Claude Code 不是魔法。它其实就像一个会思考的机器人：一个循环、一张工具表、一个会说话的 AI。本文用新手能听懂的话，讲清楚它的核心原理和 20 节课里最重要的亮点。

读 Chip Huyen《AI 工程：大模型应用开发实战》下半部分（第 6-10 章）的实战向总结：RAG 检索工程、Agent 规划与失败模式、微调与 RAG 的抉择、数据工程、推理优化指标，以及完整的 AI 应用架构。附踩坑记录、案例和面试高频题。

读 Chip Huyen《AI 工程：大模型应用开发实战》上半部分（第 1-5 章）的实战向总结：AI 工程全景、采样的概率本质、怎么搭一条靠谱的评估流水线、提示工程的最佳实践与防御。附带踩坑记录、真实案例和面试高频题。

拆解 LangChain 的设计原理、核心组件，并给出可运行的 AI 视频生成 Demo，帮助你从调用 API 进阶到构建可复用的 LLM 应用。

基于《生成式AI原理与实战 —— Part 4》的问题，从工程直觉出发回答推理模型、强化学习、DeepSeek-R1、GRPO、MLA、MoE、FP8、DualPipe 等高级主题。用 Mermaid 图例帮助初级开发者理解测试时计算、RLHF、模型架构创新与训练系统优化。

基于《生成式AI原理与实战 —— Part 3》，把文本嵌入模型、分类任务表示微调、生成模型微调与对齐等核心概念整理成适合初级开发者的长文。用 Mermaid 图例讲解对比学习、双塔/交叉编码器、SetFit、LoRA/QLoRA、PPO/DPO 等关键技术。

基于《生成式AI原理与实战 —— Part 2》，把提示工程、Agent 架构、RAG 检索增强生成等核心概念整理成适合初级开发者的长文。用 Mermaid 图例讲解 temperature/top_p、提示词结构、幻觉控制、Agent 工作流、文档分块与混合检索。

把《生成式AI原理与实战 —— Part 1》中 58 个核心问题，整理成一篇适合初级开发者阅读的 LLM 入门长文。用流程图和 Mermaid 图例讲解 Transformer、Token、Embedding、Attention、KV Cache、预训练/微调、文本分类与主题建模。

结合《The Illustrated Transformer》与无恒实验室的 LLM 入门图解，从零讲解 Transformer：用大量 Mermaid 流程图和真实架构图，帮助 AI 应用开发者理解 Token、Embedding、Attention、训练过程与工程价值。

结合涌井良幸《深度学习的数学》及其 Excel 示例文件，用中学生数学能听懂的语言，梳理梯度下降法、NN 求解器、NN 误差反向传播法、CNN 求解器、CNN 误差反向传播法的核心思想、计算例子、Mermaid 图解和避坑指南。

学习 labuladong《labuladong 的算法小抄》：全书暗线是’一切递归皆树遍历’——动态规划是带备忘录的穷举，回溯是决策树的 DFS，BFS 是层序穷举；加上双指针、滑动窗口、二分查找几个线性套路，配合典型原题、关键代码与图例，把 LeetCode 刷题从背题变成套框架。

学习 Aditya Bhargava《图解算法》（Grokking Algorithms）：全书其实只教两件事——用大 O 这把尺子评估工具，用’问题形状→工具’这张地图选工具。二分查找、分治与快排、散列表、BFS 与 Dijkstra、贪婪、动态规划、KNN，各就各位。