全部 AI 精选，可按分级、类型、是否付费、收录时间筛选，按关键词搜索。
How to Read Data into GPU Memory in Python with NVIDIA GPUDirect Storage
NVIDIA 技术博客，作者 Andrew Hoyle，2026 年 10 月 22 日发布。文章介绍 KvikIO 库如何以 Python 和 C++ 高层接口封装 cuFile C API，实现加速的文件 I/O 直读 GPU 显存；说明了 KvikIO 与 cuFile 各自的路径选择、KVIKIO_COMPAT_MODE、KVIKIO_GDS_THRESHOLD、cufile.json 中的 parallel_io 与 min_io_threshold_size_kb 等设置，以及用 CUFILE_STATS_LEVEL=3 与 gds_stats 判断走加速路径还是兼容路径，并提到 KvikIO 在 cuDF、cuCIM、cuPhoton 和 GPU 加速 Presto 中的应用。
MCP vs API Calls: Which Should You Use for Python LLM Apps?
Real Python 的教程，作者 Valerio Maggio，阅读时长约 28 分钟，难度标注为中级。文章从指标对比入手，分三组特性比较直接 API 调用与 MCP 服务器：集成成本与可复用性、标准化与互操作性、开销控制与成熟度，最后给出选择决策表，并注明 Anthropic 已开源 Model Context Protocol。适合在 Python LLM 应用中选择集成方式的开发者阅读。
Memory-Enforced GPU Sharing in Kubernetes with NVIDIA CUDA 13.4
NVIDIA 技术博客，作者 Ekin Karabulut、David Lifshitz、Hagay Sharon，2026 年 10 月 27 日发布。文章介绍挂在 KAI Scheduler 组织下的开源 GPU Fractioning Operator，它与 NVIDIA GPU Operator 配合在每台 GPU 节点上配置并监管 MPS，按工作负载施加显存上限与计算模式，并按 GPU 切片而非整卡计量使用量；CUDA 13.4 引入对应用透明的显存边界强制，支持精确显存额、保证下限加可突发上限、时间切片与 SM 共享两种计算模式，KAI Scheduler v0.18.0 通过 NvFractions 模式写入 Pod 注解来落实这些设置。
Human-in-the-loop over MCP - Docs by LangChain
LangChain 官方文档的一页，说明当通过 MCP 端点暴露的 agent 调用 interrupt 时，Agent Server 如何用 elicitation 向 MCP 客户端索取答案并在收到回答后恢复 agent。文档描述了工具调用暂停与恢复的往返流程（resultType 为 input_required、elicit/create 请求、requestState、inputResponses 等），并注明需要 langgraph-api>=0.18.0 及支持协议修订版 2026-07-28、声明 elicitation 能力的 MCP 客户端。适合用 LangSmith/LangGraph 部署 agent 并接入 MCP 的开发者查阅。
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。
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。