nf

[yibie @yibie]

推荐这篇，@sairahul1 从几百本 AI 书中筛��了真正有用的 10 本，按三层结构排列：基础→核心→高级。不是"这些书不错"式推荐，而是每本都说了谁需要、为什么、读多久。

2026 年 AI 工程师必读的 10 本书

大多数人学 AI 的方式是错的。看教程一遍又一遍。收集永远学不完的课程。在不同工具之间跳来跳去，不���解底层的东西。书不一样。一本好书给你让一切豁然开朗的心智模型。

以下是 2026 年真正有用的 10 本。按三层阅读：

→ 第一层（书 1-3）：基础——代码、数学和 AI 素养
→ 第二层（书 4-6）：核心——LLM 如何工作、如何在其上构建
→ 第三层（书 7-10）：高级——生产系统、策略、对齐

如果你已经会写代码了，从第二层开始。

第一层：基础

书 1 — Automate the Boring Stuff with Python (Al Sweigart)

从第一天起你就构建真正有用的东西：批量重命名文件的脚本、网页爬虫、自动发送的邮件。即时反馈循环是秘诀——写出代码，现实世界发生了一些事情，你感到强大，继续写下去。免费在线。

谁需要：不���写代码的人。已会 Python 可跳。
阅读时间：3-4 周，每天 1 小时。

书 2 — Software Engineering for Data Scientists (Catherine Nelson)

从"笔记本里能跑的代码"到"生产环境能跑的代码"之间的巨大差距。大多数学 AI 的人从未跨越它。这本书涵盖：项目结构、测试、Git、日志监控、Docker。所有 AI 知识在不能交付可靠软件面前都是空谈。

谁需要：代码只活在 Jupyter notebooks 里的人。
阅读时间：3 周。

书 3 — AI Literacy Fundamentals (Ben Jones)

在你用 AI 构建任何东西之前，先理解它实际上是什么。不是炒作版本。涵盖：监督/无监督/强化学习的真正含义、幻觉为什么发生、当前能力 vs 不能做的事、成本结构、深度学习架构。不需要博士学位。

谁需要：所有人。
阅读时间：1 周。

第二层��核心（AI 工程师真正被造就的地方）

书 4 — The StatQuest Illustrated Guides (Josh Starmer)

两本书：Machine Learning + Neural Networks & AI。Josh Starmer 有非凡的能力把复杂思想拆解开来并让它们变得有趣。不需要手算导数，你需要直觉。这些书给你直觉。

阅读时间：2-3 周（两本）。

书 5 — Build a Large Language Model From Scratch (Sebastian Raschka)

为什么 AI 工程师不训练自己的模型却要读这本？因为当你亲手构建过 LLM——即使是微小的——你会理解：为什么 tokenization 重要、embedding 实际代表什么、为什么上下文窗口大小影响成本、微调到底在做什么、幻觉为什么在机制层面发生。

你永远不会用这个 LLM 上生产。但你会每天用到这个理解。

阅读时间：4 周（跟着代码做）。

书 6 — AI Engineering (Chip Huyen)

如果只读一本，就是这本。 Chip Huyen 的生产 AI 经验超过大多数从业者。涵盖：真正在生产环境有效的 prompt engineering 策略、RAG 架构何时用如何建、微调何时值得何时不值、评估框架、安全、模型选择。

她覆盖的是区分业余和专业的东西。不只是在教你如何构建——是教如何在规模上可靠地构建。

阅读时间：4-5 周。

第三层：高级

书 7 — Prompt Engineering for Generative AI (James Phoenix & Mike Taylor)

大多数人写 prompt 像发短信。这是个有规则和模式的技能。五大原则：给方向、指定格式、提供示例（few-shot 永远击败 zero-shot）、评估质量、拆分任务。同时涵盖 RAG 管道、自主 agent 构建、LangChain 实战。

阅读时间：3 周。

书 8 — Generative AI System Design Interview

你知道怎么构建一个个组件。这本书教你如何把它们组合成系统。面对真实系统问题：为 100 万用户做生产级 chatbot 怎么设计？为律所做 RAG 系统？像 Cursor 一样的 AI 编程助手？每个系统讲了什么架构决策重要、tradeoff 是什么、哪里会在负载下崩坏、在规模上会怎么不同。

阅读时间：4 周。

书 9 — Co-Intelligence: Living and Working with AI (Ethan Mollick)

每个工程师最终都要和非技术同事合作。大多数技术人员在这一点上很糟糕。这本书是桥梁。它解释了为什么 AI 系统的行为更像"人"而非传统软件。把 AI 集成到团队里的 4 个有效原则：总是邀请 AI 上桌、做那个留在回路里的人、告诉它它是什么样的人、把工作分成三类（只我做的、委托的、自动化的）。

阅读时间：1 周。

书 10 — The Alignment Problem (Brian Christian)

这会让你成为更谨慎的工程师。核心问题：你设计了一个奖���函数。模型为奖励优化。模型找到了你不想让它找到的拿奖励方式。不只在游戏里出现，生产 AI 系统里同样的问题在每天上演。这本书教你构建的东西：谨慎和约束优先的设计、透明优于性能、人机协作。

阅读时间：3 周。

原文：https://t.co/HpiFilSfZa

#AI工程师 #读书 #学习路径

[nf @niumew]

买个人8T的，机器基本就���白送。

[AB Kuai.Dong @_FORAB]

没想到小米的这次爆款，竟是 4TB 的 NAS 本地存储器，开售不到 1 小时，募集金额打到 2000 万，直接干售罄了。

该机器内配两块 2TB 西部数据红盘 Plus，机器各带一个 2.5G 网口、HDMI 和 USB 3.0 口，开箱即用。

[Mengke Wang @MengkePM]

https://t.co/ghUgtm1M1w

[Viking @vikingmute]

孤陋寡闻，才知道Bark，它是不是现在实现 iOS 推送最简单的方式了？https://t.co/9B52tR7bGQ
试了一下，确实好用，非常适合现在 AI agent 任务完成的推送。

我之前都是用钉钉/飞书/telegram 机器人来着

[木子不写代码 @ai_muzi]

爆肝制作，全网最全最细Codex 零基础保姆教程！👇👇

这一期视频跟完，保证让你成为Codex专家！

从安装、界面、权限，
到 Skills / Plugins，
到做网站、PPT、Excel、部署和自动化，
一路讲到浏览器和电脑自动操控！

视频我精剪过，零废话，不会浪费你一秒的时间！

时间戳：
00:00 开场
00:36 Codex对比ClaudeCode
02:07 安装
02:27 项目与聊天
04:37 多任务并行
06:27 权限系统
08:15 Skills和Plugin
10:53 文档，表格和PPT
13:23 自动化
15:22 AI编程:个人网站
19:16 操作电脑/浏览器
21:36 结尾总结

[Tw93 @HiTw93]

至��写得耗时最长的一篇文章，好在搞懂了大模型训练皮毛，里面门道和我研究前相差太大了，非常建议从事AI应用或者对 AI 有兴趣的任何小伙伴阅读，应该能够让你看懂以及看个够。

[橙子酱 @burp_heart]

在 apifox localStorage文件夹下全部的二进制文件里搜索字符串 rl_mc 或 rl_headers MAC 位置 /Library/Application Support/apifox/Local Storage/leveldb WINDOWS 位置 %APPDATA%\apifox\Local Storage\leveldb\ 如果存在说明���经被成功攻击过 可以精确判断是否中招

[Tw93 @HiTw93]

https://t.co/x9eqpjrSuS

[宝玉 @dotey]

Learn Claude Code 是真做的好，强烈推荐👍
项目作者：@baicai003

很多人用 Claude Code 或 Cursor 写代码，觉得 AI 编程助手很神奇，但如果问一句"它到底是怎么工作的"，大部分人答不上来。

Learn Claude Code 这个开源项目做的事情很简单：用 12 节课，从零开始搭一个类似 Claude Code 的 AI Agent，每节课只加一个机制，每个机制都有可运行的 Python 代码。

这个项目的核心洞察是：所有 AI 编程 Agent 的底层都是同一个循环。用户发消息给模型，模型决定要不要调用工具，调用了就执行，把结果喂回去，继续循环，直到模型觉得任务完成了。

整个 Agent 的最小实现不到 30 行代码。剩下的一切，规划、子任务拆分、上下文压缩、多 Agent 协作、工作目录隔离，都是在这个循环上面一层一层叠加的。12 节课就是这 12 层。

学习路径设计得很讲究���

前两节搞定核心循环和工具调用

第三节加入计划能力（没有计划的 Agent 会跑偏）

第四到六节处理子 Agent、技能加载和上下文压缩（上下文窗口是有限的，不压缩大项目根本跑不动）

第七八节做任务持久化和后台执行，最后四节进入多 Agent 协作：组队、通信协议、自主领取任务、工作目录隔离。从一个人干活，到一个团队协作，复杂度是渐进的。

项目配了一个交互式 Web 平台（https://t.co/ZyubKItvQK），有步骤图解、源码查看器和文档，支持英文、中文、日文三种语言。

文档风格是"心智模型优先"：先讲问题是什么，再讲解决方案，配 ASCII 图，最后是最小可运行代码。

对想搞懂 AI Agent 内部原理的开发者来说，这可能是目前最好的从零到一的学习路径。不需要什么前置知识，有 Python 基础就能跟。

学完之后再去看 Claude Code 或者任何 Agent 框架的源码，会发现都和这个教程介绍的差不多。

[Tw93 @HiTw93]

https://t.co/RTkJ3NQKeS

[Orange AI @oran_ge]

https://t.co/0FaxxcEvS0

[Viking @vikingmute]

假如你使用Claude Code 配合本地模型，你会发现本地模型的推理速度下降大约90%，是因为 CC 自动在请求中添加了一个 Attribution Header，这个 header 会导致本地推理服务的 KV Cache 完全失效，从而使本地模型的推理速度下降 约 90%，一旦失效，相当于退化到几乎不使用缓存的状态，速度变得非常慢。

解决方案是：~/.claude/settings.json 在 env 字段中添加 "CLAUDE_CODE_ATTRIBUTION_HEADER": "0"

同时 Unsloth 这篇文章非常好 ：https://t.co/houIk4elTb 教你怎样使用 Claude Code 运行本地模型，里面各种坑都说到了，非常翔实，很棒，如果有在本地运行模型的朋友，可以收藏看一看。

[weijunext @weijunext]

分享一个 OpenClaw 教程网站：https://t.co/1J1cJkwcH9

原本以为是个蹭热点的网站，但是阅读下来发现教程写得很认真，很适合刚开始折腾龙虾的兄弟。

[karminski-牙医 @karminski3]

给Mac用户的一毛不拔使用openclaw教程

大家玩了一段时间龙虾 (openclaw) 都抱怨太烧 token 了, 于是给大家来一篇 openclaw 使用本地模型的教程.

本教程最大的好处是, 我写了个给AI看的教程文章, 对的, 不需要你自己看, 你只需要在 Mac 本地先部署一个 claude code, 然后把教程地址给它, 然后跟他说你想用哪个模型, 让它照做部署就行了.

(琢磨了半天的好方法, 与其让很多不会写代码的朋友硬是学写代码, 不如给大家用的AI写一篇教程, 总结我的最佳实践然后让它照做就行了)

这里重点说一下我测了几个模型的优缺点:

GLM-4.7-flash (30B-A3B) — 综合最推荐. 全能型选手, Agent 能力在这几个模型里最强, 连续工具调用的场景表现稳定, 特别适合搭配 OpenClaw 使用. 缺点是长文本召回能力比 kimi-linear 差一些.
kimi-linear (48B-A3B) — 长文本场景首选. 线性注意力架构, prefill 和推理速度都巨快, 而且长文本召回能力很强, 特别适合处理大量文本的工作. 缺点是 Agent 能力比 GLM-4.7-flash 弱一些, 复杂的连续工具调用场景不如 GLM.
Qwen3.5-35B-A3B — 速度和多模态兼顾. 支持多模态输入 (图片), 而且是 MoE 架构激活参数量只有 3B, 推理速度快. 缺点是 Agent 能力只能说适中, 另外目前只能用 mlx_vlm 跑, 它的 prefill 速度很慢, mlx 官方没有提供 mlx_lm 可以直接用的版本.

上面这三个建议 8bit 量化, 不要低于 4bit.

Qwen3.5-27B — 多模态里 Agent 能力最好的. 支持多模态输入, Agent 能力体感比 35B-A3B 还好一些. 缺点是 dense 模型, 27B 全激活所以会慢一些, 同样只能用 mlx_vlm 跑, prefill 慢. 建议 5bit 量化.
Qwen3.5-9B — 内存不够就选它. 支持多模态输入, 显存/统一内存占用最小, 小内存 Mac 也能跑. 缺点是 Agent 能力在这几个里面垫底, 复杂任务容易翻车, 同样 mlx_vlm 的 prefill 速度很慢. 不要低于 5bit量化.

4B 那个就不太行了哈, 不推荐.

另外写给AI看的部署教程在这里: https://t.co/AX11PVyKlA

#OpenClaw

[nf @niumew]

榆林这边这个钱算是普通行情了。

[骄骄 @jiao_newlife]

我大姑最近找我妈借钱
说表弟最近相亲看中一个女孩
女孩要彩礼25万再加县城一套房
��标是陕西榆林
我了解了下
女孩23，大专，县城打工妹，颜值尚可
父母是朴实的陕北农民
我表弟基本和他条件差不多，门当户对

但是我感觉这25万彩礼好贵啊。。
一个农民多少年的收入，才能顶上这25万彩礼和婚房。。

[Viking @vikingmute]

这个帖子值得大家收藏或者总结看看，哪个公司提供非常慷慨的免费额度，适合独立开发者，穷鬼套餐系列，也都是我非常喜欢的，大体总结一下：
* Cloudflare 啥都有
* Tailscale
* Grafana 监控
* PostHog 产品分析
* CodeRabbit Code Review
* Cloudinary 图片/视频处理 / 云存储 CDN

[Viking @vikingmute]

Vercel 新推出的这个 react best practices 值得写React关注收藏一下

https://t.co/KzjZN9DLA8

提炼了超过 10 年的 React 和 Next.js 优化经验，专为 AI 代理和大型语言模型（LLM）优化

看了下 各种常见也最都覆盖到了 很全 有https://t.co/jrvQOAxGGR 也可以直接安装skills

npx add-skill vercel-labs/agent-skills

简介文章在这里

https://t.co/8kDq1QJk2Z

[克斯马 @mrbleem_eth]

还是比较推荐 https://t.co/mUYwfhdyGr 的，对Fastapi的很多技术细节都聊的很明白。现在AI系统，Fastapi+PG+Redis（我推荐falkordb）+Celery（我推荐Prefect）+MCPs是标配了，无论你是Vibe还是喜欢传统手搓，一些基本概念看看还是有好处的

[1024 @xiaohua_888]

发现了一个FastAPI 最佳实践的教程

FastAPI 是目前 Python 生态最火的 Web 框架之一，性能媲美 Go

它设计用于处理异步I/O操作，这也是它如此快速的原因

不管你是刚学 FastAPI 还是准备上生产

这个教程都非常适合你
https://t.co/0FRkpQheIS

[老鬼 @laogui]

另一个集成了 Clerk 登录的 Next.js 模板
https://t.co/HOyz1vcMan

这位兄弟还开发了个 TanStack Start 框架的：
https://t.co/Ha73M6WTwc

越来越喜欢 TanStack Start ，快如闪电，再也回不去 Next.js 了。