与 ai.zenheart.site 的边界

两站互补，但验收对象不同：本站证明模型机制和安全 Agent harness 能被写出、测量和追溯；应用站关注如何把模型接入产品和业务系统。本站不因应用站可以调用 API 就宣称理解了模型，也不把页面 demo 当成 Agent 质量证明。

维度	llm.zenheart.site（Learn LLM）	ai.zenheart.site（learn-ai）
学习问题	模型内部在算什么？我能从零写出并修好吗？	如何用工具/API 做出可维护的产品功能？
路径	W0 + W1–W12：autograd → Transformer/训练 → RAG/Agent → Capstone	应用工程、Prompt、产品集成和业务部署
主要栈	Python/NumPy，必要时 PyTorch；浏览器数学交互	JS/TS、工具链和应用运行时
证据	固定 seed、shape/loss 对拍、故障题、eval、trace、脱敏 evidence	功能测试、集成测试、产品运行指标
资源边界	本地 CPU/MPS 默认；Google Cloud 需 W0 UI 核验和三道独立授权	不把本站的云训练资格或授权当作应用站资格
成功标准	L3 手写/解释/调试，L2 实现/测量/比较，产品与学习者状态分离	功能上线、工程可维护、业务安全和发布验收

本站覆盖与不覆盖

W1–W8 覆盖现代 decoder-only LLM 的核心算法链路：tokenizer、概率目标、autograd、attention、Transformer、训练、后训练、推理缓存和性能权衡。
W9–W12 覆盖 Agent 所需的 RAG/ACL、typed tools、MCP、状态持久化、幂等、HITL、恢复、评估、可观测性和安全边界。
L1 只讲 Scaling Laws、MoE、FlashAttention、并行训练、RLHF 等的原理和取舍；不实现昂贵的生产级分布式框架。
教学 TinyGPT 只证明模型机制，不充当可靠 planner/executor；Agent 的模型路线必须在 W0 冻结为 gemini_free、local_instruct 或 blocked，fixture/replay 只验证 harness 合同。
LangChain/LangGraph 只作为 W10 的可选抽象对照：先手写 typed tools、policy、checkpoint 和 recovery，再在隔离环境映射同一 fixture；框架不自动提供本课所需的权限、HITL、幂等或证据，也不进入默认依赖基线。
Google Cloud 小模型真实验证必须单独证明资格 UI、Job execution/checkpoint、image digest、private revision、认证生成、清理和 48 小时账单回读；本地 dry-run、Cloud adapter、模拟 revision 和课程产品页都不算云执行。

迁移保留：状态机、协议、重试、恢复、可观测性。迁移需补齐：模型不确定性、数据权限、工具批准、证据门禁。