与「NLP」相关的搜索结果

[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。

CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

如果你想学习，想提升技能， 这 16 个频道最合适。且免费。 涵盖编程、AI、数据科学等。 1. SQL 👉 2. Excel 👉 3. Statistics 👉 4. Math 👉 5. Python 👉 6. Data Analysis 👉 7. Machine Learning 👉 8. Deep Learning 👉 9. Java 👉 10. Big Data 👉 11. Data Engineering 👉 12. NLP (自然语言处理) 👉 13. 计算机视觉与AI 👉 14. 生成式AI 👉 15. 大学级课程 👉 👉 16. 全能科技学习 👉

AI加玄学最近热度确实猛，但真正能落地跑通的硬核项目没几个。翻了几天GitHub，扒了8个实战开源的狠货，直接干货甩脸上。 提醒：别以为这是算命，这是你人生的K线图、Agent智能体、硬核算法排盘、玄学SaaS出海一条龙。直接Star收藏，不然后悔。 1 人生K线 创意满分，把八字命理和股票K线结合，AI大模型跑出你一生的牛市和熊市。让你直观看到自己到底什么时候能翻身，什么时候该躺平。支持自托管部署，趣味性拉满，不信你试试。 2 西方占卜AI模型 西方神秘学加NLP组合拳，用Reddit占星板块和纽约时报真实数据训练，做AI塔罗、占星文本分析的绝佳参考。想做蹭热度玄学内容？直接抄作业。 3 古代三式硬核算法 这个链接打不开，可能仓库被删或改名了。建议用“奇门遁甲”“大六壬”直接在GitHub搜，这类排盘库Python有不少，硬核到肝疼。 4 四柱编程 老天当程序员系列。用编程思维、面向对象彻底解构八字五行和天干地支。极客精神炸裂，教科书级别干货，保证让你看傻。 5 命运解读智能体 统一玄学Agent技能库。Python写，支持八字、紫微、占星等六种算命方法。专为接入Claude、Codex等大模型设计。想做AI算命机器人？直接抄。 6 神秘学Web应用 UI神秘感拉满的AI算命Web完整项目。React加Node.js搭建，底层接Llama 3大模型。前端动效和视觉直接参考，做产品抄这个就对了。 7 八字计算引擎与WebUI 八字五行计算神器。C++和Python算法扎实，自带Flask Web界面。开发者套壳二次开发，省时省力，直接起飞。 8 算命出海API服务 独立开发者出海搞玄学必看。AI命运解读API接口，爱情、事业、财富全涵盖，多语言SDK。产品价值提炼得牛逼，快速集成变现。想做跨境玄学老板？学它。 总结：AI玄学不是噱头，是真能赚钱。这几个仓库，研究透一个，你就赢了。

PITN has assembled a portfolio of exact-match multilingual digital assets spanning approximately 30 of the world's most widely spoken languages and writing systems. Structured using Unicode-based normalization, transliteration, and cross-lingual terminology mapping, the portfolio is designed to function as a semantic gateway for robotics and humanoid AI. By aligning concepts such as ROBOT, ROBOTS, HUMANOID, HUMANOIDS, and HUMANOID ROBOT across native scripts, these assets may support ontology-driven knowledge organization, AI discovery, semantic search, multilingual SEO, and globally consistent concept representation as search evolves from keywords to meaning. As humanoid technologies scale worldwide, standardized multilingual semantic infrastructure may become an increasingly important layer for global interoperability and discoverability. The more compelling question is not whether this semantic layer will matter, but at what point a major robotics company will have its "aha" moment and recognize that has already assembled a semantic gateway that could be leveraged today to accelerate global multilingual concept alignment and future humanoid ecosystems. #PITNAI# #Humanoid# #HumanoidRobots# #Robotics# #Ontology# #SemanticWeb# #KnowledgeGraph# #SemanticSearch# #AI# #NLP# #Multilingual# #Unicode# #SEO# #FutureOfAI# #AgenticAI# #DigitalInfrastructure#

🏆 𝗕𝗲𝘀𝘁 𝗣𝗮𝗽𝗲𝗿 𝗔𝘄𝗮𝗿𝗱 @ 𝗔𝗖𝗟 𝟮𝟬𝟮𝟲 Thrilled to share that our linguistic paper "The Imperfective Paradox in LLMs" received a Best Paper Award at #ACL2026# ! 🎉 Hoping this encourages more linguistics-informed evaluation in NLP.

AI 入门必存的 6 个 GitHub 库 很多人觉得 GitHub 是开发者的地盘，其实学 AI 时完全可以当资料库用 1. microsoft/generative-ai-for-beginners 生成式 AI 入门课程集合，快速了解怎么做 AI 应用 2. microsoft/AI-For-Beginners 机器学习、深度学习、NLP 基础概念讲解 3. dair-ai/Prompt-Engineering-Guide 提示词、RAG、AI Agent 学习指南，想好好用 AI 得看看 4. 各种提示词模板，不知道怎么问 AI 时翻一下 5. open-webui/open-webui 在本地电脑跑 AI 聊天界面，连 Ollama 或 OpenAI API 就能用 6. n8n-io/n8n 工作流自动化工具，连上 AI 可以做新闻抓取、内容整理、定时提醒 一开始别想着全装全理解，头真的会疼 就是存起来，用到时再打开看就够了 AI 用得好的人不一定懂最多工具，但一定知道去哪找资料，什么时候拿出来用

CMU 这门 NLP 课最硬核的地方：第一份作业就让你从零手搓一个 LLaMA。 卡内基梅隆大学公开了 2026 春季《Advanced NLP》课程，教授是 Sean Welleck。整套资源包括完整课程主页、课件、视频和配套代码，内容从 Tokenizer、Transformer、语言模型基础，一路讲到 RAG、多模态、RLHF、MoE、长上下文和 test-time scaling。 这门课最有价值的地方，不仅是教你怎么调用大模型 API，而且把大模型能力背后的工程路径也拆开给你看。 从「Build Your Own LLaMA」这种手搓模型作业，到后面的推理、效率、评测和 Agent，它训练的其实是一种更底层的能力：你能不能理解模型为什么能工作，为什么会变强，为什么有时会失败。 这也很符合现在 AI 的技术拐点。 过去大家更关心参数规模，谁的模型更大；现在越来越多关键进展，开始发生在推理侧、效率侧和系统侧：怎么让模型更会思考，怎么调度专家，怎么检索外部知识，怎么在有限算力下获得更好的输出。 所以这门课不只是 NLP 进阶课，更像一份 2026 年大模型研究者的训练路线图。 AI 时代真正的分水岭，可能不只是会不会使用模型。 更关键的是： 你停在应用层，还是愿意继续往下走到架构层。 Home: Youtubu: Code:

如果你做内容，大概率会遇到一个很烦的问题：信息太多，但真正值得做成内容的选题太少 OpenAI 发了新功能，Anthropic 发了新模型，Google DeepMind 更新了视频生成，arXiv 又冒出几十篇论文，GitHub Trending 上突然出现一个爆火项目。每条看起来都重要，但问题是：哪一条值得今天做？哪一条只是新闻搬运？哪一条能变成有观点、有传播力、有价值的内容？ 这就是我做 AI Topic Scout 这个 Codex skill 的原因。 GitHub 地址：
 AI Topic Scout 不是一个普通的新闻摘要工具。它的目标不是告诉你“今天 AI 圈发生了什么”，而是帮 AI 博主、创作者、newsletter 作者判断： 今天最值得做的选题是什么？ 它默认扫描 10 个核心信息源： 1OpenAI News 2Anthropic News 3Google DeepMind Blog 4Meta AI Blog 5Microsoft Research Blog 6arXiv AI / ML / NLP 7Hugging Face Papers 8GitHub Trending 9LM Arena Leaderboard 10The Batch by 这些源覆盖了 AI 内容创作最重要的几层：大厂一手发布、论文、开源项目、模型榜单、行业趋势和研究动态。 但更重要的是，它不会只把信息堆给你。它会把这些信号加工成适合创作者使用的选题格式： •选题：一句能直接用的标题方向 •为什么现在：这个选题为什么今天值得做 •内容角度：你应该讲观点、教程、实测、对比还是科普 •适合形式：短视频、长视频、图文、newsletter、demo •素材来源：对应的信息源链接 •优先级：High / Medium / Low 适合谁用？ •每天要做 AI 短视频的人 •写 AI newsletter 的人 •做 AI 工具测评的人 •想追踪模型和 agent 趋势的人 •不想每天被信息流淹没的创作者 •想从“搬运新闻”升级到“判断趋势”的人 使用方式也很简单： 用 $ai-topic-scout 给我出今天的 AI选题 或者： 用 $ai-topic-scout 扫一遍本周 AI 信息源，挑 5 个适合短视频的选题 我做这个 skill 的初衷很简单：AI 内容创作不应该每天从刷信息流开始。真正值钱的是判断力。哪些变化只是噪音，哪些变化代表趋势，哪些变化值得被讲给更多人听。 AI Topic Scout 就是把这套判断流程固化下来。 如果你也是 创作者，可以试试这个 skill，能帮你每天更快找到值得表达的东西。