agent run --goal "整理上週的會議筆記"
- contextsystem + user + notes_search
- tokenizeuser → [182917, 4286, 56375, …]
- prefillKV cache ready
- decodenotes_search({query: "上週會議"})"3 項決議、2 項待辦"
- tool4 notes + excerpts
- feedbackmessages += [tool_call, tool_result]
- respond串流 → 使用者 · trace ✓
主題 點了會跳到該章的對應段落M 模型專案（選做的實作題）A 系統專案（選做的實作題） 安全檢查點S／A／M 代號怎麼讀
從這裡開始
Part I 模型原理選修・深入路線
想懂模型怎麼運作再走；只做應用的人可以先跳過，從 S6 LLM API 與應用基本功繼續。
Part I 的 5 章（S1–S5），點開或切到深入模式就會顯示
Part II 應用基礎
Part III 知識與工具
Part IV Agent 系統
Part V 產品上線
Part VI 綜合實戰
應用路線（推薦給多數人）想做出 AI 應用或 agent：S0 AI 系統概觀 → 模型速成 → Part II 到 Part VI（S6–S19）。不需要機器學習背景。
理解路線（不寫程式）只想看懂 AI 系統怎麼運作：讀講義、做每章的「先試一下」與自我檢查。
完整路線（含模型原理）也想懂模型內部怎麼運作：從 S0 AI 系統概觀依序走到 S19 真實 agent 系統與畢業專題。Part I 模型原理（S1–S5）比較底層、用到較多數學。
不寫程式，可以走理解路線，讀講義、做每章的「先試一下」與自我檢查，了解 AI 系統怎麼運作。想動手做實作題，則需要基本程式、HTTP 與 JSON 能力。
每章可在頁首切換兩種讀法。淺顯顯示適合第一次閱讀的主線；深入另外展開實作細節、推導、選修主題與進階題。
走完系統專案，你會有什麼
Section titled “走完系統專案，你會有什麼”系統專案由各章進階題串成，每章在同一個 agent 加入能力。完成後，會有一個已部署、自己每天使用，具備 RAG、工具、記憶、評估與安全防護的系統，也會留下供別人審查的工程證據。A 後面的數字對應章號，讀法見代號怎麼讀：
| 階段 | 你的系統長出什麼 |
|---|---|
| Part II 應用基礎（A6–A8） | 串流聊天介面（Gradio、Chainlit 或 CLI 也可以）與 trace、穩定的 structured output 與 workflow、從真實 trace 長出的 golden set 與 judge |
| Part III 知識與工具（A9–A11） | 附引用的 RAG、帶風險分級的工具與 MCP server、有預算與快取的 context builder |
| Part IV Agent 系統（A12–A15） | 手寫 harness、分層記憶、trajectory evals 與 prompt 最佳化，multi-agent 只在評估勝出時保留 |
| Part V 產品上線（A16–A18） | 安全稽核與修補、完整前端、多使用者部署與 eval 把關的發布流程 |
| Part VI 綜合實戰（A19） | 畢業專題：延伸成常駐 agent |
完整對照見系統專案 A6–A19。
兩個實作專案
Section titled “兩個實作專案”模型專案 M1–M5從 autograd 到自己的 tiny GPT，再到在小模型上跑 SFT、DPO、GRPO，最後寫一個迷你推論伺服器。
系統專案 A6–A19選一個你在意的應用，從串流聊天一路長成有 RAG、工具、harness、記憶、評估、安全防護並部署上線的 agent。
講義內容以 CC BY-NC-SA 4.0 授權：可以轉載與改作，但要標示出處、不得用於商業用途，改作也要用相同授權。引用的第三方內容與商標屬於原作者。