Spaces:
Running
Running
|
Download DESIGN_PROMPT.md from Girlz/TokenTrace: direct link, hf CLI and curl.
- Browser
- Download file 23.5 kB
-
https://huggingface.co/spaces/Girlz/TokenTrace/resolve/main/DESIGN_PROMPT.md
- Command line
-
hf download hf://spaces/Girlz/TokenTrace/DESIGN_PROMPT.md
-
curl -L -o DESIGN_PROMPT.md https://huggingface.co/spaces/Girlz/TokenTrace/resolve/main/DESIGN_PROMPT.md
23.5 kB
| # InfoLens / INNERSCOPE — 统一工作流重设计 Prompt | |
| > **目标受众**:专精 UI/UX 设计的 Agent | |
| > **任务**:理解现有前端架构和各功能模块,设计一个统一的工作流 demo,将当前孤立的 7 个功能(含新训练的 Tiny-NLA)有机融合为一个流畅的「输入文本 → 多维度探索模型内部」体验。 | |
| > **输出形式**:给出初步的 HTML/CSS/JS demo(可以是静态原型或可交互 demo),不需要对接真实后端 API。 | |
| > **重要的**:这是概念验证 demo,不是产品实现。你可以自由选择任何设计方向、技术栈、视觉风格。不要被现有代码的样式束缚。 | |
| --- | |
| ## 一、项目是什么 | |
| **InfoLens(品牌名 INNERSCOPE)** 是一个「透视大语言模型内部」的可视化工具箱。用户输入一段文本,通过不同的分析维度观察模型在想什么。 | |
| - **服务端**:Python Flask/Connexion,跑在本地 M4 Pro Mac 上 | |
| - **模型**:Qwen3-0.6B (base + instruct),本地 CPU/MPS 推理 | |
| - **用户画像**:AI 研究者 / 可解释性爱好者,希望直观看到模型内部状态 | |
| --- | |
| ## 二、现有前端代码结构(供参考,不需要遵循) | |
| ``` | |
| client/src/ | |
| ├── index.html # 首页(导航网格) | |
| ├── analysis.html # Info Highlight 页 | |
| ├── chat.html # Raw Chat 页 | |
| ├── attribution.html # Attribution 页 | |
| ├── causal_flow.html # Causal Flow 页 | |
| ├── logit_lens.html # Logit Lens 页 | |
| ├── branch_tree.html # Branch Tree 页 | |
| │ | |
| ├── webpack.config.js # 多入口打包 | |
| │ | |
| ├── pages/ # 每个页面的 TS 入口 | |
| │ ├── home/index.ts | |
| │ ├── analysis/index.ts | |
| │ ├── chat/index.ts # ~800 行,最复杂 | |
| │ ├── attribution/index.ts | |
| │ ├── causal_flow/index.ts | |
| │ ├── logit_lens/index.ts | |
| │ └── branch_tree/index.ts | |
| │ | |
| ├── shared/ # 跨页面共享基础设施 | |
| │ ├── api/GLTR_API.ts # TextAnalysisAPI 类(所有后端通信) | |
| │ ├── core/ # URL 解析、事件总线、工具函数 | |
| │ ├── ui/ # toast, dialog, 主题/语言切换, 面板布局 | |
| │ ├── vis/ # D3 可视化组件(Token着色、Tooltip、直方图、散点图) | |
| │ └── lang/translations.ts # i18n 翻译 | |
| │ | |
| ├── partials/ # HTML 片段(被 include 到页面中) | |
| │ | |
| ├── features/ # 按功能域拆分 | |
| │ ├── analysis/ # Info Highlight 流程 | |
| │ ├── chat/ # 对话/续写逻辑 | |
| │ ├── causal_flow/ # Causal Flow 逻辑 | |
| │ └── demo/ # Demo 存储 | |
| │ | |
| └── css/pages/ # 每页独立的 SCSS | |
| ``` | |
| --- | |
| ## 三、7 个功能模块详解(含完整 API Schema) | |
| ### 3.1 Info Highlight — Token 级别信息密度分析 | |
| **做什么**:展示模型对文本中每个 token 的「意外程度」——哪些词模型觉得理所当然,哪些词让它意外。 | |
| **API:`POST /api/analyze`** | |
| ``` | |
| 请求: | |
| { | |
| "model": "base" | "instruct", | |
| "text": "water freezes into solid ice", | |
| "stream": false // 可选,true 时 SSE 流式返回 | |
| } | |
| 响应 200: | |
| { | |
| "request": { "text": "water freezes into solid ice" }, | |
| "result": { | |
| "model": "qwen3-0.6b-base", | |
| "bpe_strings": [ | |
| { | |
| "offset": [0, 5], // 字符偏移 [start, end) | |
| "raw": "water", // token 原文 | |
| "real_topk": [156, 0.023], // [模型排序名次, softmax 概率] | |
| "pred_topk": [ // 该位置 top-N 候选 | |
| ["ice", 0.34], | |
| ["liquid", 0.18], | |
| ... | |
| ] | |
| }, | |
| ... | |
| ] | |
| } | |
| } | |
| 错误:400 (缺参数) / 404 (模型未注册) / 500 (推理失败) / 503 (模型加载失败) | |
| ``` | |
| **附加子功能 — 语义搜索:`POST /api/analyze-semantic`** | |
| ``` | |
| 请求: | |
| { | |
| "query": "frozen", // 查询主题 | |
| "text": "...", // 原文 | |
| "stream": false, // 可选 SSE 流式 | |
| "submode": "count", // 可选: count / fill_blank | |
| "debug_info": true // 可选,返回 top10 预测 | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "model": "qwen3-0.6b-instruct", | |
| "token_attention": [ | |
| { | |
| "offset": [13, 19], | |
| "raw": "solid", | |
| "score": 0.87 // 对 query 的语义关注度 | |
| }, | |
| ... | |
| ], | |
| "debug_info": { // 仅 debug_info=true 时 | |
| "abbrev": "...", | |
| "topk_tokens": [...], | |
| "topk_probs": [...] | |
| } | |
| } | |
| ``` | |
| --- | |
| ### 3.2 Raw Chat — 对话 & 续写 | |
| **做什么**:和模型对话,可视化每次续写中每个生成 token 的细节。支持 Raw 模式(直接给 prompt)和 Chat 模式(system + user prompt + chat template)。 | |
| **API 链(3 步):** | |
| **Step 1 — 组装 prompt:`POST /v1/completions/prompt`** | |
| ``` | |
| 请求: | |
| { | |
| "model": "qwen3-0.6b-instruct", | |
| "messages": [ | |
| { "role": "system", "content": "You are a helpful assistant." }, | |
| { "role": "user", "content": "What is water?" } | |
| ], | |
| "tools": [...], // 可选 OpenAI tools schema | |
| "enable_thinking": false // 可选,启用 Qwen3 thinking 模式 | |
| } | |
| 响应 200: | |
| { | |
| "prompt_used": "<|im_start|>system\n...<|im_end|>\n<|im_start|>user\nWhat is water?<|im_end|>\n<|im_start|>assistant\n" | |
| } | |
| ``` | |
| **Step 2 — 续写(SSE 流式):`POST /v1/completions`** | |
| ``` | |
| 请求: | |
| { | |
| "model": "qwen3-0.6b-instruct", | |
| "prompt": "<|im_start|>system\n...", // 从上一步或直接构造 | |
| "max_tokens": 256, // 可选,正整数 | |
| "temperature": 0.7, // 可选,0-2 | |
| "top_p": 0.9, // 可选,0-1 | |
| "stop": ["\n\n"] // 可选,停止序列(最多4个) | |
| } | |
| // 响应恒为 text/event-stream (SSE) | |
| // type=delta → 增量 token | |
| // type=result → 末条,data 同 OpenAICompletionsResponse | |
| SSE 末条 data (type=result): | |
| { | |
| "id": "cmpl-xxx", | |
| "object": "text_completion", | |
| "created": 1719000000, | |
| "model": "qwen3-0.6b-instruct", | |
| "choices": [{ | |
| "text": "Water is a chemical substance...", | |
| "index": 0, | |
| "finish_reason": "stop" // stop / length / content_filter | |
| }], | |
| "usage": { | |
| "prompt_tokens": 24, | |
| "completion_tokens": 45, | |
| "total_tokens": 69 | |
| }, | |
| "info_radar": { // 续写 token 级分析 | |
| "bpe_strings": [ | |
| { "offset": [0, 5], "raw": "Water", "real_topk": [1, 0.92], "pred_topk": [...] }, | |
| ... | |
| ] | |
| } | |
| } | |
| ``` | |
| **Step 3 — 停止生成:`POST /v1/completions/stop`** | |
| ``` | |
| 请求:(无 body) | |
| 响应 200:{ "ok": true } | |
| ``` | |
| **高级功能**:Tool Calling 多轮模拟(通过 `/v1/completions/prompt-incremental` 计算 tool response 增量后缀)、Teacher Forcing(强制续写特定文本)、multi-turn 对话缓存与恢复。 | |
| --- | |
| ### 3.3 Attribution — 输入对预测的因果归因 | |
| **做什么**:给定上下文和目标预测,分析「是哪些输入词驱动了这个预测」。提供两种方法:梯度归因(gradient-based)和消融归因(ablation/occlusion-based)。 | |
| **方法 A — 梯度归因:`POST /api/prediction-attribute`** | |
| ``` | |
| 请求: | |
| { | |
| "context": "water freezes and turns into solid", // 必填,token 数 ≤ 2000 | |
| "target_prediction": " ice", // 可选,缺省用 top-1 | |
| "model": "base" | "instruct", // 必填 | |
| "source_page": "attribution", // 必填 | |
| "flow_id": null, // 可选,连续归因会话 ID | |
| "flow_step": null // 可选,连续归因步骤 | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "model": "qwen3-0.6b-base", | |
| "target_token": "ice", // 归因目标 token | |
| "target_prob": 0.34, // 预测概率 | |
| "token_attribution": [ | |
| { | |
| "offset": [0, 5], // 字符偏移 [start, end] | |
| "raw": "water", | |
| "score": 0.42 // 梯度 L2 范数归因分(正值=支撑,越低越无关) | |
| }, | |
| { "offset": [30, 35], "raw": "solid", "score": 0.78 }, | |
| ... | |
| ], | |
| "debug_info": { // 下一 token 的 top-10 | |
| "topk_tokens": ["ice", "liquid", "crystal", ...], | |
| "topk_probs": [0.34, 0.18, 0.12, ...] | |
| }, | |
| "is_eos": false // target 是否为 EOS token | |
| } | |
| ``` | |
| **方法 B — 消融归因:`POST /api/ablation-attribute`** | |
| ``` | |
| 请求: | |
| { | |
| "context": "water freezes and turns into solid", // 必填,token 数 ≤ 500 | |
| "target_prediction": " ice", // 可选,与 target_token_id 互斥 | |
| "target_token_id": null, // 可选,直接指定 token id | |
| "model": "base" | "instruct", | |
| "source_page": "attribution" | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "target_token": "ice", | |
| "target_prob": 0.34, // baseline 概率 | |
| "token_attribution": [ | |
| { | |
| "offset": [0, 5], | |
| "raw": "water", | |
| "score": 0.12, // ΔP = baseline_prob − occluded_prob(可为负) | |
| "delta_logit": 0.38 // Δlogit | |
| }, | |
| ... | |
| ], | |
| "is_eos": false | |
| } | |
| 错误:400 (缺字段/model非法/超长) / 500 (推理失败) / 503 (繁忙) | |
| ``` | |
| --- | |
| ### 3.4 Logit Lens — 逐层解码轨迹 | |
| **做什么**:看模型在每一层的「中间想法」——把每层 hidden state 投影到词表(final norm + lm_head),展示每层 top-k 候选词和目标词概率如何逐层演化。 | |
| **API:`POST /api/logit-lens`** | |
| ``` | |
| 请求: | |
| { | |
| "context": "The sun rises in the east and sets in the", // 必填,token 数 ≤ 500 | |
| "target_prediction": " west", // 可选,与 target_token_id 互斥 | |
| "target_token_id": null, // 可选 | |
| "model": "base" | "instruct", | |
| "source_page": "logit_lens" | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "model": "qwen3-0.6b-base", | |
| "target_token": "west", | |
| "n_layers": 28, // Transformer 层数(不含 embedding) | |
| "final_target_prob": 0.72, // 最终层目标 token 概率 | |
| "layers": [ | |
| { | |
| "layer": 0, | |
| "is_embedding": true, // 第 0 层为 embedding 层 | |
| "topk_tokens": ["the", "a", "in", "and", ...], | |
| "topk_probs": [0.12, 0.09, 0.07, 0.06, ...], | |
| "target_prob": 0.001 // 目标词在该层的概率 | |
| }, | |
| { | |
| "layer": 1, | |
| "is_embedding": false, | |
| "topk_tokens": ["in", "the", "to", "of", ...], | |
| "topk_probs": [0.15, 0.11, 0.08, 0.07, ...], | |
| "target_prob": 0.003 | |
| }, | |
| ... // 共 n_layers+1 层(含 embedding) | |
| { | |
| "layer": 28, | |
| "is_embedding": false, | |
| "topk_tokens": ["west", "east", "north", ...], // 最终层 | |
| "topk_probs": [0.72, 0.08, 0.03, ...], | |
| "target_prob": 0.72 | |
| } | |
| ], | |
| "is_eos": false | |
| } | |
| ``` | |
| **关键概念 — Eureka 层**:目标词首次跃至 top-1 的那一层。例如 layer 18 时 `west` 概率首次超过所有其他候选,这就是「模型想通了这是 west 的那一层」。 | |
| --- | |
| ### 3.5 Branch Tree — 续写分支展开 | |
| **做什么**:输入前缀,展开模型所有可能的续写路径(top-k tree),递归探索「模型会怎么往下写」。 | |
| **API:`POST /api/branch-next`** | |
| ``` | |
| 请求: | |
| { | |
| "prefix": "The sun rises in the", // 必填 | |
| "model": "base" | "instruct", // 必填 | |
| "source_page": "branch_tree", // 必填 | |
| "top_k": 10 // 可选,候选数(默认10,上限50) | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "model": "qwen3-0.6b-base", | |
| "prefix_tokens": 5, // prefix 的 token 数 | |
| "candidates": [ | |
| { "token": "east", "token_id": 8423, "prob": 0.48 }, | |
| { "token": "west", "token_id": 2534, "prob": 0.22 }, | |
| { "token": "sky", "token_id": 6712, "prob": 0.08 }, | |
| ... | |
| ], | |
| "is_context_full": false // true 时前端应禁用展开 | |
| } | |
| 错误:400 (缺参数/model非法/超长) / 500 / 503 | |
| ``` | |
| **递归模式**:选择一个候选 → 拼接进 prefix → 再次调用 branch-next → 形成树。前端负责树的构建和渲染逻辑。 | |
| --- | |
| ### 3.6 Causal Flow — 因果信息流 | |
| **做什么**:追踪信息如何在模型层间流动,观察归因信号沿生成步骤的传播。核心是「文本自回归生成 + 每一步的输入 token 对输出 token 的梯度归因」的串行管道。 | |
| **依赖的 API**(Causal Flow 是客户端编排的复合流程): | |
| 1. `POST /api/tokenize` — 分词(见下方 3.6.1) | |
| 2. `POST /api/branch-next` — 获取 top-k 候选(同 3.5) | |
| 3. `POST /api/prediction-attribute` — 每一步的梯度归因(同 3.3),带 `flow_id` + `flow_step` 连续归因 | |
| 4. `POST /v1/completions/prompt` — 组装 prompt(同 3.2 Step 1) | |
| 5. `POST /v1/completions` — 续写生成下一个 token | |
| **客户端流程**:输入 context → tokenize → 自动循环:用当前 context 调用 branch-next,选 top-1 → 调用 prediction-attribute 归因当前步 → 拼接 token → 继续下一步(或手动选择分支方向) | |
| **预计算 Demo 数据**:可加载预计算的完整归因 DAG,以 D3 力导向图或传播动画播放,无需实时推理。 | |
| --- | |
| ### 3.6.1 Tokenize — 文本分词(通用工具端点) | |
| **API:`POST /api/tokenize`** | |
| ``` | |
| 请求: | |
| { | |
| "context": "Hello, world!", // 必填 | |
| "model": "base" | "instruct" // 必填 | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "spans": [ | |
| { "offset": [0, 5], "raw": "Hello" }, | |
| { "offset": [5, 6], "raw": "," }, | |
| { "offset": [6, 7], "raw": " " }, | |
| { "offset": [7, 12], "raw": "world" }, | |
| { "offset": [12, 13], "raw": "!" } | |
| ] | |
| } | |
| 错误:400 (缺字段/model非法) | |
| ``` | |
| **特点**:不持有推理锁,不做前向/梯度计算,响应极快。是构建统一工作流的「第一步」。 | |
| --- | |
| ### 3.7 🆕 Tiny-NLA Activation Explainer(新训练的模型) | |
| **做什么**:给定一个 token 位置的激活向量(从模型 layer 19 残差流提取的 1024 维向量),用 LoRA 微调的小模型解释「这个激活向量代表了什么概念」。支持两种输入模式:传入文本让后端自动提取激活,或直接传入向量。 | |
| **模型细节**: | |
| - **架构**:Qwen3-0.6B-Base + LoRA adapter (r=8, alpha=16) @ layer 19 + AR head(线性层 1024→1024) | |
| - **推理精度**:float32 + eager(独立加载,不复用 base 槽位的 float16) | |
| - **训练数据**:284 条 teacher labeled 激活-解释对 | |
| - **设备**:Apple M4 Pro MPS | |
| - **核心机制**:用特殊 token `㈎`(id=149705)作为激活注入锚点,注入归一化后的激活向量(injection_scale=126.223),AV 模型 generate 出自然语言解释,AR head 重建后计算 cosine 评估可信度 | |
| **API:`POST /api/activation-explain`** | |
| ``` | |
| 请求模式 A — 文本模式(自动提取激活): | |
| { | |
| "model": "base" | "instruct", // 必填 | |
| "source_page": "logit_lens", // 必填 | |
| "text": "water freezes into solid ice", // 输入上下文 | |
| "token_index": 4 // 目标 token 位置(text 模式必填,必须 ≥ 0 且在范围内) | |
| } | |
| 请求模式 B — 向量模式(直接传入): | |
| { | |
| "model": "base", | |
| "source_page": "workspace", | |
| "vector": [0.12, -0.34, 0.56, ...] // 恰好 1024 个 float(与 text 互斥) | |
| } | |
| 响应 200: | |
| { | |
| "success": true, | |
| "concept": "", // 概念标签(当前为空,可后续扩展) | |
| "explanation": "This activation vector encodes the concept of water turning into a solid state through freezing, capturing the physical phase transition from liquid to ice.", | |
| "roundtrip_cosine": 0.6631, // 重建可信度分数 (0-1) | |
| "vector_dim": 1024, // 向量维度 | |
| "note": "" // 备注或状态说明 | |
| } | |
| 错误: | |
| 400 — 缺字段、model 非法、text/vector 均未提供、token_index 越界、向量维度不为 1024 | |
| 500 — Tiny-NLA 推理失败 | |
| 503 — 推理锁等待超时(30s) | |
| ``` | |
| **可信度解读**(roundtrip_cosine): | |
| - **≥ 0.70** — 优秀(Excellent):解释高度忠实于激活 | |
| - **0.60–0.70** — 良好(Good):解释与激活有较强关联 | |
| - **0.50–0.60** — 可用(Fair):解释方向大致正确 | |
| - **< 0.50** — 保留(Low):解释与激活关联较弱,仅供参考 | |
| **模型性能基线**: | |
| - AV(Activation Vector 模型):best_val_loss = 0.64 | |
| - AR(Auto-Regressive head):best_val_cosine = 0.6631,mean baseline cosine = 0.5962,shuffled baseline = 0.5252 | |
| - 相比随机 baseline 提升 0.07(统计显著) | |
| ## 四、核心问题 | |
| ``` | |
| 现状:6 个功能 = 6 个独立页面 | |
| ❌ 同一段文本要在不同页面反复输入 | |
| ❌ 结果之间没有关联(Logit Lens 的结果不能顺手看 Attribution) | |
| ❌ 新模型(Tiny-NLA)完全没接入前端 | |
| ❌ 用户体验割裂——每个功能像独立的工具而非一个整体 | |
| ``` | |
| --- | |
| ## 五、设计目标 | |
| > **输入一次文本,在一个页面上以多种「透镜」/「视角」探索模型内部。** | |
| 期望的用户旅程: | |
| 1. 用户输入一段文本 → tokenize 为可交互的 token 序列 | |
| 2. 用户选中某个 token → 可以从多个维度探索: | |
| - 📊 **Info Highlight**:看 surprisal | |
| - 🎯 **Attribution**:看哪些前文驱动了这个 token | |
| - 🔍 **Logit Lens**:看逐层解码轨迹 | |
| - 🌳 **Branch Tree**:展开可能的续写 | |
| - 🧠 **Activation Explainer**:解释激活向量代表什么概念 | |
| - 🔗 **Causal Flow**:看信息流向 | |
| 3. 多个分析视图可以同时打开,共享同一份输入上下文 | |
| **你可以完全自由地设计交互模式和视觉风格**,不需要考虑现有前端代码的任何约束。 | |
| --- | |
| ## 六、Mock 数据 & 接口设计自由度 | |
| ### 现有接口参考 | |
| 所有后端的完整请求/响应 schema 见**第三章各小节**。demo 中构造 mock 数据时,请直接参考对应功能的 API 响应结构。 | |
| ### 🆕 可以设计新接口 | |
| **你不必拘泥于现有接口。** 如果统一工作流的交互需要新的后端接口来达到更好的效果,完全可以提出新的 API 设计。 | |
| **前提条件**:新接口必须在我们后端能力范围内。我们后端的能力边界是: | |
| - **运行时**:Python Flask/Connexion,单个 `server.py` 注册函数即自动生成路由 | |
| - **模型能力**: | |
| - Qwen3-0.6B (base + instruct) — 前向推理、logits 获取、hidden states 提取、tokenize | |
| - Tiny-NLA (LoRA + AR head) — 激活解释(已有) | |
| - **可做的计算**: | |
| - 单个 token 的前向传播及 hidden states | |
| - 任意层的 hidden state 投影到词表(logit lens 的核心操作) | |
| - 梯度计算(需 backward) | |
| - 两个向量的 cosine 相似度、L2 距离 | |
| - token 级别的概率获取 | |
| - **做不到的**: | |
| - 大规模 batch 训练(但我们的训练代码在 `experiments/tiny_nla/` 中,可以离线跑) | |
| - 需要额外预训练模型的计算(除非把模型文件放到 `artifacts/` 下) | |
| **如果你设计了新接口,在 demo 中用 mock 数据即可。我们在后续实现阶段会在后端补上。** | |
| 关键端点速查: | |
| - **Info Highlight** → 3.1 节 `POST /api/analyze` 响应 | |
| - **Info Highlight 语义搜索** → 3.1 节 `POST /api/analyze-semantic` 响应 | |
| - **Raw Chat** → 3.2 节 `POST /v1/completions` SSE 末条响应 | |
| - **Attribution 梯度** → 3.3 节 `POST /api/prediction-attribute` 响应 | |
| - **Attribution 消融** → 3.3 节 `POST /api/ablation-attribute` 响应 | |
| - **Logit Lens** → 3.4 节 `POST /api/logit-lens` 响应(注意 layers 数组结构) | |
| - **Branch Tree** → 3.5 节 `POST /api/branch-next` 响应 | |
| - **Causal Flow** → 3.6 节复合流程(tokenize + branch-next + prediction-attribute 串行) | |
| - **Tokenize** → 3.6.1 节 `POST /api/tokenize` 响应 | |
| - **🆕 Activation Explainer** → 3.7 节 `POST /api/activation-explain` 响应 | |
| --- | |
| ## 七、设计资源 & 参考 | |
| ### 设计灵感网站(自由参考) | |
| - **https://21st.dev/** — 现代 UI 组件灵感和设计模式 | |
| - **https://cuicui.day/application-ui** — 应用 UI 设计参考 | |
| - **https://ui.aceternity.com/** — 创新 UI 组件和动画效果 | |
| ### 本地设计仓库(内含设计规范) | |
| **[impeccable](https://github.com/pbakaus/impeccable)** — Anti-Design-Slop 检测器 | |
| - `AGENTS.md` — 仓库规范和工作流 | |
| - `DESIGN.md` — Neo Kinpaku 设计系统(暗色漆器 + 金箔 + 铜绿),包含完整的色彩、排版、圆角、间距 token 和组件规范(button、input、card、nav-link 等) | |
| - `CLAUDE.md` — Claude 专用的详细行为规范和交互模式 | |
| - `docs/STYLE.md` — 风格指南 | |
| - **核心哲学**:避免 AI 生成设计中的常见反模式(AI-purple gradients、三列等大 Feature Cards、过度 glassmorphism、无限循环微动画等) | |
| **[taste-skill](https://github.com/Leonxlnx/taste-skill)** — Anti-Slop 前端 Skill | |
| - `skills/taste-skill/SKILL.md` — 核心设计 Skill(85KB),包含: | |
| - 「Read the Room」——先推断设计意图再动手 | |
| - 「三旋钮」系统(DESIGN_VARIANCE / MOTION_INTENSITY / VISUAL_DENSITY)从 1-10 控制视觉风格 | |
| - 设计系统映射表(何时用 Fluent UI / Material / Carbon / Primer / govuk-frontend / shadcn 等) | |
| - 反默认纪律(避免 LLM 默认审美) | |
| - `skills/minimalist-skill/SKILL.md` — 极简风格 | |
| - `skills/brutalist-skill/SKILL.md` — 粗野主义风格 | |
| - `skills/soft-skill/SKILL.md` — 柔和风格 | |
| - `skills/redesign-skill/SKILL.md` — 重设计方法论 | |
| - `skills/stitch-skill/SKILL.md` — 设计缝合参考 | |
| **建议在开始设计前,至少阅读 `impeccable/DESIGN.md` 和 `taste-skill/skills/taste-skill/SKILL.md` 以了解高质量设计的核心原则。** | |
| --- | |
| ## 八、交付要求 | |
| ### 必须包含 | |
| 1. **统一输入区**:一个文本框接受用户输入,tokenize 后展示为可交互的 token 序列 | |
| 2. **至少 3 种分析入口**:包括至少 Logit Lens、Attribution、Tiny-NLA Activation Explainer | |
| 3. **多视图共存**:可以同时看到至少 2 种分析的输出(不互斥) | |
| 4. **Token 选择交互**:点击 token 触发对应分析 | |
| 5. **Mock 数据**:用静态数据代替真实 API 响应 | |
| ### 不需要做的 | |
| - 不需要对接真实后端 API | |
| - 不需要实现完整的 i18n | |
| - 不需要考虑 webpack 集成(独立 HTML 即可) | |
| - 不需要实现 Admin / Settings 功能 | |
| ### 交付物 | |
| 一个或多个独立的 HTML/CSS/JS 文件,可以在浏览器中直接打开运行。 | |
| --- | |
| ## 九、自由发挥空间 | |
| 以下内容**完全由你决定**,不受任何限制: | |
| - 🎨 **视觉风格**:暗色/亮色、极简/丰富、任何配色方案 | |
| - 🖼️ **布局方式**:面板/分屏/Tab/卡片网格/画布/任何创意布局 | |
| - 🎬 **动效设计**:过渡/微交互/动画,完全自由 | |
| - 📐 **交互模式**:点击/悬停/拖拽/快捷键/手势 | |
| - 🏗️ **技术选型**:原生 CSS / Tailwind / 任何 CSS 框架 / 任何 JS 库 | |
| - 📝 **文案风格**:技术性 / 产品化 / 趣味化,任意 | |
| **唯一的要求是:看起来不像"又一个 AI 生成的 demo",而是像一个真正有设计思考的产品。** | |