本文介绍了使用Vibe Coding方法从零构建ReAct智能体项目ZpAgent的过程。该项目基于LangChain+LangGraph+FastAPI+Vue3技术栈，实现了ReAct推理循环、SSE流式输出、动态工具选择、人工审批机制和双层会话记忆等核心功能。作者通过AI对话生成代码并反向理解设计，探索了Vibe Coding作为新型学习方式的潜力。文章重点拆解了项目架构（前后端分离+SSE

二分类问题中的混淆矩阵、准确率、召回率、Acc的介绍及代码实现

Karpathy Guidelines：AI编程的4条黄金准则

使用遗传算法对神经网络参数进行优化，提高深度学习模型的准确率。（Python、TensorFlow2、scikit-opt）

Agent中常用的MCP/Skills/Rule介绍

使用markline在echart折线图中画水平参考线

因强制关闭终端等原因，再次打开后发现终端出现bogon字样，之前的某某deMacBook-Pro被替换。

2 数据处理共2000张猫狗图片数据集，下载地址：Kaggle dc_20003 创建模型，使用VGG16作为预训练模型输出：4 训练模型

Agent中常用的MCP/Skills/Rule介绍

上篇博客：生成对抗网络GAN入门与代码实现（一）本篇主要介绍简单GAN的另一种实现方法(不使用卷积)，依然使用TensorFlow2进行搭建，主要运用了TensorFlow2中的求导机制进行自定义训练，自由度更高。对比上篇博客中的实现方法可加深对GAN的编写理解。文章目录1 导包2 数据准备3 生成器模型4 判别器模型5 编写损失函数，定义优化器6 获取模型&定义训练批次函数7 定义可视化