与「多智能体」相关的搜索结果

学 Agent 开发的时候，最头疼的往往不是概念，而是找不到能直接跑通的完整示例。 NirDiamant/GenAI_Agents 这个仓库就攒了一大批实战教程，范围从最简单的对话机器人一直铺到多智能体协作这种复杂系统，每一份都附有全量代码和讲解说明。 内容既包括入门级的对话问答，也讲了 LangGraph、MCP 这些框架怎么用；商业侧有客服、简历筛选、合同分析等落地案例，创意生成和信息分析方向同样有所覆盖。 市面上常见的 Agent 应用类型，基本上都能在这里找到可参照的实现。 除此之外，还有一套从提示工程讲到生产部署的课程，拆成 17 个模块，配了视频和练习题，带你从结构化提示一步步搭出真正能跑的系统。 无论是想系统学习，还是找参考实现，都挺合适。 仓库地址：

🚀 近期 GitHub 金融与 AI 领域增长最快的 10 个开源项目，AI 正在加速进入量化交易市场 从 K 线预测、AI 多智能体交易，到自动制定策略、历史回测和风险管理，越来越多的交易工具开始由 AI 驱动。 以下是本周关注度增长最快的 10 个项目： 1. Kronos｜AI 预测 K 线走势（⭐ +2,653） 基于全球 45 家以上交易所的数据训练，只需输入历史行情，就能预测后续 K 线走势。虽然项目自 4 月以来没有更新代码，但近期关注度明显上升 2. TradingAgents｜AI 交易决策团队（⭐ +1,944） 模拟真实投资机构的运作方式，让多个 AI 智能体分别担任分析师、研究员、交易员和风控人员，通过讨论与评估形成交易决策。项目累计获得约 11.3 万颗 Star 3. day-trader-skill｜AI 日内交易助手（⭐ +972） 整合 11 项 Claude 技能，覆盖行情扫描、新闻分析、进出场策略及止损管理。内置时间回放功能，可对交易过程进行上万次模拟，默认采用模拟交易模式 4. Vibe-Trading｜自然语言量化交易（⭐ +821） 香港大学 HKUDS 团队开发的 AI 交易代理。无需复杂编程，只需用自然语言描述交易思路，就能辅助生成策略并执行历史回测，同时支持 MCP 5. last30days-skill｜全网金融信息研究（⭐ +730） 自动整合 Reddit、X、YouTube、Hacker News 和 Polymarket 等平台的信息，并结合点赞、互动和真实资金参与情况评估市场关注度 6. daily_stock_analysis｜AI 每日股票分析（⭐ +487） 利用大语言模型分析美股、A 股、港股等市场，自动生成每日投资决策看板，并通过 Telegram、Discord 或邮件推送 7. FinceptTerminal｜开源金融终端（⭐ +412） 类似 Bloomberg 的桌面金融分析平台，将市场行情、金融研究和 AI 智能体整合到同一个终端 8. freqtrade｜加密货币量化交易机器人（⭐ +360） 成熟的开源自动交易框架，支持策略回测、Telegram 远程控制，并通过 FreqAI 引入机器学习能力，同时支持 Hyperliquid 9. tick-stock-panel｜A 股 AI 量化工作台（⭐ +346） 面向中国 A 股市场的自托管量化系统，支持使用大语言模型辅助编写交易策略、历史回测及实时监控，提供 65 个 API 接口和 MCP 服务 10. OpenBB｜AI 金融数据基础设施（⭐ +294） 面向分析师、量化研究员和 AI 智能体的开放金融数据平台，覆盖股票、期权、加密货币及宏观经济数据，并提供 MCP 接口。 值得关注的趋势是，AI 交易工具正在从单纯的行情分析，逐步发展为集数据获取、策略生成、回测验证、风险管理和自动执行于一体的完整系统 对于量化交易开发者来说，这 10 个开源项目值得收藏研究

# 还在养一个什么都管的超级 Agent？官方拆台：监管 Agent 已是旧货，不拆成小队、权限一乱全队陪葬 先说结论：一个 Agent 什么都管，听起来省事，实际上是把所有数据、所有权限、所有出错可能全塞进同一颗脑袋。指令一长就混乱，出了错也不知道是哪一步坏的。这篇只讲一件事：把一个大 Agent 拆成领队加两个专家加一个沙箱，领队只管分工，专家每人只看自己那张表，政策文件丢给用完就删的沙箱去读。 先说背景：监管 Agent 是 Databricks 早期官方推的做法，现在已被列为旧货，新活别再用它起手。替代它的是低代码的精灵 Agent 当专家，命令行工具搭领队。精灵 Agent 不用写程序，对着自己的表建好、复制编号就能用；领队要决定叫谁、怎么拼答案，这种协调逻辑写进程序文件里才管得住。 作者只问了一句话：为什么我们一直在流失亚太客户？查账户、查支持工单，再对照服务等级协议，告诉我先修哪一个。领队自己不动手查表，账户问题交给账户分析师，工单问题交给支持分析师，政策文件交给沙箱读完就删，领队把三份答案拼成一句回复。没拆之前，一个 Agent 要同时读两张表加一份文件；拆了之后，每个专家只认自己那张表，出错直接定位到人。 六步搭起来：两张表传进同一个结构，政策文件放进统一目录的存储卷；建两个精灵 Agent，各自只读自己的表，从设置页复制编号；装命令行工具、登录工作区；把专家和沙箱接进来，登记在工具清单文件里；在领队文件里写好系统提示词，从模型网关挑模型；本地跑起来，在聊天界面问一句跨表问题验收。 小心三件事：免费版只能本地搭着测，部署要试用版或付费工作区；表本身错了，领队拼起来的也只是三份错答案的合集；出错只看最终答案等于盲修，每一次调用、耗时和用量都记在追踪日志里，不看追踪就不知道哪一步坏的。 一句话：多智能体的重点不是 Agent 数量，是每一次出错都能定位到人。领队只分工、专家只看自己的表、沙箱用完就删，四点同时成立才算搭完。 S1哥观点：别再问为什么我的 Agent 越养越笨了，笨的从来不是模型，是你把所有表、所有权限、所有判断全塞进同一颗脑袋，还指望它每次都分得清轻重。第十次出错就该承认，这活本来就不该一个人干。你手上那个超级 Agent，到底同时碰了几张表？评论区说说。 收藏用清单（照着做）： 1. 确认监管 Agent 是旧货，新系统不用它起手。 2. 两张表各建一个精灵 Agent，只读自己的表，编号从设置页复制。 3. 装好命令行工具，接进专家和沙箱，领队文件里写好提示词、挑好模型。 4. 本地跑起来问一句跨表问题，再去追踪日志里核对调用、耗时和用量。 转给还在养一个什么都管的超级 Agent 的朋友，他今晚就能少踩一个坑。

今晚别刷Netflix了。 去看这个SpaceX AI工程师1小时的课程。 这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。 从单agent开始，一路到loop、graph、多智能体协作、verification和agent-friendly架构。 不管你是从没认真跑过agent，还是已经天天在用GrokBot，看完都会把很多“原来如此”的点一次打通。 真正核心就这几层： 1. 99%的人只用1个agent，没用loop和graph，只发挥了1%实力 2. 真正的新stack是Chief of Staff + PM + 20+ workers全自主团队 3. 怎么用高质量skills让agent像真工程师一样干活（pstack） 4. 怎么把代码和架构改成agent-friendly（Dune、contract、CI） 5. 怎么用verification让自己真正敢把活交给它们，而不是一直盯着 大多数人花好几个月才拼出的全景图，这节课直接给你画完。 把时间空出来，这可能是你这个月最值的一堂课。

7. Claude 多智能体工作流 让 Claude 扮演 4 个协作角色： • 架构师 • 工程师 • 审查者 • 优化者 分工： • 架构师 → 设计系统 • 工程师 → 开发 • 审查者 → 质量控制 • 优化者 → 性能提升 输出： • 架构 • 实现 • 审查反馈 • 最终优化版本

【招聘｜AI Agent 工程师 · 预测方向】 📍 新加坡 / 远程（新加坡时区）｜全职 💰 SGD 8,000–14,000 / 月 🤖 生产级 LLM Agent 帮客户招一位 AI Agent 工程师。团队在做能预测未来、并公开记分的 AI：政策、市场、地缘事件的每一次预测，都在结果揭晓前锁定，再由现实检验对错。团队精干，已经和机构伙伴合作，只看你做过什么，不看头衔。 你要做的： 构建能自主搜索、阅读、逐步推理并给出校准概率的 Agent，跑大规模多智能体政策与市场模拟，让每个预测都可审计，并作为生产级服务交付给机构客户。 我们希望你： 1. 3 年以上软件工程经验，至少上线过一个有真实用户在用的 LLM Agent 或多步骤 AI 系统 2. Python 和后端扎实：异步服务、API、数据管道、数据库、云 3. 评测思维：先建评测，再谈效果提升 4. 熟悉工具调用、检索、结构化输出和上下文管理，用过多家模型及开源模型 5. 每天用 coding agent，能用英文清楚表达技术决策 加分项： 1. 有自己得意的预测机器人、Agent 项目或公开战绩 2. 做过多智能体系统，或市场、机构、人群的 agent-based 模型 3. 搜索与信息管道：爬虫、新闻流、带时间维度的检索 4. 有预测、预测市场或金融数据相关经验 📩 感兴趣的朋友，欢迎到 moledao 搜索「AI Agent Engineer, Forecasting」投递并给我留言，附上你最得意的 Agent 或代码仓库（链接见评论 👇） 欢迎转发给身边合适的朋友！ #新加坡招聘# #远程工作# #AIAgent# #招聘#

谷歌刚刚放出一门 70 分钟的官方课，手把手教你打造一个7 * 24小时完全自动化的生产级 Agent 。 很多人学 Agent 看了几十个小时零散教程依然搭不出可用的东西，核心是没有搞清玩具 Demo 与工业级架构的边界。 谷歌这门 1 小时课程没有任何水分，只聚焦 5 个真正的工程核心： 1. 从 0 跑通首个 Agent：拆解模型调用、工具绑定与执行环境的基础闭环。 2. 状态持久化（Persistent Memory）：告别单次对话即失忆，构建跨会话的记忆索引与上下文回填。 3. 长时自主循环（Agentic Loops）：摆脱线性问答，让 Agent 具备自我反思、容错重试与多轮状态流转能力。 4. 吃透 MCP 核心架构：彻底理清 Model Context Protocol 与传统 API 的本质区别，学会构建标准化的上下文协议。 5. 多智能体协同系统（Multi-Agent）：把分散的专职 Agent 串联成高协作度的自动化系统。 完全免费。 比市面上价值700刀的课还要干货。 建议收藏，今晚就观看 。🔖

腾讯开源Octop：多智能体协作助手 面向团队和家庭的本地AI助理平台，单进程即可运行完整的Web控制台、桌面端和定时任务。 它不仅接入了微信、飞书、钉钉等主流聊天软件，还支持多专家分工协同，并提供带权限确认的命令行与浏览器自动化执行能力。 所有对话记录、知识库和记忆数据完全保存在本地设备，适合对隐私要求高且需要自动化助手的场景。 Github：

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。