Netflix 技术博客 Graph Search 系列第四篇的学习笔记：企业内部几百个应用原本靠 Graph Search Filter DSL 过滤数据，用户被迫学习每个应用的查询构建器；Netflix 用 LLM 做 Text-to-Query，把自然语言翻译成 DSL。核心工程经验有三条：把「正确」拆成语法、语义、语用三层分别治理；用双路 RAG（字段 RAG + 受控词表 RAG）给 LLM 裁剪上下文，解决几百个字段、上千个枚举值塞不进 prompt 的问题；用 AST 确定性校验兜底幻觉，再把 AST 反射回 UI 组件「show your work」建立用户信任。

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。