AI Agent 工程：不靠框架，從一個 chat-completion 呼叫做出 agent harness｜Stanford CS329Z 課程總覽

🌏 English version

影片狀態：錄影需登入或課程授權。 影片來源與說明

CS329Z: Engineering AI Agents 是 Stanford 電腦科學系 2026 年秋季第一次開的三學分課。名字裡的關鍵字是 Engineering。它不是把最新的 agent 論文排成十週讀完，而是要學生把一套 agentic 系統從零做出來、量出來，然後在 Demo Day 上把它演一遍。

課程官網開宗明義給的框架是「compound AI systems」：由 LLM、檢索器、工具、優化器多個元件組成、彼此互動的系統。官網說這代表 AI 應用建構方式的一次根本改變。整學期的三條軸線寫在第一堂的描述裡——拆解（decomposition）、資料（data）、評估（evaluation）。

這篇對過四邊的一手資料：課程官網、它背後那個公開的 GitHub repo、ExploreCourses，以及已經公開的投影片（目前已放到第五堂）。涵蓋這門課實際怎麼運作、作業長什麼樣、課綱在開學前後被改了什麼，以及它跟另外兩門也叫 agent 的 Stanford 課差在哪。不包含逐堂內容拆解——課程 9 月 23 日才開始，逐週內容由系列的週導讀接手。

這門課的硬事實

授課者三位，都掛在課程官網的 Instructors 區塊。Diyi Yang 是 Stanford CS 助理教授，研究主軸是 socially aware NLP 與人機互動，2024 年拿到 Sloan Research Fellowship。Michael Ryan 是 Diyi Yang 與 Percy Liang 共同指導的博士生、Knight-Hennessy 學者，也是 DSPy 的核心貢獻者。John Yang 是 Ludwig Schmidt 與 Diyi Yang 指導的二年級博士生，SWE-agent 與 SWE-smith 的第一作者。

ExploreCourses 的 CS329Z 條目一開始只列了 Ryan 與 Diyi Yang 兩位 PI，現在三位都在上面。開學前一週，課程網站也補上了四位助教：Owen Queen、Anusheh Chaudry、Shreyas Sharma、Houjun Liu。

其餘登記在案的資訊：三學分，Letter 或 Credit/No Credit 皆可。秋季學期實體授課，每週一三下午上課，教室在開學第一週從 Packard 101 改到 Skilling Auditorium。班級代碼、學期起訖與期末考時段收在附錄。

先修條件寫在課程官網的 Logistics 區，四門課擇一：CS224N、CS224U、CS224V、CS336，或等同的 NLP 背景。第一堂的投影片講得更直白：train/dev/test、pretraining、fine-tuning、alignment、prompting 這些概念預設你已經懂，「We will not cover these in this course!」。ExploreCourses 的條目裡完全沒有先修欄位——只看註冊系統會以為這門課沒有門檻。

同一頁投影片還寫了算力補助：每位學生可拿到 Laude Institute 的 200 美元加 Thinking Machines 的 250 美元額度。這對作業與專案的 API 花費是實質的補貼。

課程第一週就滿了。官網掛了一份 waitlist 表單和一份旁聽申請表，兩份都只能用 Stanford 信箱開，旁聽也只限 Stanford 學生。同一則公告接著寫「All course materials on this site are publicly available」——校外的人進不了教室，但網站上放出來的東西都拿得到。

課程的主張：先手刻一遍，再看框架抽掉了什麼

這門課最值得記的一句話，就寫在官網歡迎詞的第二段：

Students first build core components (RAG, tool use, agent loops) from scratch, then learn how frameworks like DSPy abstract these patterns.

順序是刻意的，而且不只是口號——它被寫進了課表與作業的結構裡。RAG 排在第三堂，描述裡標了 hands-on「build a RAG pipeline from scratch」；工具呼叫排在第四堂，同樣標 hands-on。兩堂都在框架那一堂之前。DSPy 論文與 LangChain／LlamaIndex 的比較放在第五堂，主題直接叫「what frameworks abstract vs. what you built from scratch」。

這個安排解決的是一個很具體的問題：先學框架的人，通常說不出框架替他做掉了什麼。你會用 dspy.ReAct，但講不出 ReAct 迴圈裡哪一步是模型輸出、哪一步是你的程式碼在解析、失敗時是誰在重試。手刻過一次之後，抽象層才變成一個你能評價的東西，而不是一個你只能相信的東西。

作業把這個主張推得比課表更遠。第一份作業原本分兩半，前半手刻、後半用 DSPy 重寫。九月初改版之後，後半整個拿掉，改成全程禁用 agent 框架，只給你一個 chat-completion 呼叫。框架只在課堂上出現，作業裡一行都不准用。

這條對自學者是可以照抄的：不要從 pip install 開始學 agent。先用官方 SDK 或 litellm 這種只包薄薄一層的介面，把檢索、工具呼叫、迴圈控制、記憶自己寫一遍。跑起來之後，再拿框架對照看它替你做掉了哪些決定。

DSPy 是這門課的落點，但它的作者已經不在 Stanford

DSPy 出自 Stanford NLP。Omar Khattab 在 Stanford 讀博（指導教授 Christopher Potts 與 Matei Zaharia），論文題目是 foundation model programming，DSPy 與 ColBERT 都是那條線的產物。但他2025 年 7 月已經到 MIT EECS 任助理教授，在那之前是 Databricks 的研究科學家。

所以「Stanford 的課教 Stanford 的框架」這句話今天只對一半。真正的連結在授課者這一端。Michael Ryan 是 MIPROv2 論文的共同第一作者，也是 GEPA 的共同作者。這兩篇都是 DSPy 的優化器論文，而且都排在 Optimization 那一堂的閱讀裡。教框架的人，就是寫了框架裡那幾支優化器的人。

DSPy 本身現在的狀態：MIT 授權、持續發版，官網首頁掛的最新版是 3.3.0。星數、貢獻者數與下載量收在附錄。

它解決的問題可以用官網那句標語概括——「Program, don't prompt」。把任務宣告成有型別的 signature，模組決定執行策略（Predict、ChainOfThought、ReAct），優化器再拿一個指標把提示詞自動編譯到收斂。

值得注意的是，這門課沒有把 DSPy 當成終點。第五堂的描述最後一句是「choosing the right level of abstraction」，同一堂還放了 LangChain／LangGraph 與 LlamaIndex。DSPy 也提早在第二堂露面：投影片講結構化輸入輸出時，拿 DSPy signature 當例子，打開來給你看它最後組出來的 system prompt 長什麼樣。它在這門課裡的角色是「被拆開來看的東西」，不是交作業用的工具。

三門都叫 agent，該修哪一門

這是很多人真正想問的問題。Stanford 現在同時有三門課掛著 agent，官方描述放在一起看，分工其實很清楚——而且 2026-27 學年的開課狀態差很多。

三件從這張表讀出來、但單看任何一門的官網都看不到的事：

CS329A 今年沒排。 在當前學年的 ExploreCourses 條目上，它不再有 Terms 欄位，取而代之的是一行 Last offered: Autumn 2025。切到上一個學年的分頁，才看得到它完整的秋季排課與助教名單。想修這門的人今年只能等，或者去看本站的 CS329A 導讀——它公開了九支錄影。

CS329Z 與 CS224V 是連著的兩節課，不衝堂。 一個下午一點半開始，另一個接在後面，同樣週一週三、同樣秋季學期。兩門都要交季度專案，所以同時修的代價不在課表上，在專案上。

CS224V 今年換了課名。 上一個學年它叫 Conversational Virtual Assistants with Deep Learning，這個學年的條目改成 Agentic AI。課程網站首頁到現在還掛著舊名。找資料時兩個名字都要試。

分工用一句話講：CS329A 問「模型怎麼變強」，CS224V 問「這個領域的助理怎麼不說謊」，CS329Z 問「這套系統怎麼被工程化地做出來並量測」。 另外還有一門 CS329T，官方描述同樣是「building and evaluating agentic AI applications」，重心在把原型迭代成可靠系統；它的先修走的是 CS229／CS230 那條機器學習線，不是 NLP 線。

作業長什麼樣

兩份作業合計一成半，各自綁一場口頭測驗。官網寫十分鐘、閉書，第一堂投影片寫十五分鐘、可以問你繳交內容的任何一部分；以投影片為準比較保險。

HW1: Build an Agentic Harness（第 3 到 6 週）。做一個公司內部用的 AI 助理，而且不准用任何 agent 框架：只有一個 chat-completion 呼叫，其餘全是你自己寫的程式碼。語料是一份真實的企業 email 封存。你先寫能在上面檢索與推理的 LLM 管線，再一路長成完整的 agent harness：工具、終端機、記憶、加上人類審核（human in the loop）。這是整門課的分水嶺，因為課程的核心主張整個壓在這一份上。

這份作業在九月初改過版。八月底的版本語料是研究論文，要回答科學問題，而且分成兩半：Part A 用 litellm 手刻 RAG、工具呼叫與 ReAct 類迴圈，Part B 用 DSPy 重寫並反思框架抽掉了什麼。新版拿掉了 Part B，把省下的力氣花在記憶、終端機與人類審核上。這三樣正是「harness」跟「會呼叫工具的 prompt」之間的距離。

HW2: Evaluate an Agent（第 6 到 9 週）。給一個做好的 agent，要設計一整套評估：程式判分器、至少一個 LLM-as-judge、依課程的四元組框架（request、environment、stopping criteria、scorer）建 benchmark 任務，加上錯誤分析。

作業之外還有兩件事，合起來占三成。第一件是一支十分鐘的論文影片，要挑一篇課堂上沒講過的 agent 論文。第二件是互評，占兩成，比兩份作業加起來還重。整學期有四輪：看論文影片、看期中 demo、看 HW2 的評估設計、看期末 demo，每輪審兩份。投影片說互評的分數看兩件事：你的回饋有沒有用，以及對方有沒有採納。

季度專案占四成，主題原本鎖死成 Making Life at Stanford Better with Agents，九月中改成自選。唯一的限制是要跟課程核心主題之一扯得上關係：建 agent（檢索、工具、記憶、多 agent、優化）、agent 需要的資料，或者評估與安全。官方範例清單保留了課綱閱讀器、選課排程、論文探索、校園活動推薦，另外加了兩個：針對特定 codebase 的 coding agent，以及對一個現成 agent 做嚴謹評估、找出它的失敗模式。

專案規則裡最值得抄的是評估那段：「只做出一個工具、示範它跑通一次，不會拿高分。」你得在一開始就定好任務範圍、資料來源、什麼算成功、怎麼量，然後跟 baseline 比、做錯誤分析。期末報告 8 頁、ICLR 格式，Results 一節就占 25 分裡的 10 分。

其餘規則也很像一場小型投稿。每隊一到三人，官方建議三人，每隊配一位教學團隊的 mentor。期中與期末都要交 GitHub repo，README 要寫到沒看過你程式碼的同學也跑得起來。助教會照著 README 跑一個簡單例子，這占 5 分。每個階段的報告都要附一段 AI 使用揭露，格式仿 ICLR 2026 的 LLM 政策；沒用 AI 也要寫「沒用」，漏寫會扣分。

對校外自學者來說，專案這一塊少了 mentor 和互評，但評估要求與 README 標準完全可以照搬。

課程網站的 git 紀錄：開學前後改了什麼

課程官網 cs329z.stanford.edu 是一個 GitHub Pages 站，原始碼在公開 repo cs329z/cs329z.github.io 裡，用 Flask + Flask-FlatPages 產靜態頁，內容全在 data/*.json 與 pages/*.md。這代表課綱的每一次修改都留著 diff。

最有訊息量的是 8 月 16 日那個 commit，訊息一句話說完：Two homeworks, add paper video, rebalance grading to 100%。diff 顯示被刪掉的是原本的 HW2，原文是這樣寫的：

HW2: Data for Agents (Weeks 6–8). Given a staff-provided agent, collect and curate data to optimize its performance — data selection, quality filtering, finding maximally informative examples, synthetic data generation, and building optimization data (SFT or preference pairs). Deliverable: a curated dataset, a data card, and an analysis.

課程沒有說明為什麼刪。可以確認的只有兩件事：資料那兩堂課還在課表上（第 11、12 堂，Data for Agentic Systems），現在沒有作業掛在它們後面；以及論文影片與同儕互評是在同一個 commit 裡補進來的。

接下來三十小時內，評分表被連改四次，專案的比重一路加到一半。原本叫 oral exam 的那兩場也在這輪改名成 HW-based quiz。

但這還不是定案。開學前後又有三輪改動，每一輪都動到課程的骨架：

• 9 月 9 日，HW1 整份重寫。 commit 訊息是 Update HW1 description to match the restructured assignment。研究論文換成企業 email，DSPy 那一半拿掉，改成全程禁用框架。
• 9 月 20 日，專案規則從一份內部文件整段搬上來。 主題改成自選，加上 ICLR 格式、AI 使用揭露、GitHub README 與可重現性配分。期中 demo 也從課堂現場改成錄影繳交。
• 9 月 22 日，第一堂課前一天，評分表再翻一次。 互評從 3% 暴漲到 20%，專案從五成降回四成，作業降到一成半，課堂參與那 5% 直接刪掉。

三輪的方向是一致的：分數從「你交了什麼」移向「你能不能評、能不能被別人重現」。互評要評別人的評估設計，專案要附可重現的 repo，Results 一節是期末報告裡最重的一塊。這門課的第三條軸線「評估」，最後變成評分表本身的形狀。逐次的百分比變動收在附錄。

八月版還有一個對不上的地方：專案頁寫期中在第六週，截止日期表寫第七週。九月那輪重寫之後，兩邊都統一成第七週了。

ExploreCourses 的課程描述到今天仍然寫著 three fully applied homework assignments，跟課程官網的 two 對不上。同一所學校的兩個官方頁面對不上是常態，以課程官網為準。

自學者實際拿得到什麼

先講結論：拿得到課綱、閱讀清單，以及一堂一堂放出來的投影片；HW1 起始碼與測試也已公開；錄影仍需登入 Canvas。

拿得到：前五堂投影片，而且不用登入。 截至 10 月 10 日，官方課表已把投影片放到第五堂，入口也從 Google Drive 改成 Stanford 直接提供的 PDF。自學可以照下面的順序讀：

第二堂實際講的是給開發者的模型內部知識；同週指定的 Anthropic workflow 分類是另一份閱讀導讀。第三到第五堂接著走 RAG、工具呼叫與框架抽象。本站後面各週的文章目前是課表指定閱讀導讀，不能當成尚未公開投影片的實際講授摘要。

拿得到：整份閱讀清單，而且每一條都是可點的連結。 指定閱讀加補充閱讀共 50 篇，大半指向 arXiv，其餘指向 BAIR 那篇 compound AI systems 部落格文、MCP 規格、Anthropic 的 Building Effective Agents 等公開頁面。沒有一條鎖在 Canvas 後面。

拿得到：完整的評分表、作業描述與專案要求。 你知道 HW1 要做什麼、HW2 要交什麼、提案與報告各要幾頁、期末報告每一節幾分，也知道每一項占幾分。

拿得到：課程網站的原始碼與修改史。 上一節那些課綱變動就是從這裡讀出來的。

拿不到（至少現在）：錄影。 課堂有錄，但官網寫的是錄影放在 Canvas，要用選課生身分登入。第一堂投影片則寫「Lecture slides and videos will be posted online」。兩個說法還沒對上，公開錄影會不會出現，要再等等看。

拿得到：HW1 起始碼、資料與公開測試。 官網 Logistics 頁已連到官方 starter repo，裡面有作業講義、壓縮的企業郵件封存、Cardinal Energy 文件、待實作的 adapter、確定性與 live 測試，以及模擬使用者評估。Cardinal Energy 是虛構公司；講義把另一份 email archive 說明為真實企業郵件。這已足夠讓自學者照正式介面開工，但 starter 並不是完成的解答。

拿不到：兩場客座。 課表上 10 月 26 日與 11 月 16 日兩格仍寫著「📺 Guest Lecture (TBA)」，講者還沒公布。

還有一件跟教材無關但值得看的東西：這門課的誠信條款花了一整段講怎麼用 AI 工具，語氣跟大多數學校的禁令很不一樣。

目前的 AI 使用規則更明確：作業與專案可以使用 AI 生成的程式碼，但學生必須能驗證、解釋，並接受口試；專案報告不能由 AI 代寫，可以用它腦力激盪或取得寫作回饋。

配套是那兩場口頭測驗：個人、閉書，要你解釋自己的設計決策與取捨。用 AI 幫你寫可以，但你得能當場說清楚你為什麼那樣寫。

第一堂投影片把理由講得更具體。它引了 Anthropic 2026 年的一個隨機對照實驗：52 位工程師學一個新的 Python 函式庫，用 AI 輔助的那組在後測低了 17%，差距最大的是除錯。下一頁的標題是「Use AI to learn how to learn」。這門課要你用 AI，但它量的是你自己學會了什麼。

怎麼開始

今晚就能做的一件事，就是照 HW1 的規則開工：不裝框架，只留一個 chat-completion 呼叫。

先讀官方 HW1 講義，再 clone 起始碼。資料、介面與測試都已備妥，不必另外找一份 email 語料猜作業怎麼做。

git clone https://github.com/cs329z/assignment1-harness.git
cd assignment1-harness
cp .env.example .env
uv run python data/download.py
uv run pytest

起始碼需要 Python 3.11 以上與 uv。預設測試不會呼叫模型；一開始出現 NotImplementedError 是預期狀態，代表對應的 adapter 還沒實作。要跑 live 測試，再到 .env 填入自己的 OPENROUTER_API_KEY，執行 uv run pytest -m live -s。

Part 1 先做 email 優先級分類、每日摘要、從零寫 BM25，以及多跳 email 問答。Part 2 才把這些管線包成 Cardinal Agent 的工具，加入文字格式的工具呼叫協定、文件檢索、終端機、context 壓縮、跨 session 記憶、使用者審核與護欄。課程提供的 LM 只回傳字串，工具呼叫怎麼解析、迴圈怎麼控制，都由你自己寫。

最後的評估會讓模擬使用者真的跟 agent 多輪對話，回答追問、批准或拒絕動作。先把測試與 design memo 一起看，再一次實作一個 adapter：機制跑得對，以及能解釋設計取捨，是作業分開檢查的兩件事。

附錄：數字與查證方式

• 登記在案的細節：班級代碼 27855、Session 2026-2027 Autumn 1、學期區間 2026-09-22 至 2026-12-04、每週一三 1:30–2:50 p.m.、Skilling Auditorium（開學前原排 Packard 101）、期末考時段 2026-12-09 3:30–6:30 p.m.（以上出自 ExploreCourses 與課程官網 Logistics 區）。
• 截止日期：HW1 10/5 出、10/30 交；專案提案 10/9 交；HW2 10/26 出、11/20 交；期中 demo 錄影 11/4 交、期中報告 11/6 交；論文影片 11/13 交；論文影片互評（兩支）11/30 交；期末報告與系統 demo 在 12/7–12/11 的期末週，時間未定。皆為晚間 11:59（太平洋時間）。
• 課表規模：data/schedule.json 裡共 22 個時段，扣掉兩格 TBA 客座、兩格感恩節停課、一格 Demo Day，實際有內容的講次 17 堂。指定閱讀 23 篇、補充閱讀 27 篇，合計 50 篇；去重後的 arXiv 連結 32 條。以上為 2026-09-29 抓取的版本；與 8/21 版相比，評估那堂的指定閱讀在 8/23 換成 Zhu 等人的 Establishing Best Practices for Building Rigorous Agentic Benchmarks，原本的 Ofir Press 部落格文降為補充閱讀。
• 評分表的演變（皆出自公開 repo 的 commit diff，時間為 commit 的作者時區時間）：8/16 22:29 Two homeworks, add paper video, rebalance grading to 100%，專案 39%→35%、作業三份各 10%→兩份各 15%；8/17 09:38 Grading updates，改成巢狀清單；8/17 15:11 Update grading breakdown，專案 35%→50%、作業兩份各 15%→各 10%、oral exam 改名 HW-based quiz 且各 10%→7.5%；8/17 22:29 Adjust project grading weights，期中 demo 5%→7%、期末系統 demo 20%→18%；9/22 20:24 Update grading，改成專案 40%（提案 5、期中報告 5、期中 demo 5、期末繳交 15、期末系統 demo 10）、作業 15%（各 7.5）、HW-based quiz 15%（各 7.5）、論文影片 10%、互評 20%（四輪各 5%，每輪審兩份各 2.5%），課堂參與 5% 刪除。期末繳交 25 分的細項（報告 20＋可重現性 5）出自 9/20 的專案頁改寫。
• 學分數的更動：8/18 的 Some updates 把 logistics 頁的 Units: 3–4 改成 Units: 3，同時補上班級代碼、時段與教室。ExploreCourses 上同樣是 3 學分。
• ExploreCourses 的查法：https://explorecourses.stanford.edu/search?q=<課號>&view=catalog 預設顯示當前學年（2026-2027）。CS329Z 在 2025-2026 與 2024-2025 兩個學年分頁都是 0 筆結果，因此判定為新課；CS329A 在當前學年顯示 Last offered: Autumn 2025，切到 2025-2026 才看得到排課。這個站需要帶 jsenabled=1 cookie 才會回傳內容，直接抓會拿到一頁「Loading…」。
• DSPy 的數字：GitHub 星數約 37,400（2026-08-21 讀取），官網首頁自述 444 位以上貢獻者、每月 660 萬次以上下載、最新版 3.3.0，MIT 授權。這些是專案自己公布的數字。
• 投影片與官網的出入：第一堂投影片寫 HW-based quiz 是「15-min oral check-in on any part of your submission」，官網寫 10 分鐘、閉書；投影片寫錄影會「posted online」，官網寫放在 Canvas。投影片以 Google Drive 公開連結發布，2026-09-29 下載，第一堂 71 頁、第二堂 176 頁。
• ExploreCourses 授課者：8/21 讀取時只列 Ryan, M. 與 Yang, D.；9/29 讀取時已列 Ryan, M.、Yang, D.、Yang, J. 三位 PI，教室也已顯示 Skilling。
• 未能確認：兩場客座的講者；錄影最終是否公開；Stanford Bulletin 是否已收錄 CS329Z 條目（其課程目錄是動態載入的前端應用，未能以一手方式確認）。

課程影片來源

官方 Logistics 頁（2026-10-10 即時讀取）的 Lecture Recordings 一節寫明：講課錄影只能登入課程 Canvas 取得。我實際開啟課程 Canvas 入口（canvas.stanford.edu/courses/233286），被導向 Stanford 登入頁，確認有登入牆。課程官網與搜尋都沒有找到公開的 YouTube 或 OCW 錄影，所以沒有可嵌入的影片。

課程與錄影入口：

• 官方課程／講次來源
• 官方 Logistics 頁（Lecture Recordings 一節）

查核日期：2026-10-10。

更新紀錄

• 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
• 2026-10-10：更新前五堂官方 PDF 投影片，補上已公開的 HW1 起始碼、講義、資料、測試與自學指令，並核對 AI 使用規則與錄影取得方式。
• 2026-09-29：依課程網站 9 月的改版與前兩堂投影片更新——HW1 改為禁用框架的 Agentic Harness（Part B 的 DSPy 重寫移除）、專案主題改自選並加入 ICLR 格式與可重現性、評分表改為互評 20%、補上助教、教室、算力補助、旁聽與錄影說明、投影片內容，並同步改寫標題與 tldr
• 2026-10-10：重查影片狀態。官方 Logistics 頁寫明錄影需登入課程 Canvas，實際開啟入口確認有登入牆，也沒有找到公開錄影；狀態改為需登入。

參考資料

• Stanford CS329Z: Engineering AI Agents 課程官網 — 授課者、課表、兩份作業內容、評分表、專案主題、先修與誠信條款的一手來源

• cs329z/cs329z.github.io（課程網站原始碼與 commit 紀錄） — 課綱變動、被刪掉的 HW2 原文、HW1 改版、專案規則改寫、評分表演變

• ExploreCourses：CS329Z — 註冊系統版的課程描述（仍寫三份作業）、學分、班級代碼、上課時段、期末考時段、授課者名單

• ExploreCourses：CS329A — 顯示 Last offered: Autumn 2025，證明 2026-27 學年未排課

• ExploreCourses：CS224V — 2026-27 秋季開課、3-4 學分、官方先修，以及課名從 Conversational Virtual Assistants 改成 Agentic AI

• Stanford CS329A 課程官網 — CS329A 的官方描述與 Autumn 2025 課表

• Stanford CS224V 課程官網 — CS224V 的課程主題、作業形態與 Fall 2025 資訊

• Stanford CS329T 課程官網 — 第四門 agent 相關課的官方描述與先修

• Diyi Yang 個人頁 — 職稱、研究方向、獲獎紀錄

• Michael Ryan 個人頁 — 指導教授、DSPy 核心貢獻者身分、MIPROv2 與 GEPA 的作者列

• John Yang 個人頁 — 指導教授與研究方向

• Omar Khattab 個人頁 — DSPy 與 ColBERT 的來歷、Stanford 博士與 MIT 教職

• MIT EECS：Omar Khattab — 2025 年加入 MIT 的官方紀錄

• DSPy 官方文件 — 版本、貢獻者數、下載量、signature／module／optimizer 的官方說明

• stanfordnlp/dspy GitHub repo — 授權、星數、論文列表

• DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines — 第五堂的指定閱讀

• MIPROv2: Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs — 第九堂的補充閱讀，Michael Ryan 共同第一作者

• GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning — 第九堂的指定閱讀

• ReAct: Synergizing Reasoning and Acting in Language Models — 第六堂的指定閱讀，也是八月版 HW1 舉的推理模式

• SWE-smith: Scaling Data for Software Engineering Agents — 第 12 堂的指定閱讀，授課者 John Yang 的第一作者論文

• The Shift from Models to Compound AI Systems（BAIR Blog） — 第一堂的指定閱讀，課程主張的出處

• Model Context Protocol 規格 — 第四堂的指定閱讀

• Anthropic: Building Effective Agents — 第二堂的指定閱讀

• litellm — 八月版 HW1 指定的 SDK，本文建議的手刻起點之一

• CS329Z Lecture 1 投影片：Intro to Agentic Systems — 先修、算力補助、評分、互評計分方式、旁聽與錄影說明

• CS329Z Lecture 2 投影片：LLMs for Builders — 模型內部速成與 DSPy signature 範例

• Anthropic: How AI assistance impacts the formation of coding skills — 第一堂投影片引用的 RCT

• Establishing Best Practices for Building Rigorous Agentic Benchmarks — 評估那堂 8/23 換上的指定閱讀

• 站內：Stanford CS329A 導讀

• 站內：Stanford CS 課程導讀：按先修關係排一次

• CS329Z Logistics — HW1 起始碼入口、AI 使用規則與 Canvas 錄影方式

• CS329Z HW1: Building an Agentic Harness — starter, datasets, tests, and setup

• HW1 handout — Part 1/2 and design memo

• CS329Z Lecture 3: Retrieval-Augmented Generation (RAG)

• CS329Z Lecture 4: Tool Use & Function Calling

• CS329Z Lecture 5: Frameworks & Orchestration