我很高興地宣布由 @AnthropicAI 創建並由 Elie Schoppik @eschoppik 教授的 Claude Code 確定性課程。如果你想使用高度自主的編碼——讓 AI 自主運行數分鐘或更長時間，而不僅僅是完成代碼片段——這就是了。 Claude Code 對許多開發者（包括我！）來說都是一個遊戲改變者，但要好好使用它還需要真正的深度。這門全面的課程涵蓋了從基礎到進階模式的所有內容。 在這個短課程結束後，你將能夠： - 協調多個 Claude 子代理同時處理你的代碼庫的不同部分 - 在 GitHub 問題中標記 Claude，讓它自主創建、審查和合併拉取請求 - 將雜亂的 Jupyter 筆記本轉換為乾淨的、可生產的儀表板 - 使用 MCP 工具如 Playwright，讓 Claude 能夠看到你的 UI 有什麼問題並自主修復它 無論你是 Claude Code 的新手還是已經在使用它，你都會發現強大的功能，這些功能可以根本改變你構建軟件的方式。 我對自主編碼讓每個人現在能做的事情感到非常興奮。請參加這門課程！

I'm thrilled @OpenAI has released two open weight models. Thank you to all my friends at OpenAI for this gift! I'm also encouraged that from my quick tests gpt-oss-120b looks strong (though we should still wait for rigorous 3rd party evals).

宣布我們的新活動 - 建造馬拉松：快速工程競賽。請查看視頻以獲取詳細信息，並請申請參加！

宣布一門新的 Coursera 課程：檢索增強生成 (RAG) 在這門由 @ZainHasan6 創建並教授的實作深入課程中，您將學會如何構建高性能、可投入生產的 RAG 系統，Zain 是一位經驗豐富的 AI 和 ML 工程師、研究人員和教育者。 RAG 是當今許多基於 LLM 的應用程序中的關鍵組件，包括客戶支持、內部公司問答系統，甚至許多使用網絡搜索來回答問題的領先聊天機器人。這門課程深入教您如何使 RAG 運作良好。 LLM 可能會產生通用或過時的回應，特別是在被問及其訓練數據中未涵蓋的專業問題時。RAG 是解決這個問題的最廣泛使用技術。它從新的數據來源中引入數據，例如內部文件或最近的新聞，為 LLM 提供相關的上下文，以便獲取私密、最新或專業的信息。這使其能夠生成更具根據性和準確性的回應。 在這門課程中，您將學會設計和實施 RAG 系統的每個部分，從檢索器到向量數據庫，再到生成和評估。您將了解 RAG 背後的基本原則，以及如何在組件和整個系統層面上優化它。 隨著 AI 的發展，RAG 也在不斷演變。新的模型可以處理更長的上下文窗口，更有效地推理，並且可以成為複雜的代理工作流程的一部分。一個令人興奮的增長領域是代理 RAG，其中 AI 代理在運行時（而不是在開發時硬編碼）自主決定檢索哪些數據，以及何時/如何深入。即使在這種演變中，運行時獲取高質量數據仍然至關重要，這就是為什麼 RAG 是如此多應用程序的關鍵部分。 您將通過實踐經驗學習： - 構建一個具有檢索和提示增強的 RAG 系統 - 比較檢索方法，如 BM25、語義搜索和互惠排名融合 - 使用 Weaviate 向量數據庫和新聞數據集進行文檔的分塊、索引和檢索 - 開發一個聊天機器人，使用由 Together AI 托管的開源 LLM，為一個虛構的商店回答產品和常見問題 - 使用評估來推動可靠性的提升，並整合多模態數據 RAG 是一項重要的基礎技術。通過這門課程讓自己變得擅長它！ 請在此處報名：

我在YC創業學校的演講，主題是如何建立AI創業公司。我分享了來自@AI_Fund的建議，告訴大家如何利用AI快速創建。讓我知道你的想法！

Agentic Document Extraction 現在支持字段提取！許多文檔提取用例從表單和其他結構化文檔中提取特定字段。您現在可以輸入發票的圖片或 PDF，請求供應商名稱、項目列表和價格，並獲得提取的字段。或者輸入醫療表格並指定一個模式以提取病人姓名、病人 ID、保險號碼等。 一個很酷的功能：如果您不想自己編寫模式（提取字段的 json 規範），只需上傳一個樣本文檔並寫一個自然語言提示說明您想要什麼，我們會自動為您生成一個模式。 請查看視頻以獲取詳細信息！

新課程：LLMs 的後訓練 在這個短期課程中，您將學習如何後訓練和自定義 LLM，由華盛頓大學 @UW 的助理教授 @BanghuaZ 教授，並且是 @NexusflowX 的共同創辦人。 訓練 LLM 以遵循指示或回答問題有兩個關鍵階段：預訓練和後訓練。在預訓練中，它學會從大量未標記的文本中預測下一個單詞或標記。在後訓練中，它學會有用的行為，例如遵循指示、使用工具和推理。 後訓練將一個通用的標記預測器——在數萬億的未標記文本標記上訓練——轉變為一個遵循指示並執行特定任務的助手。因為它比預訓練便宜得多，所以許多團隊比起預訓練，更實際地將後訓練方法納入他們的工作流程。 在這個課程中，您將學習三種常見的後訓練方法——監督微調 (SFT)、直接偏好優化 (DPO) 和在線強化學習 (RL)——以及如何有效地使用每一種方法。使用 SFT，您將模型訓練在輸入和理想輸出響應的對上。使用 DPO，您提供一個首選（選擇的）和一個不太首選（拒絕的）響應，並訓練模型偏向首選輸出。使用 RL，模型生成輸出，根據人類或自動反饋獲得獎勵分數，並更新模型以提高性能。 您將學習基本概念、常見用例和策劃高質量數據以進行有效訓練的原則。通過實踐實驗室，您將從 Hugging Face 下載一個預訓練模型，並使用 SFT、DPO 和 RL 進行後訓練，以查看每種技術如何塑造模型行為。 具體來說，您將： - 理解什麼是後訓練，何時使用它，以及它與預訓練的區別。 - 建立一個 SFT 管道，將基礎模型轉變為指令模型。 - 探索 DPO 如何通過最小化對比損失來重塑行為——懲罰不良響應並強化首選響應。 - 實施 DPO 管道以改變聊天助手的身份。 - 學習在線 RL 方法，如近端策略優化 (PPO) 和群體相對策略優化 (GRPO)，以及如何設計獎勵函數。 - 使用可驗證的獎勵訓練模型以提高其數學能力。 後訓練是 LLM 訓練中發展最快的領域之一。無論您是在構建高準確度的上下文特定助手、微調模型的語調，還是提高任務特定的準確性，這門課程將使您獲得與當前 LLM 後訓練最重要技術的經驗。 請在此處報名：

我想分享一個技巧，讓您能夠更好地練習使用 AI 進行構建，即使用 AI 構建塊構建應用程式或使用 AI 編碼輔助快速創建強大的應用程式：如果您發現自己的構建時間有限，請縮小專案的範圍，直到您可以在任何時間構建一些東西。 如果您只有一個小時，請找到一個您感興趣的想法的一小部分，您可以在一小時內構建。使用像 Anthropic 的 Claude Code（我現在最喜歡的開發工具）這樣的現代編碼助手，您可能會驚訝於即使在短時間內也能做很多事情！這讓您繼續前進，並且您以後可以隨時繼續該專案。 要擅長使用 AI 進行構建，大多數人必須 （i） 學習相關技術，例如通過參加在線 AI 課程，以及 （ii） 練習構建。我認識的開發人員，他們花了幾個月的時間思考想法，卻沒有真正構建任何東西 — 我也做過這個！— 因為我們覺得我們沒有時間開始。如果您發現自己處於這種情況，我鼓勵您繼續削減初始項目範圍，直到您確定可以立即構建的小組件。 讓我舉個例子來說明——我許多小而有趣的周末專案之一，它可能永遠不會去任何地方，但我很高興我做到了。 這個想法是這樣的：許多人害怕公開演講。公開演講很難練習，因為很難組織聽眾。因此，我認為構建一個觀眾模擬器，在計算機顯示器上提供數十到數百個虛擬人的數字觀眾，並讓用戶通過與他們交談來練習，這將是一件有趣的事情。 一個週六下午，我發現自己在一家咖啡店裡，還有幾個小時的空閒時間，於是決定試一試觀眾模擬器。我對圖形編碼的熟悉程度有限，因此我決定大幅縮小範圍，以 （a） 類比一個人的觀眾（我以後可以複製來類比 N 個人），（b） 省略 AI 並讓人類作員手動選擇模擬觀眾的反應（類似於綠野仙蹤原型）， （c） 使用簡單的 2D 頭像實現圖形。 使用多個編碼助手的組合，我在我所擁有的時間里構建了一個基本版本。頭像可以巧妙地移動和閃爍，但除此之外，它使用基本的圖形。儘管它遠不及一個複雜的觀眾模擬器，但我很高興我構建了它。除了推動專案向前發展並讓我探索不同的設計外，它還提高了我對基本圖形的瞭解。此外，向朋友展示這個粗略的原型説明我獲得了用戶反饋，這些反饋塑造了我對產品創意的看法。 我的筆記型電腦上有一份我認為構建有趣的想法清單。他們中的大多數會比我在某一天嘗試某件事可能需要的幾個小時要長得多，但通過縮小他們的範圍，我可以開始工作，並且專案的初始進展有助於我決定是否值得進一步投資。作為獎勵，駭客攻擊各種應用程式可以説明我練習廣泛的技能。但最重要的是，這讓我從腦海中走出了一個想法，並可能在潛在使用者面前獲得反饋，從而使項目進展得更快。 [原文： ]

新課程：ACP：代理通信協定 在這個短期課程中，學習如何使用ACP構建能夠跨不同框架進行通信和協作的代理@IBMResearch的BeeAI，並由@sandi_besen，IBM的AI研究工程師和生態系統負責人，以及@nicholasrenotte，IBM的AI開發者宣導負責人授課。 使用不同團隊和組織構建或使用的代理構建多代理系統可能變得具有挑戰性。每次團隊更新其代理設計或更改其選擇的代理編排框架時，您都可能需要編寫自定義集成。 代理通信協定 （ACP） 是一種開放協定，它使用跨框架工作的統一 RESTful 介面，通過標準化代理的通信方式來應對這一挑戰。在此協定中，您在 ACP 伺服器內託管一個代理，該代理處理來自 ACP 用戶端的請求並將其傳遞給相應的代理。使用標準化的用戶端-伺服器介面允許多個團隊跨專案重用代理。它還可以更輕鬆地在框架之間切換、用新版本替換代理或更新多代理系統，而無需重構整個系統。 在本課程中，您將學習通過 ACP 連接代理。您將瞭解 ACP 代理的生命週期，以及它與其他協定（如 MCP（模型上下文協定）和 A2A（代理到代理））的比較。您將構建符合 ACP 標準的代理，並使用 ACP 實施多個代理協作的順序和分層工作流。 通過動手練習，您將構建： - 帶有 CrewAI 的 RAG 代理，並將其包裝在 ACP 伺服器中。 - 一個 ACP 用戶端，用於調用您創建的 ACP 伺服器。 - 一個順序工作流，用於將使用 Smolagents 創建的 ACP 伺服器連結到 RAG 代理。 - 使用路由器代理的分層工作流，將使用者查詢轉換為任務，委派給通過ACP伺服器提供的代理。 - 使用 MCP 存取工具並使用 ACP 與其他代理通信的代理。 最後，您將將 ACP 代理導入 BeeAI 平臺，這是一個用於發現和共用代理的開源註冊表。 ACP 支援跨團隊和組織的代理之間的協作。在本課程結束時，您將能夠構建 ACP 代理和工作流程，無論框架如何，您都可以進行通信和協作。 請在此處註冊：

介紹“使用 Llama 4 構建”。這個短期課程是與 @Meta @AIatMeta 共同創建的，由Meta AI團隊的合作夥伴工程總監 @asangani7 教授。 Meta 的新 Llama 4 增加了三個新模型，並將 Mixture-of-Experts （MoE） 架構引入其 open-weight 模型系列，使其服務效率更高。 在本課程中，您將使用 Llama 4 中引入的三個新模型中的兩個。首先是Maverick，一個400B參數模型，有128個Expert和17B活動參數。第二個是 Scout，這是一個 109B 參數模型，有 16 個 Expert 和 17B 活動參數。Maverick 和 Scout 分別支援高達 100 萬個令牌和 10M 令牌的長上下文視窗。後者足以支援直接輸入甚至相當大的 GitHub 倉庫進行分析！ 在實踐課程中，您將使用 Llama 4 的新多模態功能構建應用程式，包括跨多個圖像的推理和圖像接地，您可以在其中識別圖像中的元素。您還將使用官方 Llama API，使用 Llama 4 的長上下文功能，並瞭解 Llama 最新的開源工具：其自動改進系統提示的提示優化工具，以及生成高品質數據集進行微調的合成工具包。 如果您需要開放式模型，Llama 是一個不錯的選擇，而 Llama 4 系列是任何 GenAI 開發人員工具包的重要組成部分。通過本課程，您將學習通過 API 調用 Llama 4，使用其優化工具，並構建跨文本、圖像和大上下文的功能。 請在此處註冊：