读《深入理解计算机系统》（CSAPP）时常苦于翻书和检索不便，这套开源中文资料补齐了这一块。它将原书1至12章正文与附录整理成了排版干净的Markdown，既支持单章一页通读，也能按小节拆分浏览，并附带了238道原书习题答案方便核对。配套的8个核心实验（从Data Lab到Proxy Lab）也配齐了中文说明与官方自学压缩包。你既可以克隆到本地边看边做笔记，也能直接在网页端使用全文搜索与深色模式随

recursive-improve 是 Kayba 开源的一套“让 AI Agent 根据自己的运行记录持续改进自己”的工具。 普通 Agent 每次运行基本都是独立的，失败经验不会自然沉淀到代码或提示词里。这个项目通过记录 Agent 的每次 LLM 调用和执行轨迹，再让 Claude Code 或 Codex 分析这些 traces，找出反复出现的失败模式、无效循环、提前放弃和错误处理问题，并

这是一个面向 CS 学习者与工程实践者 的长期维护型计算机知识笔记库，整体风格倾向于 概念理解、知识结构与可复用判断。刚更新了关于AI的部分 推荐使用推荐使用 Obsidian浏览。

斯坦福这门CS329A《自我改进型AI智能体》把Agent自主进化的技术栈理得很透。课程从测试时算力扩展与过程验证讲起，贯穿强化学习训练与多步规划，一直延伸到代码执行反馈、长程记忆架构及具身智能。主讲团队还邀来DeepMind、Reflection AI与Physical Intelligence等一线团队的研究者分享实操经验，学术视野与工程落地兼备。想吃透推理期计算与自主决策底层逻辑的朋友很适合

有上下两册 "世界正急速构建 AI 系统，却缺乏系统性的工程方法。 这正是我们所说的 AI 工程。 AI 工程是一门学科，致力于在真实世界中构建高效、可靠、安全且稳健的智能系统，而不仅仅是孤立的模型。 我们的使命： 将 AI 工程确立为基础学科，与软件工程和计算机工程并列，通过教学让人们掌握端到端智能系统的设计、构建与评估方法。AI 的长期影响将由能够将想法转化为可运行、可信赖系统的工程师塑造。

https://david.alvarezrosa.com/posts/optimizing-a-lock-free-ring-buffer/ 网页链接 “ 单生产者单消费者（SPSC）队列是约束如何推动设计优化的绝佳范例。在本文中，你将学习如何从零开始实现一个环形缓冲区：从最简单的设计起步，使其具备线程安全性，然后逐步消除开销，同时保持 FIFO 行为和可预测的延迟。该模式广泛应用于超低延迟环境

gfxcourses.stanford.edu/cs149/fall25/lecture/ 课程主题是 Parallel Computing（并行计算）。课程从为什么现代计算机必须并行开始，一路讲到 CPU、GPU、CUDA、深度学习加速器、数据中心、缓存一致性、无锁编程等。可以把它理解成一门连接“计算机体系结构 + 高性能编程 + AI 系统”的课程。

训练新模型，第一天却全花在写脚本、配环境上？😵 百度智能云百舸团队开源的 LoongForge，为已支持的 LLM、VLM、扩散模型和具身模型准备了配置与启动示例，覆盖预训练、SFT、LoRA，并支持 NVIDIA GPU 和昆仑芯 XPU。想跑一个模型，可以先找对应示例上手，再按需调整配置，即可快速上手！

作者认为 TTS 服务不能直接照搬 LLM 服务的设计思路。文本模型通常关心 tokens/s、TTFT；而流式语音生成更关心两个指标：第一段音频多久出来（TTFP，time to first packet），以及后续播放过程中会不会断流。 所以，必须针对这些特点设计单独的推理引擎~ 项目还在早期阶段，能跑的模型主要是Qwen3-TTS

https://horace.io/brrr_intro.html 在优化深度学习程序之前，先判断程序到底被什么东西限制了。 作者把 GPU 上深度学习的耗时粗略拆成三个部分：Compute（计算）、Memory Bandwidth（显存带宽）和 Overhead（调度/框架开销）。不同瓶颈需要完全不同的优化办法。可以把 GPU 想象成一家工厂： GPU 的 Tensor Core / CUD

从零手写大模型系列博文：从理解模型如何推理，到学习模型如何训练。 地址：nano-ai.tech/articles/ 之前发过推理篇，现在训练篇5篇也完结了

能部署什么模型、速度如何、需要几台设备、多少量化都列出来了。 而且基本都是根据 DGX Spark的特性优化过的

www.makingsoftware.com/chapters/how-is-data-stored 文章介绍了计算机如何在不同层次上存储数据，重点解释了缓存、内存和长期存储之间的性能与容量权衡，以及它们底层的物理实现原理。

一键给中文文章加上汉语拼音，生成适合幼儿园至小学低年级儿童的注音读物。

地址：vtabbott.io/diagrams/deepseek-v41-flash/ 网站的作者 Vincent Abbott 用一种叫 Neural Circuit Diagrams 的表示法来画模型。里面大致是这样读的： ----“线”表示 tensor 的各个维度/axis； ----方框或图形表示 Linear、Softmax、矩阵乘法之类的运算； ----从左往右表示数据依次经过不

李博杰的《深入理解 AI Infra：量化分析与系统设计》跟着DeepSeek的DSec 论文更新了一下 本书从硬件约束和模型架构出发，量化推导 LLM 推理与训练系统设计。 这次更新的： “DeepSeek 的 Agent 沙箱平台 DSec 是《深入理解 AI Infra》一个很好的例子。跟我当年在微软用 FPGA 加速网络、Bing 搜索，在华为用 UB 去掉抽象层的开销一样，都是打破旧的

OpenMuse 是 CopilotKit 开源的一套个人 AI Agent应用框架，类似前两天Meta发布的Muse项目。 项目集成了 Gmail、Google Calendar、PDF 处理、任务委派、目标追踪和个人记忆等能力，并支持用户随时接管浏览器或终端。它基于 CopilotKit、AG-UI 和 React Native 构建，可运行在 Web、iOS 和 Android，支持接入 O

你专注的事物会重塑你的心智。如今推荐算法、AI垃圾与“末日刷屏”正劫持大众注意力，操控大脑认知。作者呼吁摆脱算法投喂，重拾阅读博客、订阅RSS等自主探索习惯，回归节奏更慢、内容有限却由自我掌控的互联网，夺回思维的主导权。

在线体验：poloclub.github.io/transformer-explainer/ Transformer Explainer 是一款交互式可视化工具，旨在帮助任何人学习基于 Transformer 的模型（如 GPT）的工作原理。它直接在您的浏览器中运行一个实时的 GPT-2 模型，让您能够用自己的文本进行实验，并实时观察 Transformer 的内部组件和运算如何协同工作以预测下

宾夕法尼亚大学Pranam Chatterjee老师开设的秋季研究生课CIS 6270《离散生成模型》公开了全套教学资源。课程从概率微积分与连续扩散/流匹配打底，系统推导离散状态下的生成理论，不仅吃透马尔可夫过程、离散扩散与单形流，还直接讲透离散流映射（Flow Maps）、奖励引导及薛定谔桥等前沿方向。全套内容以公式推导配合工程实现，主页会持续放出详尽课件、带完整解答的测试题及开源代码，想把扩散