课程精选。
Loop Engineering with LangChain Deep Agents
DeepLearning.AI 上的一门中级课程，讲师为 Sydney Runkle 和 Esmaeil Gargari，时长约 1 小时 16 分钟，含 8 个视频课、4 个代码示例和 2 个评分作业，需 PRO 会员。内容介绍围绕智能体的四种循环（智能体循环、验证循环、事件驱动循环、爬山式改进循环），并动手构建智能体循环、加入由评估器按明确标准检查输出并反馈重试的验证循环、由 Slack 消息或 Jira 工单等事件自动触发，以及分析多次运行的追踪记录来改进执行框架。
AI for Beginners: Use Agents With Confidence
Real Python 上的一门视频课程，作者 Sarah Jane Ross，共 25 课、约 1 小时 23 分钟，标为入门级。内容讲解 AI 智能体的实际运作方式，包括模型与执行框架（harness）的分工、上下文如何影响回答、使用前可核查智能体运行位置与可访问的数据、提问方式与适时重开对话、以及把任务打包为可复用技能；课程含交互式应用练习和导师指导环节，结尾为在 AI 助手中找出并修复五个设置问题。
Evaluate generative AI applications
Microsoft Learn 上的一条学习路径，共 2 个模块，面向初学者、开发人员角色，涉及 Azure Foundry Tools 和 Content Safety。内容包括评估生成式 AI 应用的基本概念与方法、分析输出质量、用自定义评估器评估输出，以及使用 Azure AI Evaluation SDK 运行评估并生成合成数据集。先决条件包括 Azure 订阅、对 Azure 门户的基本熟悉、初级 Python 能力，以及 GitHub 账号或本地 Docker、VS Code 开发容器扩展。
Distributed Data Parallel in PyTorch - Video Tutorials
PyTorch 官方视频教程系列的开篇页，讲解通过 DDP 进行分布式训练。系列从一个简单的非分布式训练任务开始，最终部署到跨多台机器的集群，过程中介绍用于容错分布式训练的 torchrun；章节包括 DDP 原理、单节点多 GPU 训练、容错、多节点训练和 minGPT 训练。教程假定读者对 PyTorch 模型训练有基本了解，运行代码需要多块 CUDA GPU（示例使用 4 GPU 的 Amazon EC2 P3 实例），代码托管在 GitHub 仓库中。
Nathan Lambert 的 X 帖子，宣布其第一场关于开放模型生态的公开课，涵盖构成该生态的各个部分以及决定其走向的开放问题与争论，包括蒸馏在其中扮演的角色、如何管理风险、未来模型获取方式会如何变化。帖子列出章节时间点：什么是开放模型、为何关注开放模型、当前最强开放模型的竞争力、开放模型如何构建（蒸馏的作用）、人们是否真的在用开放模型、下一步走向及结论，并表示大约每半年回顾一次这些问题。适合关注开放模型生态与政策讨论的研究者或从业者阅读。
AI Code Review
DeepLearning.AI 平台上与 Qodo 合作的一门实操课程，讲师为 Nnenna Ndukwe，时长约 1 小时 4 分钟，含 8 个视频课程、3 个代码示例和 1 个评分作业，标注为中级。课程内容涉及在提交拉取请求前就运行审查、为审查者提供更丰富的任务与仓库上下文、按风险筛选审查发现的问题，以及构建自己的 AI 代码审查智能体（包括从上下文中定位相关代码的上下文引擎和多个专门审查者的组合）。适合已具备一定基础、希望实践 AI 辅助代码审查的开发者学习。
Building AI Assistants with On-Device Memory
DeepLearning.AI 平台上的课程页面。课程指出依赖云端记忆的 AI 应用需要联网并把数据发往远程服务器，而本课程教授端侧替代方案：学习者构建把文本、语音和图像等经历以向量形式存储、按语义检索的记忆系统，并让助手能从少量照片中识别新物体而无需重新训练模型。课程标注为中级，时长 1 小时 4 分钟，含 8 个视频课、5 个代码示例和 1 个评分作业，讲师为 Dylan Couzon，页面显示更新日期为 2026 年 10 月 15 日。适合想学习本地向量检索与离线多模态助手实现的开发者。
AI Coding Workflows: From Cloud to Local - DeepLearning.AI
DeepLearning.AI 学习平台上的一门课程页面，内容与同名的另一条链接一致：以 Claude Code 为基线，讲解如何为更小的模型组织工作、切换编码智能体、接入不同模型与提供商，并从云端过渡到混合与完全本地的工作流，同时评估成本、速度和使用指标方面的取舍。页面正文主要为平台使用提示（查找 notebook 工具文件、重置工作区等），未给出更多课程细节。
SonarQube + OpenAI: Agentic Development — Killian Carlsen-Phelan, Sonar
一个会议工作坊视频。演讲者用一个预埋硬编码 API 密钥、SQL 注入路径等问题的 Python 小项目演示流程：用 SonarQube 扫描并把结果带入 Codex，让智能体修复存在漏洞的查询（把字符串拼接改为参数化查询），再通过验证钩子重新检查被修改的代码，把安全反馈放进编码循环。现场搭建了 SonarQube Cloud、其 CLI、插件和 MCP 服务器，展示秘密检测钩子拦截提示词中的伪造凭据、问题列表技能为智能体提供证据、上下文增强在生成前提供编码指引，以及智能体式分析实时检查改动。问答涉及钩子如何被绕过、哪些步骤在本地或容器中运行、哪些功能依赖组织权限。
Just-in-Time Ontologies: What Cheap Intelligence Means for Data — Hrishi Olickel, Southbridge AI
一个会议演讲视频。演讲者以一条把贷款金额的正负号去掉、将净 784,000 美元变成 530 万美元债务、且多个模型给出相同错误结果的流水线为例，说明数据转换不能只靠通用模式或自信的智能体，因为“客户”对计费、支持、合规部门含义不同。他提出的替代方案是“即时本体”：在问题明确时构建转换，并保留其上下文与证据以便复用。工作示例是俄亥俄州竞选财务实体消解项目，涉及区分设计流水线的模型、执行单项任务的模型和优化系统的模型，以及定义、留出案例、分歧检查、稳定执行面、预算上限和失败方式界定等做法。
Stanford EE292R AI and Data for Science | Autumn 2026 | Models of Computation in the Retina
这是斯坦福课程 EE292R“面向科学的 AI 与数据”2026 年秋季学期的一讲录像，讲者是斯坦福神经生物学教授 Stephen Baccus。该讲围绕早期视觉系统中可机制解释的计算模型展开，带有计算神经科学与机制可解释性方向的标签。
Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 3 - LLM training
这是斯坦福课程 CME295 2026 年秋季学期的第三讲录像，由 Afshine Amidi 与 Shervine Amidi 讲授。内容涵盖预训练与交叉熵损失、数据配比、中期训练、长上下文训练、监督微调（SFT）、LoRA、偏好调优、Bradley-Terry 模型、RLHF、DPO、推理能力、GRPO、在线策略蒸馏（OPD）及一个端到端示例。