CauseScope：点击 React 界面，追到源码、状态与网络响应

CauseScope 是一个面向 React + Vite 的本地证据检查器：点击页面元素，追到精确 TSX、条件分支、状态更新与关联网络响应；缺失证据则明确标记为不可用。

从固定词表、子词切分到特殊标记，解释 Token 为什么是语言进入大模型的第一层接口，而不只是另一种“字数”。

把 Token 当作系统预算来理解：它如何影响输入预处理、逐字生成、上下文容量、API 费用，以及真正有效的信息密度。

用一条具体的数据链路说明 Token、ID、Embedding、位置与隐藏状态各自负责什么，以及它们为什么不能混为一谈。

解释 Embedding 如何把离散 Token 放进可训练的连续空间，同时澄清“向量相近等于语义相同”和“Embedding 就是理解”等常见误区。

从“我打你”和“你打我”的差异出发，解释 Transformer 为什么需要位置信号，以及绝对位置、相对位置与 RoPE 在解决什么。

从一次代词消歧出发，拆开 Attention 的打分、归一化与信息汇聚过程，并说明它为何关键、昂贵且并非完整解释。

用检索视角解释 Query、Key、Value 的职责、线性投影、缩放与掩码，并澄清它们不是固定语义标签。

拆解多头注意力如何在不同表示子空间中并行路由信息、重新拼接结果，以及“每个头负责一种语义”为何只是方便的类比。

还原一个完整 Transformer block：Attention 负责位置间通信，FFN 负责逐位置变换，残差与归一化让深层网络可以训练。

区分 Transformer 架构与 BERT、GPT 模型家族，理解 encoder、decoder、双向掩码和因果语言建模如何塑造不同能力。

从发现、优先级、gating、prompt 注入与安全边界拆解 OpenClaw Skill，解释一份 Markdown 如何改变 Agent 的决策，而又为什么不能把它等同于真实权限。

Alibaba Page Agent 用页面内 JavaScript 与文本化 DOM 构建自然语言操作层；这种 in-page 路线为何更适合产品集成，又在哪些权限、视觉与可靠性问题上需要克制。

从一份年报的检索失败出发，分析 PageIndex 的树索引与推理式检索为什么适合结构化长文档，以及它在成本、评估和产品宣传之外的真实边界。

Superpowers 不负责让模型多写代码，而是用设计、计划、测试、评审与验证约束 Agent 的执行节奏；这套方法何时有效，何时又会显得过重。