这两年，AI 圈很喜欢造新词。 先是 Prompt Engineering，后来是 Context Engineering，现在又轮到 Harness Engineering。如果你只是远远看着，很容易觉得这不过是换个术语继续包装旧东西。 但如果你真的做过一点 AI 应用，尤其是做过 Agent，很快就会发现：这几个词不是在争流行度，它们对应的是三类完全不同的问题。 最开始，大家在解决...
Inline Cache：JavaScript 引擎里最容易被误解的“缓存” 很多人第一次听到 Inline Cache，会下意识把它和 HTTP cache、memory cache、disk cache、bfcache 这类浏览器缓存放在一起理解。但这条路一开始就走偏了。 Inline Cache 不是资源缓存，不负责缓存网页、图片或脚本文件。它是 JavaScript 引擎内部的一...
Hidden Class 和 Inline Cache：JavaScript 引擎为什么能把动态对象跑快 如果说 Inline Cache 是 JavaScript 引擎里最容易被误解的“缓存”，那 Hidden Class 往往是最容易被误解的“类”。 很多文章会把它们拆开介绍。但一旦分开讲，读者很容易产生两个偏差： 觉得 Hidden Class 只是一个独立的数据结构名词 ...
先用 Codex 做实验 输入 hello，用了技能，输出你好 要了解 agent 做了什么，需要拿到请求或者历史记录，直接问agent，codex 的历史记录在哪里？ 返回了这些 codex 还挺实在，按日期归类了 找到一个 jsonl 文档，打开看看 没想到连系统提示词都保存了，翻译一下 你是基于GPT‑5的编码智能体Codex。你与...
这一节在讲什么 这一节没有新公式，重点是回顾整门课的主线，并强调深度学习能做什么。 课程回顾 吴恩达在这里回顾了整个专项课程已经覆盖的内容： 神经网络和深度学习 深层网络的优化与改进 机器学习项目的结构化方法 卷积神经网络 序列模型 也就是说，到这一节为止，你已经把深度学习里最核心的一批基础模块都走过一遍了。 对序列模型这门课的回顾 这门...
这一节在讲什么 这一节讲的是触发字检测，也叫唤醒词检测。 典型例子： Alexa Hey Siri Okay Google 小度你好 任务目标不是完整转写整段语音，而是判断： 这一段音频里，什么时候刚刚说完了触发词？ 为什么这个任务更简单 和完整语音识别相比，触发字检测只关心一个固定短语。 所以： 输出空间小得多 数...
这一节在讲什么 这一节讲 seq2seq 和相关模型怎样用于语音识别，也就是： 输入一段音频，输出它对应的文本。 任务形式 输入是音频片段 $x$，输出是文本序列 $y$： [x \rightarrow y] 例如： 输入是一段说了 the quick brown fox 的音频 输出就是文本 the quick brown fox 为什么不能...
这一节在讲什么 这一节把上一节的直觉正式写成公式，说明注意力模型到底怎么算。 第一步：先用双向 RNN 编码输入 假设输入句子长度是 $T_x$。 对每个输入位置 $t’$，双向 RNN 会得到一个表示向量： [a^{\langle t’ \rangle}] 你可以把它理解成： 第 $t’$ 个词在结合了左边和右边上下文之后的“上下文特征”。 所以...
这一节在讲什么 这一节先不急着上公式，而是讲一个核心直觉： 人在翻译长句子时，不会先把整句死记硬背下来，再一次性吐出来；人是看一部分，翻一部分。 注意力模型就是把这个想法交给神经网络。 为什么基础 seq2seq 对长句子吃力 基础编码器-解码器的做法是： 编码器把整句都读完 把整句信息压成一个固定长度向量 解码器再靠这个向量生成整句翻译 ...
这一节在讲什么 机器翻译有一个麻烦： 同一句法语，可能有好几种都正确的英文翻译。 所以不能像分类任务那样，只看“是否完全等于标准答案”。 BLEU 就是为了解决这个问题而设计的自动评价指标。 为什么机器翻译不好评估 课程里的例子： 法语句子： [\text{Le chat est sur le tapis}] 参考翻译 1： [\text{...