野调查语言与符号亲属 / 性别政治 / 宗教过渡仪式种族人类起源全球化
15 lessons ~6 h Open series →
new

心理学 · The Constructed Mind

一条从「你和我看同一张图却看到不同东西」走到「科学能不能教我们活得更好」的中文思想科普推理线。17 课全程用线性思维，并且只追一台机器：你体验到的「现实」，是大脑用有限信息实时建构出来的一个「够用」模型，而不是世界本身。第一部分（00–02）建构机器、如何科学地研究它、与它的硬件（神经元与可塑性）；第二部分（03–06）输入端——感知是建构、注意是窄闸、记忆是重构、判断走捷径；第三部分（07–08）学习（预测误差）与发展；第四部分（09–10）情绪与动机；第五部分（11–12）人格与自我（连「我」都是脑编的故事）；第六部分（13–16）社会心理、心理障碍、心理治疗与幸福回望。涉及复制危机的著名研究如实标注争议，每课配一个可交互小实验。

受控幻觉预测误差记忆重构系统1/系统2双因素情绪想要≠喜欢大五人格裂脑解释器从众与服从CBT 认知重评
17 lessons ~6 h Open series →
new

计算心智 · The Computational Mind

《心理学》的进阶姊妹课，也是连接它与本站 ML 课程（强化学习 · 生成模型 · GPT/LLM）的桥。13 课全程用线性思维，把入门课「大脑建构够用现实」的直觉升级成可计算主张：大脑＝一台近似贝叶斯推断机，靠最小化预测误差来感知、学习、行动，而这套计算往往正是机器学习在做的事。A 部分（00–03）把建构写成数学——贝叶斯大脑、预测编码、自由能/主动推断；B 部分（04–06）学习与决策——TD 学习与多巴胺、有模型 vs 无模型、表征与嵌入空间；C 部分（07–09）与机器对照——脑 vs 神经网络、语言与 LLM、意识的计算理论；D 部分（10–12）应用与边界——计算精神病学、神经解码与脑机接口、回望。对自由能原理、整合信息论等宏大框架的争议如实标注，每课一个可交互小实验，并把脑机制对到对应的 ML 算法。

贝叶斯大脑预测编码自由能 / 主动推断TD 与多巴胺世界模型嵌入空间脑 vs 神经网络LLM 与认知意识的计算理论计算精神病学神经解码
13 lessons ~5 h Open series →
new

哲学 · What Does It All Mean?

一条从「凡事都能再问一个为什么」走到「死亡是不是坏事、人生到底有没有意义」的中文思想科普推理线。20 课全程用线性思维：每一课都被上一课没答完的问题逼出来，而不是把流派并排陈列。第一部分（00–06）怀疑的起点——推理工具（有效≠真）、笛卡尔的「我思」、JTB 与盖梯尔、明希豪森三难、休谟与康德、科学哲学（证伪与范式）；第二部分（07–11）真实与自我——现象与本体、人格同一性、身心问题、他心问题、自由意志；第三部分（12–13）事实与价值的鸿沟、三大伦理学；第四部分（14–15）社会契约与正义；第五部分（16–19）终极之问与回望——上帝与恶、死亡、意义荒诞、收官回望。方法论骨架致敬内格尔《你的第一本哲学书》，每课配一个可交互小实验。

有效不等于真我思故我在盖梯尔问题休谟与康德证伪与范式意识难题他心问题自由意志事实与价值无知之幕上帝与恶死亡是坏事吗荒诞与意义
20 lessons ~6.5 h Open series →
new

反脆弱 · Antifragile

一条从「『易碎』的反面到底是什么」走到「如何让自己、组织与社会从混乱中获益」的中文思想科普推理线。16 课全程用线性思维：每一课都被上一课没答完的问题逼出来。引擎是——世界充满无法预测的波动；既然预测注定失败，唯一的出路不是「测得更准」，而是改变你对波动的「暴露形状」(payoff)，让自己从波动中获益而非受损。第一部分（00–03）三元组（脆弱/强韧/反脆弱）、过度补偿、有机 vs 机械；第二部分（04–05）天真干预/医源性伤害与火鸡问题；第三部分（06–07）从「预测事件」转向「侦测脆弱」，落到凸/凹与詹森不等式这一分析心脏；第四部分（08–10）杠铃、可选性、摆弄胜于理论；第五部分（11–12）减法 (via negativa) 与林迪效应；第六部分（13–14）塞内卡的情绪杠铃与风险共担的伦理；第七部分（15）回望整条链、活得反脆弱。重组自塔勒布《反脆弱》（"不确定性五部曲"核心一环），在该批评处诚实标出框架边界。每课配一个可交互小实验。

三元组过度补偿医源性伤害火鸡问题 / 黑天鹅凸 / 凹 · 詹森不等式杠铃策略可选性via negativa林迪效应风险共担
16 lessons ~5.5 h Open series →
new

政治的逻辑 · The Logic of Politics

一条从「把一群陌生人锁进没有规则的房间」走到「现代国家为何兴衰」的中文通识推理线。14 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）自然状态与合作的困境（博弈论内核）；第二部分（03–05）社会契约、暴力垄断、主权合法性与对权力的约束（宪政/分权/法治）；第三部分（06–08）民主、自由与权利、平等与正义（罗尔斯 vs 诺齐克）；第四部分（09–10）民族认同与国际无政府状态；第五部分（11–13）意识形态光谱、秩序的兴衰与未解难题。不站队、各陈其强，每课配一个可交互小实验。

自然状态社会契约主权 / 合法性分权 / 法治民主自由 / 权利正义意识形态
14 lessons ~5 h Open series →
new

作曲的逻辑 · The Logic of Composition

一条从「一根振动的弦」走到「AI 作曲」的中文音乐通识推理线。13 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）声音的物理——振动、泛音列与「为什么简单整数比好听」；第二部分（03–04）把连续频率切成音（十二平均律）、再叠成和弦与调性；第三部分（05–07）和声进行、旋律与节奏如何在时间里经营张力；第四部分（08–09）曲式的大尺度拱形与音色编配（回扣泛音）；第五部分（10）录音/DAW/采样如何重定义作曲；第六部分（11–12）用同一具和声骨架（C–G–Am–F）走遍古典/爵士/摇滚/电子等风格、亲耳验证「不同的风格、同一套引擎」，再问机器能否自己作曲。贯穿全程一条主线：音乐靠设置与释放「期待」打动人，张力与解决就是引擎。每课配一个会发声的可交互小实验。

泛音列协和 / 整数比十二平均律和弦 / 调性和声进行旋律 / 节奏曲式 / 音色风格综合AI 作曲
13 lessons ~4.5 h Open series →
new

电影的逻辑 · The Logic of Cinema

一条从「一格静止照片」走到「让你刷到天亮的一整季剧集」的中文电影与剧集通识推理线。19 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）幻觉的诞生——静止帧如何变成运动（表观运动 / phi 现象）、碎片如何被剪辑缝出意义（库里肖夫效应）；第二部分（03–06）镜头的语言——景别、运镜与角度、光、色如何在画框内操纵注意力；第三部分（07–09）声音、电影时间（省略·交叉剪辑·希区柯克的悬念）与场面调度；第四部分（10–11）剧本结构与镜头前的表演；第五部分（12–14）制作流程、特效与 CGI、放映 / 流媒体 / AI；第六部分（15–18）剧集——把同一台引擎拉长到几十小时：设计单位升级（集 / 季 / 剧）、追更引擎（把希区柯克的信息差跨集化）、角色长跑与世界构建，收官于电影与剧集「同一引擎的两种时间尺度」。贯穿全程一条主线：电影是一台「受控幻觉」机器，靠精确控制「观众看到 / 知道 / 感觉到什么」打动你；剧集只是把它拉长成几十小时的陪伴。每课配一个浏览器当场绘制的可交互小实验。

运动幻觉 / 24fps蒙太奇 / 库里肖夫景别 / 运镜光与色声音 / 电影时间场面调度剧本 / 表演制作 / 特效 / AI剧集 / 追更角色长跑
19 lessons ~6.5 h Open series →
new

烹饪的逻辑 · The Logic of Cooking

一条从「一个气味分子」走到「一桌世界」的中文烹饪与美食通识推理线。29 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）味道是什么——你尝到的「味道」其实不在食物里，舌头只懂五味、八成靠鼻子（鼻后嗅觉）；第二部分（03–04）火如何凭空造香（美拉德/焦糖化）、以及「熟」是温度不是时间；第三部分（05–07）厨师的另外三个旋钮——盐（放大器）、脂（载体）、酸（平衡）；第四部分（08–09）把旋钮调成一道菜：平衡与对比、风味搭配与鲜味协同；第五部分（10–11）时间里的味道：发酵与味觉疲劳；第六部分（12–15）fine dining——摆盘与情境、品鉴与套餐、米其林评价与餐厅运转；第七部分（16–21）同一套引擎、不同的菜系——法餐（改造）、意餐（少即是多）、日料（减法与本味）、中餐（火候与调和）、印度与东南亚（香料与极致平衡）；第八部分（22–27）开一家餐厅：从手艺到生意——为什么好厨子也会破产、经济账、菜单工程、选址定位与格式、人与系统、口碑复购与增长；第 28 课收官「我们为什么做饭」。贯穿全程一条主线：风味是大脑构建的多感官体验，烹饪就是操纵这场构建，fine dining 把操纵推到整个情境与时间，世界各地的菜系是同一套引擎调出的不同答案，而要让这一切活下来，还得算得过那门残酷的生意账。每课配一个浏览器当场绘制的可交互小实验。

风味是被构建的五味 / 鼻后嗅觉美拉德 / 熟度盐 · 脂 · 酸平衡 / 搭配发酵味觉疲劳 / 套餐摆盘 / 情境米其林世界菜系（法 / 意 / 日 / 中 / 印度·东南亚）开一家餐厅（经济 / 菜单工程 / 选址 / 用人 / 复购）
29 lessons ~9 h Open series →
new

酒的逻辑 · The Logic of Drink

一条从「一个气味分子」走到「一杯被完全读懂的酒」的中文酒类与品鉴通识推理线，《烹饪的逻辑》的姊妹篇。23 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00–02）酒的本质——一切酒都来自「酵母吃糖→乙醇＋CO₂＋风味」这一个反应，乙醇本身几乎无味、其毒性给天然发酵立了约 15 % vol 的天花板；第二部分（03–06）糖从哪来决定酒的家族——水果直接发酵、谷物得先「糖化」(发芽 vs 曲)，由此分出葡萄酒、啤酒、清酒(平行复式发酵)；第三部分（07–09）越过天花板——困住 CO₂ 的起泡酒、加强酒、用沸点差越墙的蒸馏，以及「同一台蒸馏器、不同的糖」长出的烈酒家族；第四部分（10–11）时间与木头——橡木桶的萃取/氧化/蒸发，以及把善变农产品调成稳定风格的调配（呼应米其林「一致性」）；第五部分（12–15）喝懂一杯是制造的逆运算——看摇闻尝余味、一级/二级/三级香气与缺陷、风土年份与期待心理（贵=好喝吗）、配餐；第六部分（16）收束上半程——我们为什么喝酒，最深的理由是「联结」，并诚实交代酒精与健康；第七部分（17–22）顺着「联结」往下走，用同一种推理去经营一家酒吧——酒吧卖的不是液体而是「被占用的座位 × 时间」与那个第三层，于是经济账、酒单工程、房间（灯光/声音/座位）、定位与格式、调酒师与一致性，最后收束到「什么是好酒吧＝把它承诺的那个时刻每一次都兑现」。贯穿上半程一条主线：酒＝同一个反应，家族＝糖从哪来×之后做了什么，品酒＝把这一切读回来的逆运算。每课配一个浏览器当场绘制的可交互小实验。

同一个发酵反应糖从哪来 × 之后做了什么葡萄酒 / 啤酒 / 清酒气泡 · 加强 · 蒸馏烈酒家族橡木陈酿 / 调配品鉴是逆运算风味轮 / 期待 / 配餐经营一家酒吧什么是好酒吧
23 lessons ~7.5 h Open series →
new

旅行的逻辑 · The Logic of Travel

一条从「一架飞不起来的铁块」走到「一段被精心设计、值得记住的旅程」的中文民航·旅行·酒店通识推理线。22 课全程用线性思维：每一课都被上一课没答完的问题逼出来。第一部分（00）距离的代价——两百年里「远方」如何塌缩成一张机票；第二部分（01–06）民航：飞机为什么能飞（升力与失速）、为什么飞到一万米（高度的经济账）、机票为什么这么便宜（易逝座位与收益管理）、航空公司卖的是一张网（枢纽辐射与 n² 难题）、机场这台分流机器、飞行为什么这么安全（瑞士奶酪式的安全系统）；第三部分（07–08）旅行：你买的是看不见的东西（距离上的信任与信息不对称）、为什么旅行让我们快乐又失望（预期、峰终定律、体验 vs 拥有）；第四部分（09–18）酒店：和航空一样的「易逝房晚」收益管理、星级品牌点评如何制造信任、品牌矩阵（一家公司为何做几十个品牌）、谁真正拥有这家酒店（资产轻：品牌·业主·管理方）、分销与忠诚度（OTA 佣金、直订与积分护城河）、再用三课「品牌横评」挨个走过真实集团（万豪与希尔顿的规模派、凯悦的精品派、洲际/雅高/经济连锁与中国巨头）、一家酒店怎么像机器一样每晚复现一夜好觉、豪华酒店到底在卖什么；第五部分（19–20）当家人视角——坐进椅子里，看如何经营一家酒店（总经理/损益/部门/业主三角）与如何经营一家航空公司（单位经济 CASK/RASK、运营控制与 IRROPS）；第六部分（21）收官——我们为什么一定要去远方。贯穿全程一条主线：旅行业＝把跨越距离的代价一层层攻克成「可达·可负担·安全·可信·舒适·值得记住」，越往高端越卖被设计的体验而非位移。每课配一个浏览器当场绘制的可交互小实验。

距离的代价升力 / 失速收益管理 · 易逝库存枢纽辐射航空安全系统信息与信任峰终定律品牌矩阵 / 资产轻分销与忠诚度酒店运营 / 豪华体验
22 lessons ~7 h Open series →
new

市场的逻辑 · The Logic of Markets

一条从「屏幕上那个跳动的数字」走到「整台把预期加工成价格的社会机器」的中文股市与交易通识推理线，回答 how prices move / who trades / how they trade。32 课全程用线性思维：每一课都被上一课没答完的问题逼出来。开篇用一个怪事当钩子——公司公布史上最高利润、股价却跌——逼出全程引擎：市场反应的是预期差而非绝对好坏，而股价永远只是「最后一笔成交」、不是价值；「市场怎么动」拆成三问——价格怎么被一笔订单做出来 × 是谁送的单 × 凭什么逻辑送。第一部分（00–04 市场怎么动）价格＝最后一笔成交、订单簿如何相遇、流动性与冲击成本、做市商与价差；第二部分（05–11 谁在交易）玩家地图、散户与 PFOF、机构的重力与枷锁、对冲基金与做空、指数被动洪流、公司回购、央行与利率重力；第三部分（12–19 怎么交易）两种世界观与凯恩斯选美、基本面 DCF、量化因子、套利与一价定律、动量与反身性、高频与微观结构、杠杆衍生品与 gamma 挤压、大单执行与暗池；第四部分（20–22 作为系统）泡沫崩盘与流动性黑洞、有效市场假说与 Grossman–Stiglitz 悖论，给「股价为什么会动」一个完整回答；第五部分（23–24 看不见的管道与裁判）用两课把抽象引擎落地——一股股票与一笔订单真正流经的路（发行→路由→清算/CCP，顺带讲清 2021 GME 限买的真相是一次清算事故），以及裁判（规则＝历史伤疤）与一个没有刹车的加密市场对照；第六部分（25–31 华尔街与市场的驱动力）再拉远一层——卖方（投行）与买方（资管/基金）这个行业怎么运转、研究与一致预期如何制造出第 00 课那条「预期」，以及到底是什么在驱动整个大盘：盈利×倍数、宏观与流动性、资金流/定位/叙事，终章把六部分接成一台完整的机器。贯穿三条主线：价格＝最后一笔成交≠价值、流动性是核心约束、反身性/预期差。不是投资建议，只讲市场如何运作；每课配一个浏览器当场绘制的可交互小实验。

价格＝最后一笔成交≠价值预期差 / 反身性订单簿与撮合流动性与冲击成本做市商 / 价差玩家地图（散户→央行）基本面 / 量化 / 套利动量 / 高频 / 杠杆衍生品泡沫崩盘与流动性黑洞有效市场及其裂缝看不见的管道 / 清算 / GME裁判与无刹车加密卖方 vs 买方（华尔街）研究与一致预期什么驱动市场（盈利×倍数·宏观·资金流）
32 lessons ~11 h Open series →
new

交易的手艺 · The Trader's Craft

一条从「有人此刻就想成交」走到「一个交易员一整天到底在做什么」的中文推理线，正面回答那个电影拍烂了、却几乎没人讲清的问题：华尔街交易员到底在做什么？20 课全程用线性思维：每一课都被上一课没答完的问题逼出来。它是《市场的逻辑》的姊妹篇、视角相反——那门课站在市场外面看机器，这门课坐进椅子看操作机器的人。开篇先拆穿刻板印象——交易员不是对着六块屏幕吼「买卖」的赌徒（赌方向的人长期必被概率磨平）——立起全程中心引擎：交易员是被付钱去「接住、搬运并管理别人想甩掉的风险」的人，不是被付钱去猜方向的人。第一部分（00–03 中间人的诞生）从「即时性是有价的」这颗种子，推出双边报价与价差、再到成交那一刻你被迫持有的库存——工作就此从「买卖」翻转成「管风险」；第二部分（04–05）给风险称重（名义金额→敞口/希腊字母）再对冲掉没被付钱的部分；第三部分（06–07 当你想要风险）把观点变成正期望的下注，并用凯利与破产概率算清「下多大」——引出统治全课的主线「活下去＞赚得多」；第四部分（08–09 你一定会错）讲亏损的不对称、回撤与止损，以及会反咬你的对手方（逆向选择）；第五部分（10–12）讲优势的来源与衰减、如何分清自己是强还是运气好（盈亏归因），以及最后一个对手——会恐惧会贪婪的自己；终章（13）把这一切装进交易员真实的一天。第七、八部分（14–22，加密延伸）把这门手艺搬进没有护栏的加密原生市场：先讲原理（预测市场＝概率·Polymarket、永续与资金费·Hyperliquid、基差 delta 中性套利、AMM 与无常损失），再拉到盘口逐个市场审问「现在长什么样、到底有没有能赚钱的打法」（预测市场 / 永续 / 链上 DeFi），最后收束——看前面每一条原理被放大、甚至改写，并给出对「有没有 edge」的诚实裁决。贯穿三条主线：你被付钱去持有风险≠猜方向、不对称与生存、对手方会反应。不是投资建议，只讲这门手艺如何运作；每课配一个浏览器当场绘制的可交互小实验。

交易员≠低买高卖即时性是有价的双边报价 / 价差库存 = 被迫持有的风险给风险称重（敞口 / 希腊字母）对冲 / 基差风险从观点到下注（期望值）凯利与破产 / 活下去亏损不对称 / 回撤 / 止损逆向选择（对手方会反咬）优势来源与衰减盈亏归因（强还是运气）交易心理 / 纪律交易员的一天加密延伸 · 预测市场永续 / 资金费 / 强平基差套利（delta 中性）AMM / 无常损失盘口实战：到底有没有 edge
23 lessons ~8 h Open series →
new

财报的逻辑 · The Logic of Financial Statements

一条从「翻开财报，第一眼该信什么」走到「30 分钟读懂一份陌生财报」的中文推理线，回答一个人人以为自己会、却极少有人真正会的问题：买方和卖方分析师读财报时到底在读什么？华尔街在期待什么，市场又已经信了什么？21 课全程用线性思维：每一课都被上一课没答完的问题逼出来。它是《市场的逻辑》与《交易的手艺》的第三门姊妹篇——那两门站在市场外面看机器、坐进椅子看交易员，这门课拿起公司自己写的「自述」逆向拆解它。开篇先拆穿刻板印象——看财报不是「看净利润涨没涨」——立起全程中心引擎：财报是管理层的故事、会计的边界、分析师的逆向拆解三者博弈的产物；利润是观点，现金是事实；你读的是「真实的赚钱机器」＋「它与价格已信之间的差」。第一部分（00–02）财报为什么要「读」（故事与约束、利润≠现金、盈余质量与应计）；第二部分（03–08）三张表逐张精读、拧成 ROIC vs WACC 判断创造还是毁灭价值，再判断它是不是一门有护城河、能持续赚高回报的好生意，以及操盘它的管理层把现金配置得好不好（同一门生意、不同的每股命运）；第三部分（09–12）华尔街的预期机器——卖方把财报做成盈利模型与目标价、怎么把它向前建模（为什么别用平滑增速外推）、买方找预期差、财报日为什么「好消息也能跌」；第四部分（13–18，全课重头）不同生意不同真北：SaaS 看 NRR、银行看拨备、零售看周转、周期看产能、平台看 take rate，同一个「利润」在它们里含义天差地别；第五部分（19–20）危险信号「闻味道」清单与 30 分钟实战收官。贯穿三条主线：财报是故事不是真相、没有万能指标（先问靠什么赚钱/什么会杀死它）、你比的是预期差而非好坏。不是投资建议，只讲财报如何被读；每课配一个浏览器当场绘制的可交互小实验。

看财报≠看净利润利润是观点 · 现金是事实三张表是一台机器权责发生制 / 应计 / 盈余质量利润表 / 经营杠杆资产负债表 / 杠杆 / 杜邦现金流量表 / 自由现金流 / runwayROIC vs WACC / 增长陷阱好生意 · 护城河 · 复利机器管理层 · 资本配置 · The Outsiders卖方：盈利模型与目标价向前建模 · 别用平滑增速外推买方：预期差 / variant view财报日：好消息也能跌没有万能指标 · 真北SaaS / NRR / Rule of 40银行 / NIM / 拨备 / 资本零售 / 同店 / 周转周期 / 产能 / 最赚钱时最危险平台 / GMV vs take rate危险信号 · 财报操纵30 分钟读懂一份财报
21 lessons ~7 h Open series →
new

投资的逻辑 · The Logic of Investing

一条从「你手里那张股票到底是什么」走到「怎么用一生持有一堆生意」的中文推理线，把投资经典里那几个真正重要、却常被略过的念头——市场先生、安全边际、能力圈、二阶思维、复利、风险不是波动——串成一条因果链。16 课全程线性思维：每一课都被上一课没答完的问题逼出来。它是《市场的逻辑》、《交易的手艺》、《财报的逻辑》的第四门姊妹篇——那三门站在市场外面看机器、坐进椅子看交易员、像分析师逆向拆解财报，这门课坐的是「企业长期所有者」那把椅子：尺度是十年，比的不是聪明，是脾气。开篇先拆穿刻板印象——投资不是炒股（同一个屏幕，投机者看价格、投资者看生意）——立起全程中心引擎：投资＝用「企业所有者」的身份、以低于价值的价格、买入你看得懂的好生意，让时间和纪律替你工作；你最大的对手不是市场，是你自己。第一部分（00–03）重新定义投资：股票是所有权凭证、市场先生、安全边际；第二部分（04–07）怎么判断一门生意值不值——复利、好生意（能力圈/护城河）、够用的估值（DCF 直觉/PEG/反向 DCF 反解市场已信的增长）、利率是重力；第三部分（08–09）给公司分类——林奇六类股票、投资你懂的（ten-bagger）；第四部分（10–12）市场会骗你、你更会骗自己——二阶思维（好公司≠好股票）、投资心理学、风险不是波动而是本金的永久损失；第五部分（13–15）诚实收束——为什么低成本指数是绝大多数人的理性默认、搭一套属于你的系统、终章。贯穿三条主线：你买的是生意不是代码、价格是仆人不是主人、你最大的对手是你自己。不是投资建议，只讲投资这门学问怎么想；每课配一个浏览器当场绘制的可交互小实验。

投资不是炒股 · 脾气>智商你买的是生意的一部分所有者盈余市场先生 · 价格是仆人安全边际复利 · 时间的朋友好生意 · 能力圈 · 护城河够用的估值 · DCF/PEG/反向DCF利率是重力林奇六类股票 · ten-bagger投资你懂的 · scuttlebutt二阶思维 · 好公司≠好股票投资心理学 · 你最大的对手风险不是波动是永久损失主动 vs 被动 · 指数清单 · 耐心 · 卖出纪律
16 lessons ~6 h Open series →
new

估值的逻辑 · The Logic of Valuation

一条从「为什么任何东西会有价值」走到「拿到一个陌生标的、30 分钟给它定个价」的中文推理线，把估值从一堆公式还原成同一句话的反复变形：价值＝未来现金按「等待」与「风险」两道折扣折回今天。17 课全程线性思维：每一课都被上一课没答完的问题逼出来。它是金融家族的第五门课，也是接起其他四门的那座桥——《财报的逻辑》把生意读成结果，这门课把它折成一个数，《投资的逻辑》用所有者心性拿这个数去下注，《市场的逻辑》讲它和价格对撞，《交易的手艺》讲拿到头寸后怎么管风险。它上承格雷厄姆与多德的《证券分析》，把「内在价值」「安全边际」从格言变成可拨的旋钮，并一次补齐金融家族此前缺席的三大块：固定收益、深度估值、衍生品。第一部分（00–02）折现地基（价值/时间价值/无风险利率）；第二部分（03–05）固定收益——债券与 YTM、久期与凸性（成长股=超长久期资产）、收益率曲线与倒挂；第三部分（06–07）风险与折现率——风险溢价·CAPM·β、WACC 与资本结构；第四部分（08–11）组装 DCF（终值这颗占价值 60–80% 的炸弹）、敏感度与量化安全边际、倍数是打包好的 DCF、股权 vs 企业价值（FCFF/FCFE 分子分母必须配对）；第五部分（12–16）不同资产与收束——net-net/清算价值、银行·周期·资源各换一把尺、反向 DCF（把价格当已知，反解「市场已经信了什么」，估值翻转成量预期差）、期权性与 Black-Scholes（不确定本身有价）、终章的反身闭环与 30 分钟定价流程。贯穿三条主线：价值＝未来现金的现值两道折扣、估值是判断不是真值、你的 r 来自你想打败的市场（反身闭环）。不是投资建议，不给目标价；每课配一个浏览器当场绘制的可交互小实验。

价值=未来现金的现值时间价值 · 折现因子无风险利率 · 钱的时间价格债券 · 到期收益率 · 跷跷板久期与凸性 · 成长股=长久期收益率曲线 · 倒挂风险溢价 · CAPM · βWACC · 资本结构 · MMDCF · 终值这颗炸弹敏感度 · 量化安全边际倍数=打包的DCF股权 vs 企业价值 · FCFF/FCFE没有万能估值法 · net-net银行/周期/资源 · 正常化反向DCF · 市场信了什么期权性 · Black-Scholes反身闭环 · 30分钟定价
17 lessons ~7 h Open series →
new

侦查与反侦察的逻辑 · The Logic of Reconnaissance & Counter-Reconnaissance

一条从「要被看见，就得发出信号」走到「一套猎人、侦探、间谍、安全工程师与普通人共用的攻防棋谱」的中文推理线。全程 18 课线性思维：猎豹与羚羊、雷达与隐身、侦探与凶手、间谍与反间谍、黑客与防守，其实是同一个游戏——孙子六字「形人而我无形」：一方逼对手显形（侦查），一方让自己无形（反侦察）。三条主旋律贯穿：信息即不确定性、签名与噪声、永不停歇的军备竞赛。第一部分（00–03）博弈的原子（签名 / 信号检测论 ROC / 先验与基率谬误）；第二部分（04–08）侦查方五法（主被动 / 遥感 / 通信元数据 / 人力情报 / 多源融合）；第三部分（09–12）反侦察方（隐真 / 示假与威慑 / 反监视反情报 / 军备竞赛）；第四部分（13–16）数字新战场（数字之影 / 网络攻防 kill chain / 大规模监控与隐私 / 取证与反取证）；第五部分（17）收官通用棋谱。数学心脏＝信号检测论（虚警↔漏报）；基调分析思辨，直面监控与欺骗的伦理边界。每课配一个可交互小实验。

形人而我无形信号检测论 · ROC基率谬误遥感 · 元数据 · 人力情报多源融合隐真 · 示假 · 威慑监视与反监视军备竞赛 · 红皇后数字足迹 · 设备指纹网络攻防 kill chain大规模监控与隐私洛卡德 · 取证反取证
18 lessons ~6.5 h Open series →
new

犯罪心理学的逻辑 · The Logic of Criminal Psychology

一条从「怎么把『无法理解的恶』翻译成『可研究的行为』」走到「一门决定自由与罪责的科学，其边界与伦理在哪」的中文推理线。全程 16 课线性思维：不猎奇、不贩卖「变态天才」，而是沿一桩案子的生命周期，回答五个递进之问——为什么发生？是谁干的？人心为何靠不住？他要负责吗？他会再犯、能不能改？贯穿一条张力：理解（心理学）↔ 追责（法律）；并在每个流行神话前踩刹车（侧写读心术、测谎仪、被压抑记忆、精神病辩护、CSI 效应、天生罪犯）。第一部分（00–03）为什么有人犯罪（定义/根源/精神变态）；第二部分（04–07）是谁干的（行为签名/侧写/讯问/假供）；第三部分（08–10）人心为什么靠不住（记忆/测谎/侦查员偏误）；第四部分（11–12）他要负责吗（责任能力/陪审团）；第五部分（13–14）会再犯吗、能不能改（危险性评估/矫正）；第六部分（15）收官。是《侦查与反侦察》「人力情报 / 欺骗 / 取证」的人心深潜版。每课配一个可交互小实验。

把恶翻译成行为理解↔追责犯罪根源·反决定论精神变态(去污名)手法vs签名侧写=贝叶斯/巴纳姆讯问与假供记忆重构·冤案测谎的神话隧道视野·确认偏误精神病辩护危险性评估·基率矫正与再犯
16 lessons ~6 h Open series →
new

训练的逻辑 · The Logic of Training

一条从「身体是一台适应机器」走到「循证训练」的中文训练科普推理线。16 课全程线性思维：训练 = 给身体一个它当前应付不了的刺激，身体在恢复期超量补偿、长得比原来强一点；一切训练变量（强度 / 容量 / 频率 / 恢复 / 营养）都只是在调「刺激 → 恢复 → 适应」这个循环，而渐进超负荷是主原则。第一部分（00–03）核心循环（超量补偿 / 渐进超负荷 / 特异性）；第二部分（04–07）拧哪些旋钮（强度 vs 容量 / 增肌 / 力量 / 能量系统）；第三部分（08–10）恢复才是长肌肉的地方（睡眠 / 营养 / 过度训练与减载）；第四部分（11–13）把旋钮组织成计划（周期化 / 个体差异 / 循证训练）；第五部分（14–15）按目标配方与收官。诚实循证：戳破「酸痛=增肌」「肌肉混淆」「动作雕刻形状」「补剂神话」等误区。它是「运动 · 竞技的逻辑」系列的前传（运动员如何被造强），也与《烹饪的逻辑》《物质为什么会变》《心理学》同族。每课配一个可交互小实验。

刺激→恢复→适应渐进超负荷增肌与力量能量系统与耐力恢复·营养·减载周期化循证 vs 玄学
16 lessons ~5.5 h Open series →

运动 · 竞技的逻辑

9 tracks

用线性思维拆解八大竞技——全世界最流行的足球，加上美国四大联盟（NFL 美式橄榄球 · NBA 篮球 · MLB 棒球 · NHL 冰球），再加上网球、高尔夫与 F1 赛车（前七项是球类，F1 是唯一的赛车/非球类，故这套课从「球类」扩为更广的「竞技」的逻辑）。一个共同的引擎：每一种竞技都是一套规则人为制造的稀缺——看懂一项运动，就是看懂它的规则把「什么」变成了最稀缺的资源，于是所有战术、位置、数据与审美都只是对那个稀缺的理性回应。八项分布在多条轴上：足球与冰球把空间与时间变稀缺（连续；冰球更把「多打少」显式写进规则）、篮球把每回合期望分变货币（回合制）、美式橄榄球把领地×档数变成预算（离散·团队设计）、棒球把 27 个均等的出局变成预算（离散·一对一对决）、网球用嵌套计分让每一分不等值、把稀缺变成杠杆（离散·个人）；高尔夫是唯一「非对抗」的运动（对手是标准杆、地形与概率，稀缺是要最小化的累积杆数）；而 F1 更添一条新轴——它由「车 × 人」人机系统决定、与时钟赛跑，稀缺是每一圈的时间。八项各自的「数据革命」（xG / 真实命中率·四要素 / wOBA·WAR / EPA / Corsi·xG / 分的杠杆 / Strokes Gained / delta time）其实是同一个思想：给每个决定按它对结果的期望贡献定价——与《市场的逻辑》《数学的逻辑》同脉络。每课配一个浏览器里当场绘制的可交互小实验。每条线现在都以 8 课「从零学会打」的技术入门作为第 0 部分——先教零基础的你把这项运动正确地打起来（力从地面来、动力链、从任务反推动作），再进入「竞技的逻辑」看懂为什么这么打。此外，本组还收入一条纯技术专线——《单板滑雪的技术》（CASI 体系 + 公园自由式；和高尔夫一样，你对抗的不是对手，而是重力、地形与自己）。

new

足球的逻辑 · The Logic of Football

一条从「90 分钟只进两三个球，到底在争什么」走到「我们究竟在看什么」的中文足球推理线。16 课全程线性思维：足球是在「禁手＋大场地＋人数相等」三重约束下，对空间与时间的连续争夺；进球极稀有，于是一切战术都是为了在对的时间地点制造一个多出来的人、或一块没人看管的空地。第一部分（00–03）规则如何制造游戏（禁手→低效、越位、低分的数学与运气）；第二部分（04–07）空间这门生意（无球跑动 / 传控 / 阵型 / 攻防转换）；第三部分（08–10）定式与武器（定位球 / 一对一 / 防守）；第四部分（11–13）数据与现代足球（xG / 高位逼抢 / 位置进化）；第五部分（14–15）系统与文化（金钱与收官）。每课配一个 canvas 小实验。

空间稀缺越位xG 期望进球阵型与转换高位逼抢低分与方差
24 lessons ~8 h Open series →
new

篮球的逻辑 · The Logic of Basketball

一条从「每 30 秒就得分、胜负却更冷酷」走到「魔球与建队」的中文篮球推理线。16 课全程线性思维：篮球是一门回合制的得分经济学，胜负≈回合数 × 每回合期望分之差；一切都是为了把每回合期望分最大化（进攻）、最小化（防守）。第一部分（00–03）底层算术（回合 / 期望分 / 期望分地图）；第二部分（04–07）怎么制造一次好出手（挡拆 / 拉开空间 / 传导 / 单打）；第三部分（08–10）防守的另一半（目标 / 体系 / 篮板）；第四部分（11–13）数据革命（真实命中率与四要素 / 魔球 / 建队）；第五部分（14–15）联盟经济与收官。每课配一个 canvas 小实验。

回合与 24 秒每回合期望分底角三分挡拆与空间真实命中率·四要素魔球
24 lessons ~8 h Open series →
new

棒球的逻辑 · The Logic of Baseball

一条从「唯一没有时钟的大球类」走到「Moneyball 与 WAR」的中文棒球推理线。16 课全程线性思维：棒球是一连串离散的一对一投打对决，由「每队每场只有 27 个出局」这个最硬的预算驱动；一切都是用概率管理出局与垒包，也因此最早被数据彻底改写。第一部分（00–03）一次对决的解剖（好球带 / 球数博弈 / 球种猜测）；第二部分（04–06）得分怎么发生（击球物理 / 得分期望矩阵 / 出局经济学）；第三部分（07–09）防守与对抗（布阵 / 配球 / 守备度量）；第四部分（10–13）数据革命（传统统计的谎言 / wOBA / WAR / Statcast）；第五部分（14–15）球队经营与收官。每课配一个 canvas 小实验。

27 个出局好球带与球数得分期望矩阵触击划算吗OBP·wOBAWAR·Statcast
24 lessons ~8 h Open series →
new

美式橄榄球的逻辑 · The Logic of American Football

一条从「4 档推进 10 码，否则交出球权」走到「EPA 与第四档革命」的中文美式橄榄球推理线。16 课全程线性思维：橄榄球是一连串离散、可完全预先设计的战斗（一盘 22 人同时落子的棋），核心稀缺是领地×档数。第一部分（00–03）规则如何制造游戏（一次 play / 四档 / 领地）；第二部分（04–06）得分与期望（传球 vs 冲球 / 期望得分 EP / 第四档决策）；第三部分（07–10）攻防对抗（进攻线 / 体系 / 防守 / 特勤组与时钟）；第四部分（11–13）数据革命（EPA / 传球革命 / 位置价值）；第五部分（14–15）联盟经济与收官。每课配一个 canvas 小实验。

四档与领地期望得分 EP第四档决策EPA 数据革命传球革命四大联盟制度
24 lessons ~8 h Open series →
new

冰球的逻辑 · The Logic of Ice Hockey

一条从「把足球开到冰面最高速」走到「Corsi 与 xG」的中文冰球推理线。16 课全程线性思维：冰球本质是足球式的连续空间之争×极速，并用规则把「制造多一个人」显式化。第一部分（00–03）规则如何制造游戏（封闭冰面 / 低分与运气 / 空间与速度）；第二部分（04–06）人数优势（强攻 power play / 换人 / 转换快攻）；第三部分（07–09）攻防与门将（进攻 / 防守 / 门将）；第四部分（10–13）数据革命（传统统计的局限 / Corsi / xG / 建队）；第五部分（14–15）联盟经济与收官。（指冰面 NHL 冰球，非草地曲棍球。）每课配一个 canvas 小实验。

连续×极速强攻 power play换人与上冰时间低分与门将Corsi 射门尝试差冰球 xG（借自足球）
24 lessons ~8 h Open series →
new

网球的逻辑 · The Logic of Tennis

一条从「嵌套计分让分不等值」走到「杠杆与胜率」的中文网球推理线。16 课全程线性思维：网球的计分是一座嵌套金字塔（分→局→盘→赛），规则刻意让每一分不等值，于是稀缺不是「分」而是杠杆——而且由一个人独扛。第一部分（00–03）规则如何制造游戏（一分 / 嵌套计分 / 杠杆）；第二部分（04–06）发球权这条轴心（发球霸权 / 破发 / 抢七）；第三部分（07–09）怎么赢下一分（球场几何 / 制胜分 vs 非受迫失误 / 发球+1）；第四部分（10–13）数据革命（传统统计的局限 / 杠杆与胜率 / 现代演化 / 风格克制）；第五部分（14–15）巡回赛经济与收官。每课配一个 canvas 小实验。

嵌套计分杠杆与关键分发球霸权与破发制胜分 vs 失误杠杆/胜率 数据最纯粹的个人项目
24 lessons ~8 h Open series →
new

高尔夫的逻辑 · The Logic of Golf

一条从「你与球场较量」走到「Strokes Gained」的中文高尔夫推理线。16 课全程线性思维：高尔夫是全系列唯一「非对抗」的运动——对手是标准杆、地形与概率；稀缺是要最小化的累积杆数，每一杆的价值由「球躺在哪」决定。第一部分（00–03）你与球场的对话（一杆 / 标准杆 / 位置）；第二部分（04–06）得分与期望杆数（击球阶梯 / Strokes Gained / 风险回报）；第三部分（07–09）各段技艺（开球 / 短杆 / 推杆）；第四部分（10–13）数据革命（传统统计的谎言 / SG 分解 / 演化 / 策略管理）；第五部分（14–15）巡回赛经济与收官。每课配一个 canvas 小实验。

你与球场·非对抗标准杆与位置Strokes Gained风险回报与崩盘洞SG 分解(进攻>推杆)最纯粹的期望值优化
24 lessons ~8 h Open series →
new

F1 的逻辑 · The Logic of Formula 1

一条从「与时钟赛跑」走到「delta time」的中文 F1 推理线。16 课全程线性思维：F1 是一场对时间的多变量优化，稀缺是每一圈的秒；它独一无二地由「车 × 人」人机系统决定，一大半在工厂与规则/成本帽的约束下就定了。第一部分（00–03）与时间赛跑（一圈 / 抓地力预算 / 下压力）；第二部分（04–06）一场比赛怎么赢（排位vs正赛 / 轮胎衰退 / 进站策略）；第三部分（07–09）车×人（动力单元 / 车手 / 团队）；第四部分（10–13）数据革命（遥测仿真 / delta time / 技术规则 / 成本帽）；第五部分（14–15）经济结构与收官。每课配一个 canvas 小实验。

与时钟赛跑抓地力圆与下压力轮胎衰退与进站欠车/反欠车delta time 定价人↔机器·成本帽
24 lessons ~8 h Open series →
new

单板滑雪的技术 · Snowboarding Technique

一条从「刃 × 压力」到公园自由式的中文单板技术推理线（CASI 体系）。14 课全程线性思维：单板只做一件事——用身体的基本动作管理「板刃 × 压力」，把重力沿 fall line 的下坠驯成受控的弧；CASI 的一切（站姿平衡 + 四类基本动作 + 转弯三相）都是这台引擎，而从刻线到公园跳台，每个进阶动作只是它的重新组合。第一部分（00–03）CASI 基本功；第二部分（04–07）进阶转弯（skid→carve、侧切物理、动态换刃、switch）；第三部分（08–13）公园自由式（安全选线 / ollie / jib / 跳台 / 转体 / 抓板收官）。它与《高尔夫的逻辑》同为「你对抗重力/地形/自己」的个人技术运动。每课配一个 canvas 小实验。

刃 × 压力CASI 四类基本动作转弯三相刻线 carve动态转弯 · switch公园自由式
14 lessons ~5 h Open series →

Interview prep

1 track

Condensed, exam-oriented digests. Kernel-interview coding now lives inside its track — CUDA in GPU Kernels for ML Engineers (Part V) and Triton in the Triton series (Part VI). This is the coding-round companion.

Python & Coding Patterns

The coding-round companion: Python essentials and the standard algorithm/data-structure patterns — two pointers, binary search, stacks & queues, trees, graphs, DP, greedy, union-find — each as a reusable template.

two pointersbinary searchtreesgraphsDP
18 lessons ~6 h Open series →