学习资料 全部文章

Anthropic 面向个人与企业的 AI 学习平台，解决用户从 Claude 基础使用到开发集成的学习与部署问题，提供产品教程、AI Fluency 课程和企业网络研讨会，覆盖对话、协作、编程、团队应用及 API、MCP 集成，帮助用户提升 AI 应用能力与企业落地效率。

AI编码提速后，审批、评审、交接和部署成为软件开发新瓶颈。AI原生SDLC将线性流程改为循环自动化，在计划、设计、构建、测试、部署、维护各阶段嵌入AI代理，以版本化工件衔接流程，并保留人类关键决策，提升交付效率、治理能力与生产响应速度。

解释闭源模型推理痕迹的生成、隐藏与泄露机制，指出推理痕迹本质是被训练到特定通道的文本，推理强度主要由系统提示词控制，改变思考开关、预填充或输出路由可能导致痕迹泄露。

《增长黑客》开源全文系统梳理创业公司从产品验证、获客到留存变现和病毒传播的增长方法，核心结论是数据驱动、实验验证与产品驱动增长仍有效，现仅授权非商业阅读与分享。

FDE通过识别业务问题、客户获取、部署激活、续约扩收与规模复制，将AI模型嵌入真实流程并量化价值，是破解企业AI落地失败、弥合技术与商业价值鸿沟的关键岗位方法论。

系统解决AI Agent从原理到工程落地的学习与实践问题，提供10章内容、10种语言版本及94个实验代码，降低开发者构建、评估和扩展Agent的门槛。

该ML系统教育项目整合教科书、TinyTorch、MLSys·im、硬件套件与教学资源，构建从阅读到部署的学习闭环，旨在弥合AI构建与工程化落地差距，dev分支正拆分两卷内容，并通过分层许可支持教学、开源与受限商用。

AdaCoM用外部小型LLM为冻结Agent学习上下文删改、合并与压缩策略，缓解长任务中的上下文退化，无需训练闭源Agent；实验显示网页搜索平均相对提升39.0%，深度研究中Kimi、DeepSeek分别提升9.0%和22.3%，核心结论是强Agent适合保留较长高保真上下文，弱Agent需激进压缩，且策略可在能力相近Agent间迁移复用。

教程用PyTorch从零复现Transformer语言模型，覆盖The Pile数据下载、预处理、训练、生成与代码解析，支持1300万至20亿参数规模；项目模块化实现MLP、自注意力、因果掩码、Transformer块、嵌入和位置编码，并给出GPU显存与可训练规模参考。

LLM Sleep提出在上下文窗口满后暂停输入，执行多次离线递归前向传播，用学习规则更新SSM快速权重，再清空KV缓存继续预测；其核心判断是长上下文失败主要源于被驱逐信息缺乏足够计算转化，而非内存容量不足。实验显示睡眠循环越多，Rule 110、Depo多跳检索、GSM-Infinite和滑动窗口任务的深度推理表现越好，收益集中在难例；代价是训练成本随循环深度线性上升且更不稳定。