为什么 Google ADK 是最好的企业级 Agent 框架 —— 全书大纲
一本书的完整规划：教程式主线，从 Agent 框架选型到生产级 Agent 系统，贯穿一个智能客服项目，13 章 + 2 附录。
Agent Evaluation and Evolving: All in One
《Agent Evaluation and Evolving: All in One》完整大纲：从 LLM Benchmark 数据解析、评估方法论、LLM-as-a-Judge 与元评估、安全评估、框架与工具，到评估驱动的进化（Prompt/Skill/RL）与黄金数据设计。共 8 章 44 节 + 4 附录。
Agent 模式实战：生产级 AI Agent 的工程模式
一本写给所有 AI 技术工作者的 Agent 模式手册：从最小可行 Agent 到多智能体系统，覆盖上下文治理、工具设计、可靠性、安全、进化与协作的 80 个可复用工程模式。
AI Agent 架构：从单体到企业级多智能体
一本框架无关的 AI Agent 架构实战指南：从 Agent 本质、ReAct 循环到工具扩展（MCP/Skills/Hooks）、上下文与记忆、单 Agent 模式、多 Agent 编排、高级推理、生产架构与企业级特性，共 9 部分 33 章。
AI Agent Handbook
《AI Agent Handbook》（阿里云官方开源白皮书）：按 Agent 的架构、构建、运行、治理和调优应用生命周期，总结企业级 Agent 落地的实践经验，共 30 章 + 前言 + 调研报告 + 篇导读 + 16 个实践案例。
AI Agents 权威指南：从 LLM 到生产级 Agent 系统
O'Reilly《AI Agents - The Definitive Guide》官方配套代码整理：12 章覆盖从 LLM 到 Agent 的基础、架构模式、规划推理、模型优化、生产可靠性、安全治理、部署、评估、记忆、成本与威胁建模。
AI 算法权威指南
从 Transformer 到大模型智能系统的算法全链路指南：架构基础、训练与规模化、高效推理与生成、智能系统与工程，共 4 部分 18 章 + 4 附录。
人工智能初学者教程（AI for Beginners 中文版）
微软《AI for Beginners》中文版：12 周 24 课的人工智能入门课程，涵盖符号 AI、神经网络、计算机视觉、自然语言处理、强化学习与 AI 伦理，配套 TensorFlow 与 PyTorch 代码示例。
AI Infra 权威指南
从 GPU 微架构到万卡集群的 AI 基础设施全链路指南：硬件与软件、训练与推理、数据与平台、度量与实践，共 4 部分 18 章 + 4 附录。
Claude Code Harness：驾驭 AI 编程 Agent 的工程体系
29 章源码级深度拆解：从 AI Coding Agent 的完整技术架构出发，覆盖工具系统、Agent Loop、Context 管理、提示词工程、安全权限、插件生态、可观测性等生产级工程实践。
Deep Agents 实战：从零构建生产级 AI Agent
基于 LangChain / LangGraph 生态，从零构建生产级 AI Agent 的完整指南：16 章正文 + 准备篇 + 版本演进，覆盖 Harness、虚拟文件系统、子 Agent、Skills、记忆、MCP 等核心能力。
动手学深度学习（Dive into Deep Learning 入门版）
《动手学深度学习》入门版：面向初学者的深度学习理论导读，保留原书完整章节结构，合并小章节、去掉代码与图片，用通俗语言讲解深度学习的核心概念与理论。
手搓 LLM（diy-llm：Stanford CS336 中文共建版）
《手搓 LLM》（diy-llm）是 Datawhale 基于斯坦福 CS336 (Spring 2026) 的中文共建课程：从分词器、PyTorch 与资源核算，到 GPU 优化、分布式训练、Scaling Laws、数据工程、RLVR 与多模态，带你亲手炼出自己的大模型。
高效 AI 实战：量化与快速推理
从效率危机到生产级推理引擎：量化原理、校准与 PTQ、量化感知训练、LLM 量化（LLM.int8/GPTQ/AWQ）、sub-8-bit 格式（FP8/FP4/NF4/三元）、部署管线、GGUF/llama.cpp、边缘移动端与生产验证，共 12 章。
前线部署工程师（FDE）指南
人工智能时代的客户价值交付秘籍：FDE 是什么、怎么做（解决正确的问题、赢得客户、激活部署、守住续约、扩大收入、规模化复制）、谁在做（165 个真实可查案例），共 8 章 + 后记 + 3 附录。
Harbor Framework：Agent 评测工程指南
从 Task、Agent、Sandbox 到 Verifier 与 RewardKit：全面掌握 Harbor Framework 的核心概念与工程实践，构建可复现、可扩展的 Agent 评测体系，共 18 章八个部分。
Building with Strands：Agent 从原理到上云（14 讲）
Strands Agents 官方课程《How Agents Really Work》全 14 讲中文版：从 Agent 循环、模型提供商、MCP 工具、Hooks、Skills，到上下文工程、持久记忆、三种多 Agent 模式、评测与上云部署。
Jev 实战：用类型化决策重构软件
从 Choice、Score、Noul 三种类型化输出出发，覆盖官方全部 5 大类、19 个行业用例与 10 种决策形态，用 40 多个真实项目讲透 Jev 的落地方式，共 24 章五个部分。
LLM Infra 从入门到实践
一本写给 Agent 开发者的 LLM 底层技术指南：从 Transformer 架构、GPU 与计算基础，到 vLLM 推理引擎、量化与推理加速、微调与 RLHF、分布式训练、生产部署、可观测性与成本优化、RAG 基础设施、多模态，共 6 部分 17 章。
大语言模型全生命周期工程：从 Transformer 到 LLMOps
以大语言模型为主轴、生命周期全景不丢的 LLM 工程指南：类型、规模、数据、训练、评估、分布式训练、压缩、推理、服务、部署、监控与治理，共 8 篇 28 章 + 10 附录。
从零构建大语言模型（LLMs from Scratch 通俗精讲版）
本书讲解整理自 Sebastian Raschka 的《Build a Large Language Model (From Scratch)》官方代码仓库（LLMs-from-scratch）。用大白话带你从零手写一个 GPT：文本处理、注意力、GPT 架构、预训练、微调，再一路讲到 KV Cache、GQA/MLA、MoE、Llama 3.2、DPO、LoRA 等现代大模型技术。
生产级 Agentic RAG 实战：从 arXiv 论文助手到 Telegram Bot
把开源课程 production-agentic-rag-course 整理成 10 章中文实战书：从 Docker 基础设施、arXiv 摄取管线、BM25 与混合检索、本地 LLM 与流式输出，到 Langfuse 观测、Redis 缓存、LangGraph Agentic RAG 与 Telegram Bot。