Sail Research：用延遲換成本的 Long-Horizon Agent 推論平台
Sail Research 讓每個推論 request 宣告 completion window，把可等待的背景 Agent 排到較便宜的運算資源；並以 Sailboxes 補上長時間執行環境。
ai
1274 篇文章從搜尋結果到可靠引用：URL 去重、來源分級與 Claim-Source Mapping
可靠引用不是在答案後面塞 URL：先把 URL、內容副本與來源獨立性拆開，再用 atomic claim、quote span、snapshot 與可重跑檢查建立 claim-source matrix。
SerpAPI 完整指南：多搜尋引擎、結構化 SERP 與非同步查詢
SerpAPI 的核心是代管搜尋結果頁的抓取與解析：用 engine 指定來源，取得結構化 SERP，再自行處理地區、分頁、非同步輪詢與結果驗證。
Serper Search API 完整指南：把 Google 搜尋結果變成 Agent 可用 JSON
Serper 是第三方 Google SERP API：用一個 POST 請求取得 organic、knowledgeGraph、peopleAlsoAsk 等結構化 JSON；真正上線前仍要驗證選填欄位、URL、重試與引用證據。
Slack Code：多人協作 AI Coding 與 Agent 控制平面的競爭版圖
Slack Code 把 AI coding agent 從開發者的終端搬進 Slack 頻道，讓團隊即時看到 diff、預覽與計畫。但它解決的是管理層的透明度焦慮，不是工程師的生產力瓶頸——真正的戰場在「誰當 agent 的控制平面」。
Overview：用資源限制定義智慧｜Stanford CS221 第 1 堂
Stanford CS221 Autumn 2025 第 1 講，從 Overview：用資源限制定義智慧建立可操作的 AI 問題表示與演算法直覺。
Learning I：從計算圖到線性迴歸｜Stanford CS221 第 2 堂
Stanford CS221 Autumn 2025 第 2 講，從 Learning I：從計算圖到線性迴歸 建立可操作的 AI 問題表示與演算法直覺。
Learning II：線性分類、特徵與交叉熵｜Stanford CS221 第 3 堂
Stanford CS221 Autumn 2025 第 3 講，從 Learning II：線性分類、特徵與交叉熵 建立可操作的 AI 問題表示與演算法直覺。
Learning III：深度網路是可重複組合的計算圖｜Stanford CS221 第 4 堂
Stanford CS221 Autumn 2025 第 4 講，從 Learning III：深度網路是可重複組合的計算圖 建立可操作的 AI 問題表示與演算法直覺。
Search I：先定義狀態，再談搜尋演算法｜Stanford CS221 第 5 堂
第 5 講把搜尋問題寫成 state、action、successor 與 cost，並用 acyclic dynamic programming 說明：狀態若遺漏未來所需資訊，再快的演算法也只會解錯問題。
Search II：UCS 與 A* 的優先順序｜Stanford CS221 第 6 堂
Stanford CS221 Autumn 2025 第 6 講依官方材料拆解 Search II：UCS 與 A* 的優先順序，並標出方法成立的假設與限制。
MDPs I：把隨機性放進狀態轉移｜Stanford CS221 第 7 堂
Stanford CS221 Autumn 2025 第 7 講依官方材料拆解 MDPs I：把隨機性放進狀態轉移，並標出方法成立的假設與限制。
MDPs II：不知道轉移模型時如何學 Q 值｜Stanford CS221 第 8 堂
Stanford CS221 Autumn 2025 第 8 講依官方材料拆解 MDPs II：不知道轉移模型時如何學 Q 值，並標出方法成立的假設與限制。
MDPs III：直接對 policy 的期望報酬求梯度｜Stanford CS221 第 9 堂
Stanford CS221 Autumn 2025 第 9 講從 tabular RL 走到 function approximation，再用 log-derivative identity 推出 REINFORCE，最後落到可執行的 PyTorch 更新。
Games I：從 expectimax 到 minimax｜Stanford CS221 第 10 堂
第 10 講把單一 agent 搜尋擴成 adversarial game tree：expectimax 對 chance 求期望、minimax 對對手取最差結果，alpha-beta 則在不改答案下剪掉無關分支。
Games II：TD learning、同時賽局與 Nash 均衡｜Stanford CS221 第 11 堂
第 11 講先用 temporal-difference updates 從遊戲經驗學 value，再從 sequential play 轉向 simultaneous games，以 mixed strategies、minimax guarantee 與 Nash equilibrium 描述穩定策略。
Bayesian Networks I：從 joint distribution 到 factorization｜Stanford CS221 第 12 堂
第 12 講用 random variables 與 factors 建 joint distribution，再以 Bayesian-network factorization 表達 conditional independence，讓 conditioning 與 marginalization 成為可執行的 probabilistic inference。
Bayesian Networks II：Gibbs sampling 與 Markov blanket｜Stanford CS221 第 13 堂
第 13 講在 exact inference 太昂貴時改用 Gibbs sampling：每次只重抽一個變數，僅依 Markov blanket 計算 conditional distribution，並以樣本頻率近似查詢機率。
Bayesian Networks III：從計數、平滑到 EM｜Stanford CS221 第 14 堂
第 14 講從 complete data 的 maximum-likelihood counts 與 Laplace smoothing，走到 latent variables 下交替計算 posterior responsibilities 和更新參數的 EM。
Logic I：模型、蘊涵與 SAT｜Stanford CS221 第 15 堂
第 15 講分開 propositional logic 的 syntax 與 semantics：model checking 用 satisfying assignments 定義 entailment，SAT solver 找見證，inference rules 則必須同時檢查 soundness 與 completeness。