找一篇感兴趣的笔记，看看它的前置知识、引用和相关讨论。
235 篇笔记
理解执行控制、工具、状态与验证怎样把模型提出的行动变成有边界的任务。
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。
选择 AI 助手应保留和检索的信息，分清笔记、搜索结果与操作依据。
不可信内容能影响模型，执行系统就必须独立限制这种影响能做成什么：提示注入、权限与审批、沙箱、凭据和 MCP 授权分别管哪一段。
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 学两件能带到别的工具上的事：按要自己掌管多少生命周期来选接入深度，把上下文压缩当作状态迁移来测试。
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，读别人的结论时先看每种材料到底能证明什么。
让 Agent 在中断后知道做到了哪里，并避免重试造成重复副作用。
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。
把任务拆给多个 Agent 时，怎样划分上下文、工作目录和权限，由谁合并和验证，事件日志又能恢复什么。
以 Pi 1.4.0 为例，看一个最小 Harness 怎样分层放定制、怎样跑 Agent 循环，以及扩展为什么不是安全边界。
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。
把一次模型请求拆成可测量阶段，解释并发、缓存、批处理与用户等待时间之间的关系。
理解低比特如何近似权重，区分权重、激活和 KV 缓存量化，读懂 Q4 K M、MLX、AWQ 这类文件名，并估算真实部署成本。
先查本地运行时怎样开启推测解码，再用概率校正与耗时算例理解它何时真正提速，比较链、树和自推测。
区分预测准确、概率可信和动作值得执行，用独立数据设置校准与弃权规则。
分开测量证据召回、排序、忠实性和答案质量，用反事实实验找到 RAG 的实际瓶颈。
区分模型交付物、评估条件和实际任务收益，形成能够复查的选型判断。
从下一个 token 的概率分布走到完整回答，理解采样参数、effort、推理 token、停止原因与结构化输出。
打开概览，了解主题范围或选择一条阅读路径。