AirSOTA
Air School of Thoughts AtoZAirSOTA 知识矩阵：聚合大模型算法架构、科学育儿情境成长、加州地产考牌实战与全球数字化商业出海的权威专栏。
TalentMe · AI 学习与系统架构
工业级 AI 算法核心 69 题、前沿大模型系统架构演进与北美技术面试全流程备考深度长文。
AIE Agent 生产系统:编排模式、上下文预算、可靠性工程与可观测性
> **核心摘要**：Agent 本质是一个循环——目标、观测、策略、行动、记忆——但生产级 Agent 是一个**带护栏的循环**。本指南覆盖 LLM Agent 上线的完整工程栈：编排模式（ReAct / Plan-and-Execute / Reflexion / 多 Agent）、具备硬终止保证的循环与图式编排
RS 论文拆解与研究 Vision：如何向面试官复述 SOTA 论文创新点
> **核心摘要**：在算法研究科学家（Research Scientist, RS）面试中，面试官最看重的是候选人的**独立科研品味（Research Taste）、前沿技术视野（Research Vision）以及对 SOTA 论文的批判性深度解构能力**。面试绝不是简单复述论文摘要，而是展现“从第一性原理审视问题
深度学习基础全景：激活函数族全演进(GELU/SwiGLU)、损失函数大一统 (CE/KL/Huber/InfoNCE/ArcFace) 与计算图反向传播极客指南
> **核心摘要**：非线性激活函数、损失函数与计算图反向传播共同构成了现代神经网络训练的三大数理基石。激活函数为网络注入非线性表征能力，使得多层神经元能够逼近任意复杂的连续函数（通用近似定理）；损失函数定义了优化目标的几何曲面与物理约束；而基于自动微分 (Autograd) 的计算图与反向传播算法则是高效率求解参数梯
Tokenizer 分词器与 LLM 采样解码全景：BPE、WordPiece、SentencePiece、Temperature、Top-k/p、Min-p、Gumbel-Max、Penalty 与 Sequence Packing 打包优化
> **核心摘要**：大语言模型 (LLM) 的文本处理管道由**前端文本离散化 (Tokenization)**、**中端自回归 Logit 预测**与**后端概率采样解码 (Decoding & Sampling)** 三大核心阶段构成。本指南系统剖析 BPE、WordPiece、Unigram、SentenceP
扩散模型全景：DDPM 数理推导、Latent Diffusion (LDM)、DiT 架构与 GPT-4o Native 生成
> **核心摘要**：生成式 AI 的两大支柱分别是自回归模型 (Autoregressive LLMs) 与 **扩散模型 (Diffusion Models)**。扩散模型借鉴了非平衡态热力学 (Non-equilibrium Thermodynamics) 原理，通过向数据添加高斯噪声（前向过程）并学习一步步恢复
AIE 大模型系统工程师核心地图：SFT/LoRA/RAG/Agent 面试必考
> **核心摘要**：大模型系统工程师（AI / LLM Systems Engineer, AIE）是当前 AI 工业界最火热的工程岗位。AIE 的技术栈横跨算法微调、系统架构、检索工程与推理基础设施。本核心地图全景拆解 AIE 岗位最高频的六大知识模块：AIE vs MLE 能力矩阵、SFT 数据工程与 Loss