learning

推荐斯坦福公开课程CS336: Language Modeling from Scratch，该课程从零开始系统讲解语言模型的训练全流程，适合准备AI面试或想深入学习LLM的人。

分享两种Claude Hook的用法：被动观察记录工具调用日志，以及主动干预实现学习模式状态机。强调Hooks作为硬约束比提示词更可靠。

列举10个用于学习后端开发的项目，包括通知系统、视频处理队列和搜索自动完成等。

推荐10个免费的AI学习资源，包括3Blue1Brown、Karpathy的课程、Andrew Ng的周刊、播客、Kaggle和Hugging Face等，声称30天可学到比付费速成营更多的内容。

推荐一个名为 Seeing Theory 的交互式可视化网站，帮助用户直观理解概率统计的核心概念，涵盖基础概率、分布、推断和回归等内容，适合初学者和复习者。

Santiago Valdarrama 分享了一个构建 AI 智能体的框架，该框架通过三个学习领域（模型优化、工具链优化和上下文积累）来让智能体随时间不断改进，并强调了从用户修正中学习的重要性。

Nathan Lambert宣布他的目标是创建一个学习RLHF后训练的综合枢纽，包括书籍、讲座、代码和社区资源。

推荐阅读 Papers with Code 上被引最多的论文，每周一两篇，以深入理解有影响力的 AI 研究。

一份整理好的路线图，展示了Google、Microsoft、Meta、Amazon和Netflix的工程师如何构建真实系统。

一个GitHub仓库，汇集了多种语言的基于项目的编程教程，帮助开发者从零开始构建应用程序。

dair_ai 宣布推出全新的 /learn 代理技能，它能创建个性化的学习计划和一个可根据学习者需求与进度调整的学习中心。

Sidegent 是一款通过动手实践教授用户如何构建 AI 代理的产品。

一份清晰的逐步指南，帮助理解检索增强生成（RAG），涵盖解释、视觉内容以及各种架构，如Naïve RAG、Advanced RAG、Graph RAG、Multimodal RAG和Agentic RAG。

解释了费曼学习法，并提供了四个可用于Claude的提示，通过强制回忆和教学来克服遗忘曲线，基于认知科学研究。

对深刻理解代码与系统之乐趣与力量的反思，并警惕过度依赖LLM和捷径会削弱真正的精通。

推荐Nancy Lynch的《分布式算法》，这本书对分布式系统从业者是极有价值的资源。

文章探讨了AI在教育中的应用，以及AI编辑工具能否取代人类编辑，旨在了解其真正的好处。

Harrison Chase 分享了关于智能体开发周期的见解，强调发布第一个版本仅仅是开始，而可重复的生命周期是构建可靠智能体的关键。

Anthropic 大神分享了一个 Prompt 技巧：让 AI 先用寓言故事隐藏高阶概念，再揭示并解释隐喻，以帮助记忆和理解。该方法利用人脑对故事和画面的偏好，比直接给定义更易记住。

一篇评论文章认为，初级开发者在工作场所不应使用AI代理，因为代理绕过了学习过程，而LLM聊天则可接受，因为它仍需主动思考。