登录社区云，与社区用户共同成长
邀请您加入社区
本文精选 5 篇 AI 学习方向的优质文章，按「先判断要不要补数学 → 建立完整知识体系 → 学会读论文 → 动手把模型写一遍 → 掌握与大模型协作的提示词能力」这条顺序排列。适合刚入门、准备转方向或想补底层认知的同学按序阅读。本周精选 AI 学习方向优质文章，涵盖入门路径判断、机器学习知识体系、顶会论文精读方法、手写 Transformer 实战与提示词工程进阶，从该怎么学到底层怎么写一次看全。
技术在变，但道理没怎么变。从 SQL 注入到提示注入，从"万能密码"到工具投毒，攻击者干的事始终是那一件：想办法让系统把自己的话当成命令。防御思路也始终是那一套：把指令和数据分开，给它最小的权限，留好痕迹，别把鸡蛋放一个篮子里。还有一点印象很深：这堂课把"老"的东西和"新"的东西摆在一起讲。SQL 注入是二十多年前的漏洞，MCP 是这两年的新协议，中间还夹着几十年前就定型的设计模式。它们出现在同一
本文为零基础开发者量身定制的AI大模型应用学习路线图，主张“先用后学”：从调用API搭建对话机器人起步，逐步掌握提示词工程、Agent架构与工具调用，最终实现企业级知识库助手项目。全路径强调实战产出，涵盖环境搭建、RAG流程、FastAPI部署及成本监控等关键环节，避免陷入理论泥潭。通过四阶段递进式训练，结合实操代码与避坑指南，帮助小白快速构建可落地的AI应用能力。
三个月赛期里，我们看到了从文档勘误到编译器性能优化、从测试用例补充到 DFX Skill 开发的丰富贡献。无论你是第一次提交 PR 的新人，还是持续深耕的资深开发者，你的每一行代码都在为仓颉生态添砖加瓦。仓颉社区学习赛还在进行中，欢迎大家继续参与。生态的繁荣离不开大家的鼎力支持，欢迎大家持续关注并参与仓颉生态贡献。你的每一行代码，都在为仓颉生态添砖加瓦。本次活动最终解释权归仓颉开源社区与 Atom
本讲核心：通过位形空间（C-space）将复杂机器人运动规划转化为“点在地图上找路”的几何问题。关键思想是将机器人及其障碍“缩放”——机器人变点，障碍“长胖”，从而构建自由位形空间 $ C_{\text{free}} $。主流方法包括：回缩法（构造Voronoi图路网）、单元分解（精确/近似切分）、概率规划（PRM、RRT）等。前者完备但高维失效，后者高效且适用于高维空间，尤其适合机械臂等复杂系统
KAIST、LG电子与微软研究院提出质量可控策略（QCP），通过显式质量标签（如速度、稳定性）条件化策略，实现推理阶段执行质量的灵活调节。结合迭代事后重标记，系统可突破初始数据质量上限，持续优化性能。在仿真与真实机械臂（Franka）上验证，传送带任务吞吐量提升59.3%，酒杯搬运倾角降低27.0%，成功率显著提高，证明该方法在物理世界中有效且通用。
非完整约束源于轮式机器人纯滚动限制，导致速度方向受限但位形空间仍全可达。本讲揭示其本质：运动学模型为 $\dot{q} = G(q)u$，输入少于状态，引发控制难题。通过独轮车、自行车模型分析，引入李括号与可控性判据，证明系统虽局部自由度受限却全局可达。链式形式与微分平坦性（如 $(x,y)$ 为平坦输出）提供高效规划路径的捷径，可自动生成满足约束的轨迹。最优轨迹由 Reeds–Shepp 曲线给
学习
——学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
北京朝阳AI社区
AtomGit开源社区
DAMO开发者矩阵
