教程精选。
Profiling in PyTorch (Part 1): A Beginner's Guide to torch.profiler
这是 PyTorch 性能分析系列文章的第一篇，面向初学者介绍如何使用 torch.profiler 读取性能分析 trace。文中说明该系列将逐步讲解 trace 阅读技能并用于驱动优化，后续两篇分别涉及从 nn.Linear 到融合 MLP、以及注意力层的分析。适合刚开始接触 PyTorch 性能分析的新手阅读。
Reachy Mini goes fully local
这篇教程介绍如何让 Reachy Mini 机器人的对话应用在本地运行整套语音栈，不再把音频发送到服务器。方案基于名为 speech-to-speech 的级联式 VAD → STT → LLM → TTS 流程，提供兼容 Realtime API 的 WebSocket 接口，文中推荐 llama.cpp 搭配 Gemma 4、Silero VAD、Parakeet-TDT 0.6B v3 STT 和 Qwen3-TTS 等组件，并说明各组件可替换。
From the Hugging Face Hub to robot hardware with Strands Agents and LeRobot
Amazon 的企业文章，介绍把 Hugging Face Hub 上的模型部署到真实机器人硬件的工作流程。文中按步骤说明：搭建示例、录制演示数据并推送到 Hub、在仿真中运行策略、将策略部署到物理硬件、通过 mesh 协调多个机器人，并给出示例应用和安全注意事项。
Run a vLLM Server on HF Jobs in One Command
介绍如何用单条命令在 Hugging Face 基础设施上启动私有的、兼容 OpenAI 接口的 LLM 端点，无需自行配置服务器或 Kubernetes，按秒计费。文中给出前提条件（付费方式或预付余额、huggingface_hub >= 1.20.0、本地登录）、以 vllm/vllm-openai 镜像和 hf jobs run 启动并暴露端口的示例命令，并说明适用于测试、评测或批量生成场景，同时提示需要托管式生产服务时应考虑 Inference Endpoints。
Training and Finetuning Multi-Vector Embedding Models with Sentence Transformers
文章介绍 Sentence Transformers v6.0 新增的第四种模型类型 MultiVectorEncoder，用于 ColBERT 风格的后期交互检索，并给出了配套的完整训练方法。文中按模型、数据集、损失函数、训练参数、评估器和训练器类等组件逐一讲解，并附实际操作示例，全部流程在安装 sentence-transformers 的训练依赖后即可运行；作者还展示了在单张 RTX 3090 上训练 14.5 小时的 mLateOn-medical 模型的评估结果。适合做检索增强生成、语义搜索的实践者阅读。
Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers
文章介绍 Sentence Transformers（用于使用和训练嵌入与重排序模型、面向 RAG 和语义搜索等应用的 Python 库）在 v6.0 更新中新增的第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后期交互检索。文中说明 PyLate 和 Stanford-NLP ColBERT 检查点可直接加载，colpali-engine 的视觉文档检索模型也可通过同一 API 使用；多向量模型为每个 token 保留一个向量并用 MaxSim 打分，代价是索引更大，并给出了加载不同检查点的示例。
Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps
文章给出一份完全公开、成本低廉的配方，用 TRL 库的 Group Relative Policy Optimization 微调 LFM2.5-350M，并在 IFStruct 基准上评估其结构化输出遵循能力。整个训练约 500 个样本、100 步，可在免费层级的 Colab 或 Kaggle GPU 上完成，代码已在 GitHub 公开；结果显示 IFStruct 基准成绩从 22.6% 提升到 29.7%。文中说明该训练流程不同于 IFStruct 博客中训练 RL 模型所用的流程，目标不是复现该基准分数。适合想在小模型上试验 RL 微调的读者。
Agents That Self Improve While You Sleep - Fuad Ali, Arize AI
这是 Arize AI 的 Fuad Ali 的一场工作坊视频，讲解如何为 AI 智能体搭建自我改进闭环：追踪全部数据，让常驻智能体 Signal 按计划读取轨迹并提交去重后的问题，把失败转化为评估与持续更新的回归数据集，运行实验证明修复有效，并在评估设计、数据集整理和修复审查等环节保留人工参与。演示基于一个预先植入了缺陷的玩具购物智能体，并包含关于定性输出评估、决策模型与成本的问答。
Step by Step guide: Build a Voice Agent That Never Goes Silent using ADK
Google 开发者博客 2026 年 10 月 19 日的文章，作者为 Stephen Allen 与 Kaz Sato。内容介绍如何用开源 Agent Development Kit（ADK）和 gemini-3.8-live，在 Python 中实现非阻塞工具来构建响应及时的语音智能体，包括用流式工具输出进度更新、用后台执行模式在长时间后端查询期间保持对话流畅，以及配置 WHEN_IDLE、INTERRUPT、SILENT 等响应调度行为来控制工具结果何时以何种方式进入对话。适合用 ADK 和 Gemini 实时接口开发语音智能体的开发者阅读。
Getting started with Claude Code mods
claude.dev 博客的教程类文章，作者 Addy Osmani，2026 年 10 月 1 日发布，约 11 分钟阅读量。文章说明 mod 是运行在 Claude Code 会话中的小型 JavaScript 或 TypeScript 文件，可观察会话、改变 Claude Code 的行为或在终端和桌面应用中绘制自定义界面，底层是随插件分发的 hooks。内容包含从空文件夹构建第一个 mod（Token Weather）、分享 mod、两个更大的 mod 案例和几条习惯建议。
Building effective agent automations
claude.dev 博客 Agents 类文章，作者 Lance Martin 和 CJ Avilla，2026 年 10 月 8 日发布，约 9 分钟阅读量。文章使用 Claude Managed Agents（beta）搭建了一个参考实现：按计划读取 Slack、GitHub 仓库等自定义来源，追踪上次运行以来的变化，并把需要知道的内容发布到 Slack。文中逐步讲解来源、目的地、智能体、调度、记忆、防护栏等环节，并提供参考代码和一条可在 Claude Code 中运行的配置命令。
Build a Research Agent with Claude Managed Agents (Part 2 of 4) — Anthropic
Priyanka Phatak 先在控制台完成一个无代码 Agent，随后 Gabe Cemaj 带领动手构建：一个在会话事件流上搭建聊天界面的“研究台”应用。他加入 SEC EDGAR skill、子 Agent、自定义工具和共享记忆存储，然后对英伟达做一次按结果评分的分析，评分器依评分标准检查工作，Claude 反复重试直至通过。问答涉及 vault、Agent SDK 与托管 Agent 的对比、护栏、记忆共享和 MCP tunnel。