研究者 · 进阶方案
为想跟得上前沿、能动手实验、能写出被读到的研究 note 的人设计。重点不是"学新论文"，是形成自己的判断框架——区分真突破与营销话术。
研究者 · PhD · 进阶从业者
论文太多了——每天 arXiv 都几十篇，全读完不可能。你要的不是"读多"，是读对。工程落地能力是另一个坑：很多研究 idea 卡在"跑不起来"。最难的是判断力——哪些是真突破、哪些是榨干 benchmark 的小聪明、哪些只是营销。这套方案给你三件事：高质量信息源、动手实验的工具、把研究写出来被读到的练习。
推荐组合
法 · 提问式法 · 拆解法 · 讲授式
研究者通常已经过了"渐进 / 实践"的内容线索阶段——你需要的是方法的组合。提问式训练判断力（每周一个开放问题）；拆解让你读真实开源项目代码理解工程实现；讲授式逼你把读到的东西写出来——能写清楚就证明真懂。
课程系列 · 5 课
R · 018 小时 · 持续滚动
当前 LLM 研究地图
三个月一更。整理当下的争议、共识、未解。让你跟进任何一个细分方向都知道"哪里站着已经稳了、哪里还在打"。
- 能力评估的争议：benchmark 失效 / 数据污染 / 题型逃逸
- 共识：scaling / RLHF / tool use / test-time compute
- 开放问题：长期记忆 / 推理 / 多模态对齐 / 持续学习
- 每个方向 5 篇必读论文 + 为什么必读
R · 0210 小时
Agentic Systems 前沿
Agent 是当下最活跃的方向。从单 agent 到 multi-agent，从 reactive 到 planning，从 chat 到 OS。系统看一遍现状。
- Agent 范式演进史：ReAct → ToolLLM → ChatDev → 现在
- 多 Agent 协作的模式与局限
- Agentic OS：操作系统级的 Agent 整合（pi、Claude Code、OpenAI Operator）
- 评测的困难：怎么衡量"一个 Agent 比另一个好"
R · 0315 小时 · 拆 4 个项目
拆解前沿开源项目
论文是"做了什么"，代码是"怎么做到的"。研究者必须能读代码。
- pi-coding-agent · 极简 + Extension 哲学
- Claude Code · 闭源但有大量逆向资料
- OpenClaw · 开放编程 Agent 内核
- Hermes Agent · 消息驱动框架
- 每个项目：架构图 + 关键决策 + 我会怎么做
R · 04不定 · 每月一个
自己做小实验
不靠实验室也能做的研究——选小问题、用现成模型、跑可复现的对照实验。
- 选题：什么样的问题适合"个人研究者"做
- 设计实验：避免常见 confounding 与数据污染
- 用 batch 工具跑多模型 × 多 prompt
- 结果可视化与统计显著性
R · 05长期 · 季度产出
写一篇被读到的研究 note
不投顶会也可以做研究——把好想法写成被同行读到、引用、讨论的 note。这是 AI 时代研究者的新现实。
- 选题原则："我想读但没人写"才是好 note
- 结构模板：问题 · 假设 · 实验 · 反例 · 推论
- 写作技巧：让聪明但不懂这领域的人也能看懂
- 发表渠道：Substack / Hacker News / Twitter / lesswrong
配套软件 · 这套课要造的工具
① 论文每日推送 + AI 摘要
按方向订阅 arXiv。AI 不只是抓 abstract，而是给"为什么重要 / 跟之前工作什么关系 / 可能有什么坑"的一段话。
② 前沿趋势仪表盘
关键概念出现频次、研究小组活跃度、引用网络可视化。看出"哪个方向在升温、哪个在冷"。
③ 实验跑批工具
多模型 × 多 prompt × 多 dataset 的批量评测。统一接口、缓存结果、自动生成报告图表。
④ 复现工具箱
经典论文配套的可运行环境（Docker / colab）一键拉起。避免你为了跑通 baseline 浪费三天。
⑤ 公开研究 Note 平台
像 Substack 但为研究者设计——LaTeX 公式、可执行代码块、参考文献管理、对照实验展示。
学完你会有
- 跟得上的研究地图——任何方向都知道"前沿在哪、争议在哪"
- 能跑通 + 复现 baseline 的工程能力
- 2-3 篇被读到的研究 note（不是发刊，但有人读、有人引、有人讨论）
- 个人研究品牌——可能比所属机构更重要的资产