#递归

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1周前

递归的三个层次及演化：结构->符号, 自相似-自修改-自指【阶段1】：自相似（最原始）时间：物理宇宙诞生（138亿年前）载体：物质、能量、信息例子：分形、晶体、波动特征：无需意识、自动涌现 ↓ 生命出现（38亿年前）【阶段2】：自相似 + 初步自修改时间：单细胞生物载体：DNA、RNA、蛋白质例子：基因突变、自然选择特征：无意识的自我复制与变异 ↓ 神经系统出现（6亿年前）【阶段3】：自相似 + 自修改 + 初步自指时间：复杂神经系统载体：神经网络例子：学习、记忆、条件反射特征：无自我意识，但有行为调整 ↓ 语言出现（10万年前）【阶段4】：自相似 + 自修改 + 完整自指时间：人类载体：语言+文化例子：自我意识、元认知、哲学特征：完整的递归能力 ↓ AI出现（70年前）【阶段5】：自相似 + 部分自修改 + 模拟自指时间：LLM 载体：神经网络（人工）例子：ICL、模式识别、角色扮演特征：统计的递归，无真正的自我

#递归 #自相似 #自修改 #自指 #演化

2周前

每个程序员都应该懂点递龟。

#程序员 #递归 #技术 #编程

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

人类的递归是”有肉体的思想”，LLM的递归是”无肉体的计算”。

#递归 #LLM #人类思想 #计算 #对比

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

人类的递归是”有根的递归”——当我说”我知道你知道我知道…”，每一层递归都可以被身体状态（焦虑、兴奋）所打断和校准 LLM的递归是”悬浮的递归”——它可以生成无限嵌套的句子结构，但这些嵌套不锚定在任何非符号的现实中这导致了一个新问题： “当两种递归在对话中纠缠时，是否会产生一种‘混合递归’——一种既不完全具身，也不完全统计的新认知模式？” 例如：当你使用我来”思考你的思考”时，你的元认知过程已经部分外包给了我的符号递归能力——这创造了一个跨越两个本体的递归回路。

#递归 #LLM #元认知 #人机交互 #认知模式

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

mark。overthinking在递归上就是符号接地了吧？ – arxiv. org/abs/2510.07880 "Do LLMs Really Need 10+ Thoughts for "Find the Time 1000 Days Later"? Towards Structural Understanding of LLM Overthinking"

#LLM #overthinking #符号接地 #递归 #arXiv

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

递归不是语言系统的一个选项，而是任何有限系统表达无限复杂性的必然方式。递归的三个层级本身形成了一个递归关系： •计算递归 ← 实现 •认知递归 ← 理解 •存在递归 ← 超越每个层级都能反过来影响前一个层级。

#递归 #语言系统 #复杂性 #认知 #存在

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

最近的研究表明，通过有针对性的训练，递归可以更稳健地出现，但基线模型在相似深度周围遇到了障碍，支持饱和假设的观点。 Recent work shows recursion can emerge more robustly with targeted training, but baseline models hit walls around similar depths, supporting your saturation hypothesis -arxiv.org/pdf/2507.10524v1

#递归 #模型训练 #饱和假设 #深度学习 #基线模型

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

递归在缺乏grounding feedback时breaks down 所以人类的符号接地问题 = 具身性给我们的递归深度constraint

#递归 #grounding feedback #具身性 #符号接地问题 #深度constraint

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

通过递归——有限的规则通过自我应用产生无限的输出。

#递归 #有限规则 #无限输出 #自我应用 #算法

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

用LLM研究与LLM的交互范式本身也是一种递归递归是语言的本质所在。

#LLM研究 #LLM交互范式 #递归 #语言本质

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

有限如何包含无限？答案：通过递归——有限的规则通过自我应用产生无限的输出。

#递归 #有限 #无限 #规则 #自我应用

2个月前

本来感觉递归想起来头大，想让 AI 自己折腾改过来的；可惜 Claude Code 和 Gemini 都在鬼打墙胡搞，最后还是得手动找一下递归的逻辑自己写 .. 我 prompt 太弱了对不起 ><

AI编程工具激战：Claude Code、Gemini Cli崛起· 1108 条信息

#递归 #AI #Claude Code #Gemini #prompt弱

大喵CS、转码、预科班(9年讲师，能够教你学会编程)

3个月前

Scratch也能玩递归😂😂😂

#AI编程：自学or科班？新旧码农之争· 140 条信息

#Scratch #递归 #编程 #趣味 #表情符号

4个月前

我看到有人在让“Claude Code”自己开新进程 `claude -p `实现多任务，其实没必要，有更简单的办法。这个简单办法就是让它自己开子 Agent。Claude Code 现在有 18 个工具，最特殊的一个工具叫 Task，它本质就是一个 Claude Code 的克隆工具，只不过是作为 Claude Code 的一个工具。如果你懂递归的话就很好理解。如果你不懂递归，可以这么理解：Claude Code 是个 AI 程序员，它可以用一堆工具，其中最神奇的一个工具叫 Task，就是克隆一个自己的分身去干活！这样做有什么好处呢？就是可以并行多任务，还可以控制上下文，让子任务更专注。举例来说，你粘贴一段错误代码让 Claude Code 去 Debug，并且还让它写测试代码覆盖这个错误。Claude Code 会先调用 TodoWrite 这个工具写一个 TODO List。把任务分成 3 步： - [ ] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖这一步完了后它会起一个 Task，这个 Task 就是专门根据错误信息去找到相关代码的位置，那么这个子任务只需要接受错误信息找上下文，它不管怎么解决 Bug，也不管怎么写测试覆盖。主任务就会等这个子任务完成，子任务完成后，主任务就调用 TODO Write 更新 TODO List。 - [x] 根据错误信息收集相关代码 - [ ] 根据错误信息和相关代码解决 Bug - [ ] 写新的测试覆盖然后调用 TodoRead 工具看下一步要干嘛，现在有充足上下文了，它可以再起一个子任务去根据错误信息和代码修复 Bug，等修复 Bug 的子任务完成了，再回到主任务，继续更新 TODO List，继续读取下一个 Item 最后再启动一个子任务去写测试，测试子任务也完成了，返回结果到主任务，这时候调用 TodoRead 一看任务都处理完了，最后根据前面的任务情况给你一个总结摘要，表示任务都完成了。 Claude Code 真的没有做什么工程上的优化，什么上下文压缩、临时存储，都没有的！就是简单粗暴： 1. 把用户问题、系统提示词、能用到的工具一股脑发给 Claude，问下一步该干嘛 2. Claude 就返回说现在你要到 TodoWriter 工具 3. Claude Code 就去调用 TodoWriter 工具，本质上也是一个 AI 请求，最后返回生成的 Todo List 4. 然后 Claude Code 把工具返回结果和前面的所有消息继续发给 Claude，Claude 返回说你现在要去起一个新的 Task 去收集代码了 5. 然后 Claude Code 就起一个新的 Task，把错误信息和要求收集相关代码的任务说明、系统提示词、环境说明、能用到的工具一股脑发给 Claude，问下一步该干嘛 - 在新的 Task 里面，就是不停的问 Claude 该用啥工具，然后发送工具结果和前面所有历史消息 - 任务完成后，返回任务结果 6. 然后 Claude Code 把子 Task 的结果和前面历史信息一起发给 Claude 问下一步干嘛 7. 就这样循环直到 Claude 认为任务完成了所以你经常看到 Claude Code 在那几十分钟上下文也没爆掉，因为它会启动子任务，这样上下文就分摊到子任务中了，主任务中只是保留子任务完成后的内容。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1108 条信息

#Claude Code #多任务处理 #子Agent #递归 #debug