完整文档索引
侧边栏隐藏的深度研究材料汇总。这些文档通过各赛道 index 页面链接可达，此页提供按类型分组的统一入口。
Agent 框架 — 扩展研究
AI Agent 记忆 — 扩展研究
AI 代码沙箱 — 扩展研究
移动端推理引擎 — 扩展研究
RAG / 知识库 — 扩展研究
系统性导读（guide/）章节索引
每个赛道的系统性导读章节默认不在侧边栏显示，通过各赛道的 导读入口 进入。
Agent 框架 — 16 章 · 53 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
AI Agent 框架总论与四大编排范式 |
|
| Ch02 |
tRPC-Agent-Go 全架构精读 |
|
| Ch03 |
ReAct 循环与 LLM Flow 深度解析 |
|
| Ch04 |
Team 多 Agent 协作 |
|
| Ch05 |
StateGraph 图引擎 |
|
| Ch06 |
LangGraph Channel 与 Pregel 引擎精读 |
|
| Ch07 |
CrewAI 角色扮演与 Flow 事件驱动 |
|
| Ch08 |
跨框架对比——状态管理哲学 |
|
| Ch09 |
跨框架对比——多 Agent 协作模式 |
|
| Ch10 |
跨框架对比——生产就绪度与协议生态 |
|
| Ch11 |
Ralph Loop 与可验证 Agent 执行 |
|
| Ch12 |
Memory 设计对比与演进 |
|
| Ch13 |
Plugin 与 Tool 系统设计深度对比 |
|
| Ch14 |
Event/Streaming 与 AG-UI 协议 |
|
| Ch15 |
Agent 的 Prompt Engineering 实践 |
|
| Ch16 |
竞赛实战：从零搭建多 Agent 系统 |
竞赛 |
AI Agent 记忆 — 20 章 · 57 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
为什么 Agent 需要记忆——从金鱼到管家的进化 |
|
| Ch02 |
阅读路线图——四条路径任你选 |
|
| Ch03 |
前置知识检查清单 |
|
| Ch04 |
记忆的四种类型——从工作记忆到外部记忆 |
|
| Ch05 |
Profile vs User Memory |
|
| Ch06 |
Memory vs RAG——经验和知识不是一回事 |
|
| Ch07 |
记忆系统的设计约束 |
|
| Ch08 |
DB-Agent-Memory——四层金字塔与零依赖哲学 |
|
| Ch09 |
mem0——极简事实提取与 25+ 后端生态 |
|
| Ch10 |
Letta/MemGPT——虚拟内存与 Agent 自管理 |
|
| Ch11 |
Graphiti——时序知识图谱与双时间轴 |
|
| Ch12 |
cognee——本体论驱动的认知管线 |
|
| Ch13 |
supermemory——产品化记忆与多源捕获 |
|
| Ch14 |
MemOS——记忆操作系统与 Dream Pipeline |
|
| Ch15 |
Claude Code 记忆——索引驱动的实时学习 |
|
| Ch16 |
Codex 记忆——AI 驱动的批量整合 |
|
| Ch17 |
OpenClaw 记忆——Pre-Compaction Flush 与 Dreaming |
|
| Ch18 |
八大记忆设计模式——从 Flush 到 Rules-as-Memory |
|
| Ch19 |
十九个技术挑战——记忆系统的未解难题 |
|
| Ch20 |
竞赛指南——DB-Agent-Memory 贡献路径 |
竞赛 |
移动端推理引擎 — 30 章 · 42 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
为什么需要这本导读 |
|
| Ch02 |
阅读路线图——三条路径任你选 |
|
| Ch03 |
前置知识检查清单 |
|
| Ch04 |
神经网络推理的本质——从训练到部署 |
|
| Ch05 |
为什么手机和服务器不一样——移动端约束全解 |
|
| Ch06 |
ARM 架构与 SIMD 入门——NEON 指令为什么重要 |
|
| Ch07 |
GPU 计算入门——从渲染管线到通用计算 |
|
| Ch08 |
内存管理入门 |
|
| Ch09 |
模型格式与转换——从 PyTorch 到手机的桥梁 |
|
| Ch10 |
量化入门——用精度换速度的艺术 |
|
| Ch11 |
ncnn——零依赖的手工匠人 |
|
| Ch12 |
MNN——端侧瑞士军刀 |
|
| Ch13 |
ONNX Runtime——标准集装箱港口 |
|
| Ch14 |
TNN——ncnn 的架构翻新版 |
|
| Ch15 |
Paddle-Lite——万能充电器 |
|
| Ch16 |
MACE——深入骨髓的硬件适配 |
|
| Ch17 |
数据容器——同一个问题的六种回答 |
|
| Ch18 |
算子抽象——设计哲学的分水岭 |
|
| Ch19 |
推理调度——从按需递归到图分区 |
|
| Ch20 |
后端组织——如何管理多个硬件加速器 |
|
| Ch21 |
图优化——编译器思维在推理引擎中的应用 |
|
| Ch22 |
横向总结——六个引擎的设计取舍全景图 |
|
| Ch23 |
端到端部署流水线——从 PyTorch 到手机推理 |
实战 |
| Ch24 |
ncnn 实战——编译、转换、推理全流程 |
实战 |
| Ch25 |
MNN 实战——全栈能力体验 |
实战 |
| Ch26 |
犀牛鸟竞赛指南——ncnn 贡献路径 |
竞赛 |
| Ch27 |
跨赛道实战——YOLO 模型端侧部署 |
实战 |
| Ch28 |
十大核心技术难点与三层矛盾 |
|
| Ch29 |
端侧大语言模型——推理引擎的范式转移 |
|
| Ch30 |
学习路线图与导读总结 |
|
AI 代码沙箱 — 17 章 + 2 附录 · 20 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
这个领域在解决什么问题 |
|
| Ch02 |
六个项目一览：从发动机到整车 |
|
| Ch03 |
隔离的五个层级：从不设防到硬件防弹 |
|
| Ch04 |
Firecracker——微虚拟化的 Linux 内核 |
|
| Ch05 |
CubeSandbox——为 AI Agent 而生的最后一公里 |
|
| Ch06 |
E2B——沙箱即服务的标准化者 |
|
| Ch07 |
Daytona——星数最高的 AI 沙箱平台 |
|
| Ch08 |
gVisor——不用 KVM 也能隔离的第三条路 |
|
| Ch09 |
Kata Containers——容器和 VM 的混血儿 |
|
| Ch10 |
选型决策树——我该用哪个？ |
|
| Ch11 |
威胁模型——AI Agent 代码执行的安全地图 |
|
| Ch12 |
Coding Agent 的内建沙箱 vs 独立沙箱平台 |
|
| Ch13 |
技术挑战——这个领域为什么难做 |
|
| Ch14 |
犀牛鸟竞赛贡献指南 |
竞赛 |
| Ch15 |
6 个项目的 AI 配置揭秘 |
|
| Ch16 |
研究方法论回顾 |
|
| Ch17 |
推荐阅读顺序 |
|
| 附录 |
A-V · W-BN |
深补 + 进阶专题 |
QUIC 协议 — 13 章 · 38 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
为什么需要 QUIC——当 TCP 成为互联网的瓶颈 |
|
| Ch02 |
阅读路线图与前置知识 |
|
| Ch03 |
QUIC vs TCP——一张图看懂本质区别 |
|
| Ch04 |
连接建立与握手——从陌生人到老朋友 |
|
| Ch05 |
拥塞控制——在黑暗中找到最佳车速 |
|
| Ch06 |
多路径 QUIC——同时走两条路 |
|
| Ch07 |
社区标杆：quinn 与 quiche |
|
| Ch08 |
C 语言双雄：msquic 与 ngtcp2 |
|
| Ch09 |
安全优先：s2n-quic |
|
| Ch10 |
犀牛鸟核心项目：TQUIC |
|
| Ch11 |
六项目终极对决 |
|
| Ch12 |
7 个核心技术难点 |
|
| Ch13 |
犀牛鸟 2026 实战指南 |
竞赛 |
| 章 |
标题 |
标记 |
| Ch01 |
为什么需要目标检测——让机器长出眼睛 |
|
| Ch02 |
阅读路线图与前置知识 |
|
| Ch03 |
目标检测基础——从像素到边界框 |
|
| Ch04 |
YOLO 家族演进——从 v1 到 v10 的革命之路 |
|
| Ch05 |
正样本分配——训练的隐藏指挥官 |
|
| Ch06 |
NMS 与端到端检测 |
|
| Ch07 |
Ultralytics (YOLOv8)——工业级 YOLO 统一平台 |
|
| Ch08 |
YOLOv10——NMS-Free 的学术突破 |
|
| Ch09 |
RT-DETR——当 Transformer 遇上实时检测 |
|
| Ch10 |
mmdetection——300+ 算法的检测百科全书 |
|
| Ch11 |
犀牛鸟核心：YOLO-Master——当 MoE 遇上 YOLO |
|
| Ch12 |
五项目终极对决 |
|
| Ch13 |
10 个核心技术难点 |
|
| Ch14 |
从训练到部署——模型落地的最后一公里 |
实战 |
| Ch15 |
犀牛鸟 2026 实战指南 |
竞赛 |
RAG / 知识库 — 47 章 · 47 万字 · guide/README
| 章 |
标题 |
标记 |
| Ch01 |
为什么需要 RAG——当大模型开始说谎 |
|
| Ch02 |
阅读路线图与前置知识 |
|
| Ch03 |
RAG 技术演进——从朴素管线到 Agent 自主检索 |
|
| Ch04 |
检索三路军——BM25、向量、知识图谱的协奏 |
|
| Ch05 |
文档解析与分块——输入质量决定一切 |
|
| Ch06 |
WeKnora 架构深度剖析——犀牛鸟竞赛核心项目 |
|
| Ch07 |
四大平台速览——Dify、RAGFlow、FastGPT、AnythingLLM |
|
| Ch08 |
如何衡量 RAG 的好坏——评估方法论 |
|
| Ch09 |
选型决策与生产化——从 Demo 到上线 |
|
| Ch10 |
竞赛贡献路径与开放挑战 |
竞赛 |
| Ch11 |
Graph RAG 与知识图谱增强检索 |
进阶 |
| Ch12 |
Agentic RAG——让 LLM 自主编排检索 |
进阶 |
| Ch13 |
多模态 RAG——表格、图片与 OCR 管线 |
进阶 |
| Ch14 |
动手实验室——本地跑通 WeKnora 与最小 RAG |
实战 |
| Ch15 |
Memory 与 RAG 边界 |
跨赛道 |
| Ch16 |
Dify 架构精读 |
平台 |
| Ch17 |
RAGFlow / DeepDoc 精读 |
平台 |
| Ch18 |
FastGPT 精读 |
平台 |
| Ch19 |
AnythingLLM 精读 |
平台 |
| Ch20 |
中文 RAG Benchmark 动手 |
实战 |
| Ch21 |
WeKnora 源码走读导言 |
大师 |
| Ch22 |
一次问答的完整旅程 |
大师 |
| Ch23 |
EventManager 与 Plugin |
大师 |
| Ch24 |
三路检索源码 |
大师 |
| Ch25 |
RRF 与 Rerank 源码 |
大师 |
| Ch26 |
PMI 知识图谱源码 |
大师 |
| Ch27 |
自适应分块源码 |
大师 |
| Ch28 |
Python docreader |
大师 |
| Ch29 |
Go docparser 桥接 |
大师 |
| Ch30 |
向量库适配器 |
大师 |
| Ch31 |
Wiki 自维护 |
大师 |
| Ch32 |
大师通关 |
大师 |
| Ch33–Ch36 |
四平台源码走读 |
L6 |
| Ch37 |
五平台对照实验 |
L6 |
| Ch38 |
挑战深读① 检索最后一公里 |
L6 |
| Ch39 |
挑战深读② 解析天花板 |
L6 |
| Ch40 |
挑战深读③ 分块与多模态 |
L6 |
| Ch41 |
16 挑战贡献地图 |
L6 |
| Ch42 |
挑战深读④ 图谱与增量更新 (#4+#13) |
L6 |
| Ch43 |
挑战深读⑤ 检索栈 (#5+#6+#9) |
L6 |
| Ch44 |
挑战深读⑥ 中文与跨语言 (#7+#15) |
L6 |
| Ch45 |
挑战深读⑦ Agent/Token (#8+#16) |
L6 |
| Ch46 |
挑战深读⑧ Memory/互操作 (#10+#11) |
L6 |
| Ch47 |
挑战深读⑨ 评估与 L6 capstone (#14) |
L6 |