全部 AI 精选，可按分级、类型筛选，按关键词搜索。
Enhance agents with autonomous capabilities
Microsoft Learn 上的学习路径，含 3 个模块，属中级水平，产品为 Microsoft Power Platform 与 Microsoft Copilot Studio，面向应用制作者。内容为使用 Copilot Studio 配置智能体以实现自主行为，包括把智能体流创建为工具、为智能体设置事件触发器等技能；场景设定为解决方案设计者构建尽量少需人工干预的智能体。先修要求为具备在 Copilot Studio 构建自定义智能体的经验，以及构建 Power Automate 云流或智能体流的经验。适合已在 Copilot Studio 有智能体开发经验、想进一步配置自主行为的应用制作者。
Microsoft Learn 上的一条学习路径，共 6 个模块，面向初级到中级水平，涉及 DevOps 工程师、管理员、开发人员、解决方案架构师、学生等角色。内容涵盖 GitHub Copilot 个人版、商业版与企业版的区别，在组织内落地使用、负责任且安全地使用，以及代理模式、云中 Copilot、GitHub MCP 服务器、代码评审与拉取请求，以及配合 JavaScript 和 Python 使用等模块。先决条件为了解 GitHub 基础知识。
Design and Build Multi-Agent Solutions in Microsoft Copilot Studio
Microsoft Learn 学习路径，含 4 个模块，中级水平，产品为 Microsoft Copilot Studio，面向应用制作者。内容讲如何规划、设计和构建多智能体解决方案，包括判断何时适合采用多智能体架构、用子智能体和连接智能体进行架构设计，并实现这两种模式；模块还比较标准 harness 与 GitHub Copilot harness 上的实现选项差异。先修要求包括能在 Copilot Studio 中创建、配置、测试和发布智能体，熟悉智能体主题、知识源与工具，并拥有相应环境权限。适合已能独立发布 Copilot Studio 智能体、准备搭建多智能体系统的开发者。
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。
Adversarial Example Generation
PyTorch 官方教程文档（对应 2.15.0+cu132 版本），作者为 Nathan Inkawhich，创建于 2018 年 8 月 14 日，最后更新于 2025 年 1 月 27 日。教程以图像分类器为例，介绍机器学习模型的安全与鲁棒性问题，使用快速梯度符号法（FGSM）攻击来欺骗 MNIST 分类器，演示对图像加入人眼难以察觉的扰动即可显著改变模型表现，并讨论了对抗攻击的不同类别与威胁模型。页面提供在 Google Colab 中运行和下载 Notebook 的入口。
PyTorch Distributed Overview
PyTorch 官方教程中的 torch.distributed 包总览页，将相关文档按主题分类并作简要说明。正文介绍分布式库包含并行模块、通信层以及启动和调试大型训练任务的基础设施，并列出并行 API（DDP、FSDP2、张量并行、流水线并行）和 DTensor、DeviceMesh 等分片原语。页面注明首次构建 PyTorch 分布式训练应用的人可从该文档入手寻找适用的技术。
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。
Getting Started with Fully Sharded Data Parallel (FSDP2)
PyTorch 官方中级教程，介绍 FSDP2 的工作方式，示例代码来自 pytorch/examples。正文对比 DDP，说明 FSDP 通过分片模型参数、梯度和优化器状态来降低 GPU 显存占用，使单卡放不下的模型也能训练；并描述前向与反向计算之外参数处于完全分片状态、计算前对分片参数做 all-gather、反向中对未分片梯度做 reduce-scatter 等流程。页面说明 FSDP1 已弃用，其教程已归档。
Channels Last Memory Format in PyTorch
PyTorch 官方中级教程，介绍 channels last 内存格式是什么，以及如何用它提升某些算子的性能。正文说明该格式在保留 NCHW 维度顺序的前提下改变内存排列，使通道成为最密集的维度，并利用现有 strides 结构实现，例如 10x3x16x16 批次在该格式下 strides 为 (768, 1, 48, 3)；该格式仅针对 4D NCHW 张量实现，页面还给出连续格式与 channels last 格式之间的张量转换 API。前置条件为 PyTorch v1.5.0 和支持 CUDA 的 GPU。
Albert Gu 在 X 上谈从原始字节做语言建模这一方向，认为智能应来自简单的通用构件、直接从原始数据学习抽象（即“苦涩的教训”）。他提到去年提出的分层网络（H-Nets）是新一步，新版本在受控的 scaling law 实验中取得最高 3–5 倍效率提升，在更大规模下用约十分之一的数据与算力达到与在 11T token 上训练的开源模型相当的水平，并称后续帖子会讲解发现与原理。适合做模型架构与 scaling law 研究的人阅读。