Andrew Ng 推出全新课程《Agentic AI》！
AI智能体开发正成为职场最抢手技能。这门课程系统教授4大关键设计模式：
1. 反思（Reflection）——智能体自我审视输出，持续改进；
2. 工具调用（Tool use）——结合大语言模型（LLM）调用搜索、日历、邮件、编程等功能；
3. 规划（Planning）——用LLM拆解任务，合理分配子任务执行；
4. 多智能体协作（Multi-agent collaboration）——构建多个专职智能体协同完成复杂任务。
课程还教你如何将复杂应用拆解成任务序列，系统应用这些模式。
最重要的是，Andrew Ng强调严谨的评估和错误分析流程是成功执行的关键。课程传授如何基于数据精准定位改进点，避免盲目试错，极大提升开发效率和质量。
课程采用纯Python实现，框架中立，帮助你深入理解底层原理，适合熟悉Python且了解LLM基础的学员，无论未来用哪个框架都能轻松上手。
未来，掌握Agentic AI设计模式，将让你在AI浪潮中抢占先机，打造真正能自主解决复杂问题的智能系统。
AI智能体开发正成为职场最抢手技能。这门课程系统教授4大关键设计模式：
1. 反思（Reflection）——智能体自我审视输出，持续改进；
2. 工具调用（Tool use）——结合大语言模型（LLM）调用搜索、日历、邮件、编程等功能；
3. 规划（Planning）——用LLM拆解任务，合理分配子任务执行；
4. 多智能体协作（Multi-agent collaboration）——构建多个专职智能体协同完成复杂任务。
课程还教你如何将复杂应用拆解成任务序列，系统应用这些模式。
最重要的是，Andrew Ng强调严谨的评估和错误分析流程是成功执行的关键。课程传授如何基于数据精准定位改进点，避免盲目试错，极大提升开发效率和质量。
课程采用纯Python实现，框架中立，帮助你深入理解底层原理，适合熟悉Python且了解LLM基础的学员，无论未来用哪个框架都能轻松上手。
未来，掌握Agentic AI设计模式，将让你在AI浪潮中抢占先机，打造真正能自主解决复杂问题的智能系统。
大型语言模型（LLM）训练与推理的优化技术总结：
随着模型参数规模达到数十亿，传统训练和部署方法面临巨大挑战。本文凝练了业内主流且高效的优化思路，涵盖内存、计算和推理三大核心方向，适合对大模型优化感兴趣的技术人员和面试准备者参考。
一、显存优化
- Flash Attention：通过“切块计算+重算”降低注意力机制的内存复杂度，从全矩阵处理变为分块处理，仅保存归一化因子，显著减小内存占用。
- 多查询注意力（MQA/GQA）：共享键值减少内存，分组查询权衡效率与质量。
- 激活检查点：保存部分激活，训练时重算其余，降低显存压力。
二、计算优化
- 序列打包：将多条训练序列拼接，消除padding，提升GPU利用率。
- 高效Transformer：借助BigBird、Longformer等局部+全局注意力，实现长序列线性复杂度。
- 低秩近似与层级扩张注意力：进一步降低计算量，支持更大规模输入。
三、推理优化
- KV缓存：缓存历史键值，避免重复计算，提升生成速度和内存效率。
- 状态缓存：用滚动哈希和LRU算法管理对话历史，支持缓存复用。
- 推测解码：先用小模型快速生成候选，再用大模型验证，推理速度提升2-3倍。
- 量化技术：8位、混合精度和量化感知训练，在保证精度前提下极大压缩模型大小。
四、训练优化
- 混合精度训练：bfloat16结合动态loss scaling，兼顾速度和数值稳定。
- 数据并行与ZeRO优化：通过分割参数、梯度和优化器状态，实现显存极限压缩。
- 流水线并行：GPipe、PipeDream等减少GPU空闲，支持多阶段并行执行。
- 张量并行：列切分和行切分矩阵乘法，实现大模型跨设备高效计算。
- 上下文并行：序列长度分割多GPU，结合先进通信协议保证效率。
- 专家并行（MoE）：引入专家子网，路由不同token至不同专家，显著扩展模型容量，同时需解决负载均衡。
优化大模型是一项系统工程，需多维度平衡内存、计算和通信开销。本文汇总的核心技术涵盖了当前业界最前沿的思路，有助于理解和掌握大模型训练与推理的关键瓶颈及解决方案。未来，随着模型规模持续增长，这些优化策略将愈发重要。
Jason Zhou 分享了如何通过“上下文工程”（Context Engineering）和完善的文档系统，让 Claude Code 在复杂代码库中的表现提升10倍，干货满满，值得深度学习：
1. 上下文工程是关键
Claude Code 默认接收系统提示（System prompt）、系统工具、MCP工具、CLAUDE.md文档和消息。使用
2. 子代理（Sub-agent）管理上下文
子代理适合只读任务（如调研），能将大量信息浓缩成关键摘要，帮助主代理聚焦核心内容，避免上下文爆炸。
3. 高效的文档系统至关重要
Jason推荐建立
- System：项目结构、技术栈、数据库模式、关键模块
- SOP：常见错误及最佳实践流程
- Tasks：产品需求文档（PRD）
- README：文档总目录，支持管理大型代码库
这个结构借鉴了 Manus 的本地缓存上下文卸载思路，能处理复杂项目。
4. 自动更新文档
设计
5. 实践案例：管理遗留代码库
@ODMtweets 分享了用类似方法管理基于 WordPress 的大规模遗留代码库。为每个类生成文档，并配合定制代理模式，显著提升了代理对旧代码的理解和操作效率。
上下文工程改变游戏规则：合理设计上下文不仅提升效率，还能让初级开发者产出接近资深水平。
- 文档驱动开发（DDD）落地：结合PRD和细化任务计划，让AI协助代码实现与评审，形成闭环。
- 防止提示漂移：保持文档即时更新和子代理分工，避免上下文信息丢失或偏离目标。
- 成本与收益权衡：更智能的上下文管理虽增加计算成本，但带来的开发效率提升远超投入。
1. 上下文工程是关键
Claude Code 默认接收系统提示（System prompt）、系统工具、MCP工具、CLAUDE.md文档和消息。使用
/context 指令可以查看上下文结构，合理设计上下文能极大提升代码智能生成质量。2. 子代理（Sub-agent）管理上下文
子代理适合只读任务（如调研），能将大量信息浓缩成关键摘要，帮助主代理聚焦核心内容，避免上下文爆炸。
3. 高效的文档系统至关重要
Jason推荐建立
.agent 文件夹，包含：- System：项目结构、技术栈、数据库模式、关键模块
- SOP：常见错误及最佳实践流程
- Tasks：产品需求文档（PRD）
- README：文档总目录，支持管理大型代码库
这个结构借鉴了 Manus 的本地缓存上下文卸载思路，能处理复杂项目。
4. 自动更新文档
设计
/update-doc 命令，代理每完成关键功能或修正错误后自动更新文档，保持知识库与代码同步，防止“上下文漂移”。5. 实践案例：管理遗留代码库
@ODMtweets 分享了用类似方法管理基于 WordPress 的大规模遗留代码库。为每个类生成文档，并配合定制代理模式，显著提升了代理对旧代码的理解和操作效率。
上下文工程改变游戏规则：合理设计上下文不仅提升效率，还能让初级开发者产出接近资深水平。
- 文档驱动开发（DDD）落地：结合PRD和细化任务计划，让AI协助代码实现与评审，形成闭环。
- 防止提示漂移：保持文档即时更新和子代理分工，避免上下文信息丢失或偏离目标。
- 成本与收益权衡：更智能的上下文管理虽增加计算成本，但带来的开发效率提升远超投入。
代码质量检查总是离不开多种工具的配合，静态分析、复杂度检测、死代码识别……切换太多工具效率低。
pyscn 是一个开源的 Python 代码质量分析器，集成了静态分析、代码复杂度、克隆检测、架构耦合度和死代码检测等多项功能，一站式帮你掌控代码健康。
不仅能精准发现冗余死代码、重复代码片段，还能量化函数复杂度和模块依赖，助力你持续保持代码整洁易维护。
主要功能：
- 基于控制流图（CFG）的死代码检测，帮你找出无法执行的代码路径；
- 利用树编辑距离和局部敏感哈希（LSH）实现代码克隆检测，发现重构机会；
- 计算模块耦合度（CBO），监控架构质量和依赖关系；
- 环形复杂度分析，揭示过于复杂的函数，提示拆分重构；
- 支持生成详细的 HTML 和 JSON 报告，方便集成到CI/CD流程；
- 快速的质量门控检查，轻松设定复杂度阈值，自动通过或失败；
支持通过 pipx 一键安装，命令行操作简单，适合 Python开发者、团队和持续集成环境使用。
pyscn 是一个开源的 Python 代码质量分析器，集成了静态分析、代码复杂度、克隆检测、架构耦合度和死代码检测等多项功能，一站式帮你掌控代码健康。
不仅能精准发现冗余死代码、重复代码片段，还能量化函数复杂度和模块依赖，助力你持续保持代码整洁易维护。
主要功能：
- 基于控制流图（CFG）的死代码检测，帮你找出无法执行的代码路径；
- 利用树编辑距离和局部敏感哈希（LSH）实现代码克隆检测，发现重构机会；
- 计算模块耦合度（CBO），监控架构质量和依赖关系；
- 环形复杂度分析，揭示过于复杂的函数，提示拆分重构；
- 支持生成详细的 HTML 和 JSON 报告，方便集成到CI/CD流程；
- 快速的质量门控检查，轻松设定复杂度阈值，自动通过或失败；
支持通过 pipx 一键安装，命令行操作简单，适合 Python开发者、团队和持续集成环境使用。
