选一篇笔记，看看需要先了解什么、用在哪里，以及它引用了哪些文章。
233 篇笔记
从 Harness 的控制职责、Pi 的最小核心与安全边界出发，理解编程 Agent 如何执行、恢复和验收任务。
通过步数限制、工具校验、结果验证、取消机制及持久化状态，确保 Agent 循环可控且可恢复。
如何利用多层级记忆与 AST 级检索实现 Agent 意图对齐、压缩 Token 开销并防止重复建档。
让 AI 帮你找盲区、解释一步和提供练习，但回忆、推导与解题仍由自己完成。
从 Codex 的运行状态、上下文压缩、接入接口与两层安全控制，理解生产级 Agent Harness 的工程职责。
如何为 Agent 组装精简且时效性强的工作集，同时将来源溯源和持久状态保留在模型窗口之外。
规范、厂商说法、基准测试、个人观察和推荐不是一回事，写笔记时要说明每种材料到底能证明什么。
拆解 AI Agent 周边的控制、上下文、工具、证据与评测层，提供一张实用的系统地图。
从协议视角拆解 MCP 的架构、生命周期、核心原语、传输机制、信任边界及替代方案。
如何封装可复用的 Agent 流程，验证触发逻辑与执行结果，并管控可移植性及代码执行风险。
从设计概念、通用语言、TDD、深度模块到灰盒委托，经典软件工程原则如何解决 AI 编程中的失效模式。
定义工具的输入、权限、副作用及失败证据，确保模型与运维人员都能清晰理解。
明确预测时点、实体边界与训练专用 Pipeline，从根源上阻断目标、时间、实体及预处理层面的数据泄漏。
从部署分布、切分、指标、阈值和不确定性出发，避免把单一 test score 当作普遍能力。
从数据生成机制与溯源出发，梳理防泄漏切分、分布偏移评估及权威数据源的使用指南。
从问题、数据生成过程和可复现变换，走到防泄漏划分、分布偏移评估与有限结论。
一套用于讨论数据、建模、评估及复现性的通用术语，剥离特定产品行话。
机器学习、深度学习及数据笔记的索引入口，明确标注覆盖盲区与内容晋升标准。
区分 ReLU、GELU、SiLU/Swish 与 GLU 变体，并用等预算实验选择现代神经网络的非线性。
解析 MHA、GQA、MLA 架构差异及 SnapKV 等压缩策略，探讨内存、质量与实现复杂度的权衡。
从 Q/K/V、mask 和数值例子理解内容寻址、多头注意力、复杂度与解释边界。
解析 CNN 的归纳偏置、通道、填充、步幅、池化机制，厘清平移等变与平移不变的核心差异。
线性预测模型、平方误差目标、求解方法，以及决定其系数含义的假设。
通过张量形状、反向传播推导及 XOR 实例，解析 MLP 的表达能力、优化陷阱与归纳偏置。