影片狀態：錄影需登入或課程授權。 影片來源與說明
CS329Z: Engineering AI Agents 是 Stanford 電腦科學系 2026 年秋季的三學分課。名字裡的關鍵字是 Engineering。它不是把最新的 agent 論文排成十週讀完，而是要學生把一套 agentic 系統從零做出來、量出來，然後在 Demo Day 上把它演一遍。
課程官網開宗明義給的框架是「compound AI systems」：由 LLM、檢索器、工具、優化器多個元件組成、彼此互動的系統。官網說這代表 AI 應用建構方式的一次根本改變。整學期的三條軸線寫在第一堂的描述裡——拆解（decomposition）、資料（data）、評估（evaluation）。
自學這門課，可以沿著「先做出來，再讓它可靠」讀下去：前段手刻檢索與工具，中段管理 context、記憶與多智慧體，接著用資料和評估決定如何優化。本文整理材料入口與起步方式；系列改為一堂一篇：第 1～11 堂已依實際投影片逐頁帶讀，第 12 堂以後依課表與指定閱讀預習。錄影仍須課程 Canvas 權限。
把系列讀成一次接得起來的工程練習
官方課程的路徑很清楚：先做核心元件，再組 agent harness，接著用資料改善，最後證明它真的有效。本系列依第一堂導讀的方式重整：分清官方材料與本文解釋，沿機制展開，以例子連起來，再給出有答案判準的理解檢查。對要做繁中公司助理的讀者，每一堂都可以接回同一個工作問題。
從請求開始，把證據一路留下來
先用本文自擬任務：「從公司信件說明為什麼交付延期。」檢索要找支持與反例，工具要回傳實際結果，記憶要保存有用狀態，不能把猜測變成事實。從第一堂開始，沿系列順序一堂一堂讀下去。每增加一個元件，都問下一次模型呼叫看得到什麼，以及哪項證據證明動作確實發生。
找到失敗位置，再決定改哪一層
漏掉原信，先查檢索與索引；交接後語意變形，先查交接契約；答案正確但太貴，才談成本優化。多 agent、長 context 與增加推理都是有成本的實驗。留下一條可重播軌跡，做一項有界修改，在同一任務與評分器下比較，才知道改動有沒有對準問題。
先讀材料狀態，再決定怎麼使用導讀
截至 2026-10-29，官網連出 Lecture 01–11（到 10/28 的 Data for Agentic Systems）。第 12 堂以後目前是依課表與指定閱讀寫的預習，不能當成尚未發生的課堂紀錄；閱讀 Digest 也與主線解釋分開。自學者可用公開投影片與論文，錄影則需課程 Canvas 權限。有文章導讀，不表示有公開影片。
理解檢查：助理找到正確信件，寫出合理解釋，並說已寄信，還缺什麼證據？答案判準：先確認解釋有保留原信的不確定性；寄送則要有實際工具結果與對應授權。「已完成」一句話無法證明這兩件事。
這門課的硬事實
授課者三位，都掛在課程官網的 Instructors 區塊。Diyi Yang 是 Stanford CS 助理教授，研究主軸是 socially aware NLP 與人機互動，2024 年拿到 Sloan Research Fellowship。Michael Ryan 是 Diyi Yang 與 Percy Liang 共同指導的博士生、Knight-Hennessy 學者，也是 DSPy 的核心貢獻者。John Yang 是 Ludwig Schmidt 與 Diyi Yang 指導的二年級博士生，SWE-agent 與 SWE-smith 的第一作者。
其餘登記在案的資訊：三學分，Letter 或 Credit/No Credit 皆可。秋季學期實體授課，每週一三下午上課，現行Logistics列出的教室是Skilling Auditorium。
先修條件寫在課程官網的 Logistics 區，四門課擇一：CS224N、CS224U、CS224V、CS336，或等同的 NLP 背景。第一堂的投影片講得更直白：train/dev/test、pretraining、fine-tuning、alignment、prompting 這些概念預設你已經懂，「We will not cover these in this course!」。
課程的主張：先手刻一遍，再看框架抽掉了什麼
這門課最值得記的一句話，就寫在官網歡迎詞的第二段：
Students first build core components (RAG, tool use, agent loops) from scratch, then learn how frameworks like DSPy abstract these patterns.
順序是刻意的，而且不只是口號——它被寫進了課表與作業的結構裡。RAG 排在第三堂，描述裡標了 hands-on「build a RAG pipeline from scratch」；工具呼叫排在第四堂，同樣標 hands-on。兩堂都在框架那一堂之前。DSPy 論文與 LangChain／LlamaIndex 的比較放在第五堂，主題直接叫「what frameworks abstract vs. what you built from scratch」。
這個安排解決的是一個很具體的問題：先學框架的人，通常說不出框架替他做掉了什麼。你會用 dspy.ReAct，但講不出 ReAct 迴圈裡哪一步是模型輸出、哪一步是你的程式碼在解析、失敗時是誰在重試。手刻過一次之後，抽象層才變成一個你能評價的東西，而不是一個你只能相信的東西。
作業把這個主張推得比課表更遠。第一份作業原本分兩半，前半手刻、後半用 DSPy 重寫。九月初改版之後，後半整個拿掉，改成全程禁用 agent 框架，只給你一個 chat-completion 呼叫。框架只在課堂上出現，作業裡一行都不准用。
這條對自學者是可以照抄的：不要從 pip install 開始學 agent。先用官方 SDK 或 litellm 這種只包薄薄一層的介面，把檢索、工具呼叫、迴圈控制、記憶自己寫一遍。跑起來之後，再拿框架對照看它替你做掉了哪些決定。
DSPy 是這門課的落點，但它的作者已經不在 Stanford
DSPy 出自 Stanford NLP。Omar Khattab 在 Stanford 讀博（指導教授 Christopher Potts 與 Matei Zaharia），論文題目是 foundation model programming，DSPy 與 ColBERT 都是那條線的產物。但他2025 年 7 月已經到 MIT EECS 任助理教授，在那之前是 Databricks 的研究科學家。
所以「Stanford 的課教 Stanford 的框架」這句話今天只對一半。真正的連結在授課者這一端。Michael Ryan 是 MIPROv2 論文的共同第一作者，也是 GEPA 的共同作者。這兩篇都是 DSPy 的優化器論文，而且都排在 Optimization 那一堂的閱讀裡。教框架的人，就是寫了框架裡那幾支優化器的人。
DSPy 的官方專案提供程式與發版紀錄；實作時應依所用版本查文件，本文不把首頁版本號當成固定的課程要求。
它解決的問題可以用官網那句標語概括——「Program, don't prompt」。把任務宣告成有型別的 signature，模組決定執行策略（Predict、ChainOfThought、ReAct），優化器再拿一個指標把提示詞自動編譯到收斂。
值得注意的是，這門課沒有把 DSPy 當成終點。第五堂的描述最後一句是「choosing the right level of abstraction」，同一堂還放了 LangChain／LangGraph 與 LlamaIndex。DSPy 也提早在第二堂露面：投影片講結構化輸入輸出時，拿 DSPy signature 當例子，打開來給你看它最後組出來的 system prompt 長什麼樣。它在這門課裡的角色是「被拆開來看的東西」，不是交作業用的工具。
先按學習問題選課，再查當期開課
幾門課的名字很像，先比較官方定位。CS329Z重工程元件、資料與評估；CS329A是研究seminar，關心模型如何透過與自己和環境互動改進；CS224V聚焦可用的領域助理；CS329T則把原型迭代成可靠的agentic應用。
公開課程頁可能屬於不同學年，適合拿來選題，不能直接證明當期仍有開課。要註冊時，另查學校註冊系統的開課、先修與時段。本導讀不把舊首頁的時間當成今天可修課的承諾。
作業長什麼樣
截止日期：HW1 10/5 出、10/30 交；專案提案 10/9 交；HW2 10/26 出、11/20 交；期中 demo 錄影 11/4 交、期中報告 11/6 交；論文影片 11/13 交；論文影片互評（兩支）11/30 交；期末報告與系統 demo 在 12/7–12/11 的期末週，時間未定。有明列時間的提交截止為晚間11:59（太平洋時間）；發布日沒有公告時間，期末展示與報告時段仍待公告。
兩份作業合計一成半，各自綁一場口頭測驗。現行Logistics寫十分鐘、閉書；第一堂投影片曾寫十五分鐘，兩份材料有差異。實際安排應依教學團隊最新公告，不自行指定投影片優先。
HW1: Build an Agentic Harness（第 3 到 6 週）。做一個公司內部用的 AI 助理，而且不准用任何 agent 框架：只有一個 chat-completion 呼叫，其餘全是你自己寫的程式碼。語料是一份真實的企業 email 封存。你先寫能在上面檢索與推理的 LLM 管線，再一路長成完整的 agent harness：工具、終端機、記憶、加上人類審核（human in the loop）。這是整門課的分水嶺，因為課程的核心主張整個壓在這一份上。
這份作業在九月初改過版。八月底的版本語料是研究論文，要回答科學問題，而且分成兩半：Part A 用 litellm 手刻 RAG、工具呼叫與 ReAct 類迴圈，Part B 用 DSPy 重寫並反思框架抽掉了什麼。新版拿掉了 Part B，把省下的力氣花在記憶、終端機與人類審核上。這三樣正是「harness」跟「會呼叫工具的 prompt」之間的距離。
HW2: Evaluate an Agent（第 6 到 9 週）。給一個做好的 agent，要設計一整套評估：程式判分器、至少一個 LLM-as-judge、依課程的四元組框架（request、environment、stopping criteria、scorer）建 benchmark 任務，加上錯誤分析。
作業之外還有兩件事，合起來占三成。第一件是一支十分鐘的論文影片，要挑一篇課堂上沒講過的 agent 論文。第二件是互評，占兩成，比兩份作業加起來還重。整學期有四輪：看論文影片、看期中 demo、看 HW2 的評估設計、看期末 demo，每輪審兩份。投影片說互評的分數看兩件事：你的回饋有沒有用，以及對方有沒有採納。
季度專案占四成，主題原本鎖死成 Making Life at Stanford Better with Agents，九月中改成自選。唯一的限制是要跟課程核心主題之一扯得上關係：建 agent（檢索、工具、記憶、多 agent、優化）、agent 需要的資料，或者評估與安全。官方範例清單保留了課綱閱讀器、選課排程、論文探索、校園活動推薦，另外加了兩個：針對特定 codebase 的 coding agent，以及對一個現成 agent 做嚴謹評估、找出它的失敗模式。
專案規則裡最值得抄的是評估那段：「只做出一個工具、示範它跑通一次，不會拿高分。」你得在一開始就定好任務範圍、資料來源、什麼算成功、怎麼量，然後跟 baseline 比、做錯誤分析。期末報告 8 頁、ICLR 格式，Results 一節就占 25 分裡的 10 分。
其餘規則也很像一場小型投稿。每隊一到三人，官方建議三人，每隊配一位教學團隊的 mentor。期中與期末都要交 GitHub repo，README 要寫到沒看過你程式碼的同學也跑得起來。助教會照著 README 跑一個簡單例子，這占 5 分。每個階段的報告都要附一段 AI 使用揭露，格式仿 ICLR 2026 的 LLM 政策；沒用 AI 也要寫「沒用」，漏寫會扣分。
對校外自學者來說，專案這一塊少了 mentor 和互評，但評估要求與 README 標準完全可以照搬。
背景 Digest：課程網站沿革
展開歷史背景
課程網站的 git 紀錄：開學前後改了什麼
課程官網 cs329z.stanford.edu 是一個 GitHub Pages 站，原始碼在公開 repo cs329z/cs329z.github.io 裡，用 Flask + Flask-FlatPages 產靜態頁，內容全在 data/*.json 與 pages/*.md。這代表課綱的每一次修改都留著 diff。
最有訊息量的是 8 月 16 日那個 commit，訊息一句話說完：Two homeworks, add paper video, rebalance grading to 100%。diff 顯示被刪掉的是原本的 HW2，原文是這樣寫的：
HW2: Data for Agents (Weeks 6–8). Given a staff-provided agent, collect and curate data to optimize its performance — data selection, quality filtering, finding maximally informative examples, synthetic data generation, and building optimization data (SFT or preference pairs). Deliverable: a curated dataset, a data card, and an analysis.
課程沒有說明為什麼刪。可以確認的只有兩件事：資料那兩堂課還在課表上（第 11 堂 Data for Agentic Systems、第 12 堂 Data Selection & Quality），現在沒有作業掛在它們後面；以及論文影片與同儕互評是在同一個 commit 裡補進來的。
接下來三十小時內，評分表被連改四次，專案的比重一路加到一半。原本叫 oral exam 的那兩場也在這輪改名成 HW-based quiz。
但這還不是定案。開學前後又有三輪改動，每一輪都動到課程的骨架：
- 9 月 9 日，HW1 整份重寫。 commit 訊息是
Update HW1 description to match the restructured assignment。研究論文換成企業 email，DSPy 那一半拿掉，改成全程禁用框架。 - 9 月 20 日，專案規則從一份內部文件整段搬上來。 主題改成自選，加上 ICLR 格式、AI 使用揭露、GitHub README 與可重現性配分。期中 demo 也從課堂現場改成錄影繳交。
- 9 月 22 日，第一堂課前一天，評分表再翻一次。 互評從 3% 暴漲到 20%，專案從五成降回四成，作業降到一成半，課堂參與那 5% 直接刪掉。
三輪的方向是一致的：分數從「你交了什麼」移向「你能不能評、能不能被別人重現」。互評要評別人的評估設計，專案要附可重現的 repo，Results 一節是期末報告裡最重的一塊。這門課的第三條軸線「評估」，最後變成評分表本身的形狀。
八月版還有一個對不上的地方：專案頁寫期中在第六週，截止日期表寫第七週。九月那輪重寫之後，兩邊都統一成第七週了。
ExploreCourses 的課程描述到今天仍然寫著 three fully applied homework assignments，跟課程官網的 two 對不上。同一所學校的兩個官方頁面對不上是常態，以課程官網為準。
自學者實際拿得到什麼
先講結論：拿得到課綱、閱讀清單，以及一堂一堂放出來的投影片；HW1 起始碼與測試也已公開；錄影仍需登入 Canvas。
拿得到：前十一堂投影片，而且不用登入。 截至 2026-10-29，官方課表已連到 10/28 的 Data for Agentic Systems。自學可以照下面的順序讀：
| 日期 | 講次 | 官方投影片 |
|---|---|---|
| 9/23 | Lecture 1: Introduction — What Are Agentic Systems? | |
| 9/28 | Lecture 2: LLMs for Builders | |
| 9/30 | Lecture 3: Retrieval-Augmented Generation (RAG) | |
| 10/5 | Lecture 4: Tool Use & Function Calling | |
| 10/7 | Lecture 5: Frameworks & Orchestration | |
| 10/12 | Lecture 6: Agent Design Patterns & Scaffolds | |
| 10/14 | Lecture 7: Agent Memory Architectures | |
| 10/19 | Lecture 8: Multi-Agent Systems | |
| 10/21 | Lecture 9: Optimization | |
| 10/26 | Lecture 10: Guest Lecture — Terminal-Bench | |
| 10/28 | Lecture 11: Data for Agentic Systems |
第二堂實際講的是給開發者的模型內部知識；Anthropic 的 workflow 分類則是第六堂的指定閱讀。第三到第五堂接著走 RAG、工具與框架。新公開的第六、七堂把迴圈延伸成 context 與記憶設計，第八、九堂再回答要不要分工、該優化哪一層。第十堂由 Terminal-Bench 作者講怎麼寫評估任務、驗證器與任務版本，第十一堂整理 agent 資料的兩種形式、五種來源，以及資料會意外教會模型的捷徑。
| 自學階段 | 要回答的工程問題 | 本站導讀 |
|---|---|---|
| 做出元件：Lecture 1–5 | 哪一步是檢索、模型判斷或程式控制？ | 第 1 堂、第 2 堂、第 3 堂、第 4 堂、第 5 堂 |
| 留住進度：Lecture 6–7 | 工具輸出太長時保留什麼？跨 session 記住什麼？ | 第 6 堂：context與第 7 堂：記憶 |
| 分工與改善：Lecture 8–9 | 平行收益能否抵過協調成本？資料與評估足以支持優化嗎？ | 第 8 堂：協調與第 9 堂：優化 |
| 驗收與資料：Lecture 10–11 | agent 說完成之後，環境真的符合要求嗎？訓練資料會意外教會它什麼？ | 第 10 堂：Terminal-Bench與第 11 堂：資料飛輪 |
| 資料與評估：Lecture 12–14 | 哪些資料值得留？四元組寫完整了，才能相信裁判嗎？ | 第 12 堂：資料選擇、第 13 堂：benchmark、第 14 堂：LLM 裁判 |
| 安全與應用：Lecture 15–19 | agent 可以做什麼？在程式碼、桌面與網頁上能走多遠？ | 第 15 堂：安全、第 17 堂：coding agent、第 18 堂：主動式 agent、第 19 堂：開放問題 |
這張表是本文安排的閱讀路線。第 12 堂以後還沒有投影片，仍以課表指定閱讀導讀為主，不當作已取得的課堂口述；第 16 堂客座主題公布後再補。
拿得到：整份閱讀清單，而且每一條都是可點的連結。 指定閱讀與補充閱讀，大半指向 arXiv，其餘指向 BAIR 那篇 compound AI systems 部落格文、MCP 規格、Anthropic 的 Building Effective Agents 等公開頁面。沒有一條鎖在 Canvas 後面。
拿得到：完整的評分表、作業描述與專案要求。 你知道 HW1 要做什麼、HW2 要交什麼、提案與報告各要幾頁、期末報告每一節幾分，也知道每一項占幾分。
拿得到：課程網站的原始碼與修改史。 上一節那些課綱變動就是從這裡讀出來的。
拿不到（至少現在）：錄影。 課堂有錄，但官網寫的是錄影放在 Canvas，要用選課生身分登入。第一堂投影片則寫「Lecture slides and videos will be posted online」。兩個說法還沒對上，公開錄影會不會出現，要再等等看。
拿得到：HW1 起始碼、資料與公開測試。 官網 Logistics 頁已連到官方 starter repo，裡面有作業講義、壓縮的企業郵件封存、Cardinal Energy 文件、待實作的 adapter、確定性與 live 測試，以及模擬使用者評估。Cardinal Energy 是虛構公司；講義把另一份 email archive 說明為真實企業郵件。這已足夠讓自學者照正式介面開工，但 starter 並不是完成的解答。HW2 已在 10/26 發布，不過官網截止日期表沒有連出公開檔案，cs329z 的 GitHub 組織也還沒有 HW2 repo（2026-10-29 查）。
拿得到：10/26 Terminal-Bench 客座的投影片。 官方課表列出講者 Ryan Marten、Alex Shaw，投影片、專案站與論文都能讀；11/16 的另一場客座仍標 TBA。投影片之外的口述，仍要 Canvas 錄影。
還有一件跟教材無關但值得看的東西：這門課的誠信條款花了一整段講怎麼用 AI 工具，語氣跟大多數學校的禁令很不一樣。
目前的 AI 使用規則更明確：作業與專案可以使用 AI 生成的程式碼，但學生必須能驗證、解釋，並接受口試；專案報告不能由 AI 代寫，可以用它腦力激盪或取得寫作回饋。
配套是那兩場口頭測驗：個人、閉書，要你解釋自己的設計決策與取捨。用 AI 幫你寫可以，但你得能當場說清楚你為什麼那樣寫。
第一堂投影片把理由講得更具體。它引了 Anthropic 2026 年的一個隨機對照實驗：52 位工程師學一個新的 Python 函式庫，用 AI 輔助的那組在後測低了 17%，差距最大的是除錯。下一頁的標題是「Use AI to learn how to learn」。這門課要你用 AI，但它量的是你自己學會了什麼。
怎麼開始
今晚就能做的一件事，就是照 HW1 的規則開工：不裝框架，只留一個 chat-completion 呼叫。
先讀官方 HW1 講義，再 clone 起始碼。資料、介面與測試都已備妥，不必另外找一份 email 語料猜作業怎麼做。
git clone https://github.com/cs329z/assignment1-harness.git
cd assignment1-harness
cp .env.example .env
uv run python data/download.py
uv run pytest起始碼需要 Python 3.11 以上與 uv。預設測試不會呼叫模型；一開始出現 NotImplementedError 是預期狀態，代表對應的 adapter 還沒實作。要跑 live 測試，再到 .env 填入自己的 OPENROUTER_API_KEY，執行 uv run pytest -m live -s。
Part 1 先做 email 優先級分類、每日摘要、從零寫 BM25，以及多跳 email 問答。Part 2 才把這些管線包成 Cardinal Agent 的工具，加入文字格式的工具呼叫協定、文件檢索、終端機、context 壓縮、跨 session 記憶、使用者審核與護欄。課程提供的 LM 只回傳字串，工具呼叫怎麼解析、迴圈怎麼控制，都由你自己寫。
最後的評估會讓模擬使用者真的跟 agent 多輪對話，回答追問、批准或拒絕動作。先把測試與 design memo 一起看，再一次實作一個 adapter：機制跑得對，以及能解釋設計取捨，是作業分開檢查的兩件事。
讀物 1｜官方課表與 Logistics
TL;DR
課程用兩份實作與季度專案，把元件建置、agent設計、資料與評估接成同一條學習路徑。
編輯判斷
| 面向 | 判斷 |
|---|---|
| 來源權威 | 當期課程範圍與已公告截止日的一手來源 |
| 取得方式 | 公開材料可讀，錄影另需Canvas權限 |
| 證據邊界 | 課表仍可能變更，未發布投影片不代表內容已講授 |
領域背景
單篇論文解釋一種方法，課程還要安排先備、實作與理解檢查。CS329Z提供這種次序，讓框架和研究不再只是互不相連的工具清單。
中階導讀
歡迎詞先把agent放進複合系統，再要求學生手刻RAG、工具與迴圈，之後回看框架抽象。HW1把元件接成harness；HW2則用不同grader與四元組規格評估既有agent。口試要求學生說明自己交出的程式；Logistics允許經驗證的AI生成程式碼，但不允許AI代寫專案報告。
課表也是材料發布地圖：投影片發布後才掛連結。未來主題描述證明的是計畫範圍，不能當作講師已說過的內容。因此，後續各堂會明示目前是指定閱讀預習。
深入要點
- 課堂討論範圍與作業實作規則不同：課堂可以拆解框架，作業仍可禁止使用框架。
- 公開文件與錄影權限分開；看得到課程頁，不表示影片也公開。
Reviewer 一句話評
把官方頁當成學習契約與發布地圖，日期真正要用時再核對一次。
給你的 take-away
挑一堂的學習目標，做出一個能證明理解的最小產物，並準備解釋它有效的證據。
讀物 2｜官方專案要求
TL;DR
專案需要清楚任務、有意義的評估、比較、錯誤分析與可重現執行；一次成功展示不足以支持系統有效。
編輯判斷
| 面向 | 判斷 |
|---|---|
| 證據 | 官方報告與可重現性配分規格 |
| 有用分界 | 工具跑得動與系統經過評估，是不同產物 |
| 邊界 | 配分屬於這次開課，不是所有專案的通用標準 |
領域背景
Agent展示容易隱藏選題、失敗與安裝條件。專案規格要求把這些選擇寫進可檢查產物，讓別人能評估，而非只相信展示者。
中階導讀
官方允許一到三人組隊，並安排教學團隊mentor。題目連到建agent、agent資料或評估與安全。期末報告需交代環境、方法、結果、限制與揭露，並採指定格式。
期末提交共二十五分，其中報告二十分、可重現性五分；Results占十分，要求在有意義的任務上比較baseline並分析失敗。GitHub README則要讓其他人能執行系統、重現結果。這些要求把「曾經跑通」轉成可以核對的主張。
深入要點
- Baseline協助辨認新增元件的貢獻；單一成功展示無法隔離該貢獻。
- 可重現性查執行契約，結果評估查系統行為，兩者都不能省。
Reviewer 一句話評
這份規格最有教學價值的地方，是把證據與重現明確寫進配分。
給你的 take-away
開發前先寫任務、baseline、驗收指標，以及另一個人重現結果所需的一條命令。
課程影片來源
官方 Logistics 頁說明錄影由課程 Canvas 提供，需登入取得。投影片地圖與各堂導讀依公開教材撰寫，未取得需認證的錄影或逐字稿。
課程與錄影入口：
查核日期：2026-10-29。
更新紀錄
-
2026-10-29：系列由一週一篇改為一堂一篇（第 1–19 堂，第 16 堂客座待公布），閱讀路線表補到第 19 堂，舊週文網址轉到對應堂次。
-
2026-10-29：投影片地圖擴充到 Lecture 11（Terminal-Bench 客座、Data for Agentic Systems），改寫閱讀路線與客座段落中「尚未開講」的說法，補 HW2 起始檔尚未公開的現況，並重查錄影取得方式。
-
2026-10-23：將上課資訊與截止日期併回相關段落，歷史統計與查證紀錄移入研究筆記。
-
2026-10-23：擴充至前九堂官方投影片，補第 4–6 週閱讀路線與 Terminal-Bench 客座閱讀；本次未重驗附錄的歷史統計與跨課比較。
-
2026-10-10：標註影片狀態，核對錄影來源與取得方式。
-
2026-10-10：更新前五堂官方 PDF 投影片，補上已公開的 HW1 起始碼、講義、資料、測試與自學指令，並核對 AI 使用規則與錄影取得方式。
-
2026-09-29：依課程網站 9 月的改版與前兩堂投影片更新——HW1 改為禁用框架的 Agentic Harness（Part B 的 DSPy 重寫移除）、專案主題改自選並加入 ICLR 格式與可重現性、評分表改為互評 20%、補上助教、教室、算力補助、旁聽與錄影說明、投影片內容，並同步改寫標題與 tldr
-
2026-10-10：重查影片狀態。官方 Logistics 頁寫明錄影需登入課程 Canvas，實際開啟入口確認有登入牆，也沒有找到公開錄影；狀態改為需登入。
參考資料
-
Stanford CS329Z: Engineering AI Agents 課程官網 — 授課者、課表、兩份作業內容、評分表、專案主題、先修與誠信條款的一手來源
-
cs329z/cs329z.github.io（課程網站原始碼與 commit 紀錄） — 課綱變動、被刪掉的 HW2 原文、HW1 改版、專案規則改寫、評分表演變
-
ExploreCourses：CS329Z — 註冊系統版的課程描述（仍寫三份作業）、學分、班級代碼、上課時段、期末考時段、授課者名單
-
ExploreCourses：CS329A — 顯示
Last offered: Autumn 2025，證明 2026-27 學年未排課 -
ExploreCourses：CS224V — 2026-27 秋季開課、3-4 學分、官方先修，以及課名從 Conversational Virtual Assistants 改成 Agentic AI
-
Stanford CS329A 課程官網 — CS329A 的官方描述與 Autumn 2025 課表
-
Stanford CS224V 課程官網 — CS224V 的課程主題、作業形態與 Fall 2025 資訊
-
Stanford CS329T 課程官網 — 第四門 agent 相關課的官方描述與先修
-
Diyi Yang 個人頁 — 職稱、研究方向、獲獎紀錄
-
Michael Ryan 個人頁 — 指導教授、DSPy 核心貢獻者身分、MIPROv2 與 GEPA 的作者列
-
John Yang 個人頁 — 指導教授與研究方向
-
Omar Khattab 個人頁 — DSPy 與 ColBERT 的來歷、Stanford 博士與 MIT 教職
-
MIT EECS：Omar Khattab — 2025 年加入 MIT 的官方紀錄
-
DSPy 官方文件 — 版本、貢獻者數、下載量、signature／module／optimizer 的官方說明
-
stanfordnlp/dspy GitHub repo — 授權、星數、論文列表
-
DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines — 第五堂的指定閱讀
-
MIPROv2: Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs — 第九堂的補充閱讀，Michael Ryan 共同第一作者
-
GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning — 第九堂的指定閱讀
-
ReAct: Synergizing Reasoning and Acting in Language Models — 第六堂的指定閱讀，也是八月版 HW1 舉的推理模式
-
SWE-smith: Scaling Data for Software Engineering Agents — 第 12 堂的指定閱讀，授課者 John Yang 的第一作者論文
-
The Shift from Models to Compound AI Systems（BAIR Blog） — 第一堂的指定閱讀，課程主張的出處
-
Model Context Protocol 規格 — 第四堂的指定閱讀
-
Anthropic: Building Effective Agents — 第二堂的指定閱讀
-
litellm — 八月版 HW1 指定的 SDK，本文建議的手刻起點之一
-
CS329Z Lecture 1 投影片：Intro to Agentic Systems — 先修、算力補助、評分、互評計分方式、旁聽與錄影說明
-
CS329Z Lecture 2 投影片：LLMs for Builders — 模型內部速成與 DSPy signature 範例
-
Anthropic: How AI assistance impacts the formation of coding skills — 第一堂投影片引用的 RCT
-
Establishing Best Practices for Building Rigorous Agentic Benchmarks — 評估那堂 8/23 換上的指定閱讀
-
CS329Z Logistics — HW1 起始碼入口、AI 使用規則與 Canvas 錄影方式
-
CS329Z HW1: Building an Agentic Harness — starter, datasets, tests, and setup
-
HW1 handout — Part 1/2 and design memo