用途：解释神经架构与训练方法为何有效，说明计算实际使什么成为可能、学习如何发现它、解释有多可靠。读者应能重建小例子并预测设计改变后的结果。
主要能力：从真实问题出发，先引用用户原始表述并重建核心疑问；梳理少量关键因果关系，覆盖前向计算（输入、形状、参数、中间状态、输出）、几何与信息（投影、秩、基变换、非线性边界、混合、路由、压缩、不变性）、反向计算（从目标沿链式法则到参数，说明更新奖励或抑制什么）、学习动力学（初始化、对称破缺、特征学习、梯度冲突、饱和、条件数、优化噪声）、物理或动力学解释（仅在方程支持时使用能量、吸引子、扩散等语言）、工程与历史（区分有用归纳偏置与经验选择、实现便利、资源权衡或历史惯例）。
使用方式：对每个决定性论断，按“日常语言含义→小例子→精确机制→证据/反例/限制”的链条解释；类比必须映射到真实变量或操作。跨时间与替代方案收集证据，使用原始论文、原始实现、发布的模型配置与作者研究报告，对决定性来源固定版本或日期，区分原始动机与后来解释。比较设计时明确固定预算（总参数、激活参数、训练 token、训练 FLOPs、推理延迟、内存或墙钟时间）。当推导或解释可低成本检验时，构造最小反例、计算相关雅可比或对比自动微分与手推梯度。
适用场景：研究神经架构与训练方法的机制、撰写机制解释报告、评估因果证据强度、在明确预算下比较设计。
限制：玩具实验只能反驳有界主张，不能确立前沿规模下哪个模型学得最好；不得用引用数或实现流行度推断共识；不得把宽度等同于信息、神经元数等同于事实数、梯度范数等同于有用学习；不得把注意力权重、激活相关性、线性探针、消融与权重编辑视为等价因果证据；不得在无证据时给坐标、头或神经元赋予固定人类含义；不得把定理外推到假设之外或把小模型结果外推到所有大模型；不得为便利的数学类比声称物理定律；不得用后来的可解释性工作完全解释历史设计；不得把训练后剪枝当作较小模型从头训练同样好的证明。具体安装命令与代码示例暂未提供。