33 篇 · 7 个专题
Nginx 是高性能的 HTTP / 反向代理服务器，兼具邮件代理能力。本文梳理它的由来、核心概念（Web 服务器、正向 vs 反向代理），并对比 IIS / Tomcat / Apache / Lighttpd 等主流 Web 服务器。
框架 定位 特点
作为 Agent 开发工程师视角的思考
Multi-Agent 架构可以从协作拓扑、控制方式和代表框架三个维度来梳理。
汽车技术中心当前正推进多个 Agent 项目：
通过与 AI Agent 对话,实现:
Harness（工程外壳） 是包裹在 LLM 外面的运行时环境，负责把一个"能对话的模型"改造成一个"能干活的 Agent"。
Harness 是基础设施，Autonomous Agent 是跑在这个基础设施上的一种应用形态。
Harness（挽具/框架） 是包裹在 LLM 外面的一层工程系统。LLM 本身只是一个"输入文本 → 输出文本"的函数，它不能执行代码、不能读文件、不能记住上一次对话、不能主动做任何事。Ha
强化学习（reinforcement learning，RL） 讨论的问题是智能体（agent）怎么在复杂、不确定的环境（environment）中最大化它能获得的奖励。如图 1.1 所示，强
机器学习（Machine Learning, ML）是人工智能的一个分支，它使计算机能够从数据中自动学习规律，并利用这些规律对未知数据进行预测或决策，而无需被显式地编程。
机器学习可以从多个维度进行分类。最经典的划分方式是按学习方式分为监督学习、无监督学习、半监督学习和强化学习；此外还可以按任务类型、模型形式、学习策略等进行划分。
一个完整的机器学习项目并不是"选个模型 → 训练 → 完事"，而是一条贯穿业务、数据、模型、工程、运营的闭环流水线。工业界普遍遵循的流程可以归纳为下面 10 个阶段。
一个典型的机器学习数据集（Dataset）由若干样本（Sample）组成，每个样本包含若干特征（Feature），在监督学习中还会带有对应的标签（Label）。
独立同分布（Independent and Identically Distributed，简称 i.i.d. 或 IID）是概率论与统计学中的一个基本假设。当一组随机变量 $
在机器学习中，模型在训练数据上的表现与在新数据（测试集或真实场景）上的表现之间存在一种权衡关系。理解这一权衡的核心就是欠拟合（Underfitting）与过拟合（Overfitting）
交叉熵源自信息论，衡量两个概率分布之间的差异。给定真实分布 $p$ 和预测分布 $q$，交叉熵定义为：
K 近邻算法（K-Nearest Neighbors, KNN） 是一种最经典、最直观的监督学习算法，既可用于分类，也可用于回归。
深度学习模型的效果与规模高度相关——参数量越大，通常性能越强。然而大模型在实际部署时面临一系列问题：
Skill（技能） 是一份可复用的"操作手册"，本质上是一个带有元数据的 Markdown 文件。它告诉 Agent：在什么场景下、按什么步骤、用什么标准去完成一类任务。
关键点：Skill 不是"自动读取"的，而是模型"主动调用"的。这个"看起来自动"的效果，来自三方协作 —— Harness（运行时）注入元数据，模型判断相关性，工具机制加载正文。
结论先说：Skills 不是行业标准，目前主要是 Anthropic 生态的约定（Claude Code、Claude Apps、Agent SDK 都用同一套）。其他框架有各
说明节点函数与 add_node、START/END、CachePolicy 节点缓存、RetryPolicy 重试语义、defer 延迟到超步末执行、Send 动态并行与 Reducer 合并顺序，并用超步（superstep）对比静态扇…
说明 LangGraph 中边的角色：add_edge 普通边、add_conditional_edges 条件路由、START/END 与条件入口、多出路在同一超步并行，以及循环图中终止条件与 recursion_limit / Grap…
两道动手题：用 TypedDict 与部分状态更新理解「按字段传递」；用 START 扇出、多入边与 defer=True 在控制台观察延迟汇聚执行顺序。附与节点篇、边篇的衔接说明。
说明 langgraph.types.Send 的语义：在路由函数中返回 Send 列表实现运行期动态并行；子状态与全局 State 的关系；配合 Annotated 与 operator.add 等 Reducer 合并并行结果；与静态扇…
介绍 LangGraph 的定位、核心概念（图/状态/检查点）、与 LangChain 的差异及 Pregel 运行时，并附最小可运行示例，帮助读者搭建 Agent 工程心智模型。
系统讲解 StateGraph 的三大构件（State / Nodes / Edges）、TypedDict 状态与 reducer，以及 state_schema、input_schema、output_schema 的契约与执行流，并附…
说明 LangGraph 中 Reducer 的职责与类型签名，覆盖默认覆盖、add_messages、operator.add/mul 与自定义归约，并演示并行更新下的合并策略与 operator.mul 初始化注意点。
系统梳理 PyTorch 张量从创建、dtype/device 到 NumPy 互转、运算（in-place / 矩阵乘法）以及拼接（cat / stack）的关键用法与注意事项。
从深度学习训练实战出发，系统讲清索引、形状变换与常见运算，帮助你减少维度错误并提升代码可维护性。
从计算图、backward、梯度累积到 detach/no_grad，系统讲清 PyTorch 自动微分在训练中的核心机制与常见坑。
以一元线性回归为例，系统讲清数据构造、mini-batch 训练、MSE 损失、梯度下降更新和可视化评估，帮助你建立可迁移的深度学习训练范式。
该分类下暂无文章。