找一篇感兴趣的笔记，看看它的前置知识、引用和相关讨论。
188 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。
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。
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。
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。
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。
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。
从状态压缩、时间反向传播和 LSTM 门控理解 RNN 的优势、梯度失败与流式边界。
基于 Logit、Softmax 概率和交叉熵的多类别线性分类，明确其与多标签任务的边界。
厘清 2017 年原始 Encoder-Decoder 与现代 Decoder-only 架构在 Norm、位置编码、注意力变体及 FFN 上的差异，并分析训练与推理成本。
前向加噪、学习式逆向转移、噪声预测训练、迭代采样、条件控制和计算权衡。
打开概览，了解主题范围或选择一条阅读路径。