OpenAI API 文档

• URL: https://platform.openai.com/docs
• 类型：官方文档
• 概述：作为整套学习路线的 API 入门入口，支撑“从模型调用到应用开发”的实践方向。

Anthropic Claude 文档

• URL: https://docs.anthropic.com/
• 类型：官方文档
• 概述：为 Claude 模型、工具调用和 Agent 能力提供官方来源，是多模型对比时的重要基线。

Google Gemini 文档

• URL: https://ai.google.dev/docs
• 类型：官方文档
• 概述：补足 Gemini 模型在多模态、上下文窗口和 API 使用上的官方信息。

LangChain 文档

• URL: https://python.langchain.com/
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：工具调用机制、检索机制
• Tags: topic:agent topic:rag layer:knowledge mechanism:tool-use mechanism:retrieval type:doc status:engineering
• 概述：承接路线图中 RAG、Agent、应用开发的工程部分，是框架层的重要实践入口。

Hugging Face 文档

• URL: https://huggingface.co/docs
• 类型：官方文档
• 概述：作为模型、数据集和推理部署生态的总入口，适合做更深入的工具链延伸阅读。

Attention Is All You Need

• URL: https://arxiv.org/abs/1706.03762
• 类型：论文
• 时间：2017
• 层次：L1-模型机制层
• 机制：注意力机制、架构机制
• Tags: topic:architecture topic:transformer layer:model mechanism:attention mechanism:architecture type:paper time:2017 status:foundational
• 概述：Transformer 开山之作，也是整个 LLM 学习路线最重要的原点之一。

GPT-3

• URL: https://arxiv.org/abs/2005.14165
• 类型：论文
• 时间：2020
• 层次：L0-范式层
• 机制：架构机制
• Tags: topic:transformer topic:inference layer:paradigm mechanism:architecture type:paper time:2020 status:foundational
• 概述：用来说明 few-shot learning 与大规模预训练如何推动通用大模型进入主流。

InstructGPT

• URL: https://arxiv.org/abs/2203.02155
• 类型：论文
• 时间：2022
• 层次：L2-训练与对齐层
• 机制：对齐机制
• Tags: topic:alignment topic:rlhf layer:training mechanism:alignment type:paper time:2022 status:foundational
• 概述：解释“从会续写到会听指令”的关键转折，是 RLHF 进入产品化的代表作。

Chain of Thought

• URL: https://arxiv.org/abs/2201.11903
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制
• Tags: topic:reasoning topic:cot layer:inference mechanism:reasoning type:paper time:2022 status:foundational
• 概述：是推理增强路线的代表论文，为后续 Prompt、推理模型和 Agent 奠定背景。

DeepSeek R1

• URL: https://arxiv.org/abs/2501.12948
• 类型：论文
• 时间：2025 Q1
• 层次：L2-训练与对齐层
• 机制：对齐机制、推理机制
• Tags: topic:reasoning topic:alignment layer:training mechanism:alignment mechanism:reasoning type:paper time:2025Q1 status:frontier
• 概述：作为开源推理模型的代表，为这套目录补上近年的重要技术节点。

The Illustrated Transformer

• URL: https://jalammar.github.io/illustrated-transformer/
• 类型：教程/课程
• 概述：用可视化方式帮助读者快速建立 Transformer 的结构理解，是极高频的辅助资料。

Attention? Attention!

• URL: https://lilianweng.github.io/posts/2018-06-24-attention/
• 类型：教程/课程
• 概述：用更细的解释补充注意力机制的概念背景，适合作为阅读论文前的预热材料。

Stanford CS224N

• URL: https://web.stanford.edu/class/cs224n/
• 类型：课程
• 概述：作为 NLP 系统学习的经典课程，用于给整套知识库提供学院派背景资源。

Fast.ai

• URL: https://www.fast.ai/
• 类型：课程
• 概述：补充偏实践导向的机器学习学习路径，适合与论文和官方文档形成互补。

LangChain

• URL: https://github.com/langchain-ai/langchain
• 类型：代码仓库
• 时间：2022-2026
• 层次：L4-知识与工具层
• 机制：工具调用机制、检索机制
• Tags: topic:agent topic:rag layer:knowledge mechanism:tool-use mechanism:retrieval type:repo status:engineering
• 概述：LLM 应用开发框架的代表仓库，承接应用开发和 Agent 系列的工程实践。

AutoGen

• URL: https://github.com/microsoft/autogen
• 类型：代码仓库
• 概述：微软的多 Agent 框架仓库，用于展示对话式 Agent 编排路线。

LlamaIndex

• URL: https://github.com/run-llama/llama_index
• 类型：代码仓库
• 时间：2023-2026
• 层次：L4-知识与工具层
• 机制：检索机制、索引机制
• Tags: topic:rag topic:retrieval layer:knowledge mechanism:retrieval mechanism:indexing type:repo status:engineering
• 概述：RAG 和文档索引方向的代表框架，是知识增强应用的高频基础设施。

Hugging Face Transformers

• URL: https://github.com/huggingface/transformers
• 类型：代码仓库
• 概述：现代模型实验、推理与微调的核心库之一，也是论文与工程之间的重要桥梁。

OpenAI Agents SDK

• URL: https://openai.github.io/openai-agents-python/
• 类型：官方文档
• 时间：2025-2026
• 层次：L4-知识与工具层
• 机制：工具调用机制、环境交互机制
• Tags: topic:agent topic:tool-use layer:knowledge mechanism:tool-use mechanism:environment-interaction type:doc status:engineering
• 概述：作为 Agent SDK 与 handoff 能力的直接参考，帮助读者理解现代 Agent 工程接口。

LangChain Agents

• URL: https://python.langchain.com/docs/concepts/agents/
• 类型：官方文档
• 概述：提供 Agent 抽象、类型与工作方式的框架级解释，是对 OpenAI 路线的一个重要对照。

AutoGen 文档

• URL: https://microsoft.github.io/autogen/
• 类型：官方文档
• 概述：对应多 Agent 会话式协作路线，适合用于比较框架哲学差异。

CrewAI 文档

• URL: https://docs.crewai.com/
• 类型：官方文档
• 概述：强调 role-based 的团队式 Agent 设计，在多角色协作场景下很有代表性。

MCP SDK

• URL: https://modelcontextprotocol.io/
• 类型：官方文档
• 时间：2024-2026
• 层次：L4-知识与工具层
• 机制：协议机制
• Tags: topic:mcp topic:agent layer:knowledge mechanism:protocol type:doc time:2025 status:foundational
• 概述：作为 MCP 协议入口，支撑“标准化工具接入”这一核心工程主题。

ReAct

• URL: https://arxiv.org/abs/2210.03629
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制、工具调用机制
• Tags: topic:reasoning topic:agent layer:inference mechanism:reasoning mechanism:tool-use type:paper time:2022 status:foundational
• 概述：整套 Agent 指南最核心的方法论来源，定义了“推理 + 行动”的基本闭环。

Generative Agents

• URL: https://arxiv.org/abs/2304.03442
• 类型：论文
• 时间：2023
• 层次：L4-知识与工具层
• 机制：记忆机制、Agent 机制
• Tags: topic:agent topic:memory layer:knowledge mechanism:memory mechanism:agent type:paper time:2023 status:foundational
• 概述：为记忆、反思和虚拟社会行为提供经典案例，是 Agent 研究中的高辨识度论文。

Attention Residuals

• URL: https://arxiv.org/abs/2603.15031
• 类型：论文
• 概述：作为前沿架构文章的代表，承接 Agent 系列对最新底层模型进展的覆盖。

DeepSeek-R1

• URL: https://arxiv.org/abs/2501.12948
• 类型：论文
• 概述：体现了推理模型如何影响 Agent 设计和执行能力，是应用层和模型层的连接点。

MRKL Systems

• URL: https://arxiv.org/abs/2205.00445
• 类型：论文
• 时间：2022
• 层次：L4-知识与工具层
• 机制：工具调用机制、模块化机制
• Tags: topic:agent topic:tool-use layer:knowledge mechanism:tool-use mechanism:modularity type:paper time:2022 status:foundational
• 概述：把 LLM 与工具系统的组合上升为模块化神经符号架构，是 Tool Use 和 Agent 设计的思想前身。

LangChain

• URL: https://github.com/langchain-ai/langchain
• 类型：代码仓库
• 概述：提供可复用的 Agent、Chain、Retriever 组件，是很多实践教程的实现基础。

AutoGen

• URL: https://github.com/microsoft/autogen
• 类型：代码仓库
• 概述：用于展示多 Agent 协作的另一条落地路线。

CrewAI

• URL: https://github.com/crewAI/crewAI
• 类型：代码仓库
• 概述：为 role-based Agent 编排提供直接实现入口。

Attention-Residuals (Kimi)

• URL: https://github.com/MoonshotAI/Attention-Residuals
• 类型：代码仓库
• 概述：让读者从论文进一步查看实验与实现，是前沿模型演进的工程入口。

Kimi 发布 Attention Residuals：颠覆十年残差连接

• URL: http://www.itsolotime.com/archives/26372
• 类型：新闻报道
• 概述：作为中文世界的传播性材料，帮助读者理解这项技术在社区里的讨论热度。

OpenAI o3 发布公告

• URL: https://openai.com/index/introducing-o3-and-o4-mini/
• 类型：官方博客/公告
• 概述：支撑推理模型时代的产品节点叙述。

Anthropic Claude 4 发布

• URL: https://www.anthropic.com/news/claude-4
• 类型：官方博客/公告
• 概述：为 Claude 系列能力更新提供直接来源。

Google Gemini 2.0 发布

• URL: https://blog.google/innovation-and-ai/models-and-research/google-deepmind/google-gemini-ai-update-december-2024/
• 类型：官方博客/公告
• 概述：补充 Gemini 进入 Agent / multimodal 时代的产品背景。

DeepSeek R1 开源公告

• URL: https://siliconangle.com/2025/01/20/deepseek-open-sources-r1-reasoning-model-series/
• 类型：新闻报道
• 概述：作为外部媒体视角的新闻材料，补充开源推理模型扩散的社区语境。

GPT-1

• URL: https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf
• 类型：论文
• 概述：标记生成式预训练路线的关键起点。

BERT

• URL: https://arxiv.org/abs/1810.04805
• 类型：论文
• 概述：代表双向预训练路线，是 GPT 路线的重要对照组。

PaLM

• URL: https://arxiv.org/abs/2204.02311
• 类型：论文
• 概述：用来解释大规模训练与 scaling law 对能力提升的推动。

LLaMA

• URL: https://arxiv.org/abs/2302.13971
• 类型：论文
• 概述：代表开源基础模型生态的爆发点。

Mixtral

• URL: https://arxiv.org/abs/2401.04088
• 类型：论文
• 概述：作为 MoE 架构的代表，为“更高效率的大模型设计”提供具体样本。

DeepSeek R1

• URL: https://arxiv.org/abs/2501.12948
• 类型：论文
• 概述：开源推理模型的，为推理时代章节提供终点坐标。

The Illustrated GPT-2

• URL: https://jalammar.github.io/illustrated-gpt2/
• 类型：教程/课程
• 概述：帮助读者理解从 Transformer 到 GPT 生成式架构的过渡。

GCG: Greedy Coordinate Gradient

• URL: https://arxiv.org/abs/2307.04757
• 类型：论文
• 概述：代表自动化越狱攻击方法，是安全系列中最重要的攻击研究来源之一。

Prompt Injection Attacks

• URL: https://www.jailbreaksearch.com/
• 类型：案例库/安全站点
• 概述：汇集越狱与注入攻击样例，帮助读者理解攻击面是如何演化和传播的。

Cursor Security Advisory

• URL: https://cursor.sh/security
• 类型：官方文档
• 概述：把安全话题从论文攻击带入真实产品漏洞与安全通告层面。

ChatGPT背后的语言模型简史

• URL: https://bmpi.dev/dev/deep-learning/nlp-language-models
• 类型：教程/课程
• 概述：提供一条中文世界里较友好的语言模型演进导读。

happy-llm

• URL: https://github.com/datawhalechina/happy-llm
• 类型：代码仓库
• 概述：兼具教程与实践示例功能，适合从目录页直接延伸到动手学习。

LangChain 官方文档

• URL: https://python.langchain.com/
• 类型：官方文档
• 概述：把基础概念引向应用开发的直接工程入口。

ChatGPT 背后的语言模型简史

• URL: https://bmpi.dev/dev/deep-learning/nlp-language-models
• 类型：教程/课程
• 概述：提供 AI 演进叙事的中文友好入口，用来补充历史脉络。

Attention Is All You Need

• URL: https://arxiv.org/abs/1706.03762
• 类型：论文
• 概述：作为 Transformer 时代起点，被用来解释 LLM 为什么在近年迎来质变。

GPT-1

• URL: https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf
• 类型：论文
• 概述：说明生成式预训练的真正起点。

BERT

• URL: https://arxiv.org/abs/1810.04805
• 类型：论文
• 概述：作为双向预训练路线代表，帮助文章构建完整历史坐标系。

GPT-3

• URL: https://arxiv.org/abs/2005.14165
• 类型：论文
• 概述：支撑 few-shot 与规模化训练带来能力跃迁的叙述。

InstructGPT

• URL: https://arxiv.org/abs/2203.02155
• 类型：论文
• 概述：解释从续写模型走向对话助手的关键训练变化。

Emergent Abilities of Large Language Models

• URL: https://arxiv.org/abs/2206.07682
• 类型：论文
• 概述：为“涌现能力”这一流行概念提供学术出处。

LLaMA: Open and Efficient Foundation Language Models

• URL: https://arxiv.org/abs/2302.13971
• 类型：论文
• 概述：作为开源模型路线的代表，让历史线不只停留在闭源模型。

happy-llm 教程

• URL: https://github.com/datawhalechina/happy-llm
• 类型：代码仓库
• 概述：为读者继续系统学习提供实践型延伸入口。

DeepSeek-V3 Technical Report

• URL: https://arxiv.org/abs/2412.19437
• 类型：论文
• 概述：让历史线自然延伸到近年的国产开源模型。

Attention Is All You Need

• URL: https://arxiv.org/abs/1706.03762
• 类型：论文
• 概述：是解释 token、embedding、attention、生成流程的核心理论来源。

Tokenizer Tool

• URL: https://platform.openai.com/tokenizer
• 类型：官方文档
• 概述：帮助读者把 token 化从抽象概念变成可感知操作。

The Illustrated Transformer

• URL: https://jalammar.github.io/illustrated-transformer/
• 类型：教程/课程
• 概述：用可视化方式解释 Transformer 的层结构与注意力传播。

The Curious Case of Neural Text Degeneration

• URL: https://arxiv.org/abs/1904.09751
• 类型：论文
• 概述：Top-p 采样的重要论文，用来解释生成策略为何影响输出质量。

FlashAttention

• URL: https://arxiv.org/abs/2205.14135
• 类型：论文
• 概述：把“模型原理”延伸到“推理优化”，帮助读者理解现代大模型为什么能更高效运行。

Fast Inference from Transformers via Speculative Decoding

• URL: https://arxiv.org/abs/2211.17192
• 类型：论文
• 概述：作为推测解码起点，用于说明大模型生成速度并非只能靠更强硬件提升。

LLM.int8()

• URL: https://arxiv.org/abs/2208.07339
• 类型：论文
• 概述：支撑量化技术的基本介绍，是模型部署与成本优化的重要桥梁。

API Pricing

• URL: https://openai.com/api/pricing/
• 类型：官方文档
• 概述：作为成本维度比较的直接来源，是选型框架中最现实的约束之一。

Claude Models Overview

• URL: https://docs.anthropic.com/en/docs/about-claude/models
• 类型：官方文档
• 概述：提供 Claude 系列能力、上下文窗口和定位信息。

Gemini API Pricing

• URL: https://ai.google.dev/pricing
• 类型：官方文档
• 概述：补足 Gemini 在价格和能力上的官方说明。

DeepSeek-V3 Technical Report

• URL: https://arxiv.org/abs/2412.19437
• 类型：论文
• 概述：作为开源模型代表，为中文和高性价比路线提供参考依据。

Llama 3.1 Model Card

• URL: https://github.com/meta-llama/llama-models/blob/main/models/llama3_1/MODEL_CARD.md
• 类型：官方文档
• 概述：用于补充开放权重模型的规格、局限与许可信息。

Qwen2.5 Technical Report

• URL: https://arxiv.org/abs/2412.15115
• 类型：论文
• 概述：为中文场景与国产模型选型提供技术背景。

MMLU

• URL: https://arxiv.org/abs/2009.03300
• 类型：论文
• 概述：作为通用知识 benchmark 的经典来源，支撑“能力边界”维度。

HumanEval

• URL: https://arxiv.org/abs/2107.03374
• 类型：论文
• 概述：代码评测基准，用于比较模型在编程场景下的能力。

PagedAttention

• URL: https://arxiv.org/abs/2309.06180
• 类型：论文
• 概述：帮助文章把模型选型扩展到部署与服务效率层面。

生成式人工智能服务管理暂行办法

• URL: http://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm
• 类型：机构报告/政策
• 概述：提醒模型选型不仅是能力和成本问题，还受到合规约束。

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

• URL: https://arxiv.org/abs/2201.11903
• 类型：论文
• 概述：CoT 的奠基论文，是整篇提示工程文章最核心的理论来源。

Tree of Thoughts

• URL: https://arxiv.org/abs/2305.10601
• 类型：论文
• 概述：把线性思维链扩展到搜索式推理，为高级提示技巧提供理论支撑。

Self-Consistency

• URL: https://arxiv.org/abs/2203.11171
• 类型：论文
• 概述：说明多路径采样投票为何能提升复杂推理任务的稳定性。

ReAct

• URL: https://arxiv.org/abs/2210.03629
• 类型：论文
• 概述：用来说明提示词不仅能引导推理，还能引导行动。

OpenAI Prompt Engineering Guide

• URL: https://platform.openai.com/docs/guides/prompt-engineering
• 类型：官方文档
• 概述：提供面向工程实践的提示设计指南。

Anthropic Prompt Engineering Overview

• URL: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
• 类型：官方文档
• 概述：提供 Claude 场景下的提示写作原则，与 OpenAI 指南形成互补。

Large Language Models are Zero-Shot Reasoners

• URL: https://arxiv.org/abs/2205.11916
• 类型：论文
• 概述：说明 zero-shot CoT 为什么会对推理表现产生显著影响。

Language Models are Few-Shot Learners

• URL: https://arxiv.org/abs/2005.14165
• 类型：论文
• 概述：作为 few-shot 学习的里程碑来源，为示例驱动型提示提供理论基础。

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

• URL: https://arxiv.org/abs/2005.11401
• 类型：论文
• 时间：2020
• 层次：L4-知识与工具层
• 机制：检索机制
• Tags: topic:rag topic:retrieval layer:knowledge mechanism:retrieval type:paper time:2020 status:foundational
• 概述：RAG 原始论文，定义了“检索增强生成”的标准起点。

GraphRAG

• URL: https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/
• 类型：官方博客/公告
• 概述：说明 RAG 已从纯向量检索发展到图结构检索与关系建模。

Introducing Contextual Retrieval

• URL: https://www.anthropic.com/news/contextual-retrieval
• 类型：官方博客/公告
• 概述：用来补充“如何提升检索质量”这一工程问题。

LangChain RAG 文档

• URL: https://python.langchain.com/docs/tutorials/rag/
• 类型：官方文档
• 概述：提供从理论到实践的主工程入口。

LlamaIndex 文档

• URL: https://docs.llamaindex.ai/
• 类型：官方文档
• 概述：补充索引、检索和文档处理层的实现材料。

OpenAI Function Calling 文档

• URL: https://platform.openai.com/docs/guides/function-calling
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：工具调用机制
• Tags: topic:tool-use layer:knowledge mechanism:tool-use type:doc status:engineering
• 概述：定义模型如何通过结构化参数调用函数，是工具调用章节的核心来源。

Anthropic Tool Use 文档

• URL: https://docs.anthropic.com/en/docs/build-with-claude/tool-use
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：工具调用机制
• Tags: topic:tool-use layer:knowledge mechanism:tool-use type:doc status:engineering
• 概述：作为 Tool Use 方向的官方实现文档，与 OpenAI 路线形成对照。

Anthropic Computer Use

• URL: https://docs.anthropic.com/en/docs/agents-and-tools/computer-use
• 类型：官方文档
• 时间：2025
• 层次：L4-知识与工具层
• 机制：工具调用机制、环境交互机制
• Tags: topic:agent topic:computer-use layer:knowledge mechanism:tool-use mechanism:environment-interaction type:doc time:2025 status:frontier
• 概述：把工具调用扩展到 GUI 操作层，代表工具使用能力的新边界。

MCP 官方文档

• URL: https://modelcontextprotocol.io/
• 类型：官方文档
• 时间：2024-2026
• 层次：L4-知识与工具层
• 机制：协议机制
• Tags: topic:mcp topic:agent layer:knowledge mechanism:protocol type:doc time:2025 status:foundational
• 概述：说明工具接入进一步标准化后的协议方向。

ReAct

• URL: https://arxiv.org/abs/2210.03629
• 类型：论文
• 概述：定义 Agent 的最小核心循环，是整篇文章的方法论基础。

LangGraph 文档

• URL: https://langchain-ai.github.io/langgraph/
• 类型：官方文档
• 概述：帮助把 Agent 架构从概念层落到状态图和工作流实现。

OpenAI Agents SDK

• URL: https://openai.github.io/openai-agents-python/
• 类型：官方文档
• 概述：提供现代平台原生 Agent SDK 的实践入口。

CrewAI 文档

• URL: https://docs.crewai.com/
• 类型：官方文档
• 概述：支撑文章对多角色协作式 Agent 框架的介绍。

A2A Protocol

• URL: https://google.github.io/A2A/
• 类型：官方文档
• 概述：把 Agent 能力扩展到 Agent-to-Agent 协同通信。

Devin

• URL: https://www.cognition.ai/blog/introducing-devin
• 类型：官方博客/公告
• 概述：作为软件工程 Agent 的标志性案例，为文章提供现实想象锚点。

MemGPT: Towards LLMs as Operating Systems

• URL: https://arxiv.org/abs/2310.08560
• 类型：论文
• 概述：用“像操作系统管理内存”这一框架解释长短期记忆分层问题。

MCP 官方文档

• URL: https://modelcontextprotocol.io/
• 类型：官方文档
• 概述：支撑工具、资源、prompt 模板统一接入的协议部分。

A2A Protocol

• URL: https://google.github.io/A2A/
• 类型：官方文档
• 概述：扩展生态层的通信视角，说明未来不仅是工具接入，还有 Agent 互联。

DPO

• URL: https://arxiv.org/abs/2305.18290
• 类型：论文
• 概述：为“对齐技术”部分提供偏好优化的代表性方法来源。

EU AI Act

• URL: https://artificialintelligenceact.eu/
• 类型：机构报告/政策
• 概述：补足生态系统建设中的治理、合规与风险框架。

Cursor 官方文档

• URL: https://docs.cursor.com/
• 类型：官方文档
• 概述：作为 AI 原生 IDE 的代表资源，用于支撑工具对比。

Claude Code

• URL: https://docs.anthropic.com/en/docs/claude-code
• 类型：官方文档
• 概述：对应 CLI / agentic coding 的工具路线。

GitHub Copilot

• URL: https://github.com/features/copilot
• 类型：官方文档
• 概述：作为“代码补全式 AI 编程”的典型产品页。

Vibe Coding

• URL: https://en.wikipedia.org/wiki/Vibe_coding
• 类型：百科/维基
• 概述：为文章使用的新概念提供背景定义和外部语境。

LangChain 官方文档

• URL: https://python.langchain.com/
• 类型：官方文档
• 概述：承接 AI 应用编排与组件化开发。

LangGraph 文档

• URL: https://langchain-ai.github.io/langgraph/
• 类型：官方文档
• 概述：支撑复杂工作流和 Agent 编排部分。

LlamaIndex 文档

• URL: https://docs.llamaindex.ai/
• 类型：官方文档
• 概述：补充文档索引、检索与知识层应用实现。

Vercel AI SDK

• URL: https://sdk.vercel.ai/
• 类型：官方文档
• 概述：为 Web / 前端 AI 应用提供直接实现路径。

LangSmith 文档

• URL: https://docs.smith.langchain.com/
• 类型：官方文档
• 概述：用于可观测性、trace 和 prompt / chain 调试。

Langfuse

• URL: https://langfuse.com/
• 类型：官方文档
• 概述：作为开源 AI 可观测性平台的代表，支撑“上线后如何持续观察系统”的部分。

LoRA

• URL: https://arxiv.org/abs/2106.09685
• 类型：论文
• 时间：2021
• 层次：L2-训练与对齐层
• 机制：微调机制
• Tags: topic:finetuning topic:lora layer:training mechanism:finetuning type:paper time:2021 status:foundational
• 概述：参数高效微调的经典方法，是整篇微调文章的理论支点。

QLoRA

• URL: https://arxiv.org/abs/2305.14314
• 类型：论文
• 时间：2023
• 层次：L2-训练与对齐层
• 机制：微调机制、量化机制
• Tags: topic:finetuning topic:qlora layer:training mechanism:finetuning mechanism:quantization type:paper time:2023 status:foundational
• 概述：说明在有限显存环境下微调大模型的可行路线。

DPO

• URL: https://arxiv.org/abs/2305.18290
• 类型：论文
• 时间：2023
• 层次：L2-训练与对齐层
• 机制：对齐机制
• Tags: topic:alignment topic:dpo layer:training mechanism:alignment type:paper time:2023 status:foundational
• 概述：为偏好优化和对齐方法部分提供更简洁的训练范式。

Axolotl

• URL: https://github.com/OpenAccess-AI-Collective/axolotl
• 类型：代码仓库
• 概述：常见开源微调工具链之一，适合实践导向读者继续深入。

LLaMA-Factory

• URL: https://github.com/hiyouga/LLaMA-Factory
• 类型：代码仓库
• 概述：中文社区常用微调工具，适合多模型、多方法的统一训练入口。

Unsloth

• URL: https://github.com/unslothai/unsloth
• 类型：代码仓库
• 概述：强调更快更省显存的训练体验，是近年常见微调实践资源。

OpenAI Fine-tuning 文档

• URL: https://platform.openai.com/docs/guides/fine-tuning
• 类型：官方文档
• 概述：为“云平台微调”提供官方操作入口。

OpenAI Agents SDK Handoffs

• URL: https://docs.google.com/document/d/1mWMD5jVJw9WkB5J-impwnNP3jdk8c2Dc6NTHTiqJLPg
• 类型：官方文档
• 概述：作为 handoff 模式的直接来源，用来解释多 Agent 间任务交接的设计思路。

LangChain Agent Patterns

• URL: https://python.langchain.com/docs/concepts/agent_types/
• 类型：官方文档
• 概述：提供不同 Agent 类型与使用场景的框架视角分类。

GAIA Benchmark

• URL: https://huggingface.co/benchmarks/gaia
• 类型：数据集/基准
• 概述：用于评估面向真实任务的 Agent 综合能力，强调不只是问答准确率。

API-Bank

• URL: https://arxiv.org/abs/2304.09142
• 类型：论文
• 概述：把工具调用成功率纳入评估视角，是 Agent 测评的重要补充。

AgentBench

• URL: https://arxiv.org/abs/2308.03688
• 类型：论文
• 概述：这里改为 AgentBench 论文入口，用来补齐早期体系化 Agent 评测的代表来源，避免保留无效链接。

LangSmith

• URL: https://smith.langchain.com
• 类型：官方文档
• 概述：为 trace、run 对比、prompt 版本调试提供平台级支持。

Langfuse

• URL: https://langfuse.com
• 类型：官方文档
• 概述：适合做开源、可自部署的可观测性方案。

OpenTelemetry for AI

• URL: https://opentelemetry.io
• 类型：官方文档
• 概述：说明 AI 应用也可以接入通用可观测规范，而不是只能依赖专有平台。

LangChain Cost Optimization

• URL: https://python.langchain.com
• 类型：官方文档
• 概述：用来补充链路级成本优化思路，如缓存、压缩和分级调用。

OpenAI Token Counting

• URL: https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
• 类型：官方文档
• 概述：为 token 计费与上下文成本分析提供基础入口。

Tenacity Retry

• URL: https://tenacity.readthedocs.io
• 类型：官方文档
• 概述：支撑重试机制实现，是把 Agent 从“能跑”变成“更稳”的基础工具。

Circuit Breaker Pattern

• URL: https://martinfowler.com/bliki/CircuitBreaker.html
• 类型：教程/课程
• 概述：把传统分布式系统里的熔断模式迁移到 AI/Agent 可靠性设计语境中。

LangChain Testing

• URL: https://python.langchain.com/docs/how-to/testing
• 类型：官方文档
• 概述：提供 Agent/chain 组件测试的框架层入口。

Agent Evaluation Methods

• URL: https://arxiv.org/abs/2309.11235
• 类型：论文
• 概述：用来补充更系统化的 Agent 测评方法论。

LangChain Security

• URL: https://python.langchain.com/docs/security
• 类型：官方文档
• 概述：提供 Agent 应用层的安全实践建议，如输入隔离、工具边界与输出验证。

Agent Security Patterns

• URL: https://arxiv.org/abs/2309.11235
• 类型：论文
• 概述：帮助把单点防护经验上升为可复用的安全模式。

Fast Speculative Decoding

• URL: https://arxiv.org/abs/2311.04981
• 类型：论文
• 概述：是推测解码方向的重要起点，用于解释如何在不显著损失质量的前提下加速推理。

Medusa

• URL: https://arxiv.org/abs/2401.10774
• 类型：论文
• 概述：展示推理加速的另一条实现路线，强调多 token 预测。

EAGLE

• URL: https://arxiv.org/abs/2402.12726
• 类型：论文
• 概述：补充投机式采样在更大模型推理中的优化思路。

T5

• URL: https://arxiv.org/abs/1910.10683
• 类型：论文
• 概述：通过统一 text-to-text 格式重塑任务表达，是指令微调前史的重要节点。

FLAN

• URL: https://arxiv.org/abs/2109.01652
• 类型：论文
• 概述：把指令微调推向主流，是现代 instruction tuning 的早期代表。

UL2

• URL: https://arxiv.org/abs/2205.05131
• 类型：论文
• 概述：说明 Google 路线如何继续统一多种预训练范式。

Qwen 2.5

• URL: https://arxiv.org/abs/2407.21783
• 类型：论文
• 概述：用于说明国产开源模型在能力与生态上的快速提升。

InternLM2

• URL: https://arxiv.org/abs/2403.17297
• 类型：论文
• 概述：作为另一条国产开源路线的代表，形成对照视角。

Qwen GitHub

• URL: https://github.com/QwenLM
• 类型：代码仓库
• 概述：提供模型、工具和生态入口。

InternLM GitHub

• URL: https://github.com/InternLM/InternLM
• 类型：代码仓库
• 概述：补充国产模型生态与实现入口。

PaLM 2 Technical Report

• URL: https://ai.google/static/documents/palm2techreport.pdf
• 类型：论文
• 概述：是 PaLM 2 架构与能力描述的直接来源。

Google AI Blog

• URL: https://blog.google/technology/ai/google-palm-2-ai-large-language-model/
• 类型：官方博客/公告
• 概述：补充 PaLM 2 的发布语境与产品化方向。

Competition-level code generation with AlphaCode

• URL: https://arxiv.org/abs/2203.07814
• 类型：论文
• 概述：用于说明大模型在竞赛级代码生成任务上的突破。

AlphaCode GitHub

• URL: https://github.com/deepmind/code_contests
• 类型：代码仓库
• 概述：提供数据与实现入口，适合继续查看评测和训练材料。

Mistral 7B 论文

• URL: https://arxiv.org/abs/2310.06825
• 类型：论文
• 概述：用来说明“小模型也能通过架构优化取得强性能”。

Mistral AI 官网

• URL: https://mistral.ai/news/mistral-7b/
• 类型：官方博客/公告
• 概述：补充发布背景与生态定位。

LLaMA 3 论文

• URL: https://arxiv.org/abs/2407.21783
• 类型：论文
• 概述：代表新一代开放权重模型能力基线。

Command R 技术报告

• URL: https://cohere.com/command
• 类型：官方博客/公告
• 概述：作为企业向模型路线的补充样本。

Grok-1 公告

• URL: https://x.ai/grok-1
• 类型：官方博客/公告
• 概述：对应 xAI 路线的公开发布入口。

Retrieval-Augmented Generation for Knowledge-Intensive NLP

• URL: https://arxiv.org/abs/2005.11401
• 类型：论文
• 概述：定义 RAG 起点，是知识增强路线的关键来源。

Longformer

• URL: https://arxiv.org/abs/2004.05150
• 类型：论文
• 概述：代表长文档建模路线，用于与 RAG 形成方法论对比。

CoQA

• URL: https://arxiv.org/abs/1812.09596
• 类型：数据集/基准
• 概述：作为对话式问答任务背景，支撑知识增强场景说明。

OpenAI o1 发布公告

• URL: https://openai.com/index/introducing-openai-o1
• 类型：官方博客/公告
• 概述：标记推理模型产品化节点。

Learning to Reason with LLMs

• URL: https://openai.com/index/learning-to-reason-with-llms
• 类型：官方博客/公告
• 概述：解释 o 系列背后的训练和评估思想，是推理模型路线的重要公开材料。

Prompt Engineering Guide

• URL: https://promptguide.github.io
• 类型：教程/课程
• 概述：是提示工程领域较系统的外部实践资料站。

Anthropic Prompt Engineering

• URL: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
• 类型：官方文档
• 概述：提供更贴近 Claude 系统的提示实践入口。

• URL: https://www.jailbreaksearch.com/
• 类型：案例库/安全站点
• 概述：汇总注入与越狱样例，帮助建立攻击面直觉。

• URL: https://cursor.sh/security
• 类型：官方文档
• 概述：适合补充现代 AI 工具在系统提示与权限边界上的现实风险。

• URL: https://cursor.sh/security
• 类型：官方文档
• 概述：作为产品级漏洞例子，说明代码代理场景的攻击后果更接近传统安全问题。

• URL: https://arxiv.org/abs/2307.04757
• 类型：论文
• 概述：自动化越狱攻击的重要代表方法。

• URL: https://cursor.sh/security
• 类型：官方文档
• 概述：适合作为供应链与开发工具链风险的现实例子。

• URL: https://arxiv.org/abs/2307.04757
• 类型：论文
• 概述：可迁移到高风险垂直场景中的攻击方法代表。

• URL: https://www.jailbreaksearch.com/
• 类型：案例库/安全站点
• 概述：在 AI 自动化攻击时代仍然是重要的样例来源。

Tiktokenizer

• URL: https://tiktokenizer.vercel.app/
• 类型：工具
• 概述：提供替代 token 估算器，让读者更方便地做成本估算。

Prompt Caching

• URL: https://www.anthropic.com/news/prompt-caching
• 类型：官方博客/公告
• 概述：为“如何节省上下文成本”提供厂商级实践思路。

• URL: https://learnprompting.org/
• 类型：教程/课程
• 概述：较系统的提示工程学习站点，适合作为入门和练习材料。

Microsoft GraphRAG

• URL: https://github.com/microsoft/graphrag
• 类型：代码仓库
• 概述：提供图增强检索的实现入口，适合在传统向量检索之上继续深入。

Rerank Guide

• URL: https://www.cohere.com/documents/rerank-guide.pdf
• 类型：教程/课程
• 概述：补足召回后重排序这一常被忽略但很关键的工程环节。

• URL: https://github.com/anthropics/claude-code/blob/main/AGENTS.md
• 类型：代码仓库
• 概述：解释代理式编程如何通过仓库规范增强协作效果，是 AI 编程实践中很实用的资料。

• URL: https://www.pinecone.io/learn/series/llm-projects/
• 类型：教程/课程
• 概述：用项目化方式补充“怎么真正做出一个 AI 应用”。

node-chatgpt-api

• URL: https://github.com/waylaidwanderer/node-chatgpt-api
• 类型：代码仓库
• 概述：提供 AI VTuber 方案中的对话接口实现参考。

ms-ra-forwarder

• URL: https://github.com/wxxxcxx/ms-ra-forwarder
• 类型：代码仓库
• 概述：用于补充 TTS 服务代理与中间层实现思路。

Live2D

• URL: https://www.live2d.com/
• 类型：官方文档
• 概述：对应 2D 虚拟形象驱动技术入口。

VRM

• URL: https://vrm.dev/
• 类型：官方文档
• 概述：对应 3D 虚拟人建模标准，是多模态角色系统的重要底座。

Whisper

• URL: https://github.com/openai/whisper
• 类型：代码仓库
• 概述：为语音识别链路提供开源模型入口。

• URL: https://scikit-learn.org/stable/
• 类型：官方文档
• 概述：作为传统机器学习实战工具链的权威入口，适合做进一步练习与项目实验。

• 概述：这篇文章更偏内部方法总结和架构梳理，不以外部资料为主要论证方式。后续如果要长期维护，建议补上特征存储、模型注册、监控、漂移检测等方向的官方与开源参考链接。

Attention Is All You Need

• URL: https://arxiv.org/abs/1706.03762
• 类型：论文
• 时间：2017
• 层次：L1-模型机制层
• 机制：注意力机制、架构机制
• Tags: topic:architecture topic:transformer layer:model mechanism:attention mechanism:architecture type:paper time:2017 status:foundational
• 概述：Transformer 原点，定义了自注意力与并行化建模，是整个现代 LLM 体系的起点。

RoFormer: Enhanced Transformer with Rotary Position Embedding

• URL: https://arxiv.org/abs/2104.09864
• 类型：论文
• 时间：2021
• 层次：L1-模型机制层
• 机制：位置编码机制
• Tags: topic:architecture topic:long-context layer:model mechanism:position-encoding type:paper time:2021 status:foundational
• 概述：RoPE 是近年主流开源与商用模型广泛采用的位置编码机制，也是长上下文扩展技术的重要基底。

YaRN: Efficient Context Window Extension of Large Language Models

• URL: https://arxiv.org/abs/2309.00071
• 类型：论文
• 时间：2023
• 层次：L1-模型机制层
• 机制：位置编码机制、长上下文机制
• Tags: topic:long-context layer:model mechanism:position-encoding mechanism:long-context type:paper time:2023 status:frontier
• 概述：代表 RoPE 外推与长上下文扩展的一条重要工程路线，适合与 Long Context 相关文章配套阅读。

DeepNet: Scaling Transformers to 1,000 Layers

• URL: https://arxiv.org/abs/2203.00555
• 类型：论文
• 时间：2022
• 层次：L1-模型机制层
• 机制：架构机制、深层稳定性机制
• Tags: topic:architecture topic:scaling layer:model mechanism:architecture mechanism:stability type:paper time:2022 status:foundational
• 概述：深层 Transformer 稳定训练谱系中的关键论文，适合与 AttnRes 一起建立“为什么深层会稀释”的背景。

Fast Transformer Decoding: One Write-Head is All You Need

• URL: https://arxiv.org/abs/1911.06507
• 类型：论文
• 时间：2019
• 层次：L1-模型机制层
• 机制：注意力机制、推理加速机制
• Tags: topic:architecture topic:inference layer:model mechanism:attention mechanism:inference-acceleration type:paper time:2019 status:foundational
• 概述：MQA 的代表性来源，直接影响后续长上下文和推理性能优化。

GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints

• URL: https://arxiv.org/abs/2305.13245
• 类型：论文
• 时间：2023
• 层次：L1-模型机制层
• 机制：注意力机制、推理加速机制
• Tags: topic:architecture topic:inference layer:model mechanism:attention mechanism:inference-acceleration type:paper time:2023 status:foundational
• 概述：GQA 是 MHA 与 MQA 的折中路线，已经成为很多现代模型的默认工程配置。

FlashAttention

• URL: https://arxiv.org/abs/2205.14135
• 类型：论文
• 时间：2022
• 层次：L1-模型机制层
• 机制：注意力机制、推理加速机制
• Tags: topic:attention topic:serving layer:model mechanism:attention mechanism:inference-acceleration type:paper time:2022 status:foundational
• 概述：把 IO-aware 思想带入注意力计算，是训练与推理性能优化的关键工作。

Attention Residuals

• URL: https://arxiv.org/abs/2603.15031
• 类型：论文
• 时间：2026 Q1
• 层次：L1-模型机制层
• 机制：注意力机制、架构机制、深层稳定性机制
• Tags: topic:architecture topic:reasoning layer:model mechanism:attention mechanism:architecture mechanism:stability type:paper time:2026Q1 status:frontier
• 概述：Kimi 团队提出的 AttnRes 用内容相关的深度注意力替代固定残差累加，目标是缓解 PreNorm 深层网络中的信息稀释问题。

MoonshotAI/Attention-Residuals

• URL: https://github.com/MoonshotAI/Attention-Residuals
• 类型：代码仓库
• 时间：2026 Q1
• 层次：L1-模型机制层
• 机制：注意力机制、架构机制
• Tags: topic:architecture topic:kimi layer:model mechanism:attention mechanism:architecture type:repo time:2026Q1 status:frontier
• 概述：AttnRes 官方仓库，包含论文 PDF、结构示意图和 Block AttnRes 伪代码，是跟进这条新架构路线的第一手工程入口。

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

• URL: https://arxiv.org/abs/2201.11903
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制
• Tags: topic:reasoning topic:cot layer:inference mechanism:reasoning type:paper time:2022 status:foundational
• 概述：思维链奠基论文，是 prompting、reasoning、agent planning 三条线共同的前史。

Large Language Models are Zero-Shot Reasoners

• URL: https://arxiv.org/abs/2205.11916
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制
• Tags: topic:reasoning topic:cot layer:inference mechanism:reasoning type:paper time:2022 status:foundational
• 概述：证明即使不给示例，简单触发语句也能显著提升推理质量，是 reasoning 技巧普及的重要起点。

Self-Consistency Improves Chain of Thought Reasoning in Language Models

• URL: https://arxiv.org/abs/2203.11171
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制、搜索机制
• Tags: topic:reasoning topic:cot layer:inference mechanism:reasoning mechanism:search type:paper time:2022 status:foundational
• 概述：把“多次推理再投票”系统化，是 test-time compute 的早期代表思路。

Tree of Thoughts

• URL: https://arxiv.org/abs/2305.10601
• 类型：论文
• 时间：2023
• 层次：L3-推理与解码层
• 机制：推理机制、搜索机制
• Tags: topic:reasoning topic:search layer:inference mechanism:reasoning mechanism:search type:paper time:2023 status:foundational
• 概述：把线性思维链扩展到树搜索，是结构化 deliberation 的经典入口。

ReAct

• URL: https://arxiv.org/abs/2210.03629
• 类型：论文
• 时间：2022
• 层次：L3-推理与解码层
• 机制：推理机制、工具调用机制
• Tags: topic:reasoning topic:agent layer:inference mechanism:reasoning mechanism:tool-use type:paper time:2022 status:foundational
• 概述：把 reasoning 与 acting 结合起来，是 Agent 路线最重要的原型论文之一。

Learning to Reason with LLMs

• URL: https://openai.com/index/learning-to-reason-with-llms/
• 类型：官方博客/公告
• 时间：2024-2025
• 层次：L3-推理与解码层
• 机制：推理机制、测试时计算机制
• Tags: topic:reasoning topic:test-time-compute layer:inference mechanism:reasoning mechanism:search type:doc time:2025 status:frontier
• 概述：OpenAI 对 reasoning models 路线的公开解释材料，适合连接 CoT 方法史与产品化 reasoning models。

Introducing o3 and o4-mini

• URL: https://openai.com/index/introducing-o3-and-o4-mini/
• 类型：官方博客/公告
• 时间：2025
• 层次：L3-推理与解码层
• 机制：推理机制、测试时计算机制
• Tags: topic:reasoning topic:o-series layer:inference mechanism:reasoning mechanism:test-time-compute type:doc time:2025 status:frontier
• 概述：推理模型商用化的重要节点，适合作为 reasoning 时代的产品化时间戳。

DeepSeek-R1

• URL: https://arxiv.org/abs/2501.12948
• 类型：论文
• 时间：2025 Q1
• 层次：L2-训练与对齐层
• 机制：对齐机制、推理训练机制
• Tags: topic:reasoning topic:alignment layer:training mechanism:alignment mechanism:reasoning type:paper time:2025Q1 status:frontier
• 概述：是开源推理模型与后训练强化学习结合的重要节点，也适合作为 reasoning 训练路线的核心材料。

GSM-Symbolic

• URL: https://machinelearning.apple.com/research/gsm-symbolic
• 类型：官方博客/公告
• 时间：2025
• 层次：L5-系统工程层
• 机制：评测机制、推理批判机制
• Tags: topic:reasoning topic:eval layer:system mechanism:evaluation mechanism:reasoning type:paper time:2025 status:frontier
• 概述：提醒 reasoning benchmark 的高分并不必然意味着真正的抽象理解，是思维链路线的重要反思资料。

The Illusion of Thinking

• URL: https://machinelearning.apple.com/research/illusion-of-thinking
• 类型：官方博客/公告
• 时间：2025
• 层次：L5-系统工程层
• 机制：评测机制、推理批判机制
• Tags: topic:reasoning topic:eval layer:system mechanism:evaluation mechanism:reasoning type:paper time:2025 status:frontier
• 概述：用更严苛任务设定重新审视 reasoning models 的边界，是 2025 年必须保留的批判性材料。

ARC Prize

• URL: https://arcprize.org/
• 类型：数据集/基准
• 时间：持续更新
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:reasoning layer:system mechanism:evaluation type:benchmark status:frontier
• 概述：抽象推理与组合泛化 benchmark，是 reasoning 讨论里最值得长期跟踪的 harder benchmark 之一。

ARC-AGI-3

• URL: https://arcprize.org/arc-agi/3
• 类型：数据集/基准
• 时间：2026 Q1
• 层次：L5-系统工程层
• 机制：评测机制、交互式推理机制
• Tags: topic:eval topic:interactive-reasoning layer:system mechanism:evaluation mechanism:reasoning type:benchmark time:2026Q1 status:frontier
• 概述：ARC-AGI-3 把 benchmark 从静态题目推进到交互式推理环境，是 agentic reasoning 时代值得重点关注的新评测方向。

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

• URL: https://arxiv.org/abs/2005.11401
• 类型：论文
• 时间：2020
• 层次：L4-知识与工具层
• 机制：检索机制
• Tags: topic:rag topic:retrieval layer:knowledge mechanism:retrieval type:paper time:2020 status:foundational
• 概述：RAG 的起点，定义了“先查资料再生成”的标准框架。

Longformer

• URL: https://arxiv.org/abs/2004.05150
• 类型：论文
• 时间：2020
• 层次：L1-模型机制层
• 机制：长上下文机制、注意力机制
• Tags: topic:long-context layer:model mechanism:attention mechanism:long-context type:paper time:2020 status:foundational
• 概述：代表长文档建模路线的早期经典工作，适合和 RAG 起点形成对照。

Lost in the Middle: How Language Models Use Long Contexts

• URL: https://arxiv.org/abs/2307.03172
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:long-context topic:eval layer:system mechanism:evaluation type:paper time:2023 status:foundational
• 概述：这是长上下文能力讨论里最常被引用的反例论文之一，说明“上下文窗口很大”不等于“模型能稳定利用上下文中间信息”。

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

• URL: https://arxiv.org/abs/2310.11511
• 类型：论文
• 时间：2023
• 层次：L4-知识与工具层
• 机制：检索机制、推理机制
• Tags: topic:rag topic:reasoning layer:knowledge mechanism:retrieval mechanism:reasoning type:paper time:2023 status:foundational
• 概述：Self-RAG 让模型在检索、生成和自我批判之间形成闭环，是 RAG 从“外接资料”走向“带反思控制的知识增强系统”的代表工作。

Corrective Retrieval Augmented Generation

• URL: https://arxiv.org/abs/2401.15884
• 类型：论文
• 时间：2024
• 层次：L4-知识与工具层
• 机制：检索机制、重排机制
• Tags: topic:rag topic:retrieval layer:knowledge mechanism:retrieval mechanism:reranking type:paper time:2024 status:frontier
• 概述：CRAG 把“检索结果本身可能有问题”纳入系统设计，是 RAG 从简单拼接资料走向检索纠错和质量控制的重要节点。

LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding

• URL: https://arxiv.org/abs/2308.14508
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:long-context topic:eval layer:system mechanism:evaluation type:paper time:2023 status:foundational
• 概述：LongBench 是长上下文能力评测的高频基准之一，适合用来补齐“长 context 能力不能只看厂商公告”的验证层。

GraphRAG

• URL: https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/
• 类型：官方博客/公告
• 时间：2024
• 层次：L4-知识与工具层
• 机制：检索机制、图结构知识机制
• Tags: topic:rag topic:graphrag layer:knowledge mechanism:retrieval mechanism:knowledge-graph type:doc time:2024 status:frontier
• 概述：把关系结构与叙事文档引入检索层，代表 RAG 从“向量召回”走向“结构化知识发现”。

Introducing Contextual Retrieval

• URL: https://www.anthropic.com/news/contextual-retrieval
• 类型：官方博客/公告
• 时间：2024
• 层次：L4-知识与工具层
• 机制：检索机制、重排机制
• Tags: topic:rag topic:retrieval layer:knowledge mechanism:retrieval mechanism:reranking type:doc time:2024 status:frontier
• 概述：强调 chunk 之外的上下文增强，是提升 RAG 召回质量的工程型参考。

LangChain RAG 文档

• URL: https://python.langchain.com/docs/tutorials/rag/
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：检索机制
• Tags: topic:rag layer:knowledge mechanism:retrieval type:doc status:engineering
• 概述：适合把 RAG 从论文概念推进到应用原型。

LlamaIndex 文档

• URL: https://docs.llamaindex.ai/
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：检索机制、索引机制
• Tags: topic:rag layer:knowledge mechanism:retrieval mechanism:indexing type:doc status:engineering
• 概述：更偏文档工程与索引层，是知识增强应用的重要实现资料。

Cohere Rerank Guide

• URL: https://www.cohere.com/documents/rerank-guide.pdf
• 类型：教程/课程
• 时间：2024-2025
• 层次：L4-知识与工具层
• 机制：重排机制
• Tags: topic:rag topic:reranking layer:knowledge mechanism:reranking type:doc status:engineering
• 概述：适合补齐“召回之后如何排序”这一 RAG 实践里常被忽视但很关键的层次。

MRKL Systems

• URL: https://arxiv.org/abs/2205.00445
• 类型：论文
• 时间：2022
• 层次：L4-知识与工具层
• 机制：工具调用机制、模块化机制
• Tags: topic:agent topic:tool-use layer:knowledge mechanism:tool-use mechanism:modularity type:paper time:2022 status:foundational
• 概述：把 LLM 与工具系统组合成模块化架构，是 Agent 工程很早的思想来源。

Toolformer

• URL: https://arxiv.org/abs/2302.04761
• 类型：论文
• 时间：2023
• 层次：L4-知识与工具层
• 机制：工具调用机制
• Tags: topic:tool-use topic:agent layer:knowledge mechanism:tool-use type:paper time:2023 status:foundational
• 概述：说明模型如何在训练层面学会使用工具，是 Tool Use 方向的重要早期论文。

Generative Agents

• URL: https://arxiv.org/abs/2304.03442
• 类型：论文
• 时间：2023
• 层次：L4-知识与工具层
• 机制：记忆机制、Agent 机制
• Tags: topic:agent topic:memory layer:knowledge mechanism:memory mechanism:agent type:paper time:2023 status:foundational
• 概述：记忆、反思、行为连续性在 Agent 系统中的经典代表。

OpenAI Function Calling

• URL: https://platform.openai.com/docs/guides/function-calling
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：工具调用机制
• Tags: topic:tool-use layer:knowledge mechanism:tool-use type:doc status:engineering
• 概述：主流平台的结构化工具调用接口，是“模型做决策，应用做执行”的基础工程资料。

Anthropic Tool Use

• URL: https://docs.anthropic.com/en/docs/build-with-claude/tool-use
• 类型：官方文档
• 时间：持续更新
• 层次：L4-知识与工具层
• 机制：工具调用机制
• Tags: topic:tool-use layer:knowledge mechanism:tool-use type:doc status:engineering
• 概述：Claude 体系下的 Tool Use 文档，是 OpenAI 路线的重要补充。

Anthropic Computer Use

• URL: https://docs.anthropic.com/en/docs/agents-and-tools/computer-use
• 类型：官方文档
• 时间：2025
• 层次：L4-知识与工具层
• 机制：工具调用机制、环境交互机制
• Tags: topic:agent topic:computer-use layer:knowledge mechanism:tool-use mechanism:environment-interaction type:doc time:2025 status:frontier
• 概述：把工具使用从 API 层推进到 GUI/桌面环境，是 agentic systems 的重要边界扩展。

Model Context Protocol (MCP)

• URL: https://modelcontextprotocol.io/
• 类型：官方文档
• 时间：2024-2026
• 层次：L4-知识与工具层
• 机制：协议机制
• Tags: topic:mcp topic:agent layer:knowledge mechanism:protocol type:doc time:2025 status:foundational
• 概述：MCP 已成为 AI 应用连接外部工具、资源和工作流的重要标准接口，是协议层必须保留的核心资源。

A2A Protocol

• URL: https://google.github.io/A2A/
• 类型：官方文档
• 时间：2025
• 层次：L4-知识与工具层
• 机制：协议机制、Agent 协作机制
• Tags: topic:a2a topic:agent layer:knowledge mechanism:protocol mechanism:agent-collaboration type:doc time:2025 status:frontier
• 概述：把“工具协议”进一步扩展到“Agent 与 Agent 通信”，是多智能体标准化方向的重要资料。

Efficient Memory Management for Large Language Model Serving with PagedAttention

• URL: https://arxiv.org/abs/2309.06180
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：部署服务机制、KV cache 机制
• Tags: topic:serving topic:vllm layer:system mechanism:serving mechanism:kv-cache type:paper time:2023 status:foundational
• 概述：PagedAttention 是现代 LLM serving 栈的标志性工作，也是 vLLM 理论核心。

vLLM

• URL: https://github.com/vllm-project/vllm
• 类型：代码仓库
• 时间：2023-2026
• 层次：L5-系统工程层
• 机制：部署服务机制、KV cache 机制、连续批处理机制
• Tags: topic:serving topic:vllm layer:system mechanism:serving mechanism:kv-cache mechanism:continuous-batching type:repo status:foundational
• 概述：当前最重要的开源 LLM serving 引擎之一，已经把 PagedAttention、prefix caching、LoRA、reasoning outputs、多模态和 OpenAI-compatible serving 融合为一套成熟工程栈。

vLLM Docs

• URL: https://docs.vllm.ai/
• 类型：官方文档
• 时间：2026
• 层次：L5-系统工程层
• 机制：部署服务机制、可观测机制、多模态 serving 机制
• Tags: topic:serving topic:vllm layer:system mechanism:serving mechanism:observability mechanism:multimodal-serving type:doc time:2026 status:frontier
• 概述：到 2026 年，vLLM 文档已经覆盖 reasoning outputs、MCP tools、OpenTelemetry、多模态和分布式 serving，是非常值得长期跟踪的工程资料源。

SGLang

• URL: https://github.com/sgl-project/sglang
• 类型：代码仓库
• 时间：2024-2026
• 层次：L5-系统工程层
• 机制：部署服务机制、结构化解码机制、前缀缓存机制
• Tags: topic:serving topic:sglang layer:system mechanism:serving mechanism:structured-decoding mechanism:prefix-caching type:repo status:frontier
• 概述：SGLang 已从高性能 serving engine 发展成覆盖 reasoning parser、structured outputs、RL rollout backend、多模态 serving 的综合 runtime。

SGLang Docs

• URL: https://docs.sglang.io/
• 类型：官方文档
• 时间：2026
• 层次：L5-系统工程层
• 机制：部署服务机制、结构化解码机制、多模态 serving 机制
• Tags: topic:serving topic:sglang layer:system mechanism:serving mechanism:structured-decoding mechanism:multimodal-serving type:doc time:2026 status:frontier
• 概述：到 2026 年，SGLang 文档已经把长上下文、多模态、reasoning parser、observability、RL 系统与 serving 主栈连成一个完整体系。

TensorRT-LLM

• URL: https://github.com/NVIDIA/TensorRT-LLM
• 类型：代码仓库
• 时间：2023-2026
• 层次：L5-系统工程层
• 机制：部署服务机制、推理加速机制、量化机制
• Tags: topic:serving topic:tensorrt-llm layer:system mechanism:serving mechanism:inference-acceleration mechanism:quantization type:repo status:frontier
• 概述：生产级 GPU 集群部署的重要路线，尤其适合补齐 Blackwell、MoE、长上下文和 inference-time compute 的优化资料。

llama.cpp

• URL: https://github.com/ggml-org/llama.cpp
• 类型：代码仓库
• 时间：2023-2026
• 层次：L5-系统工程层
• 机制：本地推理机制、量化机制、边缘部署机制
• Tags: topic:local-llm topic:serving layer:system mechanism:edge-inference mechanism:quantization mechanism:serving type:repo status:foundational
• 概述：本地推理生态的，适合补齐 GGUF、低比特量化、边缘部署与跨平台本地运行这一条路线。

Ollama

• URL: https://github.com/ollama/ollama
• 类型：代码仓库
• 时间：2023-2026
• 层次：L5-系统工程层
• 机制：本地模型管理机制、部署服务机制
• Tags: topic:local-llm topic:ollama layer:system mechanism:model-management mechanism:serving type:repo status:engineering
• 概述：Ollama 显著降低了本地模型管理、API 暴露与开发者接入成本，已经成为本地模型工程的默认入口之一。

Ollama API

• URL: https://docs.ollama.com/api
• 类型：官方文档
• 时间：2026
• 层次：L5-系统工程层
• 机制：部署服务机制、本地 API 机制
• Tags: topic:local-llm topic:ollama layer:system mechanism:serving mechanism:api type:doc time:2026 status:engineering
• 概述：适合作为本地模型 API 化的标准入口，尤其适合搭配 Open WebUI、Continue、Open WebUI 等生态工具使用。

Open WebUI

• URL: https://github.com/open-webui/open-webui
• 类型：代码仓库
• 时间：2024-2026
• 层次：L5-系统工程层
• 机制：本地部署机制、RAG 集成机制、可观测机制
• Tags: topic:local-llm topic:ui layer:system mechanism:serving mechanism:retrieval mechanism:observability type:repo status:engineering
• 概述：Open WebUI 已成为本地模型、RAG、Ollama/OpenAI-compatible API 结合的高频 UI 层方案，也适合补入“本地部署实践”方向。

Training language models to follow instructions with human feedback

• URL: https://arxiv.org/abs/2203.02155
• 类型：论文
• 时间：2022
• 层次：L2-训练与对齐层
• 机制：对齐机制
• Tags: topic:alignment topic:rlhf layer:training mechanism:alignment type:paper time:2022 status:foundational
• 概述：RLHF 进入产品主线的标志性论文。

Constitutional AI

• URL: https://arxiv.org/abs/2212.08073
• 类型：论文
• 时间：2022
• 层次：L2-训练与对齐层
• 机制：对齐机制
• Tags: topic:alignment topic:constitutional-ai layer:training mechanism:alignment type:paper time:2022 status:foundational
• 概述：Anthropic 路线的核心来源，适合补齐“对齐不只是 RLHF”这一视角。

LoRA

• URL: https://arxiv.org/abs/2106.09685
• 类型：论文
• 时间：2021
• 层次：L2-训练与对齐层
• 机制：微调机制
• Tags: topic:finetuning topic:lora layer:training mechanism:finetuning type:paper time:2021 status:foundational
• 概述：参数高效微调起点，仍是理解 PEFT 体系的第一篇必读论文。

QLoRA

• URL: https://arxiv.org/abs/2305.14314
• 类型：论文
• 时间：2023
• 层次：L2-训练与对齐层
• 机制：微调机制、量化机制
• Tags: topic:finetuning topic:qlora layer:training mechanism:finetuning mechanism:quantization type:paper time:2023 status:foundational
• 概述：把量化与微调结合起来，显著降低大模型微调门槛。

DPO: Direct Preference Optimization

• URL: https://arxiv.org/abs/2305.18290
• 类型：论文
• 时间：2023
• 层次：L2-训练与对齐层
• 机制：对齐机制
• Tags: topic:alignment topic:dpo layer:training mechanism:alignment type:paper time:2023 status:foundational
• 概述：偏好优化的重要简化路线，是很多现代对齐实践的共同基础。

MMLU

• URL: https://arxiv.org/abs/2009.03300
• 类型：论文
• 时间：2020
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval layer:system mechanism:evaluation type:paper time:2020 status:foundational
• 概述：通用知识 benchmark 经典来源，但更适合作为基础 benchmark，而非最终能力结论。

HumanEval

• URL: https://arxiv.org/abs/2107.03374
• 类型：论文
• 时间：2021
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:coding layer:system mechanism:evaluation type:paper time:2021 status:foundational
• 概述：代码生成 benchmark 的经典来源，是 AI 编程讨论的常用底座。

GAIA

• URL: https://huggingface.co/benchmarks/gaia
• 类型：数据集/基准
• 时间：2024-2025
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:agent layer:system mechanism:evaluation type:benchmark status:frontier
• 概述：更贴近真实任务和工具使用，是 Agent 评测里很值得保留的 benchmark。

API-Bank

• URL: https://arxiv.org/abs/2304.09142
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：评测机制、工具调用评测机制
• Tags: topic:eval topic:agent layer:system mechanism:evaluation mechanism:tool-use type:paper time:2023 status:frontier
• 概述：把工具调用正确性纳入 benchmark 视角，是 Agent 时代很重要的评测补充。

SWE-bench: Can Language Models Resolve Real-World GitHub Issues?

• URL: https://arxiv.org/abs/2310.06770
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:coding topic:agent layer:system mechanism:evaluation type:paper time:2023 status:foundational
• 概述：SWE-bench 已成为软件工程 Agent 评测的核心基准之一，适合把 AI 编程讨论从 demo 级任务推进到真实仓库 issue 修复场景。

WebArena: A Realistic Web Environment for Building Autonomous Agents

• URL: https://arxiv.org/abs/2307.13854
• 类型：论文
• 时间：2023
• 层次：L5-系统工程层
• 机制：评测机制、环境交互机制
• Tags: topic:eval topic:agent layer:system mechanism:evaluation mechanism:environment-interaction type:paper time:2023 status:foundational
• 概述：WebArena 是网页环境 Agent 的代表 benchmark，适合补齐浏览器操作、跨页面导航和复杂任务分解这一类真实交互评测。

tau-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains

• URL: https://arxiv.org/abs/2406.12045
• 类型：论文
• 时间：2024
• 层次：L5-系统工程层
• 机制：评测机制、工具调用机制
• Tags: topic:eval topic:agent topic:tool-use layer:system mechanism:evaluation mechanism:tool-use type:paper time:2024 status:frontier
• 概述：tau-bench 把 agent 评测推进到“工具、用户、业务规则”三者同时存在的真实交互语境，是企业型 agent 评测的重要补充。

OpenAI Evals

• URL: https://github.com/openai/evals
• 类型：代码仓库
• 时间：2023-2026
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval layer:system mechanism:evaluation type:repo status:engineering
• 概述：OpenAI Evals 是应用侧自定义评测与回归测试的重要开源入口，适合连接模型 benchmark 与产品级质量验证。

HELM: Holistic Evaluation of Language Models

• URL: https://arxiv.org/abs/2211.09110
• 类型：论文
• 时间：2022
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval layer:system mechanism:evaluation type:paper time:2022 status:foundational
• 概述：HELM 强调“评测不只看一个分数”，而要同时关注准确性、鲁棒性、公平性、校准等多维指标，是评测方法论的骨架级资源。

RAGAS

• URL: https://github.com/explodinggradients/ragas
• 类型：代码仓库
• 时间：2024-2026
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:rag layer:system mechanism:evaluation type:repo status:engineering
• 概述：RAGAS 已成为 RAG 应用评测的高频工具，适合补齐回答质量、上下文利用、faithfulness 等应用层指标。

DeepEval

• URL: https://github.com/confident-ai/deepeval
• 类型：代码仓库
• 时间：2024-2026
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:agent layer:system mechanism:evaluation type:repo status:engineering
• 概述：DeepEval 适合把 LLM 应用测试做成更接近单元测试和 CI 的流程，是应用层 eval 工程化的重要补充。

promptfoo

• URL: https://github.com/promptfoo/promptfoo
• 类型：代码仓库
• 时间：2024-2026
• 层次：L5-系统工程层
• 机制：评测机制
• Tags: topic:eval topic:security layer:system mechanism:evaluation type:repo status:engineering
• 概述：promptfoo 同时覆盖 prompt 测试、红队测试和回归比较，适合连接质量评测与安全评测两条线。

LangSmith

• URL: https://docs.smith.langchain.com/
• 类型：官方文档
• 时间：持续更新
• 层次：L5-系统工程层
• 机制：可观测机制
• Tags: topic:observability topic:agent layer:system mechanism:observability type:doc status:engineering
• 概述：适合追踪链路、prompt、tool 调用与运行轨迹，是 AI 应用调试的主流平台之一。

Langfuse

• URL: https://langfuse.com/
• 类型：官方文档
• 时间：持续更新
• 层次：L5-系统工程层
• 机制：可观测机制
• Tags: topic:observability layer:system mechanism:observability type:doc status:engineering
• 概述：开源可自部署，适合构建自有 AI 观测与标注分析体系。

OpenTelemetry

• URL: https://opentelemetry.io/
• 类型：官方文档
• 时间：持续更新
• 层次：L5-系统工程层
• 机制：可观测机制
• Tags: topic:observability layer:system mechanism:observability type:doc status:foundational
• 概述：把 AI 系统观测纳入通用 tracing 标准，是生产级统一观测栈的关键底座。

GCG: Greedy Coordinate Gradient

• URL: https://arxiv.org/abs/2307.04757
• 类型：论文
• 时间：2023
• 层次：L6-安全与治理层
• 机制：安全攻击机制
• Tags: topic:security topic:jailbreak layer:security mechanism:security-attack type:paper time:2023 status:foundational
• 概述：自动化越狱攻击的重要代表工作，是从手工 prompt 越狱走向搜索式攻击的关键节点。

Prompt Injection Attacks

• URL: https://www.jailbreaksearch.com/
• 类型：案例库/安全站点
• 时间：持续更新
• 层次：L6-安全与治理层
• 机制：安全攻击机制
• Tags: topic:security topic:prompt-injection layer:security mechanism:security-attack type:benchmark status:engineering
• 概述：适合长期追踪提示注入与越狱样式，是安全专题的实战样例库。

Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection

• URL: https://arxiv.org/abs/2302.12173
• 类型：论文
• 时间：2023
• 层次：L6-安全与治理层
• 机制：安全攻击机制
• Tags: topic:security topic:prompt-injection layer:security mechanism:security-attack type:paper time:2023 status:foundational
• 概述：这是现实世界间接提示注入讨论里最关键的论文之一，明确说明攻击者可以借助外部内容污染模型行为，而不需要直接接触系统提示词。

OWASP Top 10 for Large Language Model Applications / OWASP GenAI Security Project

• URL: https://owasp.org/www-project-top-10-for-large-language-model-applications/
• 类型：机构报告/政策
• 时间：2023-2025
• 层次：L6-安全与治理层
• 机制：安全防御机制、治理合规机制
• Tags: topic:security topic:governance layer:security mechanism:security-defense mechanism:governance type:policy status:foundational
• 概述：最适合开发者快速建立 LLM 应用安全面地图的开放指南之一，应作为安全章节的基础框架资源。

NIST AI Risk Management Framework

• URL: https://www.nist.gov/itl/ai-risk-management-framework
• 类型：机构报告/政策
• 时间：2023-2025
• 层次：L6-安全与治理层
• 机制：治理合规机制
• Tags: topic:governance topic:risk-management layer:security mechanism:governance type:policy status:foundational
• 概述：适合把 AI 风险讨论从技术漏洞扩展到组织治理、流程控制与生命周期管理。

EU AI Act

• URL: https://artificialintelligenceact.eu/
• 类型：机构报告/政策
• 时间：2024-2025
• 层次：L6-安全与治理层
• 机制：治理合规机制
• Tags: topic:governance topic:compliance layer:security mechanism:governance type:policy status:frontier
• 概述：全球 AI 合规讨论中最值得长期跟踪的法规资源之一。

Whisper

• URL: https://arxiv.org/abs/2212.04356
• 类型：论文
• 时间：2022
• 层次：L1-模型机制层
• 机制：语音理解机制
• Tags: topic:multimodal topic:speech layer:model mechanism:speech-understanding type:paper time:2022 status:foundational
• 概述：语音识别的代表模型，是实时语音 Agent / 多模态助手的重要基础来源。

Introducing Gemini 2.0: our new AI model for the agentic era

• URL: https://blog.google/innovation-and-ai/models-and-research/google-deepmind/google-gemini-ai-update-december-2024/
• 类型：官方博客/公告
• 时间：2024 Q4
• 层次：L0-范式层
• 机制：多模态机制、工具调用机制、Agent 机制
• Tags: topic:multimodal topic:agent topic:gemini layer:paradigm mechanism:multimodal mechanism:tool-use type:doc time:2024Q4 status:frontier
• 概述：Gemini 2.0 明确把多模态、原生工具使用和 agentic experience 绑定在一起，是“agentic era”叙事的重要官方材料。

LiveKit Agents

• URL: https://docs.livekit.io/agents/
• 类型：官方文档
• 时间：2025-2026
• 层次：L5-系统工程层
• 机制：多模态 serving 机制、环境交互机制
• Tags: topic:multimodal topic:agent topic:speech layer:system mechanism:multimodal-serving mechanism:environment-interaction type:doc status:engineering
• 概述：LiveKit Agents 是实时语音、视频和多模态 agent 的高频基础设施入口，适合补齐“LLM 应用不只是一问一答，还包括实时交互系统”的工程主线。

Introducing Claude 4

• URL: https://www.anthropic.com/news/claude-4
• 类型：官方博客/公告
• 时间：2025 Q2
• 层次：L0-范式层
• 机制：推理机制、工具调用机制、记忆机制
• Tags: topic:reasoning topic:agent topic:claude layer:paradigm mechanism:reasoning mechanism:tool-use mechanism:memory type:doc time:2025Q2 status:frontier
• 概述：Claude 4 把 extended thinking with tool use、memory files、Claude Code 和 MCP connector 串到一起，是 2025 年 agent workflow 方向的重要产品节点。