资源清单与信息雷达¶
本文件属「时效区」：链接与判断每月复盘时检查一遍，失效就更新，过时就淘汰。 分级：必读（主线推进必需）/ 选读（拓宽视野）/ 大白话专区（直觉理解，不做推导）。
一、四层信息雷达（每周日 30 分钟扫描）¶
| 层 | 来源 | 看什么 | 频率 |
|---|---|---|---|
| 1 官方工程博客 | OpenAI developers blog · Anthropic engineering · DeepSeek 文档/仓库 | 一手的工程方法文（Anthropic 的 Claude Code 构建系列是金矿） | 每周扫，月度精读 1 篇 |
| 2 一手仓库动态 | openai/codex releases/discussions · OpenHands · SWE-agent · MCP 规范 | agent 工程的一手演进；Codex 是重点哨兵 | 每周扫 releases |
| 3 评测与风向 | SWE-bench · Hacker News · Latent Space | agent 能力风向标、行业讨论密度 | 每周扫 HN 头条 |
| 4 中文圈精选 | 宝玉（baoyu.io / @dotey）· 歸藏（@op7418）等 1–2 位 | 中英信息差的快速通道（示例候选，按自己口味替换，月度复盘可增删） | 每周扫最新 3–5 条 |
扫描 SOP（30 分钟，固定周日晚）：
- 逐层扫，每层 5–10 分钟，只看标题和摘要
- 有价值的一行一条记进当周 learning-log「雷达发现」区：
[来源] 一句话 —— 影响：无 / 记着 / 改计划 - 标「改计划」的条目当周处理（改 ROADMAP 或写进行业变化日志）
- 抵制收藏癖：不打开超过 3 篇全文，全文阅读安排进当周原理输入时间
二、原理与论文分级¶
必读（主线推进时按周读，不提前囤）¶
| 资源 | 用在 | 说明 |
|---|---|---|
| ReAct | W3 | agent 的学术原型，读原理部分即可 |
| Anthropic: Building Effective Agents | W4 | workflow vs agent 的分界——行业最重要的认知框架 |
| MCP 规范 | 阶段 2 | 工具生态的标准协议，你天天在 TRAE 里用 |
| The Illustrated Transformer | W4 | 注意力机制的图解入门 |
选读（拓宽视野，安排在加餐时间）¶
| 资源 | 主题 |
|---|---|
| Reflexion | 失败后自我反思再试（W3 错误重试的理论） |
| CodeAct | 「代码即行动」路线——Codex 的 apply-patch 正是此思想 |
| Tree of Thoughts | 搜索式推理 |
| Voyager | 技能库路线：agent 自己积累可复用技能 |
| Anthropic: 多 agent 研究系统 | 阶段 3 多 agent 的最佳实践参考 |
大白话专区（不做推导，建立直觉——「不做 ≠ 不讲」）¶
每周原理资源包（对应冲刺计划各周的原理输入主题；W3 的 ReAct/Reflexion、W4 的《Building Effective Agents》与 Illustrated Transformer、W6–7 的 Codex 相关链接分别在上方「必读/选读」表和 研读指南，不重复列）：
| 周 | 主题 | 资源 | 用法 |
|---|---|---|---|
| W1 | 训练管线（主线） | Karpathy《Intro to Large Language Models》1 小时演讲（B 站搜「Karpathy LLM 入门 中字」有搬运） | 一次看完，预训练/SFT/RLHF 三阶段就此通关 |
| W1 | 训练管线（加餐） | Karpathy《Deep Dive into LLMs like ChatGPT》3.5 小时（2024） | 一站式完整版：训练管线 + tokenization + 系统提示词 + 工具调用 + 幻觉心智模型全覆盖 |
| W1 | tokenizer（主线） | OpenAI tokenizer 交互工具 | 动手玩 10 分钟：粘贴一段 SAS 代码，看它被切成什么 token、数了多少个 |
| W1 | tokenizer（加餐） | Karpathy《Let's build the GPT Tokenizer》2 小时 | W1 看前 30 分钟直觉部分即可，手写 BPE 算法属于兴趣加餐 |
| W1 | 采样参数 | HuggingFace《How to generate text》博客 | 只看图：greedy/top-k/top-p/temperature 的可视化对比，10 分钟建立直觉 |
| W1 | 推理模型 | DeepSeek-R1 论文 只读摘要 + 图 1 | 你正在用的模型家族的推理模型，开源免费——看 RL 如何让模型学会「先思考再作答」 |
| W2 | 工具调用机制（主线） | OpenAI Function Calling 官方指南 | 手写 dispatch 循环前通读——工具 schema、模型行为的第一手官方说明 |
| W2 | 工具调用系统课（加餐） | HuggingFace Agents Course（有中文版） | 免费完整 agent 课程，按单元走；W2 之后当体系化补充教材 |
| W2–W3 | agent loop 从零课 | AI Engineering from Scratch · Phase 14 Agent Engineering，从 The Agent Loop 一课进入 | 与手写 nano-agent 配对看：每课都是「读懂 → 亲手写 → 跑通 → 留下产物」 |
| W4 | 幻觉心智模型 | Karpathy Deep Dive 的 hallucination 章节 | 幻觉成因讲得最透的大白话：模型为什么一本正经地胡说 |
| W5 | prompt injection | Simon Willison 的 prompt injection 系列博文 | 该领域最知名的布道者，案例驱动，W5 安全第一课的最佳延伸 |
| W5 | LLM 应用安全清单 | OWASP Top 10 for LLM Applications | 给 agent 做安全设计时的行业 checklist（2026 版已发布） |
通用直觉资源：
| 资源 | 覆盖概念 | 用在 |
|---|---|---|
| 3Blue1Brown 神经网络系列（官方有中文配音版） | 神经网络与注意力的可视化直觉 | W4 |
| Karpathy《Let's build GPT: from scratch》（YouTube 搜标题即可） | 想看代码层面最小实现时再看，可选 | 兴趣驱动 |
| InstructGPT 论文 只读摘要 + 图 1 | RLHF 三阶段流程图，不读数学 | W1 或兴趣 |
大白话原则的自检标准：能用自己的话给不懂技术的同事讲明白「注意力大概在干什么」「RLHF 为什么让模型更听话」——达成就够了，不追求公式复现。
中文体系化教材（书 + Datawhale 课程）¶
主线中文参考书：《深入理解 AI Agent》（bojieli/ai-agent-book，Apache-2.0，在线阅读，提供 PDF/EPUB 下载，持续更新）
Agent = LLM + 上下文 + 工具一书贯穿。写作质量极高：概念现代（MCP、Agent Skills、Harness 之争、苦涩的教训），每章配配套实验与思考题（含参考答案）。章节与计划精确对位（后几章章节号可能随版本更新变动，按章名找）：
| 章 | 内容 | 对位计划 |
|---|---|---|
| 第 1 章 Agent 基础 | Agent = LLM + 上下文 + 工具；观察/动作空间；Harness 工程 | W2–3 原理主参考 |
| 第 2 章 上下文工程 | KV Cache、提示工程、上下文压缩、Agent Skills | W4 |
| 第 4 章 工具 | MCP、感知/执行/协作三类工具、异步 Agent | W2 + 阶段 2 MCP 模块 |
| 第 5 章 Coding Agent | 生产级 Coding Agent 全景 | W6 Codex 研读前置阅读 |
| 评估章 | 评估环境、指标、统计显著性 | W8 mini-eval |
| 第 3 章 记忆与知识库 | 用户记忆、RAG、知识图谱 | 阶段 2 RAG 模块 |
| 持续进化 / 多 Agent 协作章 | 学习信号到知识/程序/参数更新；协作架构与失败模式 | 阶段 3 |
| 后训练章、多模态章 | SFT/RL 写入参数；语音与 Computer Use | 边界外，跳过 |
Datawhale 课程（英文一手资源为主、中文课程为辅——用中文课程快速建立框架，再回英文一手资料校准。四门课正好对位计划的不同阶段，不必全学，到哪个阶段用哪门）：
| 课程 | 内容 | 对位计划 |
|---|---|---|
| hello-agents（4.5 万+ star） | Datawhale 的 agent 主课：ReAct、AutoGen、LangGraph、MCP、Agentic RL 与实战项目 | W2 起当体系化补充教材；阶段 2–3 的中文主参考 |
| llm-universe | 大模型应用开发全流程，以「个人知识库助手」项目串起 | W1–2 的中文入门补充；阶段 2 RAG 模块前置 |
| Hugging-Multi-Agent | 基于 MetaGPT（ICLR 2024 Oral）的多智能体实战 | 阶段 3 多 agent 编排模块 |
| self-llm | 开源大模型食用指南：环境配置、本地部署、微调全流程 | 阶段 4 本地部署模块 |
边界外备查：LLM Atlas —— 「LLM 后训练算法地图」（SFT / LoRA / DPO 家族 / RLHF / GRPO，每算法一页、结构统一、公式密集，按工业界采用度筛选）。质量很高，但面向算法工程师，与本计划「造 agent 不造模型」的边界冲突，主线不用。仅两种情况查它：① 某概念想挖到比大白话更深一层（如 DeepSeek-R1 背后的 RL 家族谱系）；② 未来转向研究方向。其中 Harness / Agent / Skills 三章与主线相关，可作名词速查。
英文体系化课程（AI Engineering from Scratch）¶
AI Engineering from Scratch（MIT 开源，523 课 · 20 阶段，配套网站）——「亲手造」学派：每课都是读懂 → 亲手写 → 跑通 → 留下产物，与本计划「先造后读」路线天然契合。
重要提醒：它的数学/深度学习阶段（Phase 1–10）从原始数学推导起步，与我们的「大白话边界」冲突——跳过，只走工程入口：
| 入口 | 内容 | 对位计划 |
|---|---|---|
| Phase 11: LLM Engineering | prompt 工程、结构化输出、LLM 应用工程 | W1–2 补充 |
| Phase 14: Agent Engineering | 从 The Agent Loop 开始的完整 agent 工程 | W2–3 与 nano-agent 配对 |
| Phase 13: MCP 路线 | 17 课 MCP 完整路线：传输、安全、可靠性、一致性验证 | 阶段 2 MCP 模块主参考 |
三、工具与库速查（练习中用到，用到再装）¶
| 工具 | 用途 | 用在 |
|---|---|---|
| openai SDK | API 调用（DeepSeek/GLM/通义均兼容） | W1 |
| python-dotenv | API key 管理 | W1 |
| tiktoken | token 计数（近似） | W4 |
| pandas / openpyxl | 读 spec Excel | W4 |
| pyreadstat | 读 SAS transport (.xpt) 文件 | W8 选项 B |
| PyMuPDF | 解析 aCRF PDF 注释 | W8 选项 A |
| rich | 终端 markdown 渲染 | W1 加餐 |
| pytest | 测试 | W5 |
| Pydantic AI | 框架速成 | 阶段 2 |
| Ollama / vLLM | 本地跑开源模型 | 阶段 4 |
四、领域数据源（数据红线：公开优先，脱敏兜底）¶
| 数据源 | 内容 | 用在 |
|---|---|---|
| CDISC SDTM/ADaM Pilot Project（cdisc.org 搜索 "pilot" 可下载公开包） | 公开的试点研究 SDTM/ADaM 数据集 | W8 选项 B、spec 阅读器 |
| phuse-org/phuse-scripts | PHUSE 社区的公开测试数据与脚本 | W8 选项 B |
| NCI EVS CT 发布页 | CDISC 受控术语词表 Excel（codelist） | W2 search_ct 工具 |
| 自制样例数据 | spec Excel、SAS log、.sas 样例——最可控，推荐起步用 | W1–4 |
脱敏兜底规则（使用真实数据前逐条核对）：
- 受试者标识 → PT-001/PT-002；USUBJID 同步替换
- 中心/研究者 → Site-01 / Dr-A
- 出生日期/精确日期 → 年份或年龄段
- 自由文本（AE 描述、注释）逐条目检是否含可识别信息
- 拿不准的，宁可不用——公开数据优先永远成立
五、本地临床运行时（R + pharmaverse）¶
定位（用户 2026-09-04 确认）：家里没有 SAS，本地临床数据执行环境用 R + pharmaverse 验证包——可复现、贴近 FDA 申报生态。
| 组件 | 用途 | 链接 |
|---|---|---|
| R 4.x + Rscript | 本地执行引擎（agent 经 subprocess 调用，复用 W2 run_python 模式） |
https://www.r-project.org |
| renv | 包版本锁定（lockfile 入库）——复现的第一保障 | https://rstudio.github.io/renv/ |
| admiral | ADaM 数据集构建（pharmaverse 核心） | https://github.com/pharmaverse/admiral |
| pharmaversesdtm | SDTM 派生模板 | 见 pharmaverse.org 包列表 |
| xportr | xpt 导出前的 CDISC 合规准备（标签/长度/命名） | https://github.com/pharmaverse/xportr |
| haven | 读写 SAS transport v5 (.xpt) | https://github.com/tidyverse/haven |
| pharmaverse.org | 生态总览与各包验证状态 | https://pharmaverse.org |
| R Validation Hub / riskmetric | 基于风险的 R 包验证方法论（白皮书） | https://www.pharmar.org · https://github.com/pharmaR/riskmetric |
可复现三件套（每次 R 实践必做）：renv lockfile 入库 ｜ sessionInfo() 存进项目 ｜ 固定随机种子。
SAS → R 迁移提示：data step ↔ dplyr、proc sort ↔ arrange、merge ↔ left_join，心智映射对统计程序员很顺；不要试图用 R 模仿 SAS 的所有习惯。
六、维护规则¶
- 本文件每月复盘时通读一遍：死链更新、失效淘汰、新增好源
- 新增来源须注明入列理由（「它解决了什么其他来源解决不了的问题」）
- 任何来源连续 3 个月没有产生「有价值条目」就删除——信息源也要新陈代谢