在 GitHub 查看原文

L00 练习

练习 1：用三遍读法读一篇 Agent 论文（方法练习）

选一篇课程未细读的 Agent 前沿论文（推荐：Generative Agents, Park et al. 2023, arXiv:2304.03442），按三遍读法产出一份笔记：

• 第一遍（5 分钟）：用一句话说它解决了什么问题、什么方法、结果好不好。
• 第二遍（30 分钟）：画出它的核心组件图（输入→处理→输出，组件间怎么协作）。
• 第三遍（复现意图）：写出「最小复现计划」——核心 idea 是什么、最小实现需要哪些组件、消融实验怎么做（去掉哪个组件看掉多少）。

验收：笔记里第三遍的「最小复现计划」要具体到能照着写代码（不是「实现一个 agent」，而是「while 循环 + 反思生成 + 注入重试 prompt」这种粒度）。

练习 2：设计实验验证「失忆的代价」（设计实验类）

本课的裸基线证明了 research-assistant 第 2 次运行完全失忆。但「失忆」到底有多大代价？设计一个实验量化它：

1. 假设：失忆导致的代价 = 重复劳动（同样子问题再查一遍）+ 无增量（不能在第 1 次基础上深化）。
2. 实验设计： - 定义「重复劳动率」= 第 2 次的子问题与第 1 次重叠的比例（改 code.py 的 compare_runs，精确计算子问题文本相似度而非只是判等）。 - 定义「增量价值」= 第 2 次产出中，第 1 次没有的新信息占比。 - 跑 3 个不同主题，看失忆代价是否稳定。
3. 预期：重复劳动率接近 100%（因为 split 是确定性的），增量价值接近 0。

验收：修改 code.py，输出包含「重复劳动率」和「增量价值」两个量化指标的对比表。诚实标注这是 mock 演示数字还是真实数字。

def jaccard(a: str, b: str) -> float:
    sa, sb = set(a), set(b)
    return len(sa & sb) / len(sa | sb) if (sa | sb) else 0

练习 3：拆一个你正在用的库的源码（方法练习）

仿照本课拆 LangGraph Checkpointer 的方式，拆一个你在前五门课里用过但从没看进去的库/模块。候选：

• langchain_community.chat_models.ChatZhipuAI 的 invoke 到底怎么把请求发给智谱 API（追到 HTTP 层）。
• chromadb 的 collection.query 内部怎么算余弦相似度（追到距离计算）。
• langgraph.types.Send 怎么触发并行 fan-out（追到图的执行器）。

产出：一段 200 字以内的拆解笔记，包含：①它存/处理的核心数据结构是什么 ②它的边界（不能做什么）是什么 ③这个边界对应你要补的什么能力。

验收：笔记要能让人不看源码也知道「这东西内部大概长什么样、哪里是它的天花板」。