AI 学习知识库

Knowledge Base & Mindmap

登录 / 注册

站内知识检索

检索当前知识库中实际存在的 56 篇笔记

找到 56 篇实际笔记

agent-engineering30 分钟

01. Agent 工程全景：能力、边界与架构

建立 AI Agent 的共同语言，理解其组成、适用场景、风险与工程化路径。

agent-engineering40 分钟

02. Agent 提示词工程

设计可维护、可测试且面向行动的 Agent 提示词。

agent-engineering45 分钟

03. Function Calling：让模型安全调用工具

使用工具 Schema、参数校验与执行闭环，把模型推理连接到真实能力。

agent-engineering50 分钟

04. LangChain 基础：组件化构建 Agent

掌握 LangChain 的模型、消息、工具、Runnable 与可观测性基础。

agent-engineering45 分钟

01. ReAct Agent：推理与行动循环

用 ReAct 模式实现受限、可观察的“思考—行动—观察”循环。

agent-engineering50 分钟

02. LangChain Agent：工具编排与运行时

使用 LangChain Agent 组织工具、运行时上下文和可恢复执行。

agent-engineering60 分钟

03. LangGraph：状态化 Agent 工作流

用显式状态、节点和边构建可分支、可恢复的 Agent 图。

agent-engineering55 分钟

04. 记忆与 Human-in-the-Loop

为 Agent 设计可控记忆，并在高风险节点引入人工审批。

agent-engineering90 分钟

01. 项目：客户服务 Agent

交付一个具备检索、订单查询、转人工与安全护栏的客服 Agent。

agent-engineering90 分钟

02. 项目：工单路由与 Agent Supervisor

构建 Supervisor 协调的多 Agent 工单分类、分流和升级系统。

agent-engineering100 分钟

03. 项目：可引用的研究助手

构建可规划检索、评估证据、生成引用报告的研究助手。

agent-engineering50 分钟

01. Docker 部署 Agent 服务

将 FastAPI Agent 服务打包为安全、可配置、可观测的容器。

agent-engineering60 分钟

02. CI/CD：测试、发布与回滚 Agent

构建覆盖代码、提示词、工具契约与评测集的 Agent 发布流水线。

agent-engineering120 分钟

03. 结课项目：部署可信 Agent 平台

综合 Agent、RAG、服务、安全与评测能力，交付一个可部署的平台。

agent-engineering60 分钟

01. Agent 评测、安全与红队测试

建立覆盖任务质量、工具安全、鲁棒性与发布门槛的 Agent 评测体系。

agent-engineering45 分钟

01. FastAPI 入门：构建 Agent 服务接口

用 FastAPI 创建类型安全、可文档化的 Agent 服务 API。

agent-engineering50 分钟

02. FastAPI 路由、依赖与 API 设计

以资源边界、鉴权依赖和稳定契约组织可维护的 API。

agent-engineering60 分钟

03. FastAPI Agent API：运行、状态与任务管理

将 Agent 运行封装为具备状态、可取消、可审计的服务接口。

agent-engineering50 分钟

04. FastAPI 流式响应：SSE 与实时 Agent 事件

通过 SSE 推送文本、工具与状态事件，并处理断连与恢复。

agent-engineering45 分钟

01. MCP 概览：模型上下文协议与工具互联

理解 MCP 的客户端、服务器、工具、资源与提示词协作模型。

agent-engineering60 分钟

02. MCP Server：设计、实现与发布

构建可靠、可测试且可安全部署的 MCP Server。

agent-engineering55 分钟

01. 流式服务的认证、授权与可观测性

为实时 Agent 服务建立身份、租户隔离、审计与可观测性基础。

agent-engineering60 分钟

02. 工具权限策略与安全执行

用策略引擎、审批和审计控制 Agent 的工具调用风险。

agent-engineering55 分钟

01. Agentic RAG：让检索成为可决策工具

理解 Agent 如何规划、调用、验证和改写 RAG 检索过程。

agent-engineering55 分钟

02. RAG Pipeline：构建知识检索流水线

从文档加载到带引用生成，搭建可评测、可维护的 RAG 流水线。

agent-engineering50 分钟

03. RAG 检索与回答评测

分层评估 RAG 的检索、引用、真实性与端到端任务表现。

deep-learning25 分钟

单个人工神经元

理解神经网络的基本计算单元，包括输入、权重、偏置、激活与输出之间的关系。

神经网络前向传播

foundations25 分钟

01.NumPy 数值计算基础

掌握 NumPy 核心数组 ndarray、维度变换、广播机制 (Broadcasting) 与纯向量化矩阵计算，为机器学习数据处理打下坚实基础。

NumPyndarray广播向量化矩阵乘法科学计算

foundations25 分钟

02.Pandas 表格数据分析与清洗

掌握 Pandas 核心数据结构 Series 与 DataFrame、CSV 文件读写、loc/iloc 显式切片、多条件布尔筛选、缺失值清洗与 Groupby 分组统计。

PandasDataFrameSeries数据清洗locilocGroupby数据导入

foundations25 分钟

01.线性代数直觉：向量与矩阵

从几何直觉出发理解向量、向量点积的相似度含义，掌握矩阵 Y = XW + b 在特征变换与线性回归中的物理直觉。

数学线性代数向量矩阵点积矩阵乘法空间变换

foundations25 分钟

02.微积分直觉：导数与梯度下降

用山谷下山的比喻理解导数与梯度的几何含义，掌握梯度下降法（Gradient Descent）更新模型参数的直觉与代码实现。

数学微积分导数偏导数梯度梯度下降损失函数学习率

foundations25 分钟

03.概率统计直觉：均值、方差与概率

理解数据集中趋势（均值/中位数）与离散程度（方差/标准差），掌握正态分布钟形曲线与分类模型 Sigmoid 概率映射直觉。

数学概率统计均值方差标准差正态分布Sigmoid概率映射

foundations25 分钟

01.Python 环境与 Notebook 入门

学习 Python 解释器安装与 PATH 配置、使用 venv 创建独立虚拟环境与 pip 包管理，掌握 VS Code 解释器选择与 Jupyter Notebook 快捷键，运行你的第一行 Python 代码。

Python环境配置虚拟环境pipJupyter NotebookVS Code

foundations20 分钟

02.变量、数据类型与运算符

掌握 Python 变量定义与命名规范、注释编写、解释器与动态类型机制、四大基本数据类型（整数、浮点数、字符串、布尔值）、算术与逻辑运算符，以及常用的数据类型转换技巧。

Python变量数据类型运算符类型转换注释解释器

foundations25 分钟

03.控制流：条件判断与循环

掌握 Python 条件分支判断（if-elif-else）、循环结构（for 与 while）、break 与 continue 流程控制，以及列表推导式基础与缩进语法。

Python控制流if语句for循环while循环缩进规范

foundations25 分钟

04.组合数据类型

掌握 Python 四大常用容器（列表 list、元组 tuple、字典 dict、集合 set）的定义与增删改查操作，理解浅拷贝与深拷贝的区别。

Python列表元组字典集合组合数据类型深浅拷贝

foundations25 分钟

05.函数与作用域

掌握 Python 函数定义（def）、位置与关键字参数、默认参数、*args 与 **kwargs 打包、返回值 return，LEGB 作用域法则、函数设计规范与静态类型标注 (Type Hints)。

Python函数def参数返回值作用域LEGB法则类型标注Docstring

foundations25 分钟

06.模块、包与面向对象基础

掌握 Python 模块与包的结构架构、sys.path 查找与 __init__.py 机制，深入理解面向对象编程（OOP）中类、对象、继承、super() 与方法重写的核心概念。

Python模块import包sys.path面向对象类对象继承self

foundations25 分钟

07.文件读写与调试技巧

掌握 Python 现代路径处理（pathlib）、文本与 JSON 文件安全读写（with/encoding）、try-except-finally 异常捕获机制，以及 pdb 单步调试与 logging 日志排错技巧。

Python文件读写pathlibjson异常处理try-exceptpdb调试logging

machine-learning35 分钟

01.模型评估基础与交叉验证

建立模型评估的统一框架，理解训练集、验证集与测试集的职责边界，掌握基线模型、交叉验证、数据泄漏和泛化能力等核心概念，为后续分类指标、回归指标与模型诊断做好准备。

机器学习模型评估交叉验证训练集验证集测试集数据泄漏基线模型

machine-learning40 分钟

02.分类模型评估指标

掌握分类模型的混淆矩阵、Accuracy、Precision、Recall、F1、ROC-AUC 与 PR-AUC，理解类别不平衡和阈值选择下不同指标的取舍。

机器学习模型评估分类指标混淆矩阵PrecisionRecallF1ROC-AUCPR-AUC

machine-learning40 分钟

03.回归指标与模型诊断

掌握 MAE、MSE、RMSE、R² 等回归指标，理解误差分布、学习曲线和训练验证差距，并建立从指标异常定位模型问题的诊断流程。

机器学习模型评估回归指标MAEMSERMSER2学习曲线模型诊断

machine-learning20 分钟

01.机器学习通识与全景图

建立机器学习宏观全景认知，用通俗生活实例厘清传统编程与 ML 的本质区别，明确 AI、机器学习、神经网络与深度学习的包含关系，掌握监督学习、无监督学习两大任务范式。

机器学习通识人工智能深度学习监督学习无监督学习回归分类

machine-learning20 分钟

02.机器学习极简五步法

掌握任何机器学习项目通效的极简五步法流程，理解特征 X、标签 y 与权重 w 的物理含义，明白为何必须划分训练集与测试集防死记硬背，并通过 10 行 Python 代码跑通第一个模型。

机器学习极简流程训练集测试集特征标签Scikit-Learn

machine-learning90 分钟

01.端到端项目：客户流失预测

从业务定义、数据清洗、特征工程、基线模型、阈值选择、误差分析到业务建议，完成一个可复现的客户流失预测项目。

机器学习项目端到端客户流失特征工程模型评估阈值优化可解释性

machine-learning40 分钟

01.线性回归与正则化

掌握从单特征一元回归到多特征矩阵化多元回归的演进过程，推导 MSE 损失函数求导、特征缩放 (Min-Max/Z-Score)、正规方程解析解与梯度下降数值解，理解过拟合机制以及 L1/L2 正则化 (Lasso/Ridge) 的几何直觉与 Python 实现。

机器学习监督学习线性回归正规方程梯度下降特征缩放RidgeLassoMSE

machine-learning45 分钟

02.逻辑回归与二分类评估

掌握逻辑回归模型原理与二分类/多分类评估闭环，理解 Sigmoid 概率映射、Softmax 多分类拓展、交叉熵 Log-Loss 损失推导与决策边界；通过威斯康星乳腺癌诊断必做实验、Iris 鸢尾花三分类必做实验、Kaggle 信用卡欺诈检测案例，以及 Kaggle 泰坦尼克号与 Scikit-Learn 手写数字识别课后练习，在具体分类实验中应用混淆矩阵、Precision/Recall/F1、ROC-AUC 与 PR-AUC。

机器学习监督学习逻辑回归SigmoidSoftmax交叉熵损失决策边界混淆矩阵乳腺癌实验鸢尾花实验信用卡欺诈泰坦尼克号手写数字识别

machine-learning50 分钟

03.kNN 与朴素贝叶斯

掌握非参数近邻分类模型 kNN 与生成式概率模型朴素贝叶斯 (Naive Bayes)。深入拆解欧氏/曼哈顿距离、k 值选择与特征缩放机制；掌握贝叶斯定理、条件独立性假设、拉普拉斯平滑以及高斯/多项式朴素贝叶斯在文本与垃圾邮件分类中的实战。

机器学习监督学习kNNk近邻距离度量维度灾难朴素贝叶斯贝叶斯定理条件独立假设拉普拉斯平滑垃圾邮件分类

machine-learning45 分钟

04.决策树算法

掌握决策树算法的核心原理与手算推导实战，理解信息熵 (Entropy)、信息增益 (ID3)、增益率 (C4.5)、基尼指数 (CART)，通过具体银行贷款手算案例直观理解分步分割过程，掌握预剪枝与后剪枝及 Scikit-Learn 代码实现。

机器学习监督学习决策树信息熵信息增益基尼指数剪枝Scikit-Learn

machine-learning50 分钟

05.支持向量机SVM

掌握支持向量机 (SVM) 模型原理与代码实战，理解几何间隔与超平面推导、软间隔 C 参数、Hinge Loss 损失函数、拉格朗日乘子法与对偶问题、KKT 条件，以及核技巧 (RBF/高斯核) 解决非线性分类问题。

机器学习监督学习SVM支持向量机间隔最大化软间隔Hinge Loss核技巧RBF核Scikit-Learn

machine-learning45 分钟

06.集成学习与随机森林

掌握集成学习三大范式（Bagging、Boosting、Stacking）的核心思想与数学直觉，深入剖析随机森林 (Random Forest) 的双重随机性（Bootstrap 样本重采样 + 特征随机子集挑选），手算 Bagging 降低方差机制，理解 OOB (Out-Of-Bag) 留包评估与 Scikit-Learn 实战。

机器学习监督学习集成学习随机森林BaggingBoostingStacking投票机制Out-Of-BagScikit-Learn

machine-learning45 分钟

07.梯度提升树与 XGBoost / LightGBM

理解 Boosting 通过串行迭代纠正前轮误差的核心思想，掌握 GBDT 的残差拟合、XGBoost 的正则化与二阶近似，以及 LightGBM 的高效建树思路。

机器学习监督学习集成学习BoostingGBDTXGBoostLightGBM

machine-learning55 分钟

01.无监督学习与 K-Means 聚类

从无标签数据出发，系统掌握 K-Means 的目标函数、手算迭代、簇数选择、特征缩放、客户分群实践与常见陷阱。

机器学习无监督学习聚类K-Means距离度量轮廓系数肘部法

machine-learning55 分钟

02.密度聚类与层次聚类

从邻域密度出发，手算 DBSCAN 的核心点、边界点和噪声点，并理解层次聚类、树状图与算法选型。

机器学习无监督学习DBSCAN层次聚类异常检测聚类评估

machine-learning60 分钟

03.主成分分析与降维

从几何投影到协方差矩阵和 SVD，手算 PCA 主成分，理解解释方差、重构误差和降维管道。

机器学习无监督学习降维PCASVD可视化特征工程

machine-learning65 分钟

04.推荐系统基础：协同过滤与矩阵分解

从用户—物品矩阵出发，手算相似度和预测评分，理解协同过滤、矩阵分解、召回排序、冷启动与离线评估。

机器学习推荐系统协同过滤矩阵分解冷启动排序Top-K