课程表与阅读材料 材料总目录 →
导论与背景
课程定位、复合 AI 系统与智能体设计模式总览 · 共 3 篇
课程导论 第1周
-
推荐
全文中译
Agentic 设计模式(一):四种提升 GPT-4 与 GPT-3.5 表现的 AI Agent 策略
"Agentic Design Patterns Part 1: Four AI Agent Strategies That Improve GPT-4 and GPT-3.5 Performance"吴恩达提出反思、工具使用、规划、多智能体协作四大 Agentic 设计模式,并指出迭代式 Agent 工作流的提升远超模型换代。
-
推荐
全译对照
迈向执行接地的自动化 AI 研究
"Towards Execution-Grounded Automated AI Research"斯坦福团队构建自动化想法执行器,用进化搜索与 RL 从执行反馈中学习,发现搜索高效而 RL 因多样性坍缩难以提升上界。
-
必读
全文中译
从模型到复合 AI 系统的转变
"The Shift from Models to Compound AI Systems"伯克利 BAIR 博客指出最先进 AI 结果越来越来自多组件复合系统而非单一模型,并分析其动因、设计挑战与新兴工具范式。
LLM 与上下文工程
给开发者的 LLM 使用之道与上下文工程 · 共 2 篇
给开发者的 LLM 第2周
-
推荐
全文中译
为 AI Agent 做高效的上下文工程
"Effective Context Engineering for AI Agents"Anthropic 提出「上下文工程」是提示工程的演进:上下文是有限资源,需为 Agent 策展最小高信号 token 集合并配合检索、压缩与记忆。
-
必读
全文中译
构建高效的 AI Agent
"Building Effective Agents"Anthropic 基于数十个客户项目的经验,总结增强型 LLM、五种工作流与自主 Agent 等可组合模式,主张从最简单方案做起。
检索增强生成
RAG 范式与稠密段落检索 · 共 2 篇
检索增强生成 RAG 第2周
-
推荐
全译对照
ColBERT:基于 BERT 上下文化延迟交互的高效段落检索
"ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT"提出"延迟交互"范式:查询与文档各自编码为 token 级嵌入后用 MaxSim 聚合打分,以 BERT 级效果换来数量级更低的延迟,并支持端到端检索。
-
必读
全译对照
面向知识密集型 NLP 任务的检索增强生成
Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksRAG 开山之作:把预训练 seq2seq 生成器与 DPR 神经检索器端到端联合微调,在开放域问答等知识密集型任务上刷新纪录。
工具与框架
MCP 协议规范与 DSPy 编程模型 · 共 2 篇
工具调用与 MCP 第3周
-
必读
全文中译
模型上下文协议(MCP)规范(2025-06-18 版)
"Model Context Protocol Specification (Version 2025-06-18)"MCP 官方规范概览页全文中译:开放协议以 JSON-RPC 2.0 连接 Host/Client/Server 三角色,定义 Server 与 Client 双方能力及安全信任原则。
框架与编排 第3周
-
必读
全译对照
DSPy:将声明式语言模型调用编译为自我改进的流水线
"DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines"DSPy 把 LM 流水线抽象为文本变换图,用"签名 + 模块 + 优化器"替代手写提示模板,自动编译出超越人工提示工程的系统。
智能体模式与记忆
ReAct 范式、MemGPT 与记忆架构 · 共 5 篇
Agent 设计模式 第4周
-
必读
全译对照
"ReAct:在语言模型中协同推理与行动"
"ReAct: Synergizing Reasoning and Acting in Language Models"让 LLM 交错生成"思考"与"动作":推理引导行动、行动回馈证据。在 HotpotQA/FEVER 上克服幻觉与错误传播,在 ALFWorld/WebShop 上以 1-2 个示例分别超出模仿/强化学习 34% 与 10%。
Agent 记忆 第4周
-
推荐
全译对照
"Mem0:构建具备可扩展长期记忆的生产级 AI Agent"
"Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory"提出 Mem0 及图记忆变体 Mem0g:从对话中动态抽取、整合与检索记忆,在 LOCOMO 上全面领先并大幅降低延迟与 token 开销。
-
推荐
全文中译
"Agent 记忆:如何构建能学习与记忆的 Agent"
"Agent Memory: How to Build Agents That Learn and Remember"Letta 团队系统讲解 Agent 记忆的分类(消息缓冲、核心/召回/归档记忆)与构建技术,并给出"记忆即上下文工程"的统一视角。
-
必读
全译对照
"MemGPT:让 LLM 走向操作系统"
"MemGPT: Towards LLMs as Operating Systems"借鉴操作系统虚拟内存与分层存储思想,为固定上下文 LLM 构建可自我管理的记忆层级,实现长对话与长文档分析。
-
推荐
全译对照
"生成式 Agent:人类行为的交互式拟真"
"Generative Agents: Interactive Simulacra of Human Behavior"斯坦福小镇论文:以记忆流、检索、反思与规划架构驱动 25 个 LLM Agent 模拟可信人类行为,并涌现信息扩散与协作等社会动态。
多智能体系统
协作框架、失败分析与动态团队 · 共 4 篇
多智能体系统 第5周
-
必读
全译对照
"为什么多智能体 LLM 系统会失败?"
"Why Do Multi-Agent LLM Systems Fail?"首个多智能体失败分类法 MAST:14 种失败模式归入 3 大类,基于 1642 条标注轨迹,揭示 MAS 失败多源于系统设计而非模型本身。
-
补充
全译对照
"DyLAN:面向任务的动态 LLM 智能体协作网络"
"A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration"把多智能体协作建模为时序前馈网络(T-FFN):先用"智能体重要性分数"无监督选出任务适配的精英团队,再让团队在动态通信结构(LLM 排序器中途淘汰低效智能体+拜占庭式早停)中协作,四类任务全面超越基线。
-
推荐
全文中译
别忽视单智能体系统
Don't Sleep on Single-agent SystemsOpenHands 作者为"单智能体系统"辩护:多数多智能体系统的收益可以用一个强 LLM、一个统一动作空间和一套好提示实现,复杂度未必是好事。
-
推荐
全译对照
"AutoGen:以多智能体对话构建下一代 LLM 应用"
"AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation"微软开源的多智能体对话框架:可对话、可定制的智能体(LLM/人/工具混合后端)+ 对话编程范式,六个应用展示其在数学、RAG、决策、编码等任务上开箱即用的竞争力。
优化
测试时计算扩展与提示优化 · 共 4 篇
优化:测试时计算与提示优化 第5周
-
必读
全译对照
"GEPA:反思式提示进化可以胜过强化学习"
"GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning"用自然语言反思替代标量奖励的策略梯度:GEPA 对复合 AI 系统的提示做反思式进化 + 帕累托候选选择,以最多 35 倍少的 rollout 平均超出 GRPO 6%,并在全部基准上超越 MIPROv2。
-
推荐
全译对照
为多阶段语言模型程序优化指令与示例(MIPRO / MIPROv2)
Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs把 LM 程序的提示优化分解为"提议"与"信用分配"两大挑战,提出 MIPRO 优化器联合优化各模块指令与自举少样本示例,7 个任务中 5 个上取得最佳,并给出 5 条实践 lesson。
-
必读
全译对照
"优化地扩展 LLM 测试时计算,可以比扩展模型参数更有效"
"Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters"两种扩展测试时计算的机制(对 PRM 搜索、迭代修订)的有效性关键取决于题目难度;按难度自适应分配算力的"计算最优"策略可用 4 倍少算力超 best-of-N,FLOPs 对齐下胜过 14 倍大模型。
-
推荐
全译对照
"微调与提示优化:单打都不如组合拳(BetterTogether)"
"Fine-Tuning and Prompt Optimization: Two Great Steps that Work Better Together"首次提出交替进行提示优化与权重微调来优化 LM 流水线:同一模型"自己教自己",在 3 任务 × 3 模型上,联合策略平均比仅优化权重/提示分别高出最多 60% 与 6%。
数据工程
数据飞轮、标注合成与数据选择 · 共 5 篇
数据 第6周
-
必读
全文中译
LLM 应用的数据飞轮
Data Flywheels for LLM Applications提出用生产数据持续改进 LLM 应用的"评估—监控—持续改进"三段式飞轮框架:定义二值指标、动态少样本对齐裁判、把修复过的线上轨迹喂回提示。
-
推荐
全译对照
"用于数据标注与合成的 LLM:综述"
"Large Language Models for Data Annotation and Synthesis: A Survey"系统梳理 LLM 做数据标注/合成的三大环节——标注生成(指令/标签/理由/成对/文本反馈)、标注评估与过滤、标注利用(SFT/对齐/推理),并讨论模型坍塌、幻觉、伦理等挑战。
数据选择与质量 第7周
-
推荐
全译对照
"谁来验证验证者?让 LLM 辅助评估与人类偏好对齐"
"Who Validates the Validators? Aligning LLM-Assisted Evaluation of LLM Outputs with Human Preferences"提出 EvalGen 混合主动式界面,让用户在生成评估标准与断言的同时打分,发现「标准漂移」现象:评估标准依赖具体模型输出、随打分不断演变。
-
推荐
全译对照
"SWE-smith:为软件工程 Agent 扩展数据规模"
"SWE-smith: Scaling Data for Software Engineering Agents"通过向真实代码库注入合成 bug 并以单元测试验证,SWE-smith 用约 20 小时人力构建 5 万实例训练集,训练出 SWE-bench Verified 40.2% 的开源 SOTA 模型。
-
必读
全译对照
"LIMA:对齐中的「少即是多」"
"LIMA: Less Is More for Alignment"仅用 1,000 条精心筛选的提示-回复数据微调 LLaMa 65B,不依赖 RLHF,即可与 GPT-4 等强模型竞争,证明对齐主要是学习输出格式而非知识。
评测
基准设计原则与 LLM-as-Judge · 共 7 篇
评测基础 第7周
-
推荐
全译对照
"tinyBenchmarks:用更少样本评测大语言模型"
"tinyBenchmarks: evaluating LLMs with fewer examples"借鉴心理测量学的项目反应理论(IRT),从 MMLU 等 1.4 万级基准中精选 100 题,即可把 LLM 性能估计误差控制在约 2%,评测成本降低两个数量级。
-
推荐
全文中译
"如何构建好的语言建模基准"
"How to Build Good Language Modeling Benchmarks"SWE-bench 作者 Ofir Press 的基准设计经验谈:好基准应自然、可自动评测、有挑战,并附单一指标、强基线、任务数量等实操准则。
-
必读
全译对照
"构建严谨 Agent 基准的最佳实践"
"Establishing Best Practices for Building Rigorous Agentic Benchmarks"提出 Agent 基准检查清单 ABC,从任务有效性与结果有效性审计十大流行 Agent 基准,发现可致最高 100% 相对误差的缺陷,并用 CVE-Bench 示范修复使高估下降 33%。
LLM-as-Judge 第8周
-
必读
全文中译
"解构 AI Agent 评测"
"Demystifying evals for AI agents""Anthropic 评测工程长文:系统讲解 Agent 评测的构成(任务/试验/评分器/轨迹/harness)、三类评分器、pass@k 与 pass^k,以及从零到一搭建可信评测的八步路线图。"
-
推荐
全译对照
"AutoMetrics:用自动生成的评估器逼近人类判断"
"AutoMetrics: Approximate Human Judgments with Automatically Generated Evaluators""提出 AutoMetrics 框架:以少于 100 条人类反馈为输入,自动生成并从 48 个指标的 MetricBank 中检索候选,经 PLS 回归合成与人类判断高相关(最高提升 33.4% Kendall τ)的可解释指标,并可充当代理奖励。"
-
必读
全译对照
"评审 LLM-as-a-Judge:MT-Bench 与 Chatbot Arena"
"Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena""LLM-as-a-Judge 开山之作:提出 MT-Bench 与 Chatbot Arena 两大基准,系统研究 GPT-4 评审与人类偏好超 80% 的一致性,并分析位置、冗长、自我增强等偏差及缓解手段。"
-
推荐
全译对照
"AutoLibra:从开放式人类反馈归纳 Agent 评测指标"
"AutoLibra: Agent Metric Induction from Open-Ended Human Feedback""提出 AutoLibra:把「按钮禁用就别再点」这类开放式人类反馈落地到轨迹行为、聚类归纳为可解释指标,并以覆盖度/冗余度两个元指标自动优化,可反哺提示优化使 Agent 成功率提升 20% 以上。"
安全与护栏
隐私、提示注入与攻防搜索 · 共 6 篇
安全与护栏 第8周
-
推荐
全文中译
介绍 Anthropic 的负责任扩展政策
"Introducing Anthropic's Responsible Scaling Policy"Anthropic 发布负责任扩展政策 RSP,以仿照生物安全等级的 ASL 框架要求模型能力越高、安全证明越严格,把灾难性风险管理嵌入训练与部署决策。
-
推荐
全译对照
"智能体化 LLM 是强大的去匿名化工具:Anthropic 访谈数据集参与者的重识别"
"Agentic LLMs as Powerful Deanonymizers: Re-identification of Participants in the Anthropic Interviewer Dataset"用带网络搜索的 LLM 智能体,仅凭访谈中对研究项目的自然语言描述就匹配出对应论文,24 篇访谈中 6 篇被成功重识别(含唯一确定身份),单次攻击成本不到 0.5 美元。
-
必读
全文中译
理解提示注入:一项前沿安全挑战
"Understanding prompt injections: a frontier security challenge"OpenAI 官方科普提示注入:攻击者借网页、邮件等第三方内容诱导 AI 越权行事,并给出多层防御与用户自护指南。
-
推荐
全译对照
PrivacyLens:评估语言模型在行动中的隐私规范意识
"PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action"以上下文完整性理论为骨架,把隐私敏感种子扩展为情境、轨迹并评测 LM Agent 行为,发现 GPT-4 仍在 25.68% 的案例中泄露隐私。
-
推荐
全译对照
"面向 LLM 智能体的上下文化隐私防御(CDI)"
"Contextualized Privacy Defense for LLM Agents"提出 CDI 防御范式:轻量 instructor 模型在每步动作前生成上下文感知的隐私指引(而非静态提示或事后拦截),并用"失败轨迹即 RL 环境"的经验驱动优化(GRPO)训练,隐私保持 94.2%、有用性 80.6%。
-
必读
全译对照
"通过仿真搜索 LLM 智能体的隐私风险"
"Searching for Privacy Risks in LLM Agents via Simulation"把"隐私风险发现"当搜索问题:三智能体仿真中交替搜索攻击与防御指令,发现伪造同意、多轮冒充等攻击与身份验证状态机防御,可跨模型跨场景迁移;单次攻击 <0.5 美元。
编程智能体
SWE 基准、ACI 接口与智能体平台 · 共 5 篇
编程智能体 第9周
-
必读
全文中译
Claude Code 最佳实践
Best practices for Claude CodeAnthropic 官方总结的 Claude Code 使用最佳实践:从环境配置、验证闭环、上下文管理到并行扩展的完整工程方法论。
-
必读
全译对照
"SWE-bench:语言模型能解决真实世界的 GitHub Issue 吗?"
"SWE-bench: Can Language Models Resolve Real-World Github Issues?"从 12 个流行 Python 仓库的 9 万个 PR 中筛出 2294 个"真实 issue + 测试验证"任务;发布时最强模型 Claude 2 仅解决 1.96%——编程智能体时代的标志性基准。
-
推荐
全译对照
"OpenHands:AI 软件开发者通用智能体的开放平台"
"OpenHands: An Open Platform for AI Software Developers as Generalist Agents"开源智能体开发平台(前 OpenDevin):事件流架构 + Docker 沙箱运行时 + 代码即动作(CodeAct)+ AgentSkills 工具库 + 多智能体委派,同一 CodeAct 智能体在软件工程、网页、辅助任务 15 个基准上零改动的通用表现。
-
必读
全译对照
"SWE-agent:智能体-计算机接口(ACI)实现自动化软件工程"
"SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering"提出"智能体-计算机接口(ACI)"概念:为 LLM 专门设计的搜索/查看/编辑命令 + lint 护栏 + 上下文管理,让 GPT-4 Turbo 在 SWE-bench 上从 3.8% 跃升至 12.47%,不改模型权重。
-
推荐
全文中译
"长时运行智能体的高效 Harness 设计"
"Effective harnesses for long-running agents"Anthropic 工程实践:让智能体跨多个上下文窗口持续数小时工作——初始化智能体(建特性清单/init 脚本/进度文件)+ 编码智能体(每次只做一个特性、留下干净状态、像人类一样端到端测试)。
前沿与开放问题
主动式智能体与真实世界环境基准 · 共 4 篇
主动式智能体 第11周
-
必读
全译对照
从计算机使用中构建通用用户模型
"Creating General User Models from Computer Use"提出 GUM 架构,从任意非结构化计算机交互(如截图)中推断带置信度的自然语言命题来表示用户,并用主动式助手 Gumbo 展示其应用。
-
推荐
全译对照
从人机交互中学习下一动作预测器
"Learning Next Action Predictors from Human-Computer Interaction"形式化"下一动作预测(NAP)"任务,发布被动标注流水线 NAPsack(20 用户、1800 小时、36 万动作),并提出用 GRPO 端到端训练的 LongNAP 模型。
开放问题 第11周
-
推荐
全译对照
"OSWorld:在真实计算机环境中评测多模态智能体的开放式任务能力"
"OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments"首个可扩展的真实计算机环境基准:369 个跨应用真实任务、可复现初始状态与执行式评估脚本;人类完成 72.36%,最强模型仅 12.24%。
-
推荐
全译对照
"WebShop:面向可扩展真实网页交互的接地语言智能体"
"WebShop: Towards Scalable Real-World Web Interaction with Grounded Language Agents"构建含 118 万真实商品、1.2 万众包指令的模拟电商环境;IL+RL 智能体成功率 29%,远低于人类专家 59.6%,并可零样本迁移到真实购物网站。
为什么值得学这门课 背景阅读
-
推荐
全文中译
"年薪 85 万美元的绝活,斯坦福免费公开了——为什么值得学这门课"
"Stanford Just Put an $850K/Year Skill on YouTube for Free"Anthropic 为能构建自我进化型 AI 智能体的工程师开出最高 85 万美元年薪;斯坦福把教这门手艺的 CS329A 课程完整免费公开。本文是这门课为什么值钱的最好注脚。
课程讲义 · Lecture Slides
| 讲次 | 主题 | 日期 | 讲义 | 视频 |
|---|---|---|---|---|
| Lecture 1 | 课程导论:什么是智能体系统? Introduction — What Are Agentic Systems? |
9/23 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 2 | 给开发者的 LLM LLMs for Builders |
9/28 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 3 | 构建基石:检索增强生成 RAG Building Blocks: Retrieval-Augmented Generation (RAG) |
9/30 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 4 | 工具调用与函数调用 Tool Use & Function Calling |
10/5 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 5 | 框架与编排 Frameworks & Orchestration |
10/7 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 6 | 智能体设计模式与脚手架 Agent Design Patterns & Scaffolds |
10/12 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 7 | 智能体记忆架构 Agent Memory Architectures |
10/14 | 在线阅读 / 下载 PDF ↗ | ▶ 观看视频 ↗ YouTube |
| Lecture 8 | 多智能体系统 Multi-Agent Systems |
10/19 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 9 | 优化:测试时计算与提示优化 Optimization: Test-Time Compute, Prompt Optimization & Finetuning |
10/21 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 10 | 嘉宾讲座:Terminal-Bench 与 Harbor(智能体评测) Guest Lecture: Evaluating Agents — Terminal-Bench & Harbor (Laude Institute) |
10/26 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 11 | 智能体需要什么数据? What Data Do Agents Need? |
10/28 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 12 | 数据选择与质量 Data Selection & Quality |
11/2 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 13 | 评测基础与基准设计 Evaluation Fundamentals & Benchmark Design |
11/4 | 在线阅读 / 下载 PDF ↗ | 待放出 |
| Lecture 15 | LLM-as-Judge 与评测基础设施 LLM-as-Judge & Evaluation Infrastructure |
11/9 | 在线阅读 / 下载 PDF ↗ | 待放出 |
课程作业 · Homework
| 作业 | 主题 | 发布 | 截止 | 链接 |
|---|---|---|---|---|
| HW1 | 构建一个智能体脚手架 Build an Agentic Harness |
10/5 | 10/30 | 作业讲义 PDF ↗ |
| Paper Video | 论文视频(课程项目交付物) Paper Video (Project Deliverable) |
— | 11/13 | 作业讲义 PDF ↗ |
| HW2 | 构建一个评测任务 Building an Evaluation Task |
10/26 | 11/20 | 作业讲义 PDF ↗ |
📖 HW1 作业概览(讲义 26 页 · 17 题 · 100 分,点击展开)
背景:为虚构公司 Cardinal Energy(内部文档 26 篇)和一份真实企业邮件档案(58MB)构建智能体系统——先做控制流写在代码里的 LLM 流水线,再做由模型决定下一步的智能体脚手架(harness)。
- Part 1 · LLM 流水线:单次调用的邮件优先级排序、每日摘要生成、从零手写 BM25 检索器(2ms 性能要求)、多跳 RAG 问答
- Part 2 · Cardinal Agent:自研工具调用循环——工具注册表与文本格式协议、把 Part 1 流水线包装成工具、文档检索工具、给智能体一个终端(沙箱)、长会话上下文压缩(compaction)、跨会话记忆、用户批准/拒绝/重定向、防提示注入护栏
- 评测三层:确定性测试(不调 LLM)→ 真实模型阈值评测 → 模拟用户(LLM 人格)多轮对话任务成功率
- 压轴题:Design Memo 设计备忘录(20 分)——阐述你的 harness 设计决策
- 环境:uv + Python ≥3.11,OpenRouter API Key;两套测试:`uv run pytest`
对应本站阅读材料:MCP 规范与工具调用(L4)、Effective Harnesses / Claude Code 最佳实践、RAG 与 ColBERT(L3)、ReAct 与设计模式(L6)。
📖 HW2 作业概览(讲义 17 页,点击展开)
背景:基于 Harbor(Terminal-Bench 的评测框架,正是 10/26 嘉宾讲座的内容)亲手构建评测任务——不是调智能体,而是设计衡量智能体的尺子。
- 示例任务
humaneval-0:完整 Harbor 任务结构(environment/Dockerfile + instruction + solution + tests) pinned_agent.py:固定 mini-SWE-agent 作为被测智能体,保证结果可复现- writeup 分节:基础问答 → 跑示例任务 → 自建任务(LaTeX 报告模板)→ 同伴互评(对应 11/30 互评节点)
check_submission.py:提交前自检完整性- 环境:uv + Docker(任务跑在容器里)
对应本站阅读材料:评测基础与基准设计(L13)、How to Build Good LM Benchmarks、Terminal-Bench 嘉宾讲座 slides(L10)。
课程重要日期
| 周次 | 事项 | 日期 |
|---|---|---|
| 第3周 | HW1《Build an Agentic Harness》发布 | 10/5 |
| 第3周 | Project Proposal 截止 | 10/9 |
| 第6周 | Guest Lecture:Terminal-Bench 作者团队(Laude Institute)· HW2《Evaluate an Agent》发布 · HW1 截止 | 10/26 · 10/30 |
| 第7周 | 期中演示 · 期中报告截止 | 11/4 · 11/6 |
| 第8周 | 论文视频截止 | 11/13 |
| 第9周 | HW2 截止 | 11/20 |
| 第11周 | 互评截止(3 个视频) | 11/30 |
| 期末周 | 最终提交与系统演示 | 12/7–11 |
关于本站
这是什么:一个把斯坦福 CS 329Z《Engineering AI Agents》课程全部阅读材料翻译成中文的免费学习网站。课程是 AI 智能体工程方向最系统的研究生课之一——从 ReAct、RAG、MCP、记忆系统、多智能体,到测试时计算、数据工程、评测、安全与编程智能体,恰好是当前工业界最抢手的能力栈。
怎么用:按首页 12 个主题大类或「材料总目录」筛选浏览;🔴必读 = 该讲核心;论文页宽屏下自动英文原文/中文全译左右对照,点页面顶部按钮可只看中文;每页可跳转 PDF 原文核对;顶部搜索框支持全文检索。
怎么读论文:先看「导读」了解文章在课程中的位置 → 中英对照精读正文 → 「要点速览」巩固。公式均已排版,表格数据与原文逐项核对。
支持本项目:全部译文与网站代码开源于 GitHub · athlonk8/cs329z(45 stars)。如果这个站帮你省下了啃英文论文的时间,欢迎去点一个 ⭐ Star——这是对几十万字翻译工作最好的肯定,也会让更多需要的人看到它。欢迎 Issue 提错译与建议。
- 翻译策略:论文正文(摘要至结论,多数含实质附录)逐段英文原文+中文全译;参考文献列表不译;博客服从原文结构全文中译。
- 重要度标记:🔴 必读 = 该讲核心;🟡 推荐 = 强烈建议;⚪ 补充 = 拓展阅读(编者判断,仅供参考)。
- 时效说明:阅读材料下载于 2026-09-14(开课前);开课后官网放出的课程讲义(slides)与作业(HW1、HW2)均已同步收录,课程录像逐讲放出中(见「课程讲义」视频列)。
- 版权:原文版权归原作者及机构所有,AI 辅助译文仅供个人学习研究使用,请勿商用。