Percy 开门见山定了基调：今天是数据部分的第二天。上一讲（Lecture 13）回答的问题是数据从哪来——互联网上是一堆活着的服务，数据要么被定期 dump、要么被爬，然后还有一堆法律与协议层面的问题（terms of service、版权、许可或 fair use）。
Percy 用一句话定了这一讲的调子：data is the most important thing to get right in language models。他给出的第一条证据不是技术论证，而是一个观察：去看公司实际披露了什么。
CS336 讲到第十七讲，主题一直是语言模型：输入 text，输出 text。但 Percy 开场的第一张图就把问题摊开了——真实世界是多模态的，文本只是其中一格。
Tatsu 开场先交代了一点课程事务（这一讲的 slides 上传晚了，现在已经在课程网站和 GitHub 上），然后把这节课在整个课程中的位置摆清楚：上一讲讲的是基础 Transformer，以及如何微调它的各个部件得到一个现代语言模型；这一讲要讲的是他认为"复杂得多、也高级得…
深度解读Contextual AI团队2026年预印本论文《Reflective Context Learning》，详解上下文空间优化与传统参数优化的同构性，以及RCL框架五大核心优化原语，为Agent无需参数更新即可持续自演进提供理论与实践指导。
Reflective Context Learning 组会报告演讲稿，8分钟汇报论文核心思想与五大优化原语。
在当前 AI Agent 技术快速发展的背景下，很多开发者都在探索如何构建高效可靠的 Agent 应用。本文整理了一场来自一线开发者的技术分享，聚焦于 Agent 实践中的真实经验、技术思考与设计哲学，希望能为正在探索 Agent 开发的同学提供参考。
大模型智能体工程化经历了三个阶段：提示词工程通过优化输入提升模型输出质量；上下文工程引入外部知识库解决记忆限制；最终形成部署生产级智能体的完整工程体系。
这篇博客是一份面向AI编程（Vibe-Coding）实践者的系统性Web开发入门指南。作者发现自己用AI快速生成应用时，对背后的技术原理和架构不了解，导致难以精细调整和维护代码，于是决定从零开始系统梳理Web开发知识，让自己能更好地“指挥”AI、理解并优化AI生成的代码。
Function Calling通过有监督微调让LLM学会将用户意图映射为结构化JSON输出，再借助推理时的约束解码确保JSON语法正确，最终由外部代理执行工具调用并返回结果，形成完整的意图-动作闭环。
Skill（技能）是Agent能力的模块化封装，通过定义明确的输入输出和执行逻辑，使Agent能够完成特定领域的复杂任务。本文详解Skill的设计起源、核心原理、实现范式（包括渐进式披露）及实际应用，结合OpenAI、Anthropic等大厂的技术实践。
深入解析LLM Agent三大经典范式：ReAct、Plan-and-Execute与Reflection。从设计思想到代码实现，理解边想边做、谋定而后动、三省吾身三种思维方式在AI系统中的应用。
个人认为，Agent是以大模型为核心驱动的下一代操作系统，通过代理层管理状态、扩展功能，实现从简单对话到复杂系统的进化。
NLP技术从传统统计方法演进至神经网络，Transformer凭借自注意力机制实现突破，成为里程碑，并催生了BERT、GPT等变革性模型。
RAG技术通过构建知识库和智能检索机制，为AI模型精准提供外部信息，解决知识过时和幻觉问题。它避免了昂贵的模型重训练，克服了直接输入长文本的低效性，是实现高效、准确AI应用的关键。