资料摘录 — 覆盖账本
这一页管什么: 「所有库都过一遍」不是口号,是这张表。三个书架一共 386 个源, 每一个都必须被判定过;判定为相关的,每一个都要有一篇摘录,才允许开始写讲义。
进度
| 项 | 数 |
|---|---|
| 全库源数 | 386 |
| 已判定 | 386(100%) |
| 判为相关 | 67 |
| 相关中已写摘录 | 67 |
| 未判定 | 0 |
全库判定已完成。
相关源(67)
| 源 | 书架 | 摘录 | 为什么相关 |
|---|---|---|---|
| agenticseek | agent | 已摘 | 02:不用 function calling,每个工具认领一个 markdown 围栏标签;更要紧的是把 stdout/stderr 以「用户消息」的身份回灌——工具结果该用什么角色写回历史,这是一个真选择 |
| agentscope | agent | 已摘 | 01:_next_action 是只读的决策纯函数,于是人工确认/外部执行/中断都成了可存盘状态;03:压缩历史时工具调用配对不拆散、超长结果卸载到工作区文件、HintBlock 保住 prompt 缓存 |
| aider | agent | 已摘 | 04:上下文按固定段落顺序拼接以最大化 prompt 缓存命中——一轮输入怎么拼的一条硬约束;失败写进 reflected_message 回灌形成最多 3 轮自纠;01:用回复里夹的补丁文本代替写文件工具 |
| babyagi | agent | 已摘 | 03:LLM 先查现有函数,不够就自己写新函数存回同一个库——「工具从哪来」的极端答案;02:执行时递归解析依赖、自动装包、写父子日志树 |
| beeai-framework | agent | 已摘 | 02:每一轮把所有约束折叠成一张「本轮通行证」——允许集 / 隐藏集 / 强制工具 / 能否结束——再翻译成模型的 tools 与 tool_choice;01 用 final_answer 这个假工具收工;03 在 provider 不支持 tool_choice 时把可选工具编译成 JSON schema 联合类型逼出合法调用 |
| browseros | agent | 已摘 | 03:动作后不重发整棵树,只回传两次快照的行级 diff——工具结果只回增量;04:上下文超限时分级降级(剪旧工具调用→压缩工具输出→LLM 摘要),并把外部内容显式标成「不可信数据」用随机 nonce 围起来 |
| cherry-studio | agent | 已摘 | 03:工具太多时折叠进 tool_search / tool_inspect / tool_invoke 三把元工具,审批门工具永不被折叠;01:中途插话(steering)是排队+让步+续接,而不是打断重来 |
| cline | agent | 已摘 | 01:无状态 while 的基准形状,XML 自造工具协议 + 用「完成工具」收工;03:循环检测(连续同样工具调用)与连错熔断,触发就给恢复提示或直接 abort |
| codex | agent | 已摘 | 01:原生 function calling + 工具并发执行 + token 超限自动压缩历史,「只回一句话就结束」的停止判据 |
| cowagent | agent | 已摘 | 02:每轮都从磁盘重读 AGENT/USER/RULE 重建系统提示(与 letta「只在变化时重建」、aider「固定顺序保缓存」形成三方分歧);03:长对话四道防线——裁剪不斩断 tool 链、发送前修复消息配对、 同参/同工具分级熔断、取消与溢出都补齐 tool_result 优雅收场 |
| db-gpt | agent | 已摘 | 01:think→review→act→verify→自我纠错 五步循环,比标准三步多出评审与验证两步;验证是「真执行后对答案」,失败把报错塞回去重试 |
| deepanalyze | agent | 已摘 | 02:五个控制标签是加进词表的特殊 token,不是 prompt 里的字符串;prompt 模板没有 system prompt、没有工具说明——协议写在权重里,是「怎么告诉模型有哪些工具」的另一个极端;01:靠 stop 在 驱动,最多 30 轮 |
| deepseek-harness | agent | 已摘 | 02:唯一事实源是 append-only 会话事件日志,压缩不是删历史而是在日志之上的「可见面」里遮蔽旧节点;03:turn/step 两层状态机,每次模型请求从日志现场重建;04:Code Mode 让模型写一段程序批量调度工具,子调用逐条落账但只有外层结果进模型历史 |
| dexter | agent | 已摘 | 03:append-only scratchpad 当唯一事实源 + 三级压缩(微压缩→LLM 全量摘要→硬截断)+ 单结果落盘与预算;02:连续只读调用批成并行、写操作串行过权限闸门 |
| goose | agent | 已摘 | 04:「对用户可见 vs 对 agent 可见」的消息双轨可见性 + 后台并行的「工具对」摘要;03:工具执 行前过一条有序检查器流水线(安全→egress→对抗→权限→重复),每个给 Allow/Deny/需审批 |
| headroom | agent | 已摘 | 整个项目就是「历史怎么压」:03 CCR 把有损压缩做成可逆——提示词里留一张带 hash 的取货单,模型想要就调 headroom_retrieve 把原文取回;04 只允许改「活区」,用字节区间外科手术保住 prompt cache;01 按内容类型分诊选压缩器,变大就退回原文 |
| hermes-agent | agent | 已摘 | 02:系统提示按 stable/context/volatile 三层拼一次就冻住整场会话、中途绝不改写(与 cowagent「每轮从磁盘重建」正好对立);超限时按先便宜后昂贵的固定顺序处置;01:一轮=外层调用×内层重试两层预算,退出时必留一个可解释的 _turn_exit_reason |
| kimi-code | agent | 已摘 | 01:loop 自己不碰会话/传输/权限UI/压缩执行,职责边界切得最干净;按资源访问冲突调度——互不干扰的工具并发、会打架的工具在 provider 顺序边界串行 |
| kun | agent | 已摘 | 02:全部工程量不在「转」,而在四类打断(插话/中止/审批/提问)和一串跑偏纠正(复读、空回复、压制恢复)怎么插进循环而不破坏历史一致性——对「循环真正难在哪」最诚实的一份记录;03:请求切成字节稳定的前缀和可重排的尾巴,工具目录只许增不许改 |
| letta-code | agent | 已摘 | 01:对话状态存在服务端、工具在客户端执行,一个 turn 是「发一次流 → 收到 approval_request → 本地跑工具 → 把结果当新消息再发一次」的递归;关掉 CLI 再开,未决审批还能从服务端捞回来 |
| lobehub | agent | 已摘 | 01:Agent 只返回可序列化的指令、Runtime 只负责执行指令,靠一份可持久化 AgentState 传递,于是同一套决策逻辑能搬到浏览器/服务端/云沙箱/CLI 四个执行面;02:所有「往哪儿塞内容」的花样收敛成四个插槽基类 |
| mirothinker | agent | 已摘 | 03:让开源模型稳定跑几百轮的关键不是模型更聪明,而是把「模型会犯的错」系统性地检测、回滚、修复——格式错/拒答/重复/空结果触发回滚;04:把整段失败压成结构化 post-mortem 喂回下一次尝试 |
| oh-my-pi | agent | 已摘 | 02:方言层把工具调用编进/解出纯文本流,让原生不支持 tool-call 的模型也能当 agent 用;04:hashline——模型只报「行号+新内容」,靠整文件内容哈希认证行号还有效;06:TTSR(跑偏就穿越重来)与 advisor(第二个模型旁观纠偏) |
| onyx | agent | 已摘 | 02:同一句指令换个位置,模型遵从率能从 30% 变 90%——把「这条消息放上下文的哪一格」做成有预算、有 优先级、可降级的装配流水线;03:统一 Tool 契约 + 并行合并执行 + 对不听话的模型做三层格式兜底 |
| open-interpreter | agent | 已摘 | 01/02:按模型伪装成它熟悉的 harness——低价开源模型是在各自 CLI 的提示与工具格式上调优的,所以 (WireApi × Harness) 两维路由决定请求怎么塑形,再把模型的纯文本回译成合成的 function_call |
| opencode | agent | 已摘 | 01:while(true) 组装上下文喂模型、工具结果回灌,停止条件是「既无工具调用又正常结束」;02:每个工具包成「schema 解码 → 执行 → 输出截断」;05:溢出时先摘要再按预算裁旧消息(保护最近若干轮);TypeScript,跟我们同语言 |
| openmanus | agent | 已摘 | 01:一个 agent 的最小骨架只有三样东西——带上限的 while、只增不删(到上限才滑窗)的消息列表、一个被上下文管理器守着的状态字段,全部压进 196 行;02:terminate 被登记成「特殊工具」,执行它的副作用就是把状态改成 FINISHED——这就是 agent 自己决定收工的全部机制 |
| pi | agent | 已摘 | 02:外层收 follow-up、内层跑「助手回复→执行工具→steering 插话」,只在 LLM 调用那一瞬把内部消息转成 provider 格式;03:append-only 会话树 + 每回合重新装配系统提示 + 撑爆前压成结构化摘要——最小实现里最完整的一份 |
| pocketflow | agent | 已摘 | 01/02:一个节点 = prep(读)/exec(算)/post(写并决定下一步),Flow 就是一个 while:跑节点→拿动作名→查后继→跳过去;04:同一套图原语靠不同连法拼出 agent 循环 / workflow / RAG,框架刻意不含 LLM、工具、记忆——循环能小到什么程度的下限 |
| qwen-code | agent | 已摘 | 01:core 里根本没有 while 循环——「工具结果回灌、再问一次」的转圈职责交给入口(TUI 或 headless),两端共用同一台工具调度状态机;03:ToolSearch 按需把 schema 塞给模型、超大结果落盘换成一个指针 |
| tongyi-deepresearch | agent | 已摘 | 01:while 循环「调模型→解析标签→派工具→塞回观察」,靠 |
| whale | agent | 已摘 | 02:把上下文切成「不可变前缀 + 只追加历史」,让每轮请求的绝大部分字节和上一轮逐字节相同,前缀缓存命中约 98%——缓存这条线最硬的一个数字;06:1000+ MCP 工具靠 tool_search 按需检索而不塞进上下文 |
| ai-agent-kai-fa-shi-zhan | book | 已摘 | 2.2「基于 OpenAI LLM 从零构建并执行 Agent」——不靠框架的裸循环写法,中文 |
| ai-agents-in-action | book | 已摘 | 第 1 章 agent 是什么、第 5 章给 agent 加动作、第 11 章规划与反馈 |
| ai-engineering | book | 已摘 | 第 6 章 RAG 与 agent:工具、规划、失败模式——工程视角的边界 |
| building-applications-with-ai-agents | book | 已摘 | 第 2 章的 Single-Agent Architectures / Skills / Planning / Reliability 四节——决定循环形状与停止条件 |
| dong-shou-zuo-ai-agent | book | 已摘 | 2.4 调用工具、2.5 ReAct 框架、5.1-5.4 Function Calling 的两种实现(Assistants API 与 ChatCompletion tool calls)、6.5 深挖 AgentExecutor 运行机制——整本最直接对着「循环怎么写」,且是中文 |
| hands-on-large-language-models | book | 已摘 | 已有我们自己的中文拆解;「提示工程」「高级文本生成技术与工具」两章讲工具与 agent——读拆解不读原文,便宜一大截 |
| happy-llm | book | 已摘 | 第一轮判 later(留给需要讲「模型是什么」时);写讲义时翻案——「今天的智能体本质上依赖的都是指令遵循能力」这句把「一个只会续写的东西凭什么能当 agent 大脑」答完了;上下文学习则是「往提示里塞工具清单」这件事的合法性来源 |
| langgraph-blueprint | book | 已摘 | 第 8 章 ReAct 模式 + LangGraph 内部与自定义 ReAct 实现、第 9 章断点与人类介入(停止与中断) |
| learning-langchain | book | 已摘 | 第 5 章认知架构、第 6/7 章 Agent Architecture |
| prompt-engineering-for-llms | book | 已摘 | 第 5 章 Prompt Content 与第 6 章 Assembling the Prompt(一轮输入怎么拼)、第 8 章 Conversational Agency |
| shen-ru-li-jie-ai-agent | book | 已摘 | 后记一句话定义「Agent = LLM + 上下文 + 工具」;第 2 章上下文工程、第 4 章工具——正对「一轮的输入怎么拼」 |
| what-is-chatgpt-doing | book | 已摘 | 第一轮判 later(留给需要讲「模型是什么」时);写讲义时翻案——「模型内部没有循环」这一条是本课题存在的根本理由,而「它追求像不是对」是轴 5 全部纠偏机制的根源,不讲这一层后面六根轴全悬空 |
| crewai | frontier | 已摘 | 01-agent-loop:文本 ReAct 协议与原生 function calling 两条路,后者不支持时自动降级——「怎么认出模型要调工具」的双轨方案 |
| deepagents | frontier | 已摘 | 03-filesystem-and-permissions:每次模型请求前按后端能力现场增删工具与提示词——工具清单每轮可变;05 用「不改历史、只做投影」(摘要事件重放)给长循环瘦身 |
| fara | frontier | 已摘 | 01-agent-loop:一步拆成八段,三种停机分别对应 terminate、ask_user_question 和步数耗尽;04:轨迹以事件流而非步骤数组落盘,支持崩溃续写 |
| griptape | frontier | 已摘 | 05-memory-and-artifacts:off-prompt——大或敏感的工具输出留在框架里、只把一个引用喂回提示词;这是「结果太大怎么回填」的直接答案 |
| haystack | frontier | 已摘 | 04-agent-loop:手写 while 循环,工具调用按 State 读写集合做分层拓扑排序,该并行的并行、该等的等——工具并发的依赖分析 |
| langchain4j | frontier | 已摘 | 02-ai-services:一轮的完整装配顺序被写死成十步(取记忆→拼提示词→RAG→输入护栏→定输出格式→装 messages→调模型→工具循环→输出护栏→解析);03 是 Java 方法反射成 schema 的 while 循环 |
| langgraph | frontier | 已摘 | 01-pregel-bsp:超步循环靠 channel 版本号决定下一步唤醒谁;03-persistence-hil:interrupt() 抛异常暂停、恢复时整个节点重放——中 断与恢复 |
| mini-swe-agent | frontier | 已摘 | 01:约 100 行主循环,完成/超限/格式错误全部用异常表达;02:完成靠环境检测哨兵字符串,不由模型自称;03:原生工具调用与正则抠文本两种动作解析并存 |
| nanobot | frontier | 已摘 | 02-tools-context:发给模型的消息是历史的一份投影(修复+压缩),持久化的真实历史绝不被污染——「喂什么」和「记什么」分开;01 是渠道 7 态机 + 模型内循环的双层 |
| openai-agents-js | frontier | 已摘 | 01:while 循环把模型输出分类,再用一个「下一步」标签决定结束/再循环/交接/中断;04:RunState 能存库再恢复,人点同意后跨进程续跑同一次 run;TypeScript |
| pydantic-ai | frontier | 已摘 | 01:三节点状态图,CallToolsNode 是「结束还是再问一轮」的分岔;03:结构化输出四种落地 + end_strategy 决定一轮里多个工具调用谁算最终答案 |
| rig | frontier | 已摘 | 02-agent-loop:把循环抽成一台只决策不做 IO 的可序列化状态机,驱动器负责真正发请求跑工具;03:非法工具调用有五档恢复 |
| semantic-kernel | frontier | 已摘 | 03-function-calling-and-filters:最多跑 N 轮、每轮并行执行工具、任何错误都转成文本喂回模型——轮数上限与错误回填两件事一起给了 |
| smolagents | frontier | 已摘 | 02-code-agent:模型输出一段 Python 代码块而不是工具调用,靠 final_answer 抛异常终止;04:同一个工具能渲染成代码函数签名或 JSON schema 两副面孔 |
| vercel-ai-sdk | frontier | 已摘 | 02-generate-text-loop:do…while「调模型→执行工具→拼回消息→再调」直到不再调工具或命中 stopWhen;03:工具输入 schema 校验失败可 repair、危险工具走人审批;TypeScript |
| webwright | frontier | 已摘 | 04-completion-gate:不信「模型自评完成」——逼模型跑两阶段截图裁判,只有裁判说成了才准 done;01 是 prompt→观察→执行 的极简循环 |
| a2a-protocol | protocol | 已摘 | 02-task-lifecycle:Task 走 8 态状态机、到终态即不可变——「一次任务有哪些状态、什么算终态」的一份权威定义,直接对着停止条件 |
| acp-agent-client-protocol | protocol | 已摘 | 01-lifecycle:prompt 回合循环以一个 stop_reason 收尾;03-content-and-tools:带状态机的 ToolCall——停止原因与工具调用状态两件事都有现成口径 |
| agent-skills-spec | protocol | 已摘 | 01-spec-format 的「渐进式披露三层 + token 预算」与 03 的「发现→解析→披露→激活」——工具清单怎么进上下文、怎么不撑爆它 |
| mcp-spec | protocol | 已摘 | 03-server-primitives:Tools 是「模型控制的动作」,带 JSON Schema 描述——工具定义的权威形状;04-mrtr:服务器回 InputRequiredResult 让客户端补齐再重试,是「一轮没走完」的另一种中间态 |
| mcp-typescript-sdk | protocol | 已摘 | 01-high-level-server:registerTool 怎么翻译成 tools/list 与 tools/call,分发前后做输入/输出 schema 校验——TypeScript,跟我们同语言 |
| nlweb | protocol | 已摘 | 03-tool-routing:不让模型返回调用,而是「让 LLM 给每个工具打 0-100 分选一个」——对「怎么认出模型要调工具」的另一种答案 |
| openai-model-spec | protocol | 已摘 | 02-chain-of-command:五级权威 +「候选→过滤→裁决」,一轮输入里谁说了算;03-agentic-principles:显式协商的自治范围 + 最小化不可逆副作用,即停止与叫停 |
留给以后的课题(276)
agent/activepieces、agent/agency-swarm、agent/agent-browser、agent/agent-s、agent/agentmemory、agent/agentops、agent/agentset、agent/ai-infra-guard、agent/aio-sandbox、agent/anything-llm、agent/assistant-ui、agent/astrbot、agent/atomic-agents、agent/autoflow、agent/autogpt、agent/avante-nvim、agent/beta9、agent/big-agi、agent/bisheng、agent/botpress、agent/browser-use-web-ui、agent/burr、agent/camel、agent/chat-ui、agent/chatbox、agent/chatdev、agent/chatwoot、agent/chonkie、agent/chrome-devtools-mcp、agent/claude-mem、agent/cloudflare-sandbox-sdk、agent/codecompanion-nvim、agent/cognee、agent/composio、agent/context7、agent/continue、agent/copilotkit、agent/core-redplanethq、agent/coze-studio、agent/cozeloop、agent/crawl4ai、agent/crayon、agent/crush、agent/cua、agent/deep-searcher、agent/deepchat、agent/deepeval、agent/deepseek-reasonix、agent/deepteam、agent/deer-flow、agent/dify、agent/dify-sandbox、agent/dinotty、agent/docling、agent/docsgpt、agent/dograh、agent/dsrag、agent/dzhng-deep-research、agent/e2b、agent/e2b-code-interpreter、agent/e2b-infra、agent/eliza、agent/evidently、agent/evoagentx、agent/fast-agent、agent/fastgpt、agent/firecrawl、agent/genkit、agent/gpt-researcher、agent/gptme、agent/hapi、agent/happy、agent/helicone、agent/herdr、agent/hf-speech-to-speech、agent/hindsight、agent/iii、agent/jan、agent/julep、agent/jupyter-ai、agent/k8s-agent-sandbox、agent/kestra、agent/khoj、agent/kilocode、agent/kimi-cli、agent/koog、agent/kotaemon、agent/laminar、agent/langbot、agent/langflow、agent/langwatch、agent/leann、agent/librechat、agent/livekit-agents、agent/llamafirewall、agent/llmware、agent/local-deep-research-lc、agent/local-deep-researcher、agent/logfire、agent/marvin、agent/memobase、agent/memori、agent/memos、agent/metagpt、agent/microsandbox、agent/microsoft-agent-framework、agent/microsoft-ufo、agent/midscene、agent/mineru、agent/miroflow、agent/mlflow、agent/mobile-agent、agent/moonshine、agent/morphik-core、agent/multica、agent/nanobot-obot、agent/nanobrowser、agent/nanoclaw、agent/nao、agent/nemo-guardrails、agent/node-deepresearch、agent/notte、agent/ogx、agent/omnigent、agent/open-codex-computer-use、agent/open-computer-use-e2b、agent/open-deep-research-langchain、agent/open-design-nexu、agent/open-multi-agent、agent/open-webui、agent/openadapt、agent/openclaw、agent/openhands、agent/openlit、agent/openllmetry、agent/openmemory-caviraoss、agent/opensandbox-alibaba、agent/openspace、agent/openviking、agent/openwork、agent/opik、agent/orca、agent/page-agent、agent/paseo、agent/pipecat、agent/plandex、agent/playwright-mcp、agent/praisonai、agent/private-gpt、agent/promptfoo、agent/pyspur、agent/queryweaver、agent/qwenpaw、agent/r2r、agent/ra-aid、agent/ragflow、agent/rivet、agent/ruflo、agent/scalecua、agent/self-operating-computer、agent/sim、agent/simplemem、agent/skyvern、agent/steel-browser、agent/strands-agents、agent/suna、agent/supermemory、agent/swarms、agent/tabby、agent/tambo、agent/tanstack-ai、agent/ten-framework、agent/trae-agent、agent/txtai、agent/ui-tars-desktop、agent/unmute、agent/upsonic、agent/voltagent、agent/wren-ai、agent/yao、agent/zep、book/ai-agents-langchain-langgraph-mcp、book/ai-agents-with-mcp、book/aima-4e、book/beyond-prompt-engineering、book/building-ai-agents-rag-kg、book/da-gui-mo-yu-yan-mo-xing、book/da-mo-xing-ji-chu、book/da-mo-xing-ji-chu-paper-list、book/da-yu-yan-mo-xing-ji-chu-yu-qian-yan、book/da-yu-yan-mo-xing-ruc、book/deep-rl-fundamentals-research-applications、book/dong-shou-xue-da-mo-xing-ying-yong-kai-fa、book/eloquent-javascript、book/essential-graphrag、book/genai-agents-langgraph-autogen-crewai、book/learn-mcp-typescript、book/little-book-of-deep-learning、book/llm-agents-rag-kg-reflection、book/prompt-engineering-beginners-guide、book/prompt-engineering-generative-ai、book/prompt-engineering-handbook、book/prompt-engineering-in-action、book/prompt-engineering-multimodal、book/rag-python-cookbook、book/rag-ying-yong-kai-fa-yu-you-hua、book/reinforcement-learning-sutton-barto、book/tu-jie-skill-ai-ti-xiao、book/unlocking-data-genai-rag、book/web-development-prompts、book/yi-ben-shu-du-dong-da-mo-xing、frontier/agent-lightning、frontier/agno、frontier/anthropic-prompt-engineering、frontier/anthropic-skills、frontier/autogen、frontier/browser-use、frontier/claude-agent-sdk、frontier/dspy、frontier/eve、frontier/google-adk-python、frontier/graphiti、frontier/graphrag、frontier/hipporag、frontier/hkuds-clawteam、frontier/hkuds-deepcode、frontier/hkuds-deeptutor、frontier/hkuds-lightrag、frontier/hkuds-rag-anything、frontier/hkuds-videorag、frontier/inspect-ai、frontier/langchain、frontier/langfuse、frontier/litellm、frontier/llamaindex、frontier/mastra、frontier/mem0、frontier/openai-agents-python、frontier/openai-evals、frontier/openai-simple-evals、frontier/openenv、frontier/osworld、frontier/phoenix、frontier/ragas、frontier/ragen、frontier/spring-ai、frontier/stagehand、frontier/storm、frontier/swe-agent、frontier/swe-bench、frontier/swe-rex、frontier/swe-smith、frontier/tau2-bench、frontier/terminal-bench、frontier/trading-agents、frontier/verifiers、frontier/verl、protocol/a2ui、protocol/acp-agentic-commerce、protocol/ag-ui、protocol/agent-plugins-spec、protocol/agents-md、protocol/agntcy、protocol/ap2-protocol、protocol/erc-8004、protocol/fastmcp、protocol/llms-txt、protocol/mcp-apps-ext、protocol/mcp-python-sdk、protocol/mcp-registry、protocol/mcp-ui-sdk、protocol/openai-apps-sdk、protocol/otel-genai-semconv、protocol/ucp-protocol、protocol/webmcp、protocol/x402-protocol
判为无关(43)
book/201-principles-software-development、book/ai-wei-lai-yi-lai、book/ai-ying-yong-shi-jian-jiao-cheng、book/cong-ling-kai-shi-xie-gu-shi、book/cong-ling-kai-shi-xue-tensorflow-2、book/da-mo-xing-shi-dai、book/deep-learning-with-javascript、book/deep-learning-with-python-2e、book/dive-into-deep-learning、book/dong-jian-xie-zuo、book/genesis-kissinger、book/genius-makers、book/hands-on-neural-networks-tf2、book/hou-lang-chuang-yi-xie-zuo-jiao-shi、book/jian-dan-cu-bao-tensorflow-2、book/math-for-programmers、book/nan-zhou-ping-lun-xie-zuo-ke、book/nlp-with-tensorflow、book/principles-of-programming、book/python-shen-du-xue-xi-pytorch、book/python-shen-du-xue-xi-zhi-neng-che、book/refactoring-2e、book/ren-gong-zhi-neng-dao-lun、book/ren-gong-zhi-neng-hui-qiang-na-xie-gong-zuo、book/ren-gong-zhi-neng-jian-shi、book/ren-gong-zhi-neng-neng-bu-neng、book/shen-du-xue-xi-gao-shou-bi-ji、book/shen-du-xue-xi-quan-shu、book/shen-du-xue-xi-zhi-tensorflow、book/story-and-discourse、book/story-mckee、book/tensorflow-keras-nlp-shi-zhan、book/tensorflow-keras-suan-fa-shi-zhan、book/the-age-of-ai-and-our-human-future、book/the-art-of-dramatic-writing、book/the-missing-readme、book/the-programmers-brain、book/the-pyramid-principle、book/tu-jie-ji-qi-xue-xi-suan-fa、book/tu-jie-ren-gong-zhi-neng-tada、book/writing-fiction-narrative-craft、book/zhi-neng-shi-jie-2035、book/zhong-xiao-xue-ai-tong-shi-ke
尚未判定(0)
（无）
本页由 pnpm lab:build 从 survey/_coverage.json 生成,不要手改。生成时间:2026-08-26