Agent 上下文预算 Skills 与前缀缓存
区分上下文、运行状态、技能说明和缓存，按需加载知识并验证压缩后的决策信息。
已核验
THE NOTEBOOK
知识笔记
每篇笔记回答一个问题。保留来源、核验日期和适用边界，把理解与实验一起记录下来。
没有匹配的内容。试试其他关键词，或清除筛选条件。
Agent 评估指标 轨迹边界与协作成本
区分探索成功与重复可靠性，用任务和轨迹前缀验证行为，并比较多 Agent 的信息收益、冲突与预算。
已核验
事件驱动 Agent 的取消与交互状态
将外部消息、迟到工具结果和用户修订建模为事件，控制任务归属、抢占、重复动作及界面状态验证。
已核验
Harness 与 Coding Agent 的执行和验收
把模型建议、工具执行和任务完成分开，用工作区隔离、补丁、验证器、预算与恢复构成运行环境。
已核验
结构化记忆与知识索引的来源和权限
用主体、时间、来源和修订表达记忆，比较文本、关系、摘要树与 GraphRAG 的检索任务和验证方式。
已核验
Agent 轨迹学习 后训练与持续改进
从可验证失败定位改动，区分知识、指令、程序和参数更新，构造训练任务并使用独立回归与发布门禁。
已核验
AI Agent 教材十章对照与知识补充
将 ai-agent-book 的十章与现有知识库逐项对照，补充六个工程专题，明确学习顺序与实验边界。
已核验
AI 应用实战路线：从开发到架构与面试
衔接现有基础、后端、RAG/agent 综合项目、实测与架构讨论，按可交付成果学习。
已核验
AI 系统大纲：核心、支线与完成标准
对照 GitHub 教材与开放课程，组织 61 篇笔记的前置顺序、知识清单、支线和综合任务。
已核验
AI 知识地图：八个模块与学习顺序
把常见 AI 方向组织成 8 个模块、61 篇笔记与 10 条路径，按前置知识、练习和原始来源学习。
已核验
智能体项目：状态、轨迹与失败验证
从一个明确任务出发，用固定工作流作基线，验证状态、工具成功、预算和恢复。
已核验
AI 容量与成本：并发、存储和请求预算
用明确单位估算流量、在途请求、向量存储和模型费用，再用真实负载修正假设。
已核验
AI 开发与架构面试：六类案例和回答证据
用项目、容量、权限、可靠性与工具故障练习技术讨论，区分理解、实现和生产经验。
已核验
AI 项目评估报告：基线、对照与失败证据
把模型效果、检索质量、权限、工具和服务表现写成可复核报告，明确样本、分母与改动归因。
已核验
AI 服务后端：流式响应、取消与重试
把模型应用接入服务工程：定义请求契约、流式事件、截止时间、幂等和身份传播。
已核验
AI 服务可靠性：SLI、SLO 与错误预算
把用户体验转成可测量的服务目标，区分流式完成、答案质量、告警和故障处置。
已核验
AI 系统设计：边界、数据流与架构取舍
从业务约束设计知识助手的数据、检索、工具与运行边界，说明扩展和一致性的理由。
已核验
RAG 综合项目：任务拆解与验收清单
围绕自制知识库完成检索、生成、权限、更新、评估和交付，明确每阶段应提供的证据。
已核验
权限与缓存实验：同问不同人、撤权与版本
用 3 份自制文档和 10 个顺序场景复现缓存越权与过期，记录基线、改进和版本漏更新的边界。
已核验
上下文与记忆：选择、压缩、隔离与遗忘
区分当前输入、任务状态、长期记忆和知识库，建立来源、时间、用户边界与删除机制。
已核验
智能体执行循环：模型、工具、状态与停止
将 agent 看作受约束的执行系统，理解工具选择、结果观察、状态持久化和可验证终止。
已核验
工作流与多智能体：拆解、路由、协作和交接
按任务依赖选择固定流程、路由或多智能体，明确状态所有权、合并规则与失败恢复。
已核验
AI 数学基础：张量、梯度与概率
把线性代数、微积分和概率连接到真实模型操作：看懂形状、梯度更新与不确定性。
已核验
AI 应用安全：数据、权限、注入与执行
把安全落实到认证身份、资料可见性与工具执行程序，理解提示注入、泄漏与数据生命周期。
已核验
语音 AI：音频数据、ASR、TTS 与评估
从采样率和频谱进入转写与语音合成，区分 WER/CER、自然度、流式延迟和说话人边界。
已核验
概率校准与不确定性：分数能否支持决策
区分分类准确率、排序、校准和不确定性，避免把高分或 token 概率当事实置信度。
已核验
数据漂移与监控：分布变化不等于质量下降
区分输入、标签先验和概念漂移，结合数据质量、迟到标签及告警调查维护模型。
已核验
数据与特征管线：先划分，再拟合
把数据探索、缺失处理、类别编码、标准化和特征选择放进可复用的训练管线，避免泄漏。
已核验
深度学习训练：计算图、损失与优化
理解神经网络训练闭环、过拟合与复现记录，区分训练目标改善和实际能力改善。
已核验
扩散与图像生成：噪声、条件、调度器与复现
理解迭代去噪、潜空间与生成管线，区分模型、scheduler、引导强度与可重复运行条件。
已核验
Embedding 与向量检索：表示、相似度和索引
理解文本向量、距离、归一化与近似检索，避免把相似度分数当作事实置信度。
已核验
实验统计：配对比较、区间与显著性
用独立单位、配对重采样和置换检验分析差异，区分离线评估与线上因果实验。
已核验
公平性与可解释性：分组评估和解释边界
检查数据与错误的群体差异，理解公平指标取舍和 permutation importance 的局限。
已核验
LLM 评估：样本、评分、评判模型与回归
把格式、任务成功、事实支持和执行成本分别测量，建立独立测试集与可追溯错误分类。
已核验
LLM 训练与适配：预训练、SFT、LoRA 与对齐
把知识输入、任务学习和偏好优化分开，理解聊天模板、数据质量与微调评估。
已核验
机器学习工作流：任务、数据与泛化
从回归、分类和聚类开始，建立数据划分、基线、特征处理与评估的完整顺序。
已核验
MCP：协议、工具发现、版本与授权边界
以 2026-07-28 官方规范理解 MCP，区分连接、身份、能力与工具执行权限。
已核验
机器学习评估：指标、阈值与交叉验证
手算混淆矩阵和回归误差，理解 ROC/PR、分组与时间划分、嵌套验证和阈值选择。
已核验
MLOps 生命周期：版本、测试、发布与回滚
把数据、模型、代码和配置形成可追溯版本，明确数据测试、行为测试与模型发布门槛。
已核验
AI 模型选型：先看任务，再比较模型
区分产品、模型、权重和服务；用任务、版本、数据边界与固定样本建立可复查的选型表。
已核验
NLP 任务建模：分类、标注、问答与生成
按任务区分文本表示、标签对齐和评价口径，不把所有语言任务都简化为聊天生成。
已核验
优化与正则化：学习率、泛化与训练曲线
区分优化算法和模型容量，学习 SGD、动量、Adam、正则化、初始化与早停的检查顺序。
已核验
提示设计：任务、上下文、示例与输出约束
用可测试的任务说明替代模糊要求，区分零样本、少样本、任务拆解与证据边界。
已核验
PyTorch 训练实践：数据、梯度与 checkpoint
把 Dataset、DataLoader、张量形状、训练/推理模式和保存恢复连成可核查的训练流程。
已核验
RAG 评估：召回、排序、忠实度与正确性
把检索和回答拆开评价，明确 context recall、context precision、faithfulness 与事实正确性的参照物。
已核验
RAG 文档管线：解析、清洗、切片与版本
保留文档结构、来源位置和可见范围，让入库、更新、删除与引用形成闭环。
已核验
RAG 检索：召回、混合搜索与重排
拆开候选召回和精排，理解关键词、向量、过滤、查询改写与 top-k 的代价。
已核验
推荐系统：召回、排序、反馈与冷启动
理解内容推荐、协同过滤、矩阵分解与多阶段排序，处理未曝光反馈和离线评价的边界。
已核验
强化学习：奖励、价值与策略
建立状态、动作、奖励与回报的概念，理解 Q-learning、策略梯度和 PPO 的学习目标。
已核验
AI 推理工程：延迟、缓存、吞吐与复现
区分 prefill、decode 和端到端延迟，理解 KV/prefix cache、批处理与量化的工程取舍。
已核验
结构化输出与工具调用：格式正确之后还要验证
区分 JSON、schema、工具提议和实际执行，建立类型、业务、权限与幂等检查。
已核验
监督学习算法：线性、树、集成与距离
对比回归和分类中的常用算法，理解假设、预处理、复杂度与基线选择。
已核验
时序预测：窗口、基线与滚动验证
围绕预测时点组织 lag、季节性和窗口特征，避免未来信息泄漏和随机切分的乐观误差。
已核验
迁移学习与数据增强：冻结、微调和标签一致性
从预训练表示到目标任务，检查冻结参数、BatchNorm 状态、增强标签和训练验证隔离。
已核验
Transformer：注意力、位置与生成
看懂 Q、K、V 的作用、因果掩码与三类架构，并把训练并行和生成顺序分开理解。
已核验
无监督学习：聚类、降维与异常检测
理解 k-means、密度聚类、混合模型、PCA 和异常检测，区分发现结构与证明业务事实。
已核验
视觉与视觉语言模型：像素、任务与坐标
从图像张量、分类、检测和分割进入视觉问答，明确预处理、空间信息与文档理解边界。
已核验
评估先行：固定问题，再比较改动
先明确成功条件，保存固定输入与失败记录。小样本适合发现回归，但不能代表真实用户总体表现。
已核验
动手实验：关键词检索会漏掉什么
在 3 条自写语料、5 个固定查询上比较精确与规范化匹配。修复大小写和全角字符后，同义表达依然未命中。
已核验
检索增强 RAG：让答案回到证据
把检索、生成和引用检查分开。找到一段相关文本只是起点，还需要判断它能否支持答案以及何时应该不作答。
已核验
Token 与上下文：先分清计量单位
Token 的切分由分词器决定。设计输入预算时，先确认模型与分词器，再把输入、历史和输出需求一起列出来。
已核验