文獻回顧與實驗計畫｜Stanford CS224U 主題單元
CS224U 期末專案的前兩段交件，一份是文獻回顧（依組員人數讀 5／7／9 篇、五個建議段落），一份是實驗計畫（七個必填段落，核心是寫得出假設）。課程給了找論文的六步迴圈、AI 助手輸出必須加引號的規定，以及一位學生把期末專案做成 Findings of EMNLP 論文的完整示範。Gradescope 格式與評分細則頁、往年範例論文都在登入牆後面。
ai
1239 篇文章accuracy 0.81 的分類器、macro F1 只有 0.43——分類指標與生成指標各自編碼了什麼價值｜Stanford CS224U 主題單元
CS224U 投影片用同一張三類別混淆矩陣算出 accuracy 0.81、macro F1 0.43：一個指標說系統很好，另一個說它在兩個小類別上幾乎全錯。這個單元的主張是「不同指標編碼不同價值」，並逐一列出 accuracy、F 分數三種平均、perplexity、word error rate、BLEU 各自的範圍、價值與弱點。期末專案的評分看的也是指標選得對不對，不是分數高不高。
CS224U 寫 NLP 論文、投稿與上台報告｜Stanford CS224U 主題單元
CS224U 的「Presenting your research」一講分四段：期末論文的課程特有要求、NLP 論文怎麼寫、會議投稿流程、怎麼上台。最實用的三件事：期末論文強制附 Known project limitations 與 Authorship statement；寫作要用 Shieber 的「理性重建」而不是按時間講你踩過的坑；投稿時標題幾乎決定了審稿人的 bidding。投影片、四支影片、projects.md 都公開；往年範例論文需要 Stanford 登入。
AI-Native SDLC Playbook L1：當程式碼生成不再是瓶頸
Claude Academy 第一堂課點出核心矛盾：AI 加速了寫程式，但 review、測試、部署的速度沒跟上。結果瓶頸從「寫不夠快」變成「審不夠快」。AI-native SDLC 的解法不是讓 AI 寫更多程式碼，而是把 AI 嵌進瓶頸所在的每個環節。
AI-Native SDLC Playbook L2：intent.md 把需求變成版控文件
傳統需求散落在 Jira、Slack、會議紀錄裡，經過多次交接才到工程師手上。intent.md 讓需求發起人直接跟 Claude 對話，產出一份人可讀、機器可執行、版控可追溯的 Markdown proto-spec，從對話到文件只需要幾小時而不是幾週。
AI-Native SDLC Playbook L3：需求與設計合併成一個 session
傳統開發裡，需求分析和設計是兩個獨立階段、由不同團隊負責，交接時必然有資訊流失。這堂課的做法是讓 Claude 在單一 session 裡讀取 intent.md，套用組織的品牌、資安、合規、UX 標準（以 skill 形式載入），產出統一的 spec.md——產品負責人只需要 review，不需要自己寫。
AI-Native SDLC Playbook L4：Plan Mode 先寫計畫再寫程式
Claude Code 的 plan mode 讓工程師在寫任何程式碼之前，先產出一份可審查、可版控的實作計畫（plan.md）。設計審查從 PR diff 前移到計畫階段，修正成本從「改程式碼」降到「改文件」。
AI-Native SDLC Playbook L5：CLAUDE.md 把團隊知識變成 Agent 的記憶
CLAUDE.md 是放在 repo 根目錄的上下文檔案，讓 Claude 在每次 session 開始時就知道這個專案的慣例、指令、架構和地雷。課程的核心建議：同樣的錯犯兩次，就寫進 CLAUDE.md。
AI-Native SDLC Playbook L6：Skills 把組織規範編碼成可重用知識
Skill 是組織隱性知識的編碼形式——一個資料夾加一份 SKILL.md，讓 Claude 在觸發條件成立時自動載入並執行標準作業程序。課程的關鍵原則：skill 讓違規變少見，hook 讓違規接近不可能。
AI-Native SDLC Playbook L7：平行 Session 與 Subagent
一個工程師同時開多個 Claude Code session，每個跑在獨立的 git worktree 裡；重複性的驗證工作交給 subagent。瓶頸從「寫程式」變成「review 產出」。
AI-Native SDLC Playbook L8：給 Claude 一個回饋迴圈
讓 Claude 在提交前自己驗證自己的產出——測試、build、截圖比對全部跑過才算完成。工程師收到的不再是「可能對」的程式碼，而是「已經通過驗證」的程式碼。
AI-Native SDLC Playbook L9：在 CI 裡跑持續評估
Evals 是 AI-native 版的 stage-gate QA——收集 20-50 個真實任務當測試案例，每次改動 CLAUDE.md、skills 或 hooks 時自動跑一輪，pass rate 掉了就擋 merge。每個線上事故都變成永久的 eval。
AI-Native SDLC Playbook L10：AI 進入 PR Review 迴圈
讓 AI 做第一輪 PR review，人類只看意圖與風險——這堂課教你怎麼設定 REVIEW.md、分層 review pass、建立 review comment 自動修正迴圈，以及為什麼寫程式的 agent 不能自己批准自己的 PR。
AI-Native SDLC Playbook L11：Hooks 作為核准閘門
Hooks 是 AI-native SDLC 的治理基石——確定性的閘門，在 agent 執行動作前攔截，不通過就擋下。這堂課從單一 production gate 腳本講到完整的企業級 managed settings，涵蓋權限鎖定、沙箱、憑證隔離、marketplace 白名單，是整門課最硬核的一堂。
AI-Native SDLC Playbook L12：CI/CD 整合與部署
把 Claude 接進 CI/CD pipeline——從唯讀的 build 失敗分析開始，逐步加入寫入操作，透過 MCP 暴露部署工具，按環境分層授權。核心原則只有一句：「agent 可以做到 production gate 為止，不能通過它。」
AI-Native SDLC Playbook L13：用監控閉環讓 SDLC 自己轉起來
Stage 6 是整個 AI-Native SDLC 的收尾也是起點：監控腳本偵測異常 → Claude 自動寫診斷報告為 intent.md → 走完整個開發流程。人從「發起工作」變成「分類和審查工作」。
AI-Native SDLC Playbook L14：系列總結與導入路線圖
14 堂課跑完，最後這篇把整個系列收束成三件事：導入的優先順序、每個角色該從哪裡開始、以及 Anthropic 官方文件的完整資源清單。
Claude Academy：AI-Native SDLC Playbook 課程導讀
Anthropic 在 Claude Academy 推出 14 堂免費課程，把 AI 寫程式從「個人用 Claude Code」拉高到「整個團隊的開發流程」。核心概念只有四個：intent.md、CLAUDE.md、Skills、Hooks，但它們串起來就是一套完整的 AI-native SDLC。
個人學模型訓練要租 GPU 嗎：GPUtw.ai、LoRA、Jupyter 與第一輪實驗
GPUtw.ai 適合個人把短租 GPU 當成學習工具：先跑 Jupyter、Ollama、ComfyUI，再用 LoRA/QLoRA 做小模型微調。它不是大型基礎模型訓練平台，第一次使用應該小額測部署、計費與資料保存。
從零訓練一個 LLM：從 $0.4 到 65B 的專案光譜
開源社群把「從零訓練 LLM」的門檻壓到了驚人的低：MiniMind 用約 $0.4、單張 3090 兩小時就能跑完從 PreTrain 到 RL 的完整流程，另一端 OLMo 3 與 LLM360 K2 把 65B 模型的訓練資料、程式碼、每個階段的 checkpoint 全部公開。這個系列用 11 篇逛完從 $0.4 到 65B 的專案光譜，並標註這份地圖覆蓋不到的地方。