递归自我提升（RSI）旨在让 AI 通过自主实验、反馈与验证持续改进自身，是探索通用人工智能的重要方向，但其长期有效性与安全性仍有待验证。

AI 智能体框架，它通过系统提示词、工具、智能体循环和模型适配层，为 AI 模型提供可控、可扩展且由用户掌握的运行环境。

后训练的本质是重塑语言模型的序列分布。SFT 学习一个预先给定的外部分布；RL 在模型自己的采样分布中寻找高奖励行为；On-Policy Distillation（OPD）则在学生自己访问的状态上接受教师的逐 token 指导。

你们搞大模型的就是码奸啊，你们已经害死前端兄弟了，还要害死后端兄弟、测试兄弟、运维兄弟、网安兄弟，最后害死自己害死全人类。

介绍了多种算法题的小技巧，包括脑筋急转弯题目、常用位操作、游戏中的随机算法、阶乘的尾零个数、高效寻找素数、模幂运算、寻找缺失和重复元素的方法，以及几个反直觉的概率问题。

通过多个实例（如跳跃游戏、加油站、区间调度等问题）详细讲解了贪心算法的原理、贪心选择性质，以及区间问题的常见解决思路和技巧。

总结了多个经典的动态规划问题，涵盖了从二维路径规划、图论最短路径、正则表达式匹配，到博弈论和区间动态规划等多个类型。

系统讲解了 0-1 背包、完全背包及其变种问题（如子集划分、零钱兑换、目标和）的动态规划解法，涵盖状态定义、转移方程、优化技巧及与回溯算法的关系，掌握背包问题的通用思路。

这篇文章深入剖析了动态规划中的细节问题，包括 base case 的设定、备忘录初始值的选择、边界处理、穷举视角的切换、空间压缩技巧以及遍历顺序的确定，帮助读者从多个维度理解和掌握动态规划的实战技巧与思维方法。

本文深入浅出地讲解了动态规划的核心思想与解题框架，通过斐波那契数列和凑零钱等经典例题，系统阐述了如何确认状态、选择与 dp 数组的定义，并强调了“穷举 + 剪枝”是动态规划的本质。

本文介绍了 BFS 算法的本质以及代码框架，并通过经典问题（如滑动谜题、密码锁等）展示了如何将实际问题抽象为图结构，并利用 BFS 及其优化（如双向 BFS）高效求解最短路径问题。

本文系统讲解了岛屿系列算法问题，核心考点是使用 DFS/BFS 遍历二维矩阵，并解析了不同的变体问题（如封闭岛屿、子岛屿、最大岛屿面积、不同形状的岛屿等）