新闻、仓库与研究，按时间排列。
GitHub 用户 Manish-kumar3275 开源了「LLM-from-scratch」项目，采用 MIT license，通过系列 Jupyter notebook 演示从零构建 LLM 的过程，内容涵盖数据处理、Tokenizer、简化版 Attention、GPT 类实现、Top_k 采样和训练循环，并附带 Evalutation.ipynb 评测笔记本。目前仓库处于起步阶段，0 stars、0 forks、1 watching。
开发者开源了一个概念验证项目 MiniGPT，在清洗后的英文 Wikipedia 子集上端到端训练小型 Transformer 语言模型，覆盖数据清洗、Byte-Level BPE 分词、训练、checkpoint 与文本生成全流程。模型默认配置为 n_embd=128、n_layer=4、nhead=4、block_size=1024，训练采用 AdamW(lr=3e-4) 和 0.1 验证集划分，自研部分包括断点续训、CSV 持久化日志与采样生成。项目还记录了在 NVIDIA Blackwell GPU 早期通过版本对齐解决驱动/CUDA/PyTorch 兼容问题的经验。
Nerio Villalobos 发布的 Salesforce CLI 插件 @nervill/metadelta 0.25.0 提供 13 组命令，覆盖元数据变更查找、Git 分支增量清单生成、部署后校验、权限集提取与合并等场景。插件支持 Salesforce Core（.xml）与 Vlocity（.yaml）清单，可生成含删除项的 destructive 清单，并按目标 org 的 API 版本标记 package.xml。可通过 sf plugins install @nervill/metadelta 安装，要求 Salesforce CLI 2.102.6 及以上版本。
GitHub 上的 OpenBook 开源项目让家长用任意 AI 为孩子生成教科书：按大学教材规划、逐节撰写并做准确性审查，输出带章节编号、例题、习题集和答案手册的 PDF，还支持有声书和阅读障碍友好排版。可用 Claude Code、Codex 等智能体模式、免费聊天机器人复制粘贴模式或本地模型（Ollama、LM Studio）运行，所有章节均为 Markdown 文件，无需订阅，数据不出本机，采用 MIT 许可证。
GitHub 仓库 yokotrinh/agentic-coding 收录了一套与具体工具无关的 Agentic Coding 规则、Agent Skills、自定义 Agent、CLAUDE.md 规则和 Claude Code 本地插件市场。仓库提供上下文工程最佳实践：建议会话上下文控制在 200k-300k 以内、用 skills 和 sub-agents 并行工作、启用 sandboxing，并指出 Claude Max 5 订阅 $100/月 可获得超 $1500+ 等值的 LLM API token 用量。内容以 Apache 2.0 许可发布，多数规则可在不同 Agentic Coding 工具间移植。
GitHub 新仓库 syed-it-ai/ai-study-roadmap 将 AI 学习拆成 14 个按序执行的阶段文件夹，从 LLM 基础、数学、API、RAG 到 agents、微调与部署，每个阶段都有可运行代码和测试。全程零花费：API 调用走 Groq 免费额度，离线部分用本地 Ollama 兜底，密钥存放在不提交的本地 .env 中。
xbsheng 在 GitHub 发布 learn-pi-agent 教程，参照 learn-claude-code 的课程结构讲解 pi 智能体框架，核心理念是 Agent 等于模型加 Harness，循环由 pi 实现，学习者负责搭建工具、权限、技能等扩展机制。教程含 12 章，覆盖自定义工具、tool_call 闸门、事件钩子、按需加载 Skill、会话分支、子 Agent、RPC 集成、自定义 Provider 和 Pi Package，每章提供可运行 TypeScript 示例，要求 Node.js 24+，文本采用 CC BY 4.0、代码采用 MIT 许可，并配套中英双语教程站。
推荐理由：作者参照 learn-claude-code 的结构讲解 pi 的 harness 扩展机制，从自定义工具到 Pi Package 共 12 章都有可运行代码。
PavanMudigonda 在 GitHub 发布开源课程 Zero to AI，通过 950+ 实操 Jupyter notebook 讲授 Python、数据科学、深度学习、LLM、RAG、AI agents、prompt engineering、微调及 MLOps。课程提供 33 个阶段和按目标划分的学习路径（4-6 周到 4-6 个月），可在 zero-to-ai.dev 通过 Pyodide 在浏览器中直接运行，无需安装 Python 或 GPU，本地运行需 8 GB 内存。部分后期阶段（如 30-inference-optimization）仍在完善中。
GitHub 用户 dianetc 的 llmsfromscratch 仓库包含从零构建大语言模型的 Jupyter notebook，提供 build_llm_from_scratch.ipynb 和 RoPE 的 rope_solution.py 解答代码。仓库还包含 checkpoints、data 等目录，代码以开源形式托管在 GitHub 上。
curiousily 在 GitHub 开源了 "Get Shit Done with AI" Bootcamp 仓库，面向 AI 工程师的实战课程，覆盖 Python、PyTorch、MLOps 到 LLM 应用开发。内容包括用 FastAPI 和 Docker 构建 API、AWS 部署，以及 LangChain、Ollama、MCP、DSPy、RAG/CAG、QLoRA 微调等教程，可免费通过 Discord、YouTube 和 AI Engineering Academy 学习。
新仓库 de-linker-playbook 将 v3 的 37 个营销 skill 与 43 个获客 skill 去不锈钢化、通用化为自包含 playbook，共 80 个全部迁入并通用化。终闸验收中 80 个 skill 逐一对照源文件 review，主模型抽查 16/16，并对 de-linker.com 完成真实冒烟。兼容 Kimi / Z Code / DeepSeek / OpenCode / Hermes 五家 harness，冷启动实测全 PASS。
Sulba 是一个 AI 时代的学习平台，工程师先手工掌握基础，再与 AI 协作构建系统，每节课通过在浏览器或本地运行的真实测试检验。首门课程 AI Engineering 正在开发中；项目基于 Astro 部署在 Cloudflare Workers，需 Node.js 24 和 pnpm 12，代码以 AGPL v3.0 开源，课程内容版权保留。
GitHub 开源了 Alexey Grigorev 的 AI Engineering Buildcamp 实战教材与作业仓库，内容涵盖调用 LLM、RAG、Pydantic 结构化输出和流式输出。Week 1 作业要求用 markitdown + Anthropic Claude 将免费书籍 PDF 转 Markdown 并分块索引；Week 2 作业包括 Pulumi Docs RAG、PDF 抽取 + RAG，并分别用 Elasticsearch 和 Qdrant（Jina embeddings 向量检索）实现。项目需 Python 3.14 与 Anthropic API key，依赖用 uv 安装。
GitHub 开源项目 LLM_sample 用 PyTorch 从零构建字符级语言模型：先用 bigram 基线（loss 约 2.86 降至约 2.82），再实现 GPT 风格 decoder-only Transformer（n_layer=3、n_embd=128、n_head=4，仅训练 500 步）。项目附 data-extract.py 从 OpenWebText 抽样 1% 构建语料与 vocab.txt，灵感来自 Andrej Karpathy 的 makemore / nanoGPT。
krishankant 在 GitHub 发布 harnessy，一个分 8 周（外加 MCP 加餐周）逐步动手搭建的 Agent harness 学习项目，支持 Anthropic、OpenAI 和 Ollama 本地模型。每周一个课程加填空练习，覆盖模型接口、Agent 循环、工具、上下文与记忆、traces 与 evals、hooks 与子智能体、生产化（重试、流式、成本限制、沙箱、致命三重奏检查），最终在同一 harness 上构建三个智能体，并提供完整参考实现与离线测试。
推荐理由：这个仓库把 Agent harness 拆成 8 周的动手课程，每部分都有失败对照和参考实现，适合想搞懂 Agent 循环、工具、上下文与评测全貌的读者。
GitHub 用户 JoseAlberto88 发布了 Hugging Face LLM 课程的学习仓库，用于学习大语言模型。仓库包含微调预训练模型的 Notebook（Fine_Tuning_A_Pretained_Model_.ipynb）以及课程 README 文件。
wwwangzd/LLM-Tools 是一个个人工作区，汇集日常 LLM 提示词、Codex skills、agent 规则、工具参考和模型迁移工具。其中 ai-daily-brief 技能可生成中文 AI 日报，torch-cuda-to-euler-npu-migration 技能可基于项目摘要生成 OpenEuler + Ascend NPU 迁移所需的 Dockerfile 和 requirements.txt。仓库还包含 bootstrap-requirement-worktree、git-safe-commit、test-driven-development 等工作区协作与开发自动化技能，并提供 README.zh-CN.md 中文说明。
GitHub 新仓库 agentic-ai-tutorial 提供一个面向 Windows 的免代码教程应用，用户通过可视化界面配置智能体角色、任务、上下文传递和验证，学习搭建并运行多智能体工作流。软件要求 Windows 10/11、8GB 以上内存，本地运行、不收集用户数据，支持导出会话历史报告，连接模型需自备 API key。
开源自托管项目 german-conjuctions-trainer 用 LLM 按需生成 B1 级别德语语法造句练习，配合间隔重复安排复习，并提供解释错误、播客模式（Glossika 风格 MP3，含 25 短语）、ElevenLabs 音频和可离线 PWA。项目支持 Claude、OpenAI 或任何 OpenAI 兼容 API，由单个 Go 二进制加 SQLite 构成，可 Docker 部署并自托管。
pgy763 的 llm-dev-pitfalls 仓库收录 Java 后端接大模型的踩坑记录，共 31 条：Java 生态 7 条，涵盖 Spring AI / LangChain4j / Spring Boot 3，其余 24 条为早期 LangChain（Python）条目。每条按报错关键词索引，采用报错原文 / 为什么 / 怎么改 / 怎么预防四段结构，并标注环境版本、配报错截图，配套项目 hello-ai-backend，目标将 Java 条目扩到 20 条。
GitHub 上的 generative-ai-engineering 仓库提供一套构建生产级生成式 AI 系统的实战大师课，涵盖 RAG 管线、自主 Agent 和多模态架构。课程包含 9 章理论（LLM 架构、Prompt Engineering、向量数据库、RAG、评测等）、6 个代码 Lab 和 3 个基于 FastAPI 与 Qdrant 的生产项目。环境要求 Python >= 3.10，支持 Docker Compose 启动本地基础设施。
ANI-IN 在 GitHub 发布 prompt-eng-interactive-tutorial-python，一个面向会 Python 的软件工程师的 notebook 交互式课程，通过官方 Anthropic Python SDK 调用 Claude API，用程序化判分器检查每章练习是否通过。共 13 个 notebook，覆盖提示词结构、角色设定、CoT、few-shot、防幻觉、工具调用和 RAG 等技术；课程默认模型为 claude-opus-5-5，完整跑一遍约 60 次 API 调用，通常花费几美元。
GitHub 项目 TensorDojo 上线，提供 80 节交互课程、10 个学习轨道，从点积一路讲到 attention、Transformer block、RAG、LoRA、DPO、蒸馏与分布式系统。所有图示均为可拖拽的 React + SVG 模拟，数学模块配有测试套件，无视频无后端，约 14 小时阅读量。
GitHub 仓库 see-ai 是一套面向非专业大学生的 AI 入门课，共 10 条轨道、76 节课，覆盖大学场景应用、AI 智能体、AI 编程（22 节）等内容。它提供三个不依赖 API Key 的离线功能：含 20 条探测器的提示词练习场、45 条提示词库和 68 个术语的名词表，并配有每周热词爬虫，抓取 Hugging Face、arXiv、Hacker News、微博热搜、知乎热榜五个数据源。项目基于 Next.js 16 + React 19 构建，采用 MIT License，可部署到 Vercel 或用 Docker 运行。
GitHub 用户 hamidoubodian21-netizen 开源了 The Foundry（仓库名 ai-engineering-production），一个从数据摄取到部署的模块化 AI 系统构建教程项目。它采用框架无关设计，内置统一的 OpenAI API 和 Claude API 集成网关、响应式 Web 界面与 CI/CD 流水线，并附带情感分析等示例。项目需 Python 3.10+，支持 Windows、macOS、Linux 与 Docker，GPU 加速支持 CUDA 和 Apple Silicon 的 MPS。
panxunying 在 GitHub 维护 ai-coding-welfare 仓库，收录 ArtBloom、AgentRouter、DoCode、FlushAPI、KKtoken、AnyRouter、CheapCodex、NOFX 等 13 个中转与公益站的注册额度、邀请码与接入配置。仓库提供一键脚本配置 Claude Code 环境变量，CI 每 6 小时抓取各站公开接口生成额度快照、变动日志与可用性历史，8 个有明确美元额度的站全注册首日合计约 $1199.5；文中明确提示 DoCode 的站内刀不是美元、部分站点额度数字未经公开接口核对，并建议不要把生产密钥或企业代码发给来源不明的中转服务。
推荐理由：仓库用脚本自动抓取各站公开接口并记录可用性历史，读者可以据此核对这些免费额度口径是否还靠谱。
GitHub 开源项目 llm-from-scratch 提供完整的小型 decoder 语言模型实现，基于 Python 3.11–3.13 和 NumPy 2.3.5 在 CPU 上运行，无需预训练权重或 API keys。仓库自行实现注意力、RMSNorm、SwiGLU、反向传播、Adam、byte-level BPE 和 KV 缓存生成，不使用自动微分或 transformer 框架；默认模型含 2 个 decoder blocks、13,904 个参数，120 步训练中验证 loss 从 5.5820 降至 2.7286 nats per token，支持保存、恢复训练与生成。
GitHub 用户 123caiji 开源中文 Agent 系统学习仓库 AI-LLM-Agent-Learning，按 11 大类加 3 个专题组织 AI 全栈知识，覆盖 MCP/A2A、LangGraph、RAG 等内容。全套约 27,550 行 Markdown，含 545 条速查术语、645+ 表格、655+ 代码示例，并提供可运行的 LangGraph 实战项目，内容已对照 2026 年最新官方文档整理，仅供学习交流、禁止商用。
GitHub 仓库 vicky123444/llm-parameters-lab 提供一组 Python 实验，帮助理解 LLM 的 token、上下文窗口、temperature 及生成参数，配套博客文章《Tokens, Context Windows & Temperature Explained》。包含 tiktoken 分词、上下文预算计算、temperature 输出变化模拟（本地模拟，非真实采样）、可选 API 示例（temperature、max_tokens、top_p）及 pytest 测试和 CI workflow；API 示例需 OPENAI_API_KEY。
rl-explainer 是一款 Windows 强化学习入门应用，无需编程或机器学习基础即可使用。它将核心概念拆解为简单步骤，提供交互式示例、图表和术语表，下载后可离线使用。应用要求 Windows 10 或以上、最低 4 GB 内存（推荐 8 GB）、500 MB 磁盘空间，最新版本可在 GitHub releases 页面下载。
GitHub 上的 llms-demo 仓库提供在本地开发环境使用大语言模型的实操示例与学习资源，涵盖 Ollama、llama.cpp 本地推理、HuggingFace Transformers 直接加载、LangChain 的提示词模板与 agent、基于 pgvector 的 RAG、Gradio 界面及 zero-shot、few-shot、chain-of-thought、ReAct 提示技术。资源包括 9 个 demo、8 套幻灯片和 7 个练习，并支持 VS Code dev container 或 GitHub Codespaces 两种运行方式；GPU 依赖 demo 在 Codespaces 中不可用，需本地 NVIDIA GPU 或远程 OpenAI 兼容端点替代。
GitHub 仓库 the-ai-forge-workshop-hub 发布 v1.0，提供一套可直接在浏览器中打开的独立 HTML 工具，面向塔罗师、教练和心灵创业者，无需安装或写代码。工具包括 tarot-spread-generator.html、client-journal.html、workshop-planner.html、affirmation-builder.html，并附 guide.pdf 和 Claude Code 提示词文本文件。运行要求 Windows 10/11、4 GB 内存、500 MB 空闲存储，仅初始下载需联网，可从 Releases 页面免费获取 ZIP 文件。
GitHub 仓库 mycodingjounrey/Fine-Tuning-LLM-with-Unsloth 记录了使用 Unsloth.AI 学习微调大语言模型的过程。仓库包含 Hermes-3 微调 Notebook，以及 Phi_4 和 gpt-oss 相关的示例文件。
ATML PA2（LLM Post-Training）课程作业的学生 starter 仓库上线，涵盖 DPO、PPO、GRPO、安全校准与 RLVR vs RLAIF 五个任务。课程资产（固定数据集、诊断缓存和续训 checkpoint）通过 GitHub Release 以 pinned revision 0b350481fb03f5525a35bcdec4131bd4fe487f98 分发；环境固定 Transformers 4.57.1、TRL 0.27.2、PEFT 0.17.1。Tasks 1-3 各含一个刻意算法缺陷待学生修正，PPO/GRPO 从提供的 midpoint checkpoint 续训，RLVR 和 RLAIF 使用冻结策略仅做评估，续训生成上限默认 512 tokens。
Genial Labs 发布从传统 NLP 到现代 LLM 的五天工作坊仓库，覆盖 n-grams、词向量、Transformer、RLHF、RLCD 和 agents，14 个模块各配一节 Google Colab 实验，第 15 模块为结业实操。截至 2026-10-06，15 个实验中 0 个能在目标 Colab 环境端到端跑通，仓库标注尚未达到可授课状态；GitHub CPU runner 上 16 个 notebook 全部通过，其中 9 个使用了 test doubles。教学文本采用 CC BY 4.0，代码采用 MIT 许可，所有用商业 API 的实验也可改用免费开源模型运行。
AnranS 在 GitHub 发布 ai-infra-handbooks，一套 11 本、281 章、283 道练习的中文大模型推理学习手册，从 Python、C++、CUDA 学到从零实现推理引擎并导读 vLLM 与 SGLang 源码。全部示例代码经实际运行验证，含 17 周学习路线、浏览器判题、1979 张可导出 Anki 的学习卡与 mini-sglang 完整实现，文档采用 CC BY-NC-SA 4.0、代码采用 MIT 许可。
推荐理由：作者完整给出了代码验证方式、章节结构和17周路线，读者可以直接判断这套推理学习手册是否适合自己。
GitHub 开源项目 VectorVerse（Benorina1/llm-vector-retrieval-playbook）发布，提供从 embedding、BM25 等关键词检索到混合检索、向量数据库（HNSW、product quantization）、cross-encoder 重排、RAG 与评测框架（nDCG、MRR、recall@k）的完整课程和工具集。项目模块化、支持多语言语义检索和浏览器端实时测试，面向开发者和数据科学家。
friteuseb 在 GitHub 发布 reponse_opti 仓库，提供 12 行规则让 Claude、ChatGPT、Codex、Cursor 等助手以受控法语写作，灵感来自 Andrej Karpathy 建议让 LLM 按 80% ASD-STE100 航空维护标准解释。作者用 Claude Sonnet 5.5 在 10 个技术问题上做四条件盲测，由 Claude Opus 5.5 评判，v3 版分场景处理，行动类回答 7/10 更清晰且 8/10 更有用，解释类 10/10 更清晰但丢失 49% 信息，Kandel-Moles 可读性分从 78.5 升至约 84。规则可复制进 CLAUDE.md 等规则文件，或作为 Claude Code skill 按需启用，MIT 许可。
推荐理由：作者把 Karpathy 提到的 ASD-STE100 受控写作移植到法语，并附上四条件对比实测数据，方法可直接复用到 Claude Code 等工具。
GitHub 项目 Text-LLM-Training-from-scratch 提供从零构建、训练和调优语言模型的教学工具，覆盖 tokenization、预训练、SFT 以及 DPO、GRPO 等对齐流程。项目基于 PyTorch，要求 Windows 10/11、Intel 或 AMD 多核处理器、16 GB 以上内存、显存至少 8 GB 的 NVIDIA GPU 和 20 GB SSD 空间，通过 .exe 安装包在本地运行。
GitHub 上的 intale/learn_llm 是一门通过用 Rust 从第一性原理逐块实现来学习现代大语言模型工作原理的本地化课程，已发布第 0 章导览和第 1–39 章，支持英文和俄文。第 39 章以一个确定性的 1,188 参数训练到生成示例串联各部分，计划中的第 40–85 章将扩展至可用的笔记本级训练与推理路径。课程由 AI agent（codex 5.6-sol ultra）生成，可能存在不准确之处。