方案性质工序：用 $K_{\mathrm{d}}$ 验收亲和；形状与化学互补受去溶剂化约束；选择性是两条路径的比，不能用「再紧一点」结项。

方案第 6 步：预测不够时用「多样→筛选→再出发」；测定必须与真正目标同构；独立突变可加和，上位性用重组、多轮或同时多突变处理。

学习率 η 控制每步更新幅度；warmup 前期从近 0 爬到峰值，再接余弦/线性衰减。覆盖公式、BERT / LLaMA / 微调 / LoRA 经验值，以及与 Post-LN、batch size 的耦合。

Weight decay：每步把权重按比例拉向零，抑制过大 W。AdamW 为解耦实现。对照 L2、Dropout，以及 BERT 0.01 / LLaMA 0.1、Norm 层排除。

RMSNorm：只用均方根缩放、通常不减均值、无偏置 β。LLaMA / Qwen 等 Decoder 默认；训练推理同一公式。对照 LayerNorm、ε 与 Pre-Norm 位置。

LayerNorm：对每个 token 的隐向量去均值、除标准差，再仿射；稳住激活尺度，让残差堆叠可训。覆盖公式、ε、Pre-LN / Post-LN、BERT / GPT-2 / ProteinMPNN。

Dropout：训练时按比率 p 随机把激活置零，抑制过拟合；推理默认关闭。覆盖反向 Dropout、经验比率，以及 BERT / GPT-2 / LLaMA / ProteinMPNN / LoRA 落点。

大模型算法要点系列导读：把架构设计、训练、推理里反复出现的机制与超参拆成单篇，建立宏观认知，不替代完整架构长文。

Needleman–Wunsch 全局两两序列比对：问题定义、评分、二次动态规划递推、填表与回溯、完整数值例；对照 Smith–Waterman / Gotoh，以及 Biopython、EMBOSS、parasail 等社区实现。

以 Python 内置容器实现图：邻接表（dict + list）与邻接矩阵；有向/加权只是边的语义；BFS/DFS 入口与 NetworkX 选型风险。