recommendations

一条推文分享了 Brendan Gregg 精选的推荐书单，涵盖系统性能、语言性能、数据库性能及其他计算机科学领域。

文章推荐了5个高质量AI信息源（AI Hot、BestBlogs.dev、AIGC Weekly、TW93博客、通往AGI之路），并分享了作者基于注意力管理的信息获取逻辑，强调深度而非追热点。

一份精心整理的列表，列出了在 X 上值得关注的 30 位有影响力的 AI 创始人和领导者，包括来自 OpenAI、Anthropic、DeepMind 及其他主要 AI 组织的人物。

一份严肃AI研究人员真正推荐的10本书单，内容涵盖概率论、信息论、强化学习、认知科学等领域，比流行书单提供更深刻的见解。

一位推特用户分享了他人推荐的在X上关注AI+生物学领域的最佳账号，涵盖蛋白质设计、基因组学、生物安全和政策。

文章提出，AI代理推荐系统应纳入商户反馈机制，以提高其有效性和可靠性。

一篇文章讨论哪些AI工具对小企业主最值得使用，很可能提供推荐和比较。

LLM工程师必读的重要研究论文清单，涵盖Transformer、缩放定律和微调技术等关键工作。

文章指出，AI变现应优先考虑透明度，而非让商业推荐显得自然，因为这会损害用户信任。

一条推文列出了15个推荐关注的人工智能账号，并简要描述了他们的专长。

推荐了13位有影响力的AI工程师和科学家及其Twitter账号，涵盖深度学习、AGI、AI教育等多个领域。

一篇观点文章，质疑我们是否过度依赖自信的智能体推荐（无论是人类还是AI），而底层数据往往杂乱且不完整，建议智能体应表达不确定性。

一条推荐技术视觉学习网站的推文，包括 VisuAlgo、NeetCode、LeetCode、Excalidraw、Kaggle、3Blue1Brown 和 roadmap.sh，适用于数据结构与算法、机器学习和编程练习。

讨论AI代理是否应基于用户当前需求推荐工具，还是考虑未来的可扩展性，以及如何沟通潜在的长期限制。

一条推特帖子推荐能够显著提升技术技能的工程博客，声称它们比正式的训练营或课程更有价值。

讨论AI助手如何生成公司推荐，指出存在不一致性，并暗示与传统搜索相比出现了新的可发现性挑战。

推荐12个YouTube频道，声称这些频道在2026年能提供比四年大学学位更多的知识，鼓励收藏。

一份精心挑选的15个AI账号列表，关注它们可在2026年保持领先，包括@karpathy和@steipete等知名人物。

一条推荐8篇AI关键文章的推特，作者称一天内学到的东西比大多数人一年还多。

这篇文章推荐了15个AI领域值得关注的推特账号，覆盖研究、工程、教育、开源、产品、AGI思考等方面，帮助读者建立高质量AI信息流。