简单说，上下文工程是帮 AI 优化 “记忆内容” 的技术体系：它不改变模型本身，而是通过组织、管理、检索信息，让 AI 在有限的上下文窗口里，发挥出最好的效果。随着 AI Agent 越来越复杂（能自主完成多步骤任务），上下文工程的作用会越来越关键 —— 它就像 AI Agent 的 “信息管家”，帮它 “记对事、不迷路”。好的 AI Agent，不仅需要聪明的 “大脑”（大模型），更需要高效的

在掌握生成式 AI 基础后，加分项目（Bonus HW）更像是一次 “实战演练”—— 它不局限于简单的概念记忆或步骤复刻，而是鼓励大家把基础知识点转化为解决问题的能力，甚至尝试小小的创新。这份作业的核心不是 “难”，而是 “活”，无论是结合热门的 AI Agent 设计，还是针对模型局限做优化，都能帮你在巩固知识的同时，提前接触生成式 AI 的进阶应用场景。

学习生成式 AI 的核心，在于把抽象的原理落地为具体的理解和操作。这份基础作业正是为了帮大家夯实核心知识点，从概念辨析到实操计算，全方位检验对 GenAI fundamentals 的掌握程度。不管是刚入门的新手，还是想查漏补缺的学习者，跟着这份思路完成作业，都能让基础更扎实。

在学习大模型的过程中，我们常会遇到一个困惑：模型生成的答案到底好不好？是正确率够高，还是逻辑够清晰？有没有工具能像老师批改作业一样，给出客观评价和具体反馈？JudgeBoi 就是这样一款 “智能裁判” 工具，专门用于评估大模型的输出质量，帮我们快速找到模型的优势与不足。今天就从核心逻辑、操作流程到实际应用，一步步带你掌握它的使用方法。

在和大模型打交道时，我们常遇到一个问题：AI 生成的回答到底好不好？比如让 AI 解数学题、写作文，或是生成编程代码，怎么快速判断它的输出是否准确、有用？这时候就需要一个 “自动阅卷老师”——Judge Boi，它能像老师批改作业一样，按规则评估 AI 的回答质量，帮我们高效筛选出靠谱的结果。今天我们就从它的核心作用入手，一步步学会用它来 “评判” 大模型。

在和大模型打交道时，我们常遇到一个问题：AI 生成的回答到底好不好？比如让 AI 解数学题、写作文，或是生成编程代码，怎么快速判断它的输出是否准确、有用？这时候就需要一个 “自动阅卷老师”——Judge Boi，它能像老师批改作业一样，按规则评估 AI 的回答质量，帮我们高效筛选出靠谱的结果。今天我们就从它的核心作用入手，一步步学会用它来 “评判” 大模型。

生活里我们常遇到生成式 AI：用 ChatGPT 写活动方案、让 AI 画一张 “赛博朋克故宫”、甚至用 AI 生成简单的代码 —— 这些看似复杂的能力，背后藏着一套清晰的逻辑。今天我们就从最基础的概念入手，一步步拆解生成式 AI 如何 “思考” 和 “创造”，不用复杂公式，只讲能落地的理解。

随着 AI 技术的发展，大语言模型（LLM）已经成为科技领域的核心工具，无论是日常对话、内容创作还是专业领域的问题解决，都能看到它的身影。但很多人面对复杂的技术概念和繁多的学习资料时，容易陷入 “不知从何学起” 的困境。今天就带大家梳理一套系统的 LLM 学习框架，从基础原理到实操技巧，帮你一步步掌握大模型的核心知识。

随着 AI 技术的发展，大语言模型（LLM）已经成为科技领域的核心工具，无论是日常对话、内容创作还是专业领域的问题解决，都能看到它的身影。但很多人面对复杂的技术概念和繁多的学习资料时，容易陷入 “不知从何学起” 的困境。今天就带大家梳理一套系统的 LLM 学习框架，从基础原理到实操技巧，帮你一步步掌握大模型的核心知识。

定义智能体基类，规范所有智能体的核心接口（run执行方法、元数据、输入格式、输出格式），确保兼容性：python运行import json_schema_for_humans # 用于生成输入输出格式校验"""智能体基类（抽象接口）""""""获取智能体元数据（名称、描述、版本等）"""pass"""获取输入数据JSON Schema（用于校验输入合法性）"""pass"""获取输出数据JSON