ChatGPT与大模型研究

在本章中，我们将把关注重点转向人类反馈在强化学习（RL）中的作用，并从更宏观的角度来审视这一主题。在上一章中，我们已经说明了：与传统 RL 方法（例如 Q-learning）相比，带有人类反馈的强化学

本书讨论的是如何让 AI 智能体与人类意图保持一致。过去二十年间，AI 能力呈指数级提升，而机器学习、计算机视觉、自然语言处理、深度学习以及强化学习（Reinforcement Learning，RL

Multimodal Lakehouse，不只是“多模态 + 湖仓”：它到底在补哪条 AI 数据底座的断层？ 这两年，很多团队一边在做多模态 RAG、视频理解、内容检索、Agent，一边又在补同一类基

为什么 Agent 创业看起来机会满地，真正下手时反而更迷茫 AI Agent 市场在 2025 年达到了 78.4 亿美元，预计 2030 年会突破 526 亿美元（41% 复合增长率）。CB In

为什么大家都在聊模型，但真正决定成败的是数据工程 一个典型的场景：团队花三个月搭了一套 RAG 系统——接了向量库，调了 embedding 模型，prompt 打磨了十几版，demo 环节效果惊艳。

一、先讲清楚：Context Engineering 到底是个啥 2025 年 6 月，Shopify CEO Tobi Lütke 发了一条推："我真的很喜欢 'context engineerin

〇、开篇先泼盆冷水 先说结论：Codex 很强，但没有任何一个 AI 编程工具是银弹。 社区里最真实的声音是这样的：有 Hacker News 用户吐槽"Codex 有时候会标记一个看起来很合理的数据

在本章中，我们将深入讨论 Deep Agents。Deep Agents 指的是这样一类 agent：它们有能力、真正有用，并且被设计来执行多种任务，尤其是那些需要在多个步骤中持续推理与行动的长时程任

在本章中，你将学习如何在 Claude 桌面应用中使用 Claude Code，如何在本地模式与云端模式之间切换，以及如何借助 Git Worktrees 并行运行多个编码 agent。你会看到：如何

Agent skills 是 Anthropic 团队在 2025 年 10 月引入的一种机制，用来扩展 AI agent 的能力。Skills 允许把能力打包成结构化单元，其中既可以包含自定义工作流

输出风格（Output Styles） 是 Claude Code 中最强大、同时也最容易被低估的功能之一。它们定义了响应是如何被组织和呈现的，本质上是在塑造用户与模型之间的通信协议。 本章将探讨输出

在本章中，我们将探讨 Claude Code 的 subagents（子智能体） ，以及它们如何支持更结构化、可扩展的工作流。我们会先理解 subagent 是什么、它们与 Claude Code 主

Agentic coding workflow 的效果，高度依赖结构、规划与受控执行。随着系统变得越来越复杂，工具和自动化能力不断增多，如果仍然依赖临时式（ad hoc）的 prompting，就会明

在本章中，我们将深入讨论 Claude Code 与 GitHub 的集成。这项集成涉及一系列配置步骤，包括安装 GitHub CLI、把它配置到 Claude Code 工作流中，以及选择 Clau

Model Context Protocol（MCP） 提供了一种标准化方式，让 AI 应用能够通过统一接口连接到工具、数据源和服务。开发者不再需要为每一个宿主应用单独构建一套集成逻辑，而是只需要在一

在本章中，我们将从“如何开始使用 Claude Code”进一步过渡到“如何把它配置成一个适合日常使用的工具”。目标是帮助你真正熟悉 Claude Code 在实际工作中的行为方式、你如何在会话中控制

本章的目标，是通过带你一步步走过 Claude Code 在实践中的实际工作方式，帮助你真正熟悉 Claude Code。我们不会一上来就直接跳进高级功能，而是先建立起对这个系统本身、它所使用的术语，

本章将介绍上下文工程（Context Engineering） ，并解释为什么它已经成为构建和使用现代 AI 智能体时的一个关键概念。很多 AI 系统常被描述为“不过是包了一层 Prompt 的大语言

这两年只要聊 RAG，大家脑子里默认浮现出来的，基本都是同一套流程： 切 chunk。 做 embedding。 进向量库。 top-k 检索。 必要时 rerank。 最后把上下文塞给 LLM。 这