你的大脑在做的事情，是把这个新场景映射进一个内部的、高度压缩的世界模型——一个你花了几十年建立的、通过无数次经验不断更新的模型。的开发工具，有专门的工程师职位叫”知识工程师”，有大学开了专门的课程。这里有一个更深的哲学问题，1971 年，哲学家 Hubert Dreyfus 在他的《计算机不能做什么》里就提出过：人类的智能，在很大程度上依赖于我们对”什么是重要的”的直觉——而这种直觉是。他们花大量

但在细胞内部，维持着惊人的有序性：精确折叠的蛋白质，精确调控的离子梯度，精确转录的遗传信息。你走进一个黑暗的房间，你的大脑不是在空白状态下等待光子——它已经在预测这个房间里可能有什么，预测椅子在哪里，预测墙壁的质感。当条件改变——当它遇到训练分布之外的情况——它的预测就会崩塌，而且崩塌的方式往往是不可预期的、奇怪的。你的大脑大约消耗 20 瓦，大约是一个昏暗灯泡的功率，但它在做的计算，是任何现有的

损失函数的作用：构建一个函数LbwL(b, w)Lbw，输入是模型的未知参数bbbwww，输出是“当参数取这些值时，预测结果好不好”的量化指标。简单说，就是用损失函数判断“当前模型参数下，预测值和真实值的差距有多大”。实例计算演示先给参数赋值（如b500b = 500b500w1w = 1w1），得到具体预测函数y500x1y500x1​；

branch这个命令以前叫/fork，现在改名成/branch了，打/fork还是能用，会自动跳到/branch。生成一份HTML报告，分析你过去一个月使用Claude Code的习惯，包括你最常用哪些命令，你有哪些重复性的操作模式，然后给你推荐一些自定义命令和Skills。比如我现在我开发了一个功能，我觉得不好，想撤销，我就可以先打/rewind，然后把这个会话里面的历史拽出来。在终端里打/rc

这张图里总结了通用的好的表征学习表征问题往往先于模型问题表征决定模型上限好的表征学习，就是把复杂的原始数据（图像、分子、文本等）映射到一个**既保持了原始结构（距离保持、连续性），又方便我们操作（可插值、可加性）**的向量空间，让后续的机器学习任务（分类、生成、预测）变得更容易、更鲁棒。两种典型的 “坏” 情况情况一：距离高估（Distance Overestimate）**现象：**两张几乎一样

详细总结：代理式 AI 系统开发流程与迭代循环（ Development process summary ）编写软件和代码来改进系统。决定下一步将构建精力集中在哪里的过程，其重要性与构建相当。显然，开发是一个非线性的过程，需要在调整系统、错误分析、改进组件和调整评估之间反复横跳。许多经验不足的团队往往花太多时间在构建上，而太少时间在分析上，导致工作重点不集中，效率低下。在早期，市面上有许多工具可以

具体来说，当询问身份时，我们将身份名称从“Qwen”改为“Deep Qwen”，并使用“Deep Qwen”作为正样本（优选回答），“Qwen”作为负样本（劣选回答）。所以，可以将这里提到的完全训练好的 Qwen 模型视为小模型在小数据集上训练的快速验证结果，这样我们就有机会看到完整的 DPO 训练过程，而无需在有限的计算资源上等待太久。上使用一个只将“Qwen”改为“Deep Qwen”的更小的

当我们在“表达”环节获得了一个惊艳的结果时，不应止步于此。我们需要利用“逆向提示（Reverse Prompting）”技术让 AI 分析“是怎样的 Prompt 生成了这个结果”，从而将这次成功的偶发经验固化为可复用的 Prompt 模板。这不仅是个人知识库的建设，更是将隐性知识显性化、标准化的过程，为下一次工作流的启动提供了更高的起点。MVW（最小可行工作流）被定义为能够把一个具体任务从输入跑

如果说大语言模型是智能体的大脑，那么工具 (Tools) 就是其与外部世界交互的“手和脚”。为了让ReAct范式能够真正解决我们设定的问题，智能体需要具备调用外部工具的能力。针对本节设定的目标——回答关于“华为最新手机”的问题，我们需要为智能体提供一个网页搜索工具。在这里我们选用 SerpApi，它通过API提供结构化的Google搜索结果，能直接返回“答案摘要框”或精确的知识图谱信息，# ...

它代码简洁，抽象程度少，工具开发难度低（只需要一个@tool装饰器），自由程度高，也具有流程跟踪功能，开发者很容易入门，也很方便理解重写其中的一些逻辑，来实现自己定制化的系统。可以看出，规划模式的Agent有许多好处，比如Agent拥有非常丰富的能力，进而扩展了能执行的任务范围。类似地，设计多智能体系统的通信模式也同样复杂，而组织结构的好坏会极大影响系统的效率与结果。当然，大部分框架都可以同时实现