文章介绍如何用 Agent 搭建自有 AI UGC 创作者队伍，替代传统按条租用真人 UGC 的模式。核心做法：按买家分段设计 3–4 个有固定脸、有人设的 AI 创作者，用 Agent 每日搜索爆款短视频、改写成角色口吻、同脸渲染并提前 24 小时排期，人工只审队列和周更话题。产品只占视频一个节拍，多数内容是人生而非广告。文中详述 9 步流程与 12 条提示词，包括接 Revid MCP、写角色 bible、建固定 character、话题设计、爆款拆解、每日跑批等，并强调 bio 标明 AI、禁止假评测等硬规则。
普林斯顿、斯坦福等机构联合发布 72 页综述「Emerging Trends in AI Agent Evaluation」，以 How（怎么做）、What（测什么）、Who（谁来做）三维度梳理智能体评测的 33 个趋势。核心论断：随着 AI 从回答问题走向自主行动，传统跑分范式失效，agent 评测正成为一门以心理测量学为骨架的新学科。文章介绍了效度危机、pass@k 与 pass∧k 区分、因果归因、污染新表面、LLM 裁判等方法论问题，以及模拟用户失真、田野实验负面结果、评测环境成为攻击面等实证发现，并直言评测生态受资金、访问权与议程影响，独立评测面临生存危机。
文章介绍了 MIT Media Lab 2026 年秋季开设的研究生课程 MAS.S62「How to AI an AI」，主题为自演化 AI（Self-Evolving AI）。课程提出四层演化框架：上下文演化（提示优化、记忆）、Harness 演化（agent 工具链自我改进）、模型演化（持续学习、self-play、测试时训练）、任务与环境演化（合成任务生成、世界模型）。文章详述了教学设计、评分结构、作业与顶会论文成果，并评价该课程是对松散领域的体系化定义尝试，建议以阅读清单和开源工具自学。
Latent Space 首期「High Taste Testers」栏目中，五位 AI 重度用户在 OpenAI DevDay 2026 后畅谈产品真相。核心观点：模型前沿没有让人失望，产品执行让人失望；Dots 等功能藏得太深、远程执行与状态迁移未解决；Codex 桌面端更新频遭差评；行业应从 agent 转向 assistant，助手胜负在减负；Jev 决策模型改变的是成本曲线而非能力边界；信任是这一代模型的真正分水岭；分发与深度的矛盾注定产品分裂，各自占据生态位。
本文介绍 Hamel Husain 主编的演讲合集《Beyond Naive RAG》，汇集 9 位一线检索专家的共识：朴素 RAG（切块+单向量+余弦检索）已失效，但检索增强生成本身远未死亡。全书论证三条主线：长上下文不能替代检索（Context Rot 证明上下文越长模型越不可靠）；评估先于优化（公开基准已污染，须建自有黄金数据集）；复杂性不是目的（慎用图数据库等过度工程）。涵盖 ColBERT 后期交互、推理增强检索（Promptriever、Rank1）、多重表示与智能路由、FreshStack 评估指标等前沿方法，提出'评估驱动+多表示+推理增强+克制架构'的实践观。
文章深度解读了 Google 与 Kaggle 联合推出的免费 5 天 AI Agents 密集课程，以五份白皮书为主线：Day 1 阐述 Vibe Coding 带来的软件开发生命周期范式转变；Day 2 介绍 Agent 工具互操作协议栈（MCP、A2A、A2UI、AP2）；Day 3 讲解 Agent Skills 作为 LLM 第一个程序性记忆原语的知识封装格式；Day 4 直面安全与评估问题，提出 7 支柱的 Effective Trust 架构；Day 5 主张规格驱动开发（SDD），探讨 AI 时代如何实现生产级工程。文章认为该课程是理解 Agent 时代软件工程范式重组的高浓度样本，并给出以白皮书为纲、Day 2 和 Day 4 含金量最高的学习建议。
本文深度解读哈佛大学2026年秋季Juncheng Yang开设的研究生课程CS2680《现代AI系统：Agent与系统优化》。课程以一条主线贯穿agent循环到LLM推理serving栈，通过五个递进式作业逐层解剖系统：A1为Claude Code构建Web前端，A2从零实现最小agent harness，A3在黑盒API下优化成本与延迟并引入排行榜竞争，A4自建推理引擎部署开源模型，A5全栈profile驱动的假设验证优化。文章还分析了课程的AI使用政策（强制披露、Claude Code session存档审计）、leaderboard评分机制、严格的20% A档曲线以及体现系统研究方法论的期末项目设计，展示了'AI时代如何教系统课'的完整答案。
本文整理了 Lee Robinson 在斯坦福 CS146S 的讲座，完整拆解常驻主动式智能体（如 GrokBot）的工程架构。内容涵盖：从工具到同事的四个时代演进、模型层六大关键变化（长程指令遵循、子智能体、computer use、技能系统等）、常驻 agent 内部架构（休眠-唤醒模型、Firecracker 微虚机云电脑、薄客户端单工具设计、Temporal 持久化工作流、升级阶梯）、安全模型（auto review、提示注入防护），以及上下文工程核心技巧（prompt caching 经济学、压缩时机、分层记忆），最后展望训练飞轮与行业走向，并给出给学生的三条建议。
文章解读小米 LLM-Core 团队发布的 MiMo-V2.6 技术报告。核心主张是通过系统性扩展强化学习算力提升模型智能，需同时扩展训练批次、环境多样性和评分器三个维度。模型有 Pro（1.02T MoE）和 Flash（310B）两个规格，RL 后训练成本分别 260 万和 90 万美元。报告详述了中期训练优化、GRPO 训练细节、多 harness 训练、四层 reward hacking 防御、Groupwise Agentic Grading 评分体系、router 冻结发现及基础设施设计，最终性能进入与 Claude Opus 5 / GPT-5.6 同一梯队，并开源蒸馏模型、环境与 RL 框架。
本文深入解读 Pi School 这门免费开源的 15 节课程，教授如何使用 Pi——一个模型无关的极简终端编程智能体。课程采用'用 X 学 X'的设计，学员把提示词粘给 Pi，由 Pi 自己授课并同步进度。内容分四个阶段：环境搭建与配置契约（含 AGENTS.md）、理解模型边界（上下文压缩、会话分支）、以及四层扩展体系（Skills、MCP、Code mode、Extensions）。文章特别分析了 Pi 的 Trust 信任模型——以项目级一次性授权替代逐动作确认，并点评了课程的优势（认知阶梯清晰、诚实度高、押注开放标准）与局限（深度偏入门、生态绑定 Cloudflare 等）。
MIT 三位教授 Torralba、Isola 和 Freeman 合著的《计算机视觉基础》开放免费在线阅读，全书 55 章历时 14 年写成，完整穿越深度学习革命。本书刻意不追踪 SOTA，而是强调当代方法深植于视觉与 AI 的历史脉络，从古希腊视觉理论一直讲到 NeRF。全书按问题背景、数学与信号处理、神经架构与统计建模、几何与运动、应用与研究素养五条主线编排，统一了经典视觉方法与深度学习，还包含研究方法论与社会伦理内容。作者认为它有望成为下一代 CV 标准入门教材，但不覆盖扩散模型与多模态大模型最新进展。
文章介绍了NYU Tandon 2026年秋季由Anthropic研究员Pavel Izmailov开设的研究生课程《Language Models, Reinforcement Learning, Reasoning》。课程共13周，除Sutton & Barto教材外全部使用原始论文，沿「预训练→架构与训练效率→后训练RL→对齐与安全→前沿与未来」的主线展开，涵盖Attention机制、扩展律、Muon优化器、RLHF、GRPO与RLVR、奖励过优化、可扩展监督以及世界模型等前沿主题。文章分析了课程叙事逻辑，指出RL重回舞台中心、中国实验室工作成为正典、安全对齐被当作工程学科等趋势，并给出自学者建议。
本文解读 OpenAI DevDay 2026 的 Latent Space 播客，嘉宾包括 Computer Use 负责人 Ari Weinstein 和 API 平台负责人 Nikunj Handa。文章指出 Agent 可靠性的定义已从“能否启动任务”转向“出错后能否自我调试与重试”。核心发布包括：Dots（每个 Agent 配备云端虚拟电脑）、GPT-6.1 Sol（Computer Use 成本仅为 Astra 的七分之一）、App Shots（捕获无障碍元数据的新输入方式）、Decisions API（一周零样本克隆 Jev）。文章还分析了缓存与压缩的 Agent 经济学、异步调用与 mid-turn steering 等 API 能力，并提出 OpenAI 正走向“AI 云”的 AWS 时刻，护城河向推理基础设施与平台生态迁移。
文章介绍斯坦福 Monica Lam 教授团队主讲的 CS224V「Agentic AI」研究型课程。课程围绕一个核心问题：如何将本质上不可靠、会幻觉的 LLM 变成可信赖、可追责的智能体。技术主线是一条自底向上的“反幻觉”知识栈，涵盖 LLM 基础、知识策展（STORM）、RAG（WikiChat）、结构化数据查询（SUQL、SPINACH）、形式化方法与可追责 AI（SMT、SatIR、VERDICT）、任务型对话 Agent 及元 Agent 优化。课程以研究项目为核心（占 65%），依托开源平台 AOS，选题集中于医疗遗传学等领域。其哲学是系统工程+形式化约束，与业界依赖规模的路线形成鲜明对比，适合有 NLP 基础、想做真实 Agent 研究的人。
文章介绍 MIT 韩松（Song Han）实验室开设的高效机器学习旗舰课程 6.5940 TinyML and Efficient AI Computing。课程分四章递进：高效推理（剪枝、量化、蒸馏、NAS）、面向特定领域的优化（TinyML、LLM 量化部署、长上下文、扩散模型）、高效训练（分布式训练、设备端训练）及进阶专题。课程以动手为中心，无考试，由 5 个 Lab（从 GPU 编程到本地 LLM 部署）和 NeurIPS 模板期末项目构成评分。作者认为该课程知识体系完整、与研究前沿零距离、工程实践导向鲜明，是学习模型压缩、LLM 推理优化和 TinyML 的最佳公开课，所有视频和课件均已公开。
本文是 Philip Kiely 所著《Inference Engineering》的交互式伴读站点介绍，系统梳理 LLM 推理工程全貌。文章以 prefill/decode 两阶段为原子结构，按运行时、基础设施、工具链三层展开，逐章讲解模型结构（Attention、KV 缓存、MoE）、GPU 硬件选型（带宽 vs 算力）、软件栈（vLLM、SGLang、TensorRT-LLM）、五大优化技巧（量化、投机解码、缓存、并行、解耦）以及多模态与生产实践（扩缩容、路由、成本、可观测性）。核心思想是：先诊断瓶颈再优化，一切优化皆是权衡，具体知识会过期而底层约束移动缓慢。
文章介绍 UC Berkeley EECS 2026 秋季开设的《Scalable AI》课程（EE 290/194），由 Anant Sahai 与焦剑涛联合授课，NVIDIA 提供算力支持。课程将大模型作为端到端工程对象教授，涵盖架构、预训练、后训练、高效推理、应用与研究前沿六个阶段，采用基于真实 H100 节点的项目制考核，无笔试，研究项目占 50% 且要求外部影响力证明。课程深度绑定 NVIDIA NeMo 工具链，反映了 AI 教育重心从论文向工程实践迁移的趋势，适合目标为 LLM infra 与 MLSys 的学生。
本文深度解读斯坦福 2026 秋季课程 CS329Z 第二讲「LLMs for Builders」讲义，面向 Agent 工程师系统讲解 LLM 底层原理。内容涵盖：自回归概率分解与解码采样策略；从 RNN 到 Transformer、线性注意力的架构演进及其工程取舍；预训练、中期训练与后训练（RLHF、RLVR）管线；推理阶段的 Prefill/Decode、KV Cache、投机解码与推理时扩展；最后落脚到 Agent 开发的结构化 I/O 与上下文工程实践，强调'设计决策→局限→应用策略'的因果链。
本文解读 DeepSeek-AI 与清华大学合著的 DSec 论文，这是支撑 DeepSeek V3.2 到 V4.1 智能体 RL 训练的生产级沙箱基础设施。文章分析了智能体训练负载的七大特性（突发创建、CPU 稀疏、有状态长寿命、高度异构等），介绍了其无状态控制面、分层代理数据面架构，以及可组合环境分层、高密度内存管理、QoS 感知 CPU 调度、按需镜像加载四大核心机制。还深入阐述了 agent loop 与训练解耦、暂停恢复协同、防 reward hacking 的安全对抗实践。作者认为这标志着智能体能力竞赛正在演变为基础设施竞赛。
文章介绍了哈佛大学 Vijay Janapa Reddi 教授的开源教材《Machine Learning Systems: The Physics of AI Engineering》，两卷 33 章，旨在像 Hennessy & Patterson 的体系结构经典一样，将 ML 系统工程变为有定量定律的学科。全书以铁律、屋顶线模型、能耗阶梯、Amdahl 定律、漂移方程等核心定律组织内容：第一卷讲单机 ML 系统栈（数据、训练、压缩、硬件、服务、MLOps），第二卷讲集群规模化（分布式训练、3D 并行、容错、推理经济学、可持续 AI）。文章总结了书中'约束驱动''一切皆有价格''静默失败是默认模式'等核心世界观，并给出不同读者群体的阅读建议。
本文解读 Anthropic 两位 FDE 的实战笔记，指出 AI 驱动的代码现代化中瓶颈已从'产出变更'转移到'围绕变更动员组织'。文章拆解了六步流程：定义三类现代化目标（Uplift/Transform/Reimagine）、定义机器可校验的'证书'作为合并标准、设定分层晋升策略、准备环境与安全前置条件、构建可迭代的 Agentic 工作流、小规模试点后规模化执行。核心洞察包括：与审查者共同设计验收标准、让专家早期介入换取后端轻审、'修改工作流而非修改每一处变更'，以及受监管环境中验证成本大于生成成本的新常态。
文章介绍台湾大学李宏毅教授 2026 春季机器学习课程，该课程完成了从经典机器学习到大模型时代前沿课的彻底转型。课程以四幕叙事展开：AI Agent 与 Context Engineering、模型内部架构（Flash Attention、KV Cache、位置编码）、模型教育（Harness Engineering、自我修正）、模型自我成长（Self-Improving、自我进化 Agent）。十次硬核作业与授课主题严格对应，涵盖 LLM 安全、Agent 搭建、推理优化、后训练等技能。文章认为课程演变折射学科趋势：Agent 成应用层范式、系统级工程能力重要、后训练时代重心移向环境设计与模型自我进化。
本文解读 Fireworks AI 官方 Training API Cookbook 中一篇实战教程，讲解如何结合 HUD 框架与 Fireworks Serverless Training API，在无本地 GPU 条件下用 GRPO 风格强化学习微调 LoRA 适配器。文章详细拆解了四步工作流程：环境配置、任务校准、单步训练和长跑训练，重点阐释了快照隔离、trace 记录、loss masking、组内优势归一化等核心训练机制。实验结果显示四位数乘法任务准确率从 78.1% 提升至 98.4%，但作者指出收益主要来自输出格式和自我节制的优化，而非深层算术能力的提升。文章还提醒了 checkpoint 语义区分等实操要点，并对教程的严谨设计给予高度评价。
文章介绍哥伦比亚大学 2026 秋季首门 Agentic Engineering 课程（COMS W4995-009），其核心立场是：Agent 本质是包裹模型的软件工程（harness），而非模型本身。课程分基础、架构、设计与生产化、期末项目四个模块共 13 讲，配备三个重实践的 Studio 实验：委托与可观测运行、长上下文压力测试与记忆架构、Agent 循环受控对比。文章还解读了课程的五层 Agent 生产栈分类法（L0 模型 API 到 L4 协调系统）与六大学习目标，认为该课将喧闹的 AI Agent 话题还原为可严肃讲授的工程学科，其课程网站和 Studio 设计即使不选课也值得从业者研读。
文章全景解读 MIT EECS 2026 秋季新课程 6.S950《Agency with AI》。课程不教工具使用，而教 AI 时代的工程判断力：什么该委托给 AI、什么该验证、什么该留给自己。方法论核心是四问法（解决什么问题/方案/老思想/新在哪）与增量思维。12 讲沿真实 ML 项目生命周期展开，涵盖文献阅读、spec 驱动开发、版本控制、抽象阶梯、数据审查、LLM 机制、评测设计与审计等主题。Lab 设计精妙地控制 AI 在场与否，考核要求任何无法说明理由的工作不得分，强调决策的可辩护性与人类作者性的保留。
斯坦福大学 Mihail Eric 教授开设的「AI 原生软件开发」课程 CS146S 首周资料公开。第一周主题是拆解 Coding Agent 内部机制：LLM 是无状态的文本到文本函数，agent 的能动性来自外部循环，即 agent = LLM + 工具 + 循环。课程用 200 行代码复现 Claude Code 骨架，讲解核心循环设计、read/write/edit/bash 四个最小完备工具集，以及 Claude Code、Cursor 等生产级 agent 系统提示词的结构分层：身份锚定、工具规则、工作流规范、安全边界和沟通风格。课程旨在 demystify：agent 没有魔法，骨架与产品的差距全是可学习的工程问题。
本文介绍斯坦福大学 2026 春季研究生课程 CS336「从零构建语言模型」。该课程由 Hashimoto 和 Liang 教授讲授，工程量极大，学生需亲手实现 tokenizer、模型、FlashAttention2 内核及分布式训练。内容覆盖 LLM 全生命周期：模型架构、系统优化（GPU/内核/并行）、Scaling Laws、数据处理、推理评估及后训练对齐（含 RLVR）。五次编程作业串起从原始数据到可对话模型的完整生产流程。目前 18 讲视频与作业已全部公开，是自学者系统补齐 LLM 工程能力的稀缺资源，但要求扎实的 PyTorch 与体系结构基础。
文章介绍了来自 Hamel Husain 和 Shreya 的 AI Evals 课程沉淀的 8 个 Skills，帮助工程师和产品经理为自己的 AI 产品构建评测体系。核心理念是先看数据再写评测：先手动阅读真实 trace 做错误分析，发现失败模式，再针对每个模式构建评测器，并用约 100 条人工标注校准（TPR/TNR 目标 >90%）。8 个 Skills 覆盖入口路由、错误分析、评测审计、合成数据生成、Judge 提示词编写、评测器校准、RAG 评测和标注界面构建。方法论强调二值评判、单一 judge 测单一失败模式、Rogan-Gladen 偏差修正等最佳实践。
本文深度解读 Modular 公司开源维护的《LLM Inference Handbook》，系统梳理 LLM 推理工程的知识体系。文章提炼三大核心框架：prefill（算力受限）与 decode（带宽受限）的两阶段二分法；KV cache 作为系统中心约束的地位，围绕它的 PagedAttention、prefix caching、PD 分离等技术网络；以及“一切皆 trade-off，唯一方法论是 benchmark”的工程哲学。内容还涵盖 continuous batching、speculative decoding、GPU 内存金字塔、FlashAttention、量化与蒸馏三部曲、Agent 生态与部署运维等主题，强调推理优化的本质是围绕有状态 KV cache 做内存管理与调度。
本文深入解读斯坦福 2026 秋季研究生课程 MS&E 319《Efficient Generative Language Models》。该课程以「效率」为设计科学，在算力预算有限的约束下，沿大模型生命周期系统讲授预训练、架构、推理、后训练四阶段的效率技术，包括多 token 预测、Muon 优化器、MoE、稀疏注意力、FlashAttention、KV 缓存压缩、量化、投机解码、LoRA、DPO 与蒸馏等，并涵盖越狱攻击与模型窃取等安全议题。文章认为该课填补了教育生态空位，内容前沿性与领域同步，揭示了每项效率技术背后的权衡取舍。
