有序二维矩阵整体二分的技巧：定义一个映射关系，对于一维索引，用整除列数得到行号，用取余列数得到列号。即：一维索引 index  —>  二维行号 = index // n，二维列号 = index % n。有了这个映射，就可以直接对整个矩阵进行一次二分查找

1、基础：ide（代码编辑器）；2、底层：uv（快速Python包管理器）；3、语法：Ruff（快速Python语法检查器）；4、类型：Pyright（静态类型检查器）；5、美化：Rich（Python美化堆栈报错）

五个Agent：多轮对话、记忆Memory、ReAct、在tools中传递state、检索增强生成RAG

1. 什么是LoRA：举例说明；2. 为什么需要LoRA；3. 为什么可以对增量权重低秩分解；4. LoRA如何更新参数；5. LoRA可以用在Transformer的哪些层；6. LoRA有哪些改进版本；7. LoRA训练时需要调整哪些超参数。

给定只包含 0、1、2 的数组（红、白、蓝），要求原地排序，使0在前、1在中、2在后。要求不能使用库排序，最好只遍历一次。又称为荷兰国旗问题

常用写法：from langgraph.graph.message import add_messagesclass State(TypedDict):messages: Annotated[Sequence[BaseMessage], add_messages]

1、TypedDict 用于定义一个字典应该包含哪些键，以及每个键对应的值是什么类型。2、Annotated 允许在类型提示的基础上附加额外信息，它在 LangGraph 中最重要的用途是为状态字段指定 reducer 函数，即告诉 LangGraph 当多个节点返回相同状态字段时，应该如何合并这些值。3、Sequence 用于表示一个元素有序的、可遍历的、只读的集合。它在 LangGraph 中

注入状态指的是让工具函数能够直接访问 LangGraph 图的当前状态（如定义的 AgentState），同时这个状态参数对 LLM 是不可见的。也就是说，LLM 在决定调用工具时，不会、也不需要去生成这个参数，它由 LangGraph 框架自动填充。

五个Agent：多轮对话、记忆Memory、ReAct、在tools中传递state、检索增强生成RAG

10-11集（CNN）内容：卷积神经网络（基础篇、高级篇）