《Agentic Design Patterns》中文翻译项目是一部针对 Antonio Gulli 所著《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》的中英文对照译本。该项目致力于为读者提供一个全面、专业的技术指南，详细介绍现代人工智能系统中智能体设计的核心理念与实践流程。

项目主要特点包括：

- 中英文对照，完整展示原书内容与译文对比
- 译文中对中文内容进行了黄色高亮处理，便于阅读与区分
- 严格遵循 Markdown 的格式规范，确保文档整洁统一
- 保留所有原书代码示例，方便读者进行实践和验证
- 翻译工作分章节持续更新，支持开放社区共同参与校对与改进

适合 AI 工程师、软件架构师、产品经理以及对智能系统设计感兴趣的研究者和学生。
一篇用Reddit 评论来分析 Claude Code 和 Codex 哪个更受欢迎的文章。| 原文
结论是Codex 明显更受欢迎，但同时 Claude Code 的用户量又明显更大。
考虑编程语言只有两种：被人骂的和没人用的，也许这两者到底谁能胜利还得等等。
文章中还提到GLM模型也开始被很多人作为最具性价比的模型所提及。
加州大学圣地亚哥分校的课程：Data Systems for Machine Learning

虽然名字里有个Data Systems，但更偏向于Machine Learning 。主页可以下载课件、笔记和讲课视频。

本课程分为三个部分，涵盖以下主题：
基础知识：深度学习、自动微分、CUDA编程、机器学习硬件
机器学习系统与优化：数据流图系统、机器学习编译、内存与图优化、机器学习并行化、自动并行化
大语言模型（LLM）系统：LLM训练、数据策展、推理与服务、注意力机制优化、缩放定律、检索增强生成（RAG）、LLM智能体。
加州大学伯克利分校的机器学习导论课程（2025年秋季版）

本课程介绍机器学习的理论基础、算法和应用，将数学的严谨性与实践经验相结合。这些大学的课程更新都很快，和现在的大模型等都有一些联系了。目前课程还在进行中，可以下载已经上完的课程的ppt和观看录像。

在整个学期中，我们将探索机器学习的完整流程，从问题构建、数据处理，到模型设计和优化。我们将从讨论什么是机器学习、如何构建和分类问题，以及常见学习范式的分类法开始。我们将回顾课程所需的数学背景，包括概率论和优化概念。

接着，我们将学习无监督学习方法，包括使用 k-means 和期望最大化（EM）算法进行聚类，以及使用主成分分析（PCA）进行降维。我们将详细讨论回归，从目标函数开始，然后转向线性回归及其最大似然估计（MLE）解释，最后探索回归与分类的联系。

课程的深度学习部分将从神经网络基础开始，包括构建非线性模型、选择架构和激活函数，以及定义损失函数。我们将涵盖 PyTorch 实现、反向传播、批量归一化、初始化策略和正则化。之后，我们将概览其他深度架构，如卷积神经网络（CNNs）、循环神经网络（RNNs）和 Transformer，以及生成模型，如大型语言模型（LLMs）、自编码器和生成对抗网络（GANs）。
前Manus工程师言午的一篇文章：从ChatGPT到AI Agent，一文讲透 Agent 的底层逻辑

“这篇文章，源于我一年半的AI开发实践，也源于我离职这近两个月里和许多团队密集交流后的一个强烈感受。我发现，在讨论Agent时，我们常常陷入两种误区：一些人将其神秘化，认为它无所不能；另一些人则将其过度简化，认为它“不过是把ChatGPT多调用几次”。

因为对 agentic 循环过程的体感缺少和原理的理解，形成认知的错位，最终导致我们的沟通成本很高。

因此，我写下这篇长文，希望能为我们这些从业者，建立一个关于Agent的体感和共识基础：AI Agent能力的质变，不仅在于底层大模型日益增长的智力，更关键的，在于我们围绕模型所设计的、那一套行之有效的“认知流程”。

本文近万字，就是体感的建立和对这套“流程”的完整拆解。”
以下是系统设计面试前你必须了解的关键算法清单，包含工作原理、优先级及典型应用场景，帮助你有针对性地准备：

1. Geohash（优先级★★★★★）
- 基于空间编码的地理位置划分算法
- 典型应用：基于位置的服务（LBS）

2. Quadtree（优先级★★★★★）
- 递归划分二维空间的树结构
- 典型应用：地理位置服务、空间索引

3. Consistent Hashing（优先级★★★★★）
- 哈希环实现节点负载均衡
- 典型应用：集群服务负载均衡

4. Leaky Bucket（优先级★★★★★）
- 流量限速算法，通过固定速率“漏水”控制请求
- 典型应用：限流

5. Token Bucket（优先级★★★★★）
- 令牌桶算法，允许突发流量且控制整体平均速率
- 典型应用：限流

6. Trie（优先级★★★★★）
- 字典树，支持前缀搜索
- 典型应用：搜索自动补全

7. Rsync（优先级★★★☆☆）
- 文件同步算法，支持高效增量传输
- 典型应用：文件传输

8. Raft/Paxos（优先级★★★☆☆）
- 分布式一致性算法
- 典型应用：分布式系统一致性保证

9. Bloom Filter（优先级★★★☆☆）
- 空间高效的概率型数据结构，快速判断元素是否存在
- 典型应用：减少昂贵的查找操作

10. Merkle Tree（优先级★★★☆☆）
- 树状哈希结构，用于节点间不一致性检测
- 典型应用：区块链、分布式存储数据校验

11. HyperLogLog（优先级★☆☆☆☆）
- 高效估算唯一元素数量的算法
- 典型应用：快速基数统计

12. Count-min Sketch（优先级★☆☆☆☆）
- 频率估计算法
- 典型应用：大数据流量统计

13. Hierarchical Timing Wheels（优先级★☆☆☆☆）
- 高效定时任务调度算法
- 典型应用：任务调度器

14. Operational Transformation（优先级★☆☆☆☆）
- 支持协作编辑的冲突解决算法
- 典型应用：多人协作编辑

总结：
- 地理位置相关算法（Geohash、Quadtree）优先级最高，适合LBS系统设计必备；
- 负载均衡（Consistent Hashing）、限流（Leaky Bucket、Token Bucket）、搜索（Trie）是核心基础算法；
- 一致性算法（Raft/Paxos）、布隆过滤器、Merkle树等为分布式系统设计的重要工具；
- 统计与调度类算法优先级较低，但在大规模系统中同样不可忽视。

系统设计面试中，理解算法原理、优缺点及实际应用场景，能帮助你更好地设计高效、可扩展的系统
Google Cloud 推出多智能体 AI 系统参考架构，助力构建高效协作的专业 AI 代理，实现复杂业务流程优化。核心思想是将大任务拆解成多个子任务，由多个专长智能体协同完成，提高效率与准确性，同时支持人机协作保障安全与可靠。

架构亮点：
- 用户输入由前端发送至协调者代理，自动选择合适代理流程（顺序执行或迭代优化）。
- 任务子代理、质量评估器和响应生成器分工明确，支持多轮优化与人工干预。
- 支持无服务器 Cloud Run，结合 Vertex AI、GKE、Model Armor 等多款 Google Cloud 产品和开放协议（A2A、MCP），确保系统安全、兼容和扩展性。

应用场景广泛：
- 财务顾问：实时数据检索、金融分析、个性化股票建议、自动交易执行。
- 研究助理：规划、数据收集分析、报告撰写，支持迭代评估完善。
- 供应链优化：库存管理、物流跟踪、供应商沟通，实现高效供应链协同。

设计要点：
- 安全：结合传统安全与动态防御，强调人工监督和最小权限，利用 Model Armor 防范提示注入和敏感信息泄露。
- 可靠性：支持容错设计、故障模拟、日志和异常处理，确保高可用。
- 运营：全面日志监控、智能体输出评估、工具共享和跟踪，提升运维效率。
- 费用与性能优化：合理选型模型与资源，提示工程优化输入输出，支持上下文缓存和批量请求降低成本与延迟。

后续行动：
- 利用智能体开发套件（ADK）快速构建与部署。
- 结合 Agent Garden 示例和代码，实践多智能体系统。
- 深入理解 Google Cloud AI 和机器学习的架构原则与最佳实践，实现业务价值最大化。

多智能体 AI 系统正推动智能自动化迈向新高度，将复杂任务拆解为可管理模块，提升效率与安全，适合金融、研究、供应链等多领域。
Claude Code指南是一个从基础到顶级的智能开发生态系统，融合了多工具、多内核、多代理及元智能，实现了协同放大与自我演进。以下（见评论）是核心要点和深入见解，助你理解并高效使用Claude Code。

Claude Code从工具集成走向元智能生态，构建了一个多核多代理协同、自我修复、自我学习和递归进化的智能开发环境。它不仅极大提升开发速度和质量，还通过深度协同和涌现智能，开创了AI辅助软件开发的新高度。
Before
After
Back to Top