斯坦福外刊学习的本质是极致的平静重复
这是一条推特长帖合集，转发并整理了多组外刊学习图片资料。主要内容包括斯坦福外刊提出的观点——学习的本质是极致的平静重复，强调通过平静而持续地重复练习来掌握知识；此外还分享了牛津外刊关于“人生回报率最高的12个习惯”的内容。帖子附带多张图片卡片，涉及学习方法论与个人成长习惯建议，适合存下来反复阅读学习。
全部文档 / 标签: 斯坦福
14 篇
斯坦福机器人学免费课程：6个月成为机器人学习工程师的学习路径
作者整理了一份利用斯坦福免费公开课程资源、历时6个月成为机器人学习工程师的自学路径。斯坦福将大量机器人学课程发布在YouTube上，讲师包括NVIDIA自动驾驶研究高级总监、Physical Intelligence联合创始人及Tesla Optimus AI负责人。该路径包含7门课程共119讲、约95小时视频、2本免费教材、6个可在家用笔记本上完成的练习项目，以及可选的122美元机械臂。学习顺序遵循斯坦福正式课程体系：先数学基础（线性代数），再机器人物理结构、感知、规划，最后是学习方法，避免了自学时无序观看导致的低效问题。
斯坦福 CS146S 首周：200 行复现 Claude Code——Agent Loop、核心工具集与系统提示词拆解
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。
斯坦福大学 CS336 公开课「从零构建语言模型」：18 讲完整视频 · 作业开源 · 零成本自学
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。
中秋国庆长假不出门的话不如学习Agent课程吧
作者整理推荐了四套值得学习的 Agent 相关课程：斯坦福 MS&E 435《AI 超级周期的经济学》从产业和经济学角度拆解 AI Stack 的价值分布；斯坦福 CS329A《自我提升型 AI 智能体》探讨 Agent 通过反馈、强化学习和记忆实现自我提升的闭环；Hamel Husain 的 AI Product Engineering 系列聚焦 Evals、Context 和 Systems，讲解如何把 AI Demo 变成可靠产品；CMU 11-768 则把 Agent 当作完整系统，涵盖 Harness、Evaluation、训练与安全。四套课程分别对应产业、研究、产品工程和系统工程四个视角，可拼成一张完整的 Agent 学习地图。其中三套已烧录双语字幕上传 B 站供大家学习。
深入解读斯坦福在线课程 MS&E 319「高效生成式语言模型」
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。
斯坦福新课 CME 295：9 讲走完 Transformer → RLHF → AI Agent → Diffusion LLM 全部知识地图
斯坦福大学 NLP 团队开设的 LLM 全景课程 CME 295，由知名速查表作者 Amidi 兄弟主讲，用 9 次讲座系统覆盖 LLM 全知识地图。课程分四大板块：基础（NLP 演进、Transformer 架构、MoE、注意力变体）、训练（预训练、SFT、LoRA、RLHF/DPO、PPO/GRPO/RLVR）、系统与工程（分布式训练、KV 缓存、投机解码、AI Agent 与 MCP 协议）、评估与前沿（LLM-as-a-judge、Diffusion LLM、多模态）。课程特点包括知识密度高、零作业两次考试、前沿覆盖度好，并配有公开的 Study Guide 和 15 语言速查表，适合已懂基础 ML、想系统理解 LLM 原理与最新趋势的学习者。
智能体评测三要素：时长、价值与可信度 | 斯坦福 CS329A Part 8 深度解读
本文深度解读斯坦福 CS329A Self-Improving AI Agents 课程第八讲，通过三篇前沿论文系统讲解智能体评测：METR 用'50%时间视界'衡量模型可完成任务的时长（每约7个月翻倍，但80%可靠性下缩短4-6倍）；OpenAI GDPval 用盲测胜率衡量经济价值（Claude Opus 4.1 达 47.6%，但趋势近似线性）；DeepScholar-Bench 评测知识综合的可信度（最高分仅31%，检索与综合是双重瓶颈）。核心结论：能力≠价值≠质量，三者共同撞上'上下文之墙'，评测需多指标并用并保持人类校验。
斯坦福课程推荐：CS329A Self-Improving AI Agents
本文推荐斯坦福研究生研讨课 CS329A，课程以'一线经验+论文精读'形式讲授如何构建自我改进的智能体，共 9 讲并全部收录于 YouTube。课程主线为：生成→验证→筛选→训练→更强模型的循环。内容涵盖 test-time compute scaling、稳健验证（ORM/PRM/Math-Shepherd/Weaver）、反馈学习（ReAct/RLEF/CAI）、规划与多步推理、RL scaling（STaR/GRPO/DAPO）、Deep Research Agents 及长期任务评估。核心结论：瓶颈在于验证而非生成，可验证领域（数学、代码）飞轮转得快，当前 RL 提升的是一致性而非根本能力。
斯坦福开源 STORM：给它一个主题，自动生成带引用的长报告
斯坦福开源项目 STORM 是一个基于 LLM 的知识整理系统，GitHub 揽获 3.1 万 stars，两篇论文分别入选 NAACL 2024 和 EMNLP 2024。它通过模拟多个不同视角的提问，先替用户生成提纲，再检索互联网资料，最后撰写结构化正文，每句话附带来源引用，大幅降低陌生领域调研的成本。其 Co-STORM 模式支持用户与多个 AI 专家在对话中共同梳理知识，并维护一张自动更新的分层思维导图，实时展示讨论进度与知识空白，让查资料不再需要一个人硬扛。
如何构建月入10万美元的AI公司：斯坦福与伯克利的五大原则
文章基于斯坦福和伯克利的研究，阐述了如何通过公开模型构建高可靠的AI系统。核心原则包括：编程工作流而非单纯提示、构建验证机制以确保输出正确性、智能分解任务而非使用单一巨型代理。强调了专有工作流、私有数据和评估循环在AI商业成功中的重要性。
如何让 Claude 像博士生一样研究：斯坦福 STORM 方法
文章介绍了斯坦福大学开发的 STORM 研究系统，该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词，让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告，包含视角分析、矛盾映射、综合综述和自我评估。
从写代码到管 Agent：斯坦福 AI 软件开发课要点解析
斯坦福开设首门 AI 软件开发课 CS146S，讲师 Mihail Eric 解析了初级开发者面临的就业“三重风暴”，并指出未来工程师的核心能力将从编写代码转向管理 Agent。文章探讨了多 Agent 工作流的误区、上下文切换难点，以及如何构建高测试覆盖和设计一致的“Agent 友好型”代码库。Mihail 认为，初级工程师因缺乏历史包袱，在 AI 转型中更具灵活性优势。
斯坦福 AI & ML 课程清单：从入门到大模型
本文列举了斯坦福大学关于人工智能与机器学习的 10 门顶级课程，涵盖了人工智能基础、机器学习、深度学习、强化学习、自然语言处理（NLP）、计算机视觉（CV）、大语言模型（LLMs）及深度生成模型等核心领域，旨在帮助学习者掌握 AI 第一性原理。