LLM
投影工程：AI 有算术，却没有计量学
AI 生成决策的速度，已经快过任何人验证它的速度。Projection Engineering 补上缺失的责任层：在规则授权行动之前，将开放世界中的 Claim 投影为可审计的 Accepted Fact。
从主张到已接受事实图
机器要确定性地评判现实世界之前，必须先明确地封闭这个世界:评估悬而未决的Claim,将Accepted Fact投影为可追溯的图,冻结边界,并保留申诉的路径。
真相不是被发现的
开放世界里没有可供发现的真相——因为一切观测都被光速所困，永远触不到事件本身。然而在小说、数学、法律这类由声明所封闭的世界里，真相是存在的。审判是把实在投影到法律世界的过程，判决则是在其上进行的运算。当下LLM所缺的不是更大的模型，而是像法治那样明示的封闭程序。
流畅不等于真实
人们没有察觉到AI那些自信、流畅的错误，并不是因为粗心大意。没有察觉,才是大多数人的默认状态——这一点在受过AI训练的医生身上、以及那些即便数据已经证明自己变慢了、仍坚信自己更快的资深开发者身上都得到了验证。
reins 的『回合（turn）』是什么
解剖 reins 的最小执行单位——回合（turn）。未被记录的就不是回合——从这一条定义出发，驱动器无关性、重启韧性、可审计性全部随之而来。与 2026 年 6 月的 Loop Engineering 讨论对照，可以看到回合如何把那些建议变成结构。
LLM 多智能体提升准确率的前提条件
多跑几个智能体就会更准确？只对了一半。用同样数据训练出来的模型，会在同样的地方一起出错。多智能体能起作用的条件只有两个——要么设计出误差独立性，要么在可验证的领域里，在 LLM 之外立起一个验证器。
反向利用IFEval的棘轮代码
LLM的谄媚偏差不是缺陷而是资产。将IFEval衡量的指令遵循能力与确定性反馈相结合，即使4.5B本地模型也能产生生成正确代码的收敛循环。
AI的谄媚偏差是一项商业功能
LLM的谄媚偏差不是bug。它是RLHF的数学必然，也是大型科技公司没有动力修复的商业功能。这就是LLM-as-Judge在结构上不可能实现的原因。
编程Agent为何能工作，又为何会崩溃
同一个模型在网页聊天中产生幻觉，却在编程Agent中一次性交付200行功能。不是因为模型变了——而是topology变了。生成可以是概率性的。验证必须是确定性的。
比起模型IQ，更重要的是反馈拓扑
同一个模型，有时止步于40个，有时完成全部527个。差异不在模型，而在反馈结构。LLM的性能更大程度上取决于它所处的反馈循环有多快、多确定，而非模型本身的能力。
tsma -- 遗留代码的回归防线
一个 CLI 工具：索引所有函数、检测测试有无、测量覆盖率、向 LLM 代理提供精确反馈。一条命令为遗留代码构建回归防线。
约束即契约
没有约定就是混沌，约定过多就是压迫。合理的约束构成黄金比例。法治的原理同样适用于代码与知识。
filefunc — 一文件一概念
AI 代码智能体的导航单位是文件。filefunc 是一种 Go 代码结构约定和 CLI 工具，强制每个文件只包含一个概念。