Posts on AI Pulse

AI 学习路线图：从会用 Agent 到理解底层原理

Mon, 22 Jun 2026 00:00:00 +0000

先说结论

如果你是有编程经验的工程师，不要从数学开始。那条路适合做研究的人。

工程师学 AI 的正确顺序是：先用爽 → 再理解 → 再动手 → 再追前沿。

第一层：学会用（第 1-2 周）

这层你已经在了。用 Claude、ChatGPT、Cursor 日常写代码、查文档、debug。

但要更进一步——从"聊天"到"工程化使用"。

学什么

Prompt 结构化：不是 “帮我写个函数”，而是给角色、给约束、给输出格式
System Prompt：理解 system / user / assistant 三种消息的区别
Few-shot prompting：给 2-3 个例子，效果远超零样本
Chain-of-Thought：让模型 “一步步思考”，复杂推理任务的关键技巧

实践

任务：用 Claude 的 system prompt 写一个"代码审查员"角色，
要求它审查你的代码时只关注安全漏洞和性能问题，忽略风格问题。

资源

Anthropic Prompt Engineering Guide — 目前最好的提示工程文档
OpenAI Prompt Engineering — 互补视角

第二层：理解原理（第 3-6 周）

不需要手推反向传播，但要搞清楚：

2.1 Transformer 怎么工作的

注意力机制是当代 AI 的基石。推荐两个资源：

资源	类型	时间
The Illustrated Transformer	图文教程	30 min
Karpathy Let’s build GPT from scratch	视频（写代码）	2h

Karpathy 这个视频必看。他带着你从零写一个 GPT，过程中你会理解 tokenization、embedding、self-attention、multi-head attention、生成过程。不需要 GPU，纯 Python 就能跑。

从零到上线：一台 VPS 搭建个人技术博客全记录

Mon, 22 Jun 2026 00:00:00 +0000

缘起

我有一台闲置的 VPS（1 核 1G 内存，19G 硬盘），上面跑着 Hysteria2 代理。某天突发奇想——我能不能在这台机器上搭一个个人技术博客？

答案是能。而且做完之后发现整套流程踩了不少坑，值得记录。

起点：一台"看不见"的服务器

服务器上跑了什么？先 SSH 上去看看：

AlmaLinux 9.7（RHEL 9 兼容）
CPU: 2 vCPU AMD EPYC
内存: 1 GB（可用 750 MB）
磁盘: 19 GB（剩余 17 GB）
开放的 TCP 端口: 仅 22（SSH）

Hysteria2 只占用了 UDP 443，TCP 80 和 TCP 443 都是空闲的——足够跑一个 Web 服务了。

第一版：手写 HTML

装好 Nginx 后，我手写了三件事：

一个响应式首页：暗色模式自动切换、中文排版优化
一篇技术文章：《Loop Engineering：AI Agent 时代的控制流设计》
CSS：无外部依赖，CSS 变量驱动主题

这一版很快就上线了，http://104.194.92.198/ 已经可以访问。但问题随之而来。

域名与 HTTPS

选域名

在 Porkbun 买了 aipulse.lol（¥40/年），A 记录指向服务器 IP。Porkbun 的 DNS 管理界面有点坑——添加 TXT 记录时 Host 留空而不是填 @。

防止密钥泄露：给 Git 加一个 pre-commit 扫描钩子

Mon, 22 Jun 2026 00:00:00 +0000

问题

搭博客的过程中，我一直在担心一件事：不小心把 API key、服务器密码、SSH 私钥提交到 GitHub。

手动检查不靠谱——凌晨三点改完代码、git add -A && git commit -m "fix" && git push，脑子根本不在线。

解决方案：Git pre-commit hook，在每次提交前自动扫描密钥，匹配就阻止。

实现

在项目根目录创建 .githooks/pre-commit：

#!/bin/bash
set -e

STAGED=$(git diff --cached --name-only --diff-filter=ACM)
[ -z "$STAGED" ] && exit 0

# 高置信度敏感模式
PATTERNS=(
  "sk-[A-Za-z0-9]{20,}"              # OpenAI/Claude/DeepSeek key
  "gh[pousr]_[A-Za-z0-9]{36,}"       # GitHub token
  "AKIA[0-9A-Z]{16}"                 # AWS access key
  "BEGIN (RSA|EC|DSA|OPENSSH) PRIVATE KEY"  # 私钥
  "(password|passwd|secret)[[:space:]]*[=:][[:space:]]*['\"][^'\"]+['\"]"  # 明文密码
)

# 白名单：不应被扫描的文件
WHITELIST=(".githooks/pre-commit" "deploy.example.sh")

FOUND=0
for file in $STAGED; do
  [ ! -f "$file" ] && continue

  # 跳白名单
  skip=0
  for w in "${WHITELIST[@]}"; do
    [[ "$file" == *"$w"* ]] && skip=1
  done
  [ $skip -eq 1 ] && continue

  # 只扫文本文件
  file "$file" | grep -q 'text' || continue

  while IFS= read -r line; do
    for p in "${PATTERNS[@]}"; do
      if echo "$line" | grep -qE "$p"; then
        echo "✗ $file: ${line:0:80}"
        FOUND=1
        break
      fi
    done
  done < "$file"
done

if [ $FOUND -eq 1 ]; then
  echo "⛔ 提交被阻止：检测到疑似密钥"
  echo "确认安全：git commit --no-verify -m '...'"
  exit 1
fi
echo "✅ 密钥检查通过"

启用 hook：

Loop Engineering：AI Agent 时代的控制流设计

Sun, 21 Jun 2026 00:00:00 +0000

TL;DR — 当 AI Agent 不再是"一问一答"的推理函数，而是持续运行的自主实体，控制流设计就从软件工程的边角料变成了核心命题。Loop Engineering 是关于如何在 AI Agent 系统中设计、组合和调度循环的一套工程模式。本文梳理了 loop-until-dry、budget-aware loop、pipeline scheduling 等核心模式，以及它们在实际系统（如 Claude Code）中的应用。

1. 为什么需要 Loop Engineering？

传统的 LLM 调用是一次性的：用户输入 prompt，模型返回结果，对话结束。但在 AI Agent 系统中，模型不再是回答一个问题就退出的函数，而是一个持续运行的自主实体。它需要反复调用工具、评估结果、调整策略，直到任务完成——或者预算耗尽。

这带来了一个根本性的架构挑战：如何设计控制流，让 Agent 在不确定的环境中高效、可靠地运行？

具体来说，Agent 循环面临三类核心问题：

终止条件：Agent 什么时候应该停下来？怎么判断任务是否真的完成了，而不是卡在死循环里？
资源约束：每次循环都消耗 tokens（也就是钱和时间），如何在预算内最大化产出？
并行调度：多个 Agent 或子任务如何编排？什么时候该等，什么时候该流水线？

Loop Engineering 就是回答这些问题的工程实践。它的核心不是某一种具体算法，而是一套可组合的控制流原语。

2. 核心模式

2.1 Loop-Until-Dry：穷尽式发现

最常见的一个场景：你需要 Agent 找到代码库中"所有的 bug"。但 bug 的数量是未知的——你不知道该让 Agent 跑多少轮。固定轮次太少（漏报）或太多（浪费）。

Loop-until-dry 是答案：不断启动新的发现轮次，直到连续 K 轮没有新发现为止。

const seen = new Set()
let dry = 0

while (dry < CONVERGENCE_THRESHOLD) {
  const findings = await agent("Find bugs in the codebase.")
  const fresh = findings.filter(b => !seen.has(key(b)))

  if (fresh.length === 0) {
    dry++
    continue
  }

  dry = 0
  fresh.forEach(b => seen.add(key(b)))
  await verify(fresh)  // 验证新发现
}

这个模式的关键细节：