Beej's Guide to Learning Computer Science| #指南 #计算机科学

Beej系列的入门教程口碑都很好。最近新出了这本计算机科学学习指南，其中还包括了学习中应该如何使用AI的部分内容。

“我不会过多讨论如何编写代码。在这大约40页的内容中，我主要想谈的是：当你刚刚开始成为一名软件开发者时，该如何有效地学习。
尽管我很希望能准确了解每个人的学习方式，并把这些内容都压缩进这40页中，但坦白说，我做不到。

但我确实拥有40多年的编程经验（大学前自学起步），20年的行业经验，以及8年以上的教学经验。同时，我也拥有计算机科学的学士和硕士学位。并且，我对如何最有效地学习编程，有自己的见解！”

Claude Code 的 “CLAUDE.md” 配置指南 | blog | #指南

因为大语言模型（LLM）本身是无状态的 —— 它并不会记住先前会话或项目的信息，每次新会话它对你的代码库毫无“背景知识”。所以为了让 Claude Code “了解”你的项目结构、目的、依赖、构建/测试命令，以及你对编码风格／流程／测试／构建／运行方式等的期望，就必须借助 CLAUDE.md。

CLAUDE.md 越简洁、越聚焦、越“通用适用”越好。如果将太多针对特定任务或细节的规则填进 CLAUDE.md，反而可能让模型忽略整个文件，因为它在系统层会把它当作“可能不相关”。

作者推荐仅在 CLAUDE.md 中放入项目的总体 “WHY / WHAT / HOW”（项目目的、整体架构／技术栈、核心构建／测试／运行流程），以及一些对所有任务都通用的重要规范——然后把其它更细节、任务／模块专属的说明放在独立 markdown 文件中（例如 code_conventions.md、testing.md、architecture.md 等），并在 CLAUDE.md 中以引用／说明的方式指向它们。这样既能保持上下文整洁，也能让 Claude 在真正需要的时候按需读取。

Claude Opus 4.5 的提示词（Prompting）实战指南 | 帖子 | #指南

为了帮助大家更好地驾驭新模型，我们的研究与应用团队经过大量内部测试和“折腾”，总结了一份针对 Claude Opus 4.5 的提示词（Prompting）实战指南。

以下是我们目前摸索出的“独家秘籍”，教你如何榨干它的潜能，获得最佳效果：

1. 用好 effort 参数，想多聪明你说了算

新的 effort（努力值）参数简直是个神器。它能让你大体控制 Claude 在输出内容时消耗多少算力。这就好比你有了一个调节旋钮：你可以通过它，在“智能程度”与“成本/响应速度”之间做一个权衡 （向左转省钱快出结果，向右转费点时间但智商爆表）。

这个参数对所有类型的 Token （AI 处理文本的最小单位，相当于单词或汉字） 都有效，包括模型的思考过程、正式回复以及工具调用。

2. 别太凶，温柔点：调整工具触发率

你可能会发现工具触发的频率变了。这是因为 Opus 4.5 对系统提示词（System Prompts）的反应更加灵敏。

以前为了防止它“偷懒”不调用工具 （Undertriggering，即触发不足），你的旧提示词可能使用过非常激进或严厉的语言。但在新版本里，这样反而会导致它变得太敏感，动不动就乱用工具 （Overtriggering，即触发过度）。

所以，是时候把语气放缓了。将原来那种 “CRITICAL: You MUST use this tool”（严重警告：你必须使用此工具）的命令，改成平和的 “Use this tool when...”（当出现……情况时，使用此工具）就可以了。

3. 防止“加戏”：避免过度设计

Opus 4.5 有时候会有点“想太多”，导致过度设计 （Overengineer，即把简单问题复杂化），比如凭空增加不必要的文件或者搞一堆复杂的抽象层。

要解决这个问题，你得在提示词里把话说明白，比如加上：“Only make changes that are directly requested. Keep solutions simple and focused.”（只修改我明确要求的部分。保持解决方案简洁、聚焦。）

4. 拒绝“云写代码”：强制它先读后写

在探索代码库时，Opus 4.5 有时会表现得比较保守。

如果你发现它没看代码就直接瞎提修改建议，请直接给它下死命令：“ALWAYS read and understand relevant files before proposing edits. Do not speculate about code you have not inspected.”（在提出修改建议前，必须总是先阅读并理解相关文件。绝对不要对自己没检查过的代码进行猜测。）

5. 眼神更好了：视觉能力大升级

Opus 4.5 的视觉能力有了显著提升，处理图像和提取数据的能力更强了，尤其是在同时处理多张图片的时候。

对于那些信息量巨大、密密麻麻的图片 （Dense Images），教你个绝招：给它配备一个裁剪工具，让它能像用放大镜一样“放大”并聚焦于局部细节。在我们的测试评估中，这一招能稳定提升它的表现。

如果你想快速应用上述所有技巧，将你的应用无缝迁移到 Opus 4.5，可以直接使用我们制作的这个 Claude Code 迁移插件

《大语言模型（LLM）学习路径和资料汇总》为不同水平的学习者提供了系统且实用的学习指南，涵盖入门、应用和深入三个阶段。| #指南

入门部分帮助理解基础知识和常用术语，推荐通过OpenAI API和如openrouter.ai等平台实践；

应用篇则聚焦于本地部署开源模型及主流开发框架（如LangChain、Dify），并介绍Prompt工程、RAG、Agent等实战范式；

深入篇则深入探讨模型原理、训练微调、数据工程及推理优化，配以权威教材和前沿课程，助力打造扎实理论基础与技术能力。

这份汇总是大语言模型领域知识体系化学习的宝贵指南，适合希望系统掌握LLM技术的所有人阅读与分享。

开源大模型学习门槛高？《开源大模型食用指南》帮你一步到位。| #指南

这个项目专为中国宝宝量身打造，基于Linux环境，涵盖从环境配置、本地部署，到全参数和LoRA微调，再到多模态大模型应用的全流程教程。支持ChatGLM、Qwen、InternLM、LLaMA等主流模型，让普通学生和研究者轻松上手开源大模型。

主要特色：

- 详细的Linux环境搭建指导，针对不同模型定制；
- 国内外热门开源LLM的部署与使用教程；
- 命令行调用、在线Demo、LangChain集成全覆盖；
- 支持全量微调与高效LoRA微调，适合进阶学习；
- 丰富案例，助你打造专属私域大模型。

无论你是大模型新手还是想深入微调的开发者，这里都是最实用的指南。

Claude Code 深度开发智能指南，开启开发效率与智能协同新纪元：

• 集成7大隔离工具（REPL、Artifacts、WebFetch等），实现多工具协作，支持大规模文件高效处理与代码分析。🛠
• REPL环境不仅是计算器，更是完整JavaScript数据科学实验室，支持高性能数据操作、加密API、图形处理及WebAssembly，彰显强大计算能力。
• 发现隐藏API window.claude.complete()，潜在支持递归AI调用与自我优化算法，体现Claude架构的深度AI计算融合（虽因安全限制暂时屏蔽）。
• 双重记忆系统（conversation_search + recent_chats）实现跨会话持久记忆与语义检索，支持长期学习和上下文重建。
• Artifacts环境支持React、Tailwind、Three.js、TensorFlow.js等前沿库，打造交互式可视化及完整开发环境，无浏览器存储依赖。
• 安全模型严格隔离各工具，在Web Worker与iframe中运行，阻断网络请求，防止无限递归和潜在注入攻击，保障开发安全。
• 元任务系统（Meta-Todo）引入多代理校验、智能意图捕捉与后台执行，实现任务拆解的全面验证与自动学习，远超传统待办列表。
• 智能背景自愈环境，90%开发问题自动检测与修复，基于日志分析与模式识别，实现开发服务自动恢复与预防。🛡
• 智能上下文管理框架，基于多层上下文分层（核心/工作/参考/瞬态），结合内存、意图与提取核，动态优化上下文，提升会话连贯与响应速度。
• 预测任务排队系统，结合时间、上下文、行为模式等多维预测，提前预加载资源与环境，减少任务切换与启动延迟40-60%。
• 三重验证研究流水线，结合来源验证、交叉验证及REPL计算验证，实现85-95%+的研究结论准确率，显著提升研究质量与效率。🔬
• 高级内核架构，四大认知核（记忆、意图、提取、验证）协同工作，实现智能任务管理、上下文分析与安全验证，支持多核并行及自适应优化。
• 多目录支持及子代理生态，支持跨项目多目录无缝操作，@子代理实现领域专家协作，涵盖架构设计、安全审计、性能优化等多专业。
• 系统自我优化循环，结合日志分析、模式学习、自动化脚本和安全审查，实现持续性能提升与错误预防，打造自进化开发生态。
• 详尽开发流程范例，覆盖认证实现、性能调优、多组件批量创建、生产问题调试、API迁移、CI/CD搭建等，实用且可复制。
• 终极元智能系统，融合递归学习、动态协同发现与自主代理生成，推动开发环境迈向超越人类直觉的智能协同与自我进化。

Claude Code 打造集成计算、记忆、验证、任务管理与自动化于一体的智能开发平台，助力开发者实现复杂系统的高效构建、调试与优化，开启面向未来的自我进化式编程新时代。

Claude Guide - Advanced Development Intelligence | #指南

JAX 入门实战指南，零基础友好，助你掌握高效机器学习编程核心技巧 | #指南

• Just-In-Time 编译（jit + XLA）：加速 Python 函数执行，提升计算性能，了解最佳使用场景。
• 自动向量化（vmap）：用批处理替代低效循环，简洁代码实现并行计算。
• 自动微分（grad 等）：轻松计算导数与梯度，支持复杂函数与结构化输入。
• 调试工具（jax.debug.print、断点）：洞察 JIT 和向量化代码内部执行，快速定位问题。
• Pytrees 结构：灵活处理嵌套数据，支持自定义类型映射转换。
• 分布式计算：多设备高效并行，涵盖自动、显式和手动分片策略。
• 有状态计算管理：保证随机性和模型状态重现性，兼容 JAX 变换。
• JIT 控制流优化：高效编写条件语句和循环，避免重复编译与代码膨胀。

每章节均以 Jupyter 笔记本形式呈现，配套实操示例，推荐边实验边学习，助力深度理解。项目持续更新，欢迎提交问题反馈。

一本免费且详尽的80页Prompt Engineering指南，涵盖了Chain-of-Thought（CoT）、Retrieval Augmented Generation（RAG）、评估方法、智能代理（Agents）、Prompt Hacking、多模态提示等前沿技术。| #指南

• 系统梳理58种文本提示技术及40种其他模态技术，构建了丰富的术语库和分类体系，帮助理解与应用各种Prompt策略。
• 深入探讨多语言与多模态提示，展示如何跨语言和跨媒体优化生成效果。
• 介绍智能代理如何结合外部工具提升GenAI能力，包括代码生成、检索增强等。
• 分析Prompt安全风险及对策，涵盖Prompt Injection、Jailbreaking及防御机制。
• 提供丰富案例与实证评测，揭示不同提示技术在真实任务中的表现差异与优化路径。

此指南不仅为初学者提供系统入门，也为专业研究者和开发者提供持续参考的理论与实践框架。

（随书源码）一本关于使用PyTorch和Hugging Face微调大型语言模型的实战指南。它能帮助你快速掌握微调LLMs的关键技术，从量化到低秩适配器，再到数据集格式化和模型部署。

提供从基础到高级的完整学习路径；包含丰富的实战案例和代码示例；支持在Google Colab上直接运行，方便上手

FineTuningLLMs | #指南 #电子书

将AI Agent从想法变为生产级产品的开源实战指南

提供从零到生产级的全生命周期覆盖；包含20+可运行的教程，涵盖编排、内存、部署等关键模块；支持多Agent协作与实时安全防护

agents-towards-production | #指南

kubernetes-for-ml-engineers：专为机器学习工程师量身打造的Kubernetes入门指南。| #指南

仅需几步即可快速搭建本地Kubernetes集群；提供详细的FastAPI应用部署示例，从零到运行仅需9步；代码和配置清晰易懂，适合新手快速上手

详细介绍了如何通过 Prompt Engineering 来优化大型语言模型（LLM）的输出，包括 LLM 输出配置、输出长度控制、采样控制、温度参数、Top-K 和 Top-P 策略、以及整合这些技术。

本文档涵盖了各种 Prompt 技术，包括通用 Prompt、单次 Prompt、少量 Prompt、系统 Prompt、角色 Prompt、情境 Prompt 等。

文档还讨论了自动 Prompt 工程、代码相关 Prompt 技术、多模态 Prompt 技术，并提供了一系列最佳实践指南，以帮助用户更好地设计 Prompt，包括提供示例、简洁设计、明确输出、优先使用指令而非约束、控制最大令牌长度、在 Prompt 中使用变量、实验输入格式和写作风格、在少量 Prompt 中混合类别、适应模型更新以及实验输出格式等。

Prompt Engineering（提示词工程）| #指南