用 Understand-Anything 理解 Transformer：论文 wiki 最佳实践

| 维度 | Obsidian Canvas | Understand-Anything | | --- | --- | --- | | 图的来源 | 人手动整理 | AI + 结构解析自动生成 | | 节点 | 卡片、文件、图片 | 文件、文章、实体、主题、论断 | | 边 | 手动连接 | wikilink、依赖、包含、语义关系 | | 主要价值 | 表达个人理解 | 可查询、可教学、可问答的图谱 | | 更适合 | 主观整理 | 复杂系统、论文结构化、onboarding |

所以它不是 Canvas 替代品。更准确的定位是：笔记库沉淀原文与个人理解，Understand-Anything 把材料转成 AI 可用的 知识图谱工件。

1. 自动抽结构：wiki 抽文章、主题、wikilink、实体和 claim；代码库抽文件、函数、import、calls、架构层。
2. 图不是装饰：Dashboard 支持搜索、解释、guided tour、diff impact。
3. 理解可复用：.understand-anything/knowledge-graph.json 可提交、可共享，不必每次重读。
4. 适合复杂系统学习：先看图，再追问节点，再沿依赖关系深入。

这比单纯的 Transformer 可视化 更偏「学习系统」：图是索引，不是终点。

1
knowledge/transformer-wiki/
2
  index.md
3
  log.md
4
  AGENTS.md
5
  raw/
6
    attention-is-all-you-need.md
7
  Transformer Architecture.md
8
  Self-Attention.md
9
  Multi-Head Attention.md
10
  Encoder.md
11
  Decoder.md
12
  ...

规则很简单：

• 一个概念一篇 note
• 第一段写清「它解决什么问题」
• 用 [[wikilink]] 明确依赖
• index.md 用二级标题定义知识分类
• 原文摘要放 raw/
• 重要判断写成 claim 段落，方便后续抽取

index.md 示例：

1
# Transformer Wiki
2

3
## Architecture
4

5
- [[Transformer Architecture]]
6
- [[Encoder]]
7
- [[Decoder]]
8

9
## Attention Mechanisms
10

11
- [[Self-Attention]]
12
- [[Multi-Head Attention]]

在支持 Understand-Anything skill 的 agent 中：

1
/understand-knowledge /path/to/transformer-wiki
2
/understand-dashboard /path/to/transformer-wiki

会生成：

1
.understand-anything/knowledge-graph.json

Dashboard 里优先回答四个问题：

1. 最小闭环是什么？
   Token Embedding → Positional Encoding → Self-Attention → Feed Forward → Residual → Layer Norm
2. Encoder / Decoder 差在哪？
   Encoder 只有 self-attention；Decoder 多了 Masked Self-Attention 与 Encoder-Decoder Attention
3. Multi-Head 为什么必要？
   单头只给一个关系视角；多头把表示空间拆成多个子空间
4. 为什么它取代 RNN？
   任意两个 token 的路径长度变成常数，并行度更高；代价是注意力矩阵 (O(n^2))

这些读图问题，也是 model explainer 产品常见的教学路径：先闭环，再差异，再机制，再 trade-off。

不要把整篇论文只写成一个长 note。推荐拆：

1
Transformer Architecture
2
Self-Attention
3
Scaled Dot-Product Attention
4
Multi-Head Attention
5
Encoder
6
Decoder
7
Masked Self-Attention
8
Encoder-Decoder Attention
9
Token Embedding
10
Positional Encoding
11
Residual Connection
12
Layer Normalization
13
Feed Forward Network
14
Training and Results
15
Limitations

每篇 note 建议结构：

1
# Concept Name
2

3
一句话定义。
4

5
## Role in Transformer
6

7
它在 Transformer 中负责什么。
8

9
## Why it matters
10

11
为什么重要。
12

13
## Related concepts
14

15
- [[Concept A]]
16
- [[Concept B]]

推荐阅读顺序：

1. Transformer Architecture
2. Self-Attention
3. Multi-Head Attention
4. Encoder / Decoder
5. Training and Results / Limitations

• 文件名、H1、index.md 中的 wikilink 保持一致，否则 unresolved link 会爆
• 先分 Architecture / Attention / Representation / Evidence 四层，再补细节
• 生成图谱后对照补缺失概念，而不是一次写完美
• 把最终 learning path 写回笔记库，形成闭环

本地验证时，一份拆好的 Transformer wiki 大约可得到：十几篇 article、若干 topic、上百条 wikilink、几十个节点与边。数字会随拆分粒度变化；关键是图是否可教学。

用 Understand-Anything 学 Transformer，重点不是「自动生成一张漂亮图」，而是先把论文拆成可连接的概念节点，再让图谱成为人和 AI 共享的学习界面。图清楚了，解释才站得住；解释站得住，后续做交互式 explainer 才有证据基础。

• Attention Is All You Need
• Understand-Anything 详细使用教程
• Polo Club Transformer Explainer