来自2024AAAI的大模型与知识追踪结合文章，利用符号二部图和大语言模型，结合对比学习与LLM语义嵌入来生成更好的题目与学生嵌入，并将KT建模为二部图的边预测任务。

来自松鼠AI的大模型+教育综述：Large Language Models for Education: A Survey and Outlook。现有的LLM in教育综述，缺乏从技术角度的总结，因此本文以技术为中心（用下游应用区分）进行分类，对现有数据集和基准总结。

A survey on deep learning based knowledge tracing是知识追踪领域在2022年的最新综述，文章评估了过往DLKT的各类模型，并将其分类和对比。笔者在阅读了该综述后进行了部分总结

来自松鼠AI的大模型+教育综述：Large Language Models for Education: A Survey and Outlook。现有的LLM in教育综述，缺乏从技术角度的总结，因此本文以技术为中心（用下游应用区分）进行分类，对现有数据集和基准总结。

大语言模型真的能自我验证吗，谷歌的deepmind等多团队提出质疑，认为GPT4并不具有自我纠正、自我推理、自我批评的能力，它做的只是一种检索运算

来自松鼠AI的大模型+教育综述：Large Language Models for Education: A Survey and Outlook。现有的LLM in教育综述，缺乏从技术角度的总结，因此本文以技术为中心（用下游应用区分）进行分类，对现有数据集和基准总结。

对于首篇LLM agent优化综述的总结与讲解——A Survey on the Optimization of Large Language Model-based Agents（上），由于内容过多将分为2个部分对现有使用各种策略来优化LLM AGENT的方法记性总结与回顾。具体分为参数驱动和参数无关的优化方法。重点先介绍了 参数驱动优化，包含基于微调的优化、基于强化学习的优化和混合策略优化。重

对《可解释人工智能导论》书籍的读书笔记记录，每个章节都会进行总结

2023知识追踪最新综述——《Knowledge Tracing：A Survey》，文章发表在ACM Computing Survey上

介绍一篇最新LLM agent开源库文章。大型语言模型（LLM）的最新进展使研究人员和开发人员能够构建自主语言agents，可以自动解决各种任务，并并与环境，人类和其他代理进行交互 通过自然语言接口。本文发布了AGENTS，一个开源库，其目标是向更广泛的非专业观众开放这些进步。AGENTS经过精心设计，支持重要功能，包括规划，记忆，工具使用，多agents交流和细粒度符号控制。AGENTS是用户友