Palantir Ontology 深度解构：当本体从「描述世界」走向「驱动世界」
深度解构 Palantir Ontology——为什么企业需要第三种本体、它与 OWL 和知识图谱的差异、技术实现与构建方法，以及代价与争议。附两套配套幻灯片。
归档
归档
按语言过滤的文章归档，保留日期、摘要和主题线索。
AI 原生组织：从传统架构到超级杠杆
AI 原生组织的设计与转型蓝图：从"+AI"到"AI+"，四层组织操作系统，以及一年期的转型路线图。
Coding with Agents 导读
Coding with Agents 的导读：一本关于如何和编程智能体协作构建软件的完整书稿。
计算广告（3）广告策略
围绕预算节奏、流量分配、行为分解和优化控制整理广告策略问题。
计算广告（2）计算广告系统
从召回、建模、排序到工程约束，拆解计算广告系统的技术结构。
计算广告（1）广告业务简介
从生意逻辑、广告主诉求和平台约束出发，介绍互联网广告的整体框架。
AB实验（2）AB实验中的难题
讨论 A/B 实验中的复杂问题，如干扰、长期效应、触发分析、替代指标与分群设计。
AB实验（1）AB实验从0到1
从实验设计、指标到结果解读，介绍 A/B 实验从 0 到 1 的基本方法。
因果推断（1）什么是因果推断
介绍因果推断的基本问题，包括混杂偏差、选择偏差、反事实思维和随机实验。
推荐系统101(3)算法前沿
梳理推荐系统中的前沿算法，包括多目标优化、兴趣表征和实时性提升。
推荐系统101(2)推荐策略
从目标设定到排序与体验平衡，整理推荐策略的核心思路。
推荐系统101(1)推荐系统介绍
从召回、排序、重排到数据层与评估，梳理现代推荐系统的基本结构。
上下文管理
*本章开头的[编程智能体工作原理](how-agents-work.md)向你展示了智能体循环：读取上下文 → 规划 → 行动 → 观察 → 重复。这个循环的质量几乎完全取决于"读取上下文"这一步。上下文做对了，智能体能产出出色的工作；做错了，再多的提示词调整也无济于事。* [How Long Contexts Fail](https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html) 超长上下文窗口并不能自动使智能体变得更聪明——如果不加以管理，额外的上下文会成为负担而非资产。
编程智能体的工作原理
*在 [第一章](../01-prompt/README.md) 中，你学习了如何与编程智能体沟通——向它们提供上下文、编写清晰的提示词，以及构建持久化的记忆系统。现在，让我们掀开引擎盖看看底层：当你按下回车键时，究竟发生了什么？* *从简单的代码补全到自主运转的数字工程师——深入剖析当今顶尖 AI 编程工具背后的系统架构、上下文策略与核心设计模式。*
人机协作模式：从探索到可验证交付
编程智能体不会取消工程判断。它会放大工程判断。真正重要的能力，是知道什么时候用智能体探索，什么时候把意图固化成规格，什么时候放手让它执行，以及什么时候必须慢下来验证。 过去的问题是：应该 vibe coding，还是 spec-first coding？这个问题曾经有用，但对真实工程来说太窄。