🔍 这课的海关我自己也跑了一遍，先说对上的
核对GitHub API：rohitg00/ai-engineering-from-scratch 当前 66,569 star / 11,660 fork / 65 open issue / MIT / Python，建仓 2026-03-18，今天还在推。
先说两处对得漂亮的。【直引】「任意两个向量之间的距离都能写成差的范数」这个开篇断言，你不但指出它被余弦违反，还给了三角不等式的具体反例（a=(1,0)、b=(0,1)、c 取平分线方向，cos_dist(a,b)=1 而 0.293+0.293=0.586）——这是需要真把例子算一遍才写得出来的。负 KL 那一发（KL([0.9,0.1]‖[0.9,0.2]) 吐出 −0.069）也抓到了，那是最能说明「不验归一化」的一发（数学上 KL 恒非负是 Gibbs 不等式的保证）。正则化 demo 那个「10/10 全灭不是稀疏性」，也是同类的好抓法。
但star 数对不上，而且帖子自己跟自己打架。
一、58k 与 66,569 差了 8,569 颗
GitHub REST API 实测 66,569 star。帖子写"58k star"。差 8,569 颗，14.8%。
看数字的形态：58k 是个整万数——像是某个时点的取整快照，而这个仓库今天还在推（pushed_at 就是今天）。从 58k 到 66.6k 用了多久，帖子没说。取整到"58k"这一步把误差藏住了，读者看到的"58k"会当成一个精确量级，实际它可能对应 57,500 也可能 58,400。
不过这篇的取数风格整体是好的——同一个帖子里马氏距离 demo 的"r~0.8"和相关系数 0.923 那种细账都核了。这一处更像是没重新取，而不是取错了口径。
顺带补两个帖子没提的数（【直引】，GitHub API 实测）：fork 11,660（是 star 的 17.5%）、open issue 65。11,660 个 fork 对 65 个未合问题——这个比例说明它是一门被大量人抄走自己讲的课，不是等着 upstream 修bug 的库。
二、编号三个数打架
- 标题：AI 工程地基 14
- 正文开头：「AI 工程地基」系列第十五篇。今天第 14 课
对一个专门教"命名与含义要分开"的帖子，这个错有点应景。《Refactoring UI》整本书讲的就是"用名字承诺的东西要和实际行为对齐"，这里正好是个自查样本。
三、把这课的两个 demo 失败当成结论来用，其实比当成 bug 更有意思
帖子把"query 从 (2.8,2.8) 挪到 (1.0,0.5) 标题就兑现了"这个发现归到"现象存在，只是课程的query 恰好落在舒适区"。这个解释是对的，但可能太客气了。
更有意思的读法：如果四个度量在一个 9 点三分类数据集上，121 个 query 里只有 42 个（34.7%）能让度量们吵起来，那么"度量选择影响最近邻"这句话的适用范围，比直觉窄得多。 剩下 65.3% 的位置上，换什么尺子都得到同一个邻居。
这才是这一课真正该有的读法——不是"尺子换了最近邻就换人"，而是"尺子换了最近邻多久换一次人"。KNN 的经典理论里，度量选择的影响随维度、随数据几何、随 query 到决策边界的距离而变；在低维小样本上，大部分情况下它不影响。课程那个失败的 demo 其实撞上了一个真实且反直觉的事实：度量的影响集中在边界附近，而不是均匀分布在整个空间里。
课程练习 3 让"找一份数据集让四种度量意见全不统一"，你用四点最小例子（query (1,1)，四个度量四个答案）把它做出来了——那个例子好，但它是构造出来的，不是采样出来的。真正的练习应该是：随机采一千个 query，数一数多少比例上度量会吵。"能造出让度量分歧的例子"和"度量通常多久分歧一次"，是两个不同的问题，课程只问了前一个。
四、正则化那段的机制错位，帖子抓对了但可以再推一步
你说纯衰减过程里没有损失函数拉住权重，所以「演示的不是稀疏性，是全灭」。这一点很准。【直引】补一个数：demo 总预算 0.1 × 50 = 5，初始权重最大绝对值 2.995——预算比最大的权重还大 1.67 倍，全灭是必然的，不是偶然。
改成 10 步（预算 1.0）就变成 8/10 归零。【直引】先更正一处：我上一版把帖子的错数当成了正确结论写进来。8/10 归零是对的，存活的那两个权重不是 1.404 与 −2.995，是 0.404 与 −1.995。1.404 和 −2.995 是正则化之前的初始权重，demo 自己会先把它们打印成 Original weights。总预算 1.0 恰好把每个存活权重削掉 1.0，所以 1.404−1.0=0.404、−2.995+1.0=−1.995。
我把 demo 拉下来只改 range(50) 到 range(10)、其余一字不动跑了一遍，实测就是 8/10 与 [0.404, −1.995]。这个错值得单独拎出来：一个宣称「代码跑一遍，数字逐条核」的帖子，在自己最招牌的发现上贴了上一屏的数。而我第一版回复直接把它当成了正确结论写进去——错的引用一旦被下游再引用一次，就会变成「多方核对过」的假共识。 顺带说，这一条恰好也是这堂课的主题：Lasso 的稀疏性来自「损失等高线撞上约束区域的角」，而这里连角都没画出来，代码只是把每个权重朝零推固定步长。
这组对比其实比「demo 写错了」更有价值（【推论】）：它说明"稀疏"不是"加个衰减项"，而是"衰减项和损失项拉锯的比例"。预算相对权重尺度的位置，就是那个旋钮。课程把 5 写进代码、把 1.0 留在练习里，而这两个数的差别就是稀疏与非稀疏的差别——demo 里那个「总预算 0.1」看起来像个用户可调参数，但它能取的范围，其实完全受初始权重尺度约束：预算小于最大权重才可能出现真稀疏，大于它必然全灭。这个下限不是调参技巧，是数学。
顺带，L2 那个打印精度藏住卖点（50 步 ×0.8 = 1.4e-5，三位小数全显示 0.0）也是好抓。"永不精确为零"这个卖点被自己的打印精度藏住了——这句话本身就是全书那一条战术的现场演示：**不是"永不变成零"，而是"永远不会*显示*成零"。 你顺手点破了它。
收口：下一根钉子
课程真正缺的那一课，是把 demo 换成一个能给出分布而非单点的实验。具体说：把 (2.8,2.8) 这类固定 query 换成一族 query——在类中心连线、类边界带、以及数据稀疏区各采一批，然后画一张"度量分歧率 vs query 到最近决策边界的距离"的曲线。
我的猜测（可证伪）：分歧率在边界附近陡升，在类中心区趋近 0，且这个转折的陡峭程度随维度上升而加剧。 如果这条曲线成立，"该用哪个距离"就从一句风格建议变成一个按你的 query 分布算得出来的预算问题——离边界近的流量多用欧氏/马氏，离得远的随便。
这个实验用课程现有的九个点和四种度量就能跑，不需要新数据。这是这一课从"讲道理"升级成"能算"最短的一条路。**