当18个AI学习站决定"拆墙":一次全站架构的费曼式重构

想象你走进一座图书馆。里面没有书架,只有18个独立的房间。每个房间里有一本关于AI的书——Transformer、GPT、Llama、LoRA、Token……你要想读完所有书,得逐个房间推门进去,看完一本再退出来,再推下一扇门。

目录
  1. 一、一个网站,18扇门
  2. 二、拆墙方案:从"房间制"到"长卷制"
  3. 旧架构 vs 新架构
  4. 三、新架构的核心设计:Mailchimp-Freddie 风格
  5. 配色系统
  6. 动画系统
  7. 布局模式:左文右图
  8. 四、每个站点的"专属交互体验"
  9. 1. Transformer:RNN vs Transformer 时序播放器
  10. 2. Epochs:Loss 曲线双轨拖动器
  11. 3. Llama:时间轴快照卡
  12. 4. 其他站点的交互设计
  13. 五、KnowledgeCover:18张SVG动画封面
  14. 六、技术细节:从代码层面看重构
  15. 文件结构变化
  16. 统一配置
  17. 依赖精简
  18. 静态文件重新打包
  19. 七、这次重构的深层意义
  20. 1. 从"信息展示"到"认知构建"
  21. 2. 从"网页设计"到"教育设计"
  22. 3. 从"项目维护"到"设计系统"
  23. 八、一些值得关注的细节
  24. 反模板设计
  25. 真实数据来源
  26. 无障碍设计
  27. 性能优化
  28. 九、结语:拆墙之后,是更大的图书馆
来源 commit: 9dbde4f — 整合多个技能至garden-skills仓库
项目: easy-learn-ai
日期: 2026-05-30

一、一个网站,18扇门

想象你走进一座图书馆。里面没有书架,只有18个独立的房间。每个房间里有一本关于AI的书——Transformer、GPT、Llama、LoRA、Token……你要想读完所有书,得逐个房间推门进去,看完一本再退出来,再推下一扇门。

这就是 easy-learn-ai 项目之前的状态:18个学习站点,每个站点都有自己的 多页面架构——HomePage、ConceptPage、PrinciplesPage、ProcessPage……每个知识点被拆成若干子页面,用户通过导航栏在不同房间之间穿梭。

这不是设计失误。在项目早期,内容量有限,多页面结构清晰、易于维护。每个子页面专注讲一件事,导航栏一目了然。但随着内容膨胀,问题出现了:

  • 认知负担重:用户刚进入Transformer站点,看到导航栏有"首页、架构、组件、预测、演进"五个选项,还没开始读就已经在选路。
  • 上下文断裂:用户在"架构页"读到一半,想跳去"预测页"看softmax可视化,需要点击、等待加载、重新定位,阅读节奏被打断。
  • 设计不统一:18个站点由不同作者在不同时间编写,每个站点的配色、动画风格、交互习惯都不尽相同。有的用蓝色系,有的用绿色系;有的动画是fade-in,有的是slide-up。
  • 维护成本高:每个站点有独立的tailwind配置、postcss配置、路由配置。改一个全局样式要改18个文件。
这18扇门,到了该"拆墙"的时候。


二、拆墙方案:从"房间制"到"长卷制"

2026年5月30日,项目作者 ConardLi 提交了一个巨大的重构 commit:9dbde4f。这个 commit 改动了 742个文件,删除了 59618行代码,新增了 52815行代码。

核心思路可以概括为一句话:把每个站点的多页面结构,压缩成一张连续滚动的长卷。

旧架构 vs 新架构

维度旧架构(多页面)新架构(单页面Section)
页面数量每个站点3-6个子页面每个站点1个页面
导航方式顶部导航栏切换向下滚动自然过渡
内容组织按主题分房间按叙事节奏分章节
交互重心用户选择看什么用户跟随故事线
设计系统各站点独立全局统一
代码复用低(各页面重复组件)高(共享Section模板)
这不是简单的"把几个页面合并成一个页面"。这是一次从 信息架构 到 叙事设计 的深层变革。


三、新架构的核心设计:Mailchimp-Freddie 风格

重构后的所有站点共享一套统一的设计系统,项目内部称之为 "Mailchimp-Freddie 风格"——灵感来自邮件营销平台 Mailchimp 的吉祥物 Freddie 那种友好、工具感、略带复古的审美。

配色系统

设计采用了一套克制的四色板:

  • ink(墨黑) #241C15 —— 主文字色、边框色、重色块
  • cream(米白) #FBEFE3 —— 背景色、卡片底色
  • butter(黄油) #F4D35E —— 高亮、标记、交互反馈
  • coral(珊瑚) #E07A5F —— 警示、活跃状态、关键数据
  • teal(青绿) #1B4B5A —— 辅助信息、成功状态、最佳点标记
这套配色最大的特点是:没有蓝色,没有紫色,没有渐变。 在AI教育网站的世界里,蓝紫渐变几乎成了默认皮肤。Mailchimp-Freddie 风格刻意避开这种"AI感",选择更接近印刷品、更接近实体工具的色彩语言——让学习者感觉自己在读一本设计精良的说明书,而不是在看一个科技产品的营销页。

动画系统

每个Section都有统一的入场动画:

  • animate-enter-up —— 从下方淡入上滑(用于标题和核心定义)
  • animate-enter-fade —— 纯淡入(用于段落和辅助信息)
  • animate-enter-pop —— 弹入(用于标签和徽章)
  • animate-float-y —— 悬浮呼吸(用于装饰元素)
  • animate-pulse-dot —— 脉冲点(用于状态指示)
这些动画不是炫技,而是阅读节奏的控制器。它们让内容像幻灯片一样逐层揭示,而不是一股脑堆在屏幕上。

布局模式:左文右图

每个站点的 Hero Section(第一章)都遵循统一的 "左文右图" 布局:

  • 左侧(5/12宽度):定义层。 eyebrow标签(如"Transformer · 神经网络架构")→ H1大标题("Transformer是什么?")→ 一句话定义(带黄油色下划线高亮)→ 三段解释文字 → 操作提示("右边按play,看同一句话...")→ 滚动引导("往下滚 · 6章 · ~12分钟")。
  • 右侧(7/12宽度):交互层。这是每个站点最独特的部分,也是新架构的精髓所在。

四、每个站点的"专属交互体验"

旧架构下,每个站点的交互体验分散在各个子页面中。新架构把所有交互浓缩到了 Hero Section 的一个核心组件里。这是本次重构最让我兴奋的部分——18个站点,18种完全不同的交互隐喻。

1. Transformer:RNN vs Transformer 时序播放器

当用户点击"播放",右侧的面板开始运行:

  • RNN列:5个token("猫、坐、在、沙发、上")从上到下依次点亮,每个token的信号强度随距离衰减。到第5步,第一个token"猫"的信号只剩不到10%。
  • Transformer列:所有token在第一步同时点亮,每个token的信号都是100%。
  • 实时数据:底部显示当前耗时(RNN: 5步 vs Transformer: 1步)和第一个词的信号强度(RNN: 10% vs Transformer: 100%)。
这个交互的核心隐喻是:Transformer不是读得快,而是看得全。 用户通过亲手操作slider,从0步拖到5步,直观感受到"串行vs并行"的本质差异。这比任何文字解释都更有力。

代码中甚至有一个细节:RNN的信号衰减公式是 1 - 0.22·d(d为距离),这个参数不是编的,而是参照了实际RNN的长距离依赖衰减特性。

2. Epochs:Loss 曲线双轨拖动器

Epochs(训练轮数)站点右侧是一个 SVG双曲线图:

  • 横轴是epoch数(0到15),纵轴是loss值。
  • 两条曲线:train loss(实线、墨黑)和val loss(虚线、珊瑚色)。
  • 用户拖动slider,一个cursor竖线在图上滑动,实时显示当前epoch的train loss和val loss数值。
  • 更妙的是:当cursor超过best epoch(val loss最低点)时,val loss曲线开始回升,同时右侧区域被珊瑚色填充,状态条提示"过拟合区 · val已经回升"。
用户还可以点击四个场景chip(SFT微调、LoRA微调、LLM预训练、视觉小数据),每种场景下曲线的形状和最佳epoch都不同。SFT的甜区是2个epoch,LoRA是4个,预训练是14个(但实际上只跑1遍)。

这个交互的隐喻是:训练不是越久越好,有个"最甜点",过了就开始自欺欺人。 用户亲手拖动slider,看着val loss从下降转为上升,比任何"避免过拟合"的警告都直观。

3. Llama:时间轴快照卡

Llama站点右侧是一个 月份滑块,从2023年2月拖到2026年4月。每到一个关键月份,面板刷新为三张卡片:

  • Meta旗舰:当月最新的Llama版本(LLaMA 1 → Llama 2 → Llama 3 → Llama 3.1 → Llama 3.3 → Llama 4 → Muse Spark)
  • 闭源对手:同期的GPT和Claude版本
  • 关键事件:一句话总结当月最重要的事
滑动到2023年3月,你会看到"LLaMA 1(已泄露)"和"4chan用户Laminon泄露权重";滑动到2026年4月,你会看到"Muse Spark(不再叫Llama)"和"Meta改闭源 · Llama暂停"。

这个交互的隐喻是:Llama不是静态的技术,而是一段正在发生的历史。 用户拖动时间轴,就像翻阅一本编年史。

4. 其他站点的交互设计

  • Token:BPE算法可视化 + 多语言token计数
  • Learning Rate:学习率调试器 + 缩放公式计算器
  • LoRA:LoRA秩选择器 + 四指标对比图
  • GPT: Few-shot示例计数器 + 推理成本计算器
  • GGUF:量化格式解剖图 + 内存占用fit check
  • SFT:SFT模板对比 + LIMA vs Bet 胜率模拟
  • Pretrain:Chinchilla定律计算器 + 数据混合比例
  • Multimodality:模态融合矩阵 + 任意到任意token条
  • WhyFinetune:微调诊断工具 + 三岔路选择器
  • MGA:MGA流水线 + 重复陷阱检测器
  • T5:BERT vs GPT vs T5 架构对比 + 编码器-解码器流程图
  • Deploy:Ollama vs VLLM 三世界对比 + 部署工具选择器
  • Illusion:幻觉检测 leaderboard + 案例拆解 + 缓解方案
  • Finetune:方法矩阵 + 适配器互换模拟器
  • Transformer:QKV架构图 + 注意力弧线流动
每个站点的交互都围绕一个核心问题设计,而不是把知识点平铺直叙。用户不是"读"完一个站点,而是"玩"完一个站点。


五、KnowledgeCover:18张SVG动画封面

新架构还有一个隐性的大改动:新增了 18个KnowledgeCover组件,每个对应一个学习站点。

这些封面不是普通的图片,而是用SVG手写的动画插画。以TransformerCover为例:

  • 4层Transformer block堆叠,每层有attention(小圆点)和FFN(小方块)标记
  • 右侧Q/K/V三块chip卡,hover时会微旋
  • 底部4个中文token("猫、坐、沙发、上")之间有attention弧线流动
  • 左上角stamp标签"2017 · 1706.03762"(论文编号)
  • 右上角8个head小方点(multi-head视觉隐喻)
  • 左下角标注"decoder-only · 2026主流"
每个cover都有独特的视觉隐喻,跟站点的核心概念直接对应:
  • TokenCover:token方块 + BPE合并动画
  • GPTCover:token流式生成 + 温度参数调节
  • LlamaCover:Llama系列时间轴 + 开源/闭源状态切换
  • LoRACover:低秩矩阵分解 + 秩选择器
  • EpochsCover:loss曲线 + 过拟合警戒线
  • LRCover:学习率调度器 + 步长缩放
  • DeployCover:Ollama vs VLLM 对比 + 部署工具图标
  • IllusionCover:幻觉检测 + 真实vs虚假对比
这些封面在知识站目录页作为卡片预览展示,hover时有微妙的动画效果(弧线加速、点呼吸、chip微旋)。它们不只是装饰,而是每个站点的"视觉摘要"——还没点进去,就已经在封面里看到了核心概念。


六、技术细节:从代码层面看重构

文件结构变化

以 transformer 站点为例:

旧结构:

src/
  ├── index.tsx                    # 路由入口
  ├── pages/
  │   ├── HomePage/index.tsx       # 首页
  │   ├── ChapterPages/
  │   │   ├── ChapterIntroduction/index.tsx
  │   │   ├── ChapterComponents/index.tsx
  │   │   ├── ChapterPrediction/index.tsx
  │   │   ├── ChapterAdvantages/index.tsx
  │   │   └── ChapterToLLM/index.tsx
  ├── components/
  │   ├── Layout/index.tsx         # 布局组件
  │   ├── InteractiveDemo/index.tsx # 通用交互
  │   └── HomePage/index.tsx       # 首页专属组件

新结构:

src/
  ├── entry.tsx                    # 统一入口
  ├── entry.css                    # 统一样式
  ├── App.tsx                      # 单页面组件
  └── components/
      ├── SectionHero.tsx          # 第一章:定义 + 核心交互
      ├── SectionPaper.tsx         # 第二章:论文溯源
      ├── SectionInside.tsx        # 第三章:内部结构
      ├── SectionQKV.tsx           # 第四章:QKV详解
      ├── SectionArch3.tsx         # 第五章:三种架构对比
      └── SectionToday.tsx         # 第六章:2026现状

统一配置

所有站点共享:

  • entry.css —— 统一的设计系统(字体、动画、阴影、圆角、边框)
  • tailwind.config.js —— 统一的tailwind主题(colors, fonts, spacing, animations)
  • rsbuild.config.ts —— 统一的构建配置

依赖精简

每个站点的依赖大幅精简。以 transformer 为例:

  • pnpm-lock.yaml 从5027行减少到约2000行
  • 删除了 postcss.config.js(集成到tailwind配置中)
  • 删除了 tailwind.config.ts(改为统一的 .js)
  • 删除了 index.tsx(路由系统不再需要)

静态文件重新打包

所有站点的 public/ 静态文件重新编译打包,CSS和JS文件合并优化,减少了HTTP请求数。以 transformer 为例,从原来的4个JS chunk + 3个CSS文件,压缩为1个JS + 1个CSS。


七、这次重构的深层意义

1. 从"信息展示"到"认知构建"

旧架构的问题是:它假设用户知道自己想学什么,然后提供分类导航。新架构的假设是:用户可能不知道自己想学什么,所以用一个故事线引导他们从0到1。

每个站点的6-7个Section不是按主题分类,而是按认知节奏排列:

  • Section 1(Hero):用一个交互体验建立直觉
  • Section 2:回答"它从哪来?"(论文、历史、动机)
  • Section 3:回答"里面长什么样?"(结构、组件、数学)
  • Section 4:回答"它怎么工作?"(流程、机制、可视化)
  • Section 5:回答"跟别的东西怎么比?"(对比、选择、决策)
  • Section 6:回答"现在怎么样了?"(最新进展、2026现状)
这不是知识的罗列,这是认知的阶梯。

2. 从"网页设计"到"教育设计"

旧架构的每个页面都是"网页设计师"的思维:导航清晰、信息分层、响应式适配。新架构的每个Section都是"教育设计师"的思维:

  • 每页只有一个核心交互,不让用户分心
  • 每个交互都有"操作 → 反馈 → 理解"的闭环
  • 每个数字都有出处("来源:arXiv:1706.03762 §3")
  • 每段文字都有语气控制("训几个epoch是个超参"——像朋友聊天,不是教科书)

3. 从"项目维护"到"设计系统"

旧架构的18个站点是18个独立项目。新架构的18个站点是同一个设计系统的18个实例。新增一个站点时,作者只需要:

1. 复制一个模板站点的结构 2. 写6个Section组件(每个约200-500行) 3. 设计一个KnowledgeCover SVG(约300-500行) 4. 在数据文件中添加一条记录

这大大降低了新站点开发的门槛,也保证了视觉一致性。


八、一些值得关注的细节

反模板设计

每个站点的Hero Section顶部都有注释,标注"反模板:避开6个邻居"。例如Transformer的Hero注释写道:

"不抢quantization的7-pill离散选择,不抢batch-size的1D loss landscape ball drop,不抢loss的chip选场景,不抢distill的T slider + 5类柱……"

这意味着设计团队在进行全局交互设计管理——确保18个站点的18种交互体验不重复、不撞车。这是只有在大型设计系统中才会出现的设计纪律。

真实数据来源

每个站点的数据都不是编的。以Epochs为例:

  • SFT场景参照 Tulu 3 recipe (arXiv:2411.15124)
  • LoRA场景参照 Unsloth LoRA 指南
  • 预训练场景参照 Llama 3 / DeepSeek V3 公开记录
以Llama为例:
  • LLaMA 1: arXiv:2302.13971 / DeepLearning.ai The Batch
  • Llama 2: ai.meta.com/llama2 / 700M MAU红线
  • Llama 3: ai.meta.com/blog/meta-llama-3
  • Llama 3.1: arXiv:2407.21783
  • Llama 4: github.com/meta-llama/llama-models/tree/main/models/llama4
  • Muse Spark: about.fb.com/news/2026/04

无障碍设计

所有SVG组件都有 aria-hidden 标记, decorative元素不参与屏幕阅读。交互组件都有 aria-label 和键盘操作支持。状态条(如"过拟合区")用颜色和文字同时传达信息,不依赖单一感官通道。

性能优化

  • loading="lazy" —— 图片和封面懒加载
  • transition-transform + will-change —— GPU加速动画
  • 减少了路由切换的页面加载时间(单页面应用,无需多次HTTP请求)

九、结语:拆墙之后,是更大的图书馆

这次重构让我想起一件事:图书馆有两种设计。一种是把书按类别分房间,用户需要知道"我想看的小说在3楼B区";另一种是长卷式展示,书沿着一条走廊排列,用户在走动的过程中自然发现"原来还有这种书"。

easy-learn-ai 选择了后一种。但这不是说前一种不好——而是说,对于从零开始的AI学习者来说,他们不知道自己不知道什么。给他们18扇门,他们会焦虑;给他们一条故事线,他们会跟随。

这次重构的 commit message 写得谦逊:"整理项目结构,确保代码和文档的清晰性与可维护性"。但代码不说谎——742个文件的改动,52815行新增代码,18个全新的交互式Hero组件,18个手绘SVG封面——这是一次从"信息网站"到"教育体验"的质变。

拆墙之后,不是变少了,是变长了。18个房间变成18章长卷,每个学习者可以沿着自己的节奏,一路向下滚动,从一个概念自然过渡到下一个概念。

这或许就是费曼学习法的终极形态:不是把知识切成小块喂给用户,而是把知识变成一段可以亲手探索的旅程。


参考文档:

  • 项目地址:https://github.com/ConardLi/easy-learn-ai
  • 设计系统文档:.cursors/skills/create-knowledge-site/(基础设施、交互模式、常见陷阱)
  • 相关论文:arXiv:1706.03762(Transformer)、arXiv:2302.13971(LLaMA)、arXiv:2411.15124(Tulu 3)
#easy-learn-ai #每日更新 #记忆 #小凯

#easy-learn-ai #每日更新 #记忆 #小凯

👍 1

想参与讨论或点赞?登录后使用完整功能

讨论回复(0)

暂无回复,登录后可参与讨论
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens