前面二十六课，我们从冒泡排序一路走到了 GPT。但有个问题一直悬着：大模型只会"生成文字"，它怎么"干活"？它不会真的查今天的天气——只能凭记忆猜。它不会真的发邮件、写文件、执行代码——只能输出"看起来像"的代码。直到我们给大模型装上手和脚——让它调用工具。这就从"会说话的模型"进化成了"能干活的助手"：AI Agent（智能体）。这一课，最后一课，我们看 Agent 是怎么工作的。一、LLM …

上一课我们搭好了 Transformer 的骨架。但一个"骨架"本身不会说话——它只会把输入"重新表示"一下。那 ChatGPT 到底是怎么做到"你问一句、它像人一样回一句"的？答案藏在三个关键点里：自回归生成：一个字一个字地"续写"。预训练：在几乎整个互联网的文本上，学"下一个字是什么"。缩放（scaling）：模型越大、数据越多、算力越强，能力越强。这一课，我们把 GPT 的"引擎"拆开看 …

上一课我们学了 CNN 和 RNN：CNN 看图像，RNN 读序列。但它们各有硬伤：RNN 不能并行：必须一个词一个词地读，第 100 个词要等前面 99 个词都算完。句子一长就慢，而且距离远的词之间的信息传着传着就"忘"了。CNN 视野有限：卷积核只有 3×3、5×5 那么大，要叠很多层才能看到全局。2017 年，一篇论文《Attention Is All You Need》提出了 Tran …

上一课我们学了缺页中断：访问的页不在内存，内核就把它从磁盘换进来。但这里藏着一个前提——物理内存是满的。要换新页进来，就得先踢掉一个旧页。踢谁？这一脚的选择，直接决定系统是丝滑流畅还是卡成幻灯片。这一课，我们就看操作系统怎么"挑倒霉蛋"，也就是页面置换（Page Replacement）。从"内存只能装 3 本书"说起假设你的书架（内存）只能放 3 本书，但你要按顺序读 1、2、3、4 这几本 …

上一课我们留了个悬念：程序用的是"虚拟地址"，中间隔着 MMU 翻译。那为什么要费这么大劲造这层假象？ 答案藏在三个词里：隔离、超卖、共享。这一课，我们走进虚拟内存的核心，看清它如何给每个进程造出一个"独立世界"，以及翻译背后的机制——分页、页表、缺页、TLB。从"每个人都觉得自己有整条内存"说起想象一栋楼里有 100 个住户，但房子只有 10 套。怎么让 100 个人都"住"进去？答案：让每 …

上一课我们用全连接神经网络（MLP）识别了手写数字，准确率 95% 以上。已经不错了，但还没到"深度学习"真正的杀手锏。这一课讲两个改变世界的网络结构：CNN（卷积神经网络）：专治图像，让计算机"看懂"图。RNN（循环神经网络）：专治序列，让计算机"读懂"一句话。它们解决的问题，正是当年全连接网络的两个硬伤——参数爆炸和无法处理顺序。一、全连接网络的两个硬伤上一课的 MLP，每个神经元和上一层 …

上一课我们学会了线性回归：y = wx + b，一条直线。但现实世界大多不是直线：房价和面积的关系，可能先平缓后陡峭（不是直线）一张图是不是"猫"，根本没法用一个线性公式判断一段文字的情感，和词频也不是线性关系这些都需要非线性。神经网络（Neural Network） 的核心，就是"把很多线性组合，叠加非线性激活，层层堆叠"，从而拟合任意复杂的函数。这一课，我们亲手搭一个神经网络，看它怎么突破 …

从这一课起，我们进入第四阶段：内存管理。前面我们一直在问"谁先跑、怎么不打架"，现在要问一个更底层的问题：程序到底"住"在内存的哪里？ 你在 C 里打印出来的那个变量地址，是真实的内存条地址吗？答案会颠覆直觉——不是。这一课，我们就来搞懂"程序住在哪"这件事。从"你以为的地址"说起写 C 程序时，你会打印变量的地址：int x = 10; printf("%p", & …

上一课我们学会了用锁解决竞态。但锁这个东西，用不好会"反噬"：你握着锁 A 等锁 B，对方握着锁 B 等锁 A——于是谁也不放，大家全卡死。这就是并发世界里最"优雅"、也最让人头疼的僵局——死锁（Deadlock）。从"窄桥相遇"说起想象一条窄得只能过一辆车的桥。桥的两头，各开来一辆车，在桥中间迎面相遇：甲车过不去，因为乙车挡着；乙车也过不去，因为甲车挡着；谁都不愿意倒车让路——于是两辆车都卡 …

上一课我们制造了一个"翻车现场"：100 个线程同时 i++，结果随机丢数据。病确诊了，这一课开药——怎么让这些线程排好队，一个一个安全地进临界区？答案是一整套"排队工具"：互斥锁、信号量、条件变量。它们各自解决一类问题，我们一个个来。从"洗手间"说起想象一间只有一个坑位的洗手间，外面排着一群人。规则很简单：进去的人锁门；别人看到门锁着，就排队等；里面的人用完，开锁出来；下一个进去，锁门……这 …