Learning Path Manifesto Archive
ISSUE NO. 2026
EST. 2024 / SAN FRANCISCO

AI ARCHITECT

A curation of the systematic, the scalable, and the secure. Building the future of intelligent systems through Harness Engineering and Multi-Agent Architectures.

Featured: 20:26:01

Phase 01: Foundation

0/4 完成

现代Python • 云原生 • 数据工程 • 绿色AI

🐍
✓

现代 Python 工程

  • Asyncio / Pydantic v2
  • Rust扩展 (PyO3) 性能
  • UV / Rye 包管理
  • 结构化并发与类型
☁️♻️
✓

云原生与绿色AI

  • K8s + GitOps (ArgoCD)
  • 服务网格 (Istio/Linkerd)
  • 能效监控与优化
  • 清洁能源算力调度
🗄️
✓

现代数据与评估栈

  • Polars / DuckDB
  • 数据质量评估
  • 合成数据生成管道
  • 评估即代码 (EaC)
📐
✓

系统数学与优化

  • 概率图模型 (PGM)
  • 优化理论与调度算法
  • 信息论与压缩
  • 博弈论 (多Agent基础)

Phase 02: Model Engineering

0/4 完成

JAX生态 • 训练优化 • 推理引擎 • 评估科学

⚡
✓

JAX / MLX 生态

  • XLA编译与自动并行
  • Flax / Equinox框架
  • 函数式编程与vmap/pmap
  • 苹果芯片优化 (MLX)
🏋️
✓

大模型训练工程

  • FSDP / DeepSpeed ZeRO
  • 混合精度与激活检查点
  • 数据/模型/流水线并行
  • 训练沙盒 (SandMLE)
🚀
✓

推理引擎优化

  • vLLM / SGLang / TensorRT-LLM
  • 量化 (GPTQ/AWQ/FP8稀疏)
  • 推测解码与提前退出
  • 边缘LLM部署 (手机端)
📊
✓

模型评估科学

  • LLM-as-a-Judge 与共识评估
  • 基准测试 (MMLU, GPQA)
  • 红队测试与安全性评估
  • 在线A/B测试与因果推断

Phase 03: Post-Training & Reasoning

CORE 2026

Test-Time Compute • 世界模型 • 强化学习云 • 合成数据

🎯
✓

强化学习与后训练

  • GRPO / DPO / KTO
  • 过程奖励模型 (PRM)
  • 强化学习云基础设施
  • 自我对弈与课程学习
🧠
✓

推理与Test-Time Compute

  • CoT / ToT / GoT 策略
  • Test-Time Compute 扩展
  • o1/o3 类推理系统
  • 稀疏激活与条件计算
🌍
✓

合成数据与世界模型

  • 高质量合成数据生成
  • 世界模型基础 (视频/物理)
  • 具身智能与空间理解
  • 数据去重与质量评估
👁️
✓

原生多模态统一

  • 视觉-语言模型 (VLM)
  • 统一嵌入与联合训练
  • 视频理解与生成统一
  • 实时语音交互 (WebRTC)

SYSTEM THINKING

"The architecture isn't just about components; it's about the orchestration of intelligence."

Our 2026 curriculum explores the intersection of Harness Engineering, Multi-Agent collaboration, and World Model applications. We push beyond prompt engineering to system-level design in a post-training AI landscape.

AI System Architecture
ARCH: 09-26-AI