一句话定义：自注意力机制（Self-Attention）让序列中的每个位置，直接和同一序列里的所有位置"对一遍眼"，再按相关程度把信息加权汇总到自己身上。
一个会议室的比方
想象一场所有人同时发言的会议。每人手里有一张纸条，写着"我现在想找什么"——这是 Query（查询，Q）；胸前挂着一块牌子，写着"我是谁、我能提供什么"——这是 Key（键，K）；脑子里装着"我实际能交出的内容"——这是 Value（值，V）。
规则是：每人拿自己的 Q，去和在场所有人的 K 逐一比对，得到一个分数，分数越高说明对方越对胃口。把分数归一化（softmax）成一组权重，再用这组权重加权求和所有人的 V，就得到这个人这一轮的"新认知"。全场没有先后顺序，一次算完。
写成矩阵就是 Attention(Q, K, V) = softmax(QKᵀ/√d)V。把所有人的 Q、K、V 各自摞成矩阵，一次矩阵乘法搞定——这正是它能吃满 GPU 的原因。分母的 √d 是为了防止维度高时点积数值过大，softmax 之后被少数极端值主导、梯度几乎消失。
实践中常用"多头注意力"（AI 词典：Multi-Head Attention">Multi-Head Attention）：同时开几组 Q/K/V，各自关注不同侧面，有的头盯语法搭配，有的头盯指代关系，最后拼接起来。
它和 RNN、CNN 的区别
| 维度 | 循环网络 RNN | 自注意力 Self-Attention |
|---|---|---|
| 信息传递 | 像传话游戏，一步接一步 | 任意两个位置一步直达 |
| 并行能力 | 必须按时间顺序，难以并行 | 全序列并行 |
| 长距离依赖 | 路径长，容易遗忘 | 路径恒为 1，好抓 |
| 计算量 | 随长度线性增长 | 随长度平方增长（O(n²)） |
循环网络处理"第 100 个词要参考第 1 个词"时，信息得辗转 99 次，越传越淡；自注意力里这两个位置直接相乘打分，不受距离影响。
还要区分一点：经典注意力机制多用在编码器和解码器之间，是"跨序列"看；自注意力是同一序列内部自己看自己，这是 Transformer 的基石。
对从业者和普通人的意义
对从业者：它是 Transformer 里最核心的积木。理解了 Q/K/V，才好理解位置编码为什么必要（否则机制本身不区分顺序）、因果掩码（Causal Mask）为什么能防止"偷看未来"、推理时的 KV Cache 为什么能加速，以及上下文长度为什么受限。
对普通人：翻译时"它"指代得对不对、长文档摘要能否抓住开头的伏笔、模型能否把相隔很远的线索串起来，背后都是这套机制在起作用。
（具体实现细节与超参数以各模型官方文档为准。）