Appearance
资源总览 — 代码库、视频、工具链与安全规范
这一页把课程借鉴到的所有外部资料集中列出。每个资源都附「本课边界」：哪些能用、哪些不能复制、哪些只能作为概念对照。所有具体许可证事实以
reference-readback的最新核验为准，本页只整理接口与角色，避免重复声明。
一、上游代码库（仅作概念对照，不复制）
本课对照的上游仓库清单、各仓库的 commit 锚点、许可证读回事实与逐仓「本课边界」统一以 参考资料读回 为唯一权威页（机器可读记录在 evidence/source-manifest-v1.json），本页不再复述，避免两份拷贝漂移。总原则不变：只做概念对照；不复制代码 / 数据 / 权重；如果出现许可证不一致或 NOTICE 缺失的情况，先以 reference-readback 的当前读回结果为准，不允许把 README 的「License: MIT」声明扩大为文件级许可。
二、视频与课程
下列视频与课程用于建立直觉，不替代本课实验。每一条都说明「它解决什么直觉问题」以及「为什么不能用它替代本地测试」。
- Karpathy: Neural Networks: Zero to Hero（YouTube 系列）
- 看它解决什么直觉问题：从标量自动求导到 GPT 训练的连贯心智模型。
- 不要用视频结论替代本地测试：每一集只能当作概念起点，对应章节必须跑本仓库的测试与 fixture。
- 3Blue1Brown: 神经网络 / Transformer 可视化系列
- 看它解决什么直觉问题：用几何直觉解释线性代数、注意力与反向传播。
- 不要用视频结论替代本地测试：可视化是辅助记忆，不参与任何 evidence 收集。
- Coursera / DeepLearning.AI 相关短课（仅列出，未完成读回）
- 看它解决什么直觉问题：用碎片化短片复习 prompt、agent、RAG 三个工作流。
- 不要用视频结论替代本地测试：本课程尚未对 DeepLearning.AI 课程做读回；引用前必须新增 source record。
课程产品设计基准
外部课程只作为体验与教学设计的基准，不复制其正文、图片或代码：
| 基准 | 已观察的可迁移做法 | 本项目的落地约束 |
|---|---|---|
| fast.ai Practical Deep Learning | 面向已有编码能力者，尽早让学习者得到可运行/可部署结果；Notebook 和社区复盘是学习闭环 | W0/W1 先给本地可执行信号；每周必须有命令、交互、失败题和 evidence，不把观看视频当完成 |
| Hugging Face LLM Course | 按周组织章节和约 6–8 小时时间盒，并提供 Notebook 作为动手入口 | W1–W12 固定 6–8 小时；本地命令是主路径，Notebook/Colab 只是受控补充，依赖与成本写在周页 |
| Full Stack Deep Learning | 从问题定义、模型/算力选择到部署、持续评估和 UX 贯通全生命周期 | W0 资源/预算 → W1–W8 原理 → W9–W11 Agent/评估/云 → W12 Capstone；artifact chain 和生产门禁不可省略 |
| DeepLearning.AI learning platform | 用短项目、结构化课程和可追踪学习进度降低上手摩擦 | 进度只表示阅读；掌握必须由测试、clean-room、故障题、论文口述和人类答辩共同判定 |
这些是设计推断而非对外部课程质量的排名；若上游课程页面或条款变化，只更新链接/事实记录，不改变本项目的隐私、许可证和人类审批门禁。
三、工具链
下表是本课在站点、Python、Node 侧的核心工具链。所有版本要求以仓库 package.json、requirements.txt 与 lockfile 为准，不要假设固定版本号。
| 工具 | 版本要求 | 在本课的角色 |
|---|---|---|
| Python | 以仓库 lockfile 为准（>= 3.11） | W01–W11 全部 Python 代码与测试的运行时 |
| NumPy | 以仓库 lockfile 为准 | W1–W5 从零实现 attention / MLP / tokenizer 的数值基础 |
| PyTorch | 以仓库 lockfile 为准 | W06 起用于真实训练与小规模 GPU/CPU 推理对照 |
| pytest | 以仓库 lockfile 为准 | 跑 python/tests/ 与 Python labs 的统一入口 |
| VitePress | 以仓库 lockfile 为准 | 站点文档框架，负责路由、Markdown 渲染与 MathJax |
| Vue 3 | 以仓库 lockfile 为准 | 站点交互组件与动态 demo |
| pnpm | 以仓库 lockfile 为准 | Node 侧包管理与脚本执行入口 |
| Mermaid | 以仓库 lockfile 为准 | 在 docs 中渲染流程图、状态机与课程地图 |
| MathJax | 以仓库 lockfile 为准 | 在 Markdown 中渲染数学公式（W04 / W06 / W07） |
可选 / 仅了解（不出现在默认 evidence 链中）：
| 工具 | 在本课的角色 |
|---|---|
| JAX | 仅作为可选自动求导 / JIT 对照；本课主线实现以 NumPy / PyTorch 为主 |
| Three.js | 仅作为前端可视化对照；本课不依赖 |
| Marimo | 仅作为 Python notebook 替代品的了解对象；本课不引入 |
| Ollama | 仅在本地模型对照实验里使用，不作为默认推理路径 |
补充说明：
- NumPy 用于 W1–W5 的从零实现，作为 attention / 优化器 / tokenizer 的数值后端。
- PyTorch 只在 W6 起用于真实训练，前置章节不依赖 torch 张量。
- 站点交互只用来建立直觉，不生成 evidence；任何数字结论都来自 Python 测试或本地运行脚本。
四、安全与合规规范
下面四条规范必须在每一周的「动手」与「口述」里落地，不允许只引用规范而不写本课的处理方式。
- OWASP Top 10 for LLM Applications（GenAI LLM Top 10 2026）
- 覆盖：提示注入（LLM01）、不安全输出处理（LLM02）、敏感信息泄漏（LLM03）、过度代理 / 模型自主行为（LLM06）、供应链（LLM05）。
- 本课落地：W10 / W11 的 policy / approval / red-team 表格对应这几条；任何工具调用都必须经过 schema 校验与 policy 门控；本地 evidence 中不允许出现真实密钥或隐私原文。
- Model Context Protocol（MCP）规范
- 覆盖：工具边界、JSON schema、调用协议、错误返回。
- 本课落地：W10 把 MCP 当作协议边界而不是权限旁路，所有副作用必须显式 checkpoint 并对同一 key 幂等；policy 不通过就不调用执行器。
- Anthropic / 通用负责任 AI 使用规范
- 覆盖：人在回路、拒答能力、可观测性、不可逆动作的二次确认。
- 本课落地：W08 / W10 显式列出需要人工批准的高风险操作，并把 trace / 拒绝原因写进 evidence，不允许模型独立写库或对外发请求。
- 本仓库隐私红线
- 覆盖：仓库内禁止出现可识别个人信息、真实凭证、生产数据切片。
- 本课落地：所有 fixture 与 example 都要脱敏；本仓库任何外部 PR / 内容提交必须先过
pnpm privacy:scan与pnpm evidence:validate。详细规范见 /privacy。
许可策略
使用规则以实际仓库根目录许可证为准，并固定引用 commit。许可证清单需覆盖代码、数据集、模型权重、tokenizer、论文图表、字体、图片、生成模型输出、微调后权重和外部服务条款；每项记录 source/version/license/attribution/redistribution/derivative-use，仅检查 GitHub 仓库的代码 LICENSE 不算完成：
- MIT 主线（
micrograd/nn-zero-to-hero/makemore/minbpe/minGPT/nanoGPT/nanochat/llm.c/llama2.c/rustbpe）：保留版权与许可证说明，只作接口/思想参考，不复制代码、数据或权重（逐仓边界见 参考资料读回）。 - 未确认许可证（
build-nanogpt、autoresearch、LLM101n、microgptgist）：build-nanogpt的 README 表述为 MIT，但根目录若无独立许可证文件，或其余几项未发现清晰许可证时，只做链接、提交顺序和概念引用，不得复制代码，直到许可证经人工确认。 - 书籍/文档类额外限制（
MLNLP-World/LLMs-from-scratch-CN、Lordog/dive-into-llms）：按各自许可证处理外，书籍文字与图片存在额外限制，只作索引和导读，不复制正文、图片或译文；dive-into-llms未确认许可证时仅链接，不复制文档。 - 补充参考核验要求（
rasbt/LLMs-from-scratch、fast.ai、Hugging Face LLM Course、Full Stack Deep Learning）：纳入前须逐项核验许可证与版本。
禁止把"公开可访问"误解为"可自由复制"；不得把 README 中的「License: MIT」声明扩大为文件级许可。任何来源不清、许可证不明或含付费内容的材料只能做事实性链接与原创总结。
五、本地命令速查
下面这些命令是站点、隐私、evidence 与课程地图的常用入口，与 package.json 中的脚本一致；任何脚本调整前请先更新 package.json 并跑 pnpm verify。
| 命令 | 作用 |
|---|---|
pnpm docs:dev | 本地启动 VitePress 开发服务器 |
pnpm docs:build | 构建站点 + 生成静态路由 manifest |
pnpm docs:preview | 预览已构建站点 |
pnpm test:labs | 跑全部 labs 脚本 |
pnpm privacy:scan | 隐私扫描，确保仓库不出现敏感信息 |
pnpm privacy:history | 检查历史提交是否泄漏敏感信息 |
pnpm privacy:history:test | privacy history 自身的单元测试 |
pnpm evidence:validate | 校验 evidence/ 下 evidence 记录的结构与契约 |
pnpm google:gates | 校验 Google 相关 gate 证据 |
pnpm browser:evidence | 校验浏览器侧 evidence 收集链路 |
pnpm docs:links | 校验文档内链与站点的可达性 |
pnpm source:manifest | 校验 source manifest 与 readback 的一致性 |
pnpm clean-room:contract | 校验 clean-room 合约（不复制外部代码 / 数据） |
pnpm course:map | 校验课程地图与周次文件的绑定 |
pnpm production:probe | 对生产站点做 dry-run 探针 |
pnpm production:probe:test | production probe 自身的测试 |
pnpm static:routes:test | 静态路由相关测试 |
pnpm ci:config | 校验 CI workflow 配置 |
pnpm deploy:config | 校验部署相关配置 |
pnpm release:local-static | 本地静态发布 dry-run |
pnpm cloud:dry-run | 跑 cloud adapter 的 dry-run |
pnpm cloud:contract | 校验 cloud artifacts 合约（默认使用 configs/tiny-cpu.json） |
pnpm capstone:local | 本地跑 capstone |
pnpm capstone:verify | 校验 capstone 本地产物 |
pnpm verify:dist | 校验站点 dist 输出 |
pnpm verify | 一键跑完整 verify 流水线（CI / 部署 / 隐私 / evidence） |
Python 侧常用入口（与 scripts/run_labs.sh / pytest 一致）：
export PYTHONPATH="$PWD/python"+python -m pytest python/tests -qpython -m labs.run_all