docs: add curated ai reading section

Author: loveunk

.github/workflows/reading-candidates.yml

@@ -0,0 +1,54 @@
+name: Collect reading candidates
+
+on:
+  schedule:
+    - cron: "30 1 * * *"
+  workflow_dispatch:
+
+permissions:
+  contents: read
+  issues: write
+
+jobs:
+  collect:
+    runs-on: ubuntu-latest
+    steps:
+      - name: Checkout
+        uses: actions/checkout@v4
+
+      - name: Setup Python
+        uses: actions/setup-python@v5
+        with:
+          python-version: "3.11"
+
+      - name: Collect candidates
+        run: |
+          python3 tools/collect_reading_candidates.py \
+            --sources reading/sources.json \
+            --since-days 3 \
+            --max-items 12 \
+            --output reading-candidates.md
+
+      - name: Check if candidates exist
+        id: candidates
+        run: |
+          if grep -q "No matching candidates found." reading-candidates.md; then
+            echo "has_candidates=false" >> "$GITHUB_OUTPUT"
+          else
+            echo "has_candidates=true" >> "$GITHUB_OUTPUT"
+          fi
+
+      - name: Create daily candidate issue
+        if: steps.candidates.outputs.has_candidates == 'true'
+        env:
+          GH_TOKEN: ${{ github.token }}
+        run: |
+          title="Reading candidates $(date -u +%F)"
+          existing="$(gh issue list --state open --search "in:title \"$title\"" --json number --jq '.[0].number // empty')"
+          if [ -n "$existing" ]; then
+            echo "Issue already exists: #$existing"
+            exit 0
+          fi
+          gh issue create \
+            --title "$title" \
+            --body-file reading-candidates.md

CONTRIBUTING.md

@@ -6,6 +6,7 @@
 
 - 修复错别字、失效链接、错误代码。
 - 给 LLM、RAG、Agent 章节补充最小示例。
+- 给热门 AI 技术文章阅读板块补充高质量文章摘要。
 - 增加“什么时候不用某技术”的边界说明。
 - 补充评估方法、失败案例和排错经验。
 - 将旧章节更新到当前主流写法。
@@ -40,6 +41,8 @@ python3 tools/check_local_links.py
 
 如果修改了代码示例，请尽量运行对应脚本或 notebook 的关键单元。
 
+如果补充 [热门 AI 技术文章阅读](reading/README.md)，请使用 [阅读条目模板](reading/template.md)，并确保文章来自一手资料、官方博客、论文、工程复盘或成熟开源项目。
+
 ## Issue 建议
 
 提 Issue 时请说明：

README.md

@@ -27,6 +27,7 @@ AI 工具普及后，学习方式应该从“先补完所有理论”变成“
 | 转向 LLM 工程 | [LLM 工程师路线](#llm-工程师路线) | 能构建 Prompt、Embedding、RAG、评估和微调流程 |
 | 学 Agent | [Agent 工程路线](#agent-工程路线) | 理解工具调用、工作流、记忆、guardrails 和上线风险 |
 | 补经典深度学习 | [经典深度学习补课路线](#经典深度学习补课路线) | 补齐 CNN、RNN、优化、正则化和训练策略 |
+| 跟进近期技术文章 | [热门 AI 技术文章阅读](reading/README.md) | 把近期好文章接到本仓库学习路径上 |
 
 ## 30 天新人路线
 
@@ -116,6 +117,18 @@ Agent 学习的重点不是“让模型自己想办法”，而是把任务边
 - 能设计评估指标。
 - 能定位错误并提出改进方案。
 
+## 热门 AI 技术文章阅读
+
+如果你想跟进近期高质量技术文章，可以看 [热门 AI 技术文章阅读](reading/README.md)。
+
+这个板块不做新闻搬运，而是把文章映射到本仓库的学习主题：
+
+- Agent、Coding Agent、Harness、Loop、MCP 和生产化。
+- RAG、Embedding、评估和上下文工程。
+- 多模态、模型推理、部署和安全。
+
+每条文章都会附上推荐阅读前置、推荐理由、中文摘要和读完应该带走的判断。自动化只负责收集候选链接，最终精选仍由人工筛选。
+
 ## 目录结构
 
 ### 数学基础
@@ -177,6 +190,17 @@ Agent 学习的重点不是“让模型自己想办法”，而是把任务边
 - [Loop Engineering](llm/loop-engineering.md)
 - [Agent 生产化](llm/agent-production.md)
 
+### 热门技术文章阅读
+
+- [阅读总览](reading/README.md)
+- [2026 年 6 月精选](reading/2026/06.md)
+- [Agent 阅读索引](reading/topics/agent.md)
+- [Coding Agents 阅读索引](reading/topics/coding-agents.md)
+- [LLM 应用工程阅读索引](reading/topics/llm-engineering.md)
+- [RAG 阅读索引](reading/topics/rag.md)
+- [多模态阅读索引](reading/topics/multimodal.md)
+- [模型推理与基础设施阅读索引](reading/topics/infra.md)
+
 ### 多模态
 
 - [多模态总览](multimodal/README.md)
@@ -207,6 +231,7 @@ Agent 学习的重点不是“让模型自己想办法”，而是把任务边
 
 - 修正文档错误和失效链接。
 - 给 LLM/RAG/Agent 章节补充可验证的最小示例。
+- 为 [热门 AI 技术文章阅读](reading/README.md) 补充高质量文章摘要。
 - 补充评估方法、失败案例和排错经验。
 - 改善中文表达和学习路径衔接。
 

ROADMAP.md

@@ -49,6 +49,15 @@
 - LoRA 微调小项目。
 - 多模态检索项目。
 
+### 阶段 4：热门技术文章阅读
+
+- [x] 增加热门 AI 技术文章阅读入口。
+- [x] 增加月度精选模板和 2026 年 6 月首期精选。
+- [x] 增加 Agent、Coding Agent、RAG、多模态、基础设施等主题索引。
+- [x] 增加 RSS 候选收集脚本和每日 GitHub Actions。
+- [ ] 建立每周人工筛选节奏，把候选 issue 沉淀为精选文章。
+- [ ] 后续增加“本月最值得读的 3 篇”摘要。
+
 ## 内容标准
 
 新增章节建议包含：
@@ -63,6 +72,7 @@
 ## 不做什么
 
 - 不做每日新闻汇总。
+- 不让自动化未经人工审核直接把热门文章写入主分支。
 - 不维护模型能力排行榜。
 - 不收集无法验证的传闻。
 - 不把复杂框架当成学习前置条件。

_layouts/default.html

@@ -14,6 +14,7 @@
       <nav class="site-nav" aria-label="主导航">
         <a href="{{ '/' | relative_url }}">首页</a>
         <a href="{{ '/llm/' | relative_url }}">LLM 与 Agent</a>
+        <a href="{{ '/reading/' | relative_url }}">技术文章</a>
         <a href="{{ '/deep-learning/' | relative_url }}">深度学习</a>
         <a href="{{ '/machine-learning/' | relative_url }}">机器学习</a>
         <a href="https://github.com/{{ site.repository }}">GitHub</a>
@@ -37,6 +38,14 @@
         <a href="{{ '/llm/coding-agents.html' | relative_url }}">AI 编程智能体</a>
         <a href="{{ '/llm/harness-engineering.html' | relative_url }}">Harness Engineering</a>
         <a href="{{ '/llm/loop-engineering.html' | relative_url }}">Loop Engineering</a>
+
+        <p class="sidebar__title">技术文章阅读</p>
+        <a href="{{ '/reading/' | relative_url }}">阅读总览</a>
+        <a href="{{ '/reading/2026/06.html' | relative_url }}">2026 年 6 月精选</a>
+        <a href="{{ '/reading/topics/agent.html' | relative_url }}">Agent</a>
+        <a href="{{ '/reading/topics/coding-agents.html' | relative_url }}">Coding Agents</a>
+        <a href="{{ '/reading/topics/llm-engineering.html' | relative_url }}">LLM 应用工程</a>
+        <a href="{{ '/reading/topics/rag.html' | relative_url }}">RAG</a>
       </nav>
     </aside>
 

reading/2026/06.md

@@ -0,0 +1,113 @@
+# 2026 年 6 月精选
+
+本页记录 2026 年 6 月值得加入学习路径的 AI 技术文章。重点不是追热点，而是帮助读者理解 Agent、RAG、Coding Agent、Harness、Loop、评估和生产化。
+
+## 2026-06-20 首期精选
+
+### Securing the future of AI agents
+
+- 链接：<https://deepmind.google/blog/securing-the-future-of-ai-agents/>
+- 来源：Google DeepMind
+- 日期：2026-06-18
+- 主题：Agent Security / Agent Production
+- 难度：高级
+- 推荐阅读前置：[Agent 生产化](../../llm/agent-production.md)、[Loop Engineering](../../llm/loop-engineering.md)
+- 推荐理由：这篇文章把 Agent 安全从“模型对齐”扩展到“系统级控制”，非常适合理解高权限 Agent 上线后的监控、阻断和响应机制。
+- 摘要：文章提出 AI Control Roadmap，把越来越自主的 Agent 当作需要分层防御的系统来管理。核心思路是用监控、预防和响应机制配合模型能力分级，并用安全领域的威胁建模方法分析 Agent 可能出现的异常行为。文中还提到通过大量 coding agent 轨迹数据来改进实时监控。
+- 读完应该带走什么：Agent 安全不是只靠 prompt 或 refusal，而是权限、沙箱、行为监控、审计、响应策略共同构成的系统工程。
+
+### The Art of Loop Engineering
+
+- 链接：<https://www.langchain.com/blog/the-art-of-loop-engineering>
+- 来源：LangChain
+- 日期：2026-06-16
+- 主题：Loop Engineering / Agent Harness
+- 难度：中级
+- 推荐阅读前置：[Loop Engineering](../../llm/loop-engineering.md)、[Harness Engineering](../../llm/harness-engineering.md)
+- 推荐理由：这篇文章和本仓库新增的 Loop Engineering 章节高度对应，适合作为“为什么 loop 是 Agent 工程核心”的外部补充。
+- 摘要：文章强调，可靠 Agent 不只是强模型加工具，而是要设计适合任务的 harness 和循环。Loop 决定 Agent 如何行动、如何获得反馈、如何修正、什么时候停止。对于编码、研究、数据分析等任务，loop 的结构往往比单次提示词更能决定系统稳定性。
+- 读完应该带走什么：设计 Agent 时，要把“反馈从哪里来、如何验证、何时停止”写成显式工程结构，而不是指望模型自然收敛。
+
+### How to Build a Custom Agent Harness
+
+- 链接：<https://www.langchain.com/blog/how-to-build-a-custom-agent-harness>
+- 来源：LangChain
+- 日期：2026-06-03
+- 主题：Harness Engineering / Agent Architecture
+- 难度：中级
+- 推荐阅读前置：[Harness Engineering](../../llm/harness-engineering.md)、[Agent 工具调用](../../llm/agent-tools.md)
+- 推荐理由：文章用“agent = model + harness”的视角解释为什么上下文、工具、内存、沙箱和中间件会决定 Agent 的实际能力。
+- 摘要：文章把 harness 定义为连接模型和真实世界的脚手架。一个有效 harness 要在每一步为模型提供合适上下文，并通过 middleware 处理业务逻辑、工具生命周期、上下文管理、guardrails 等问题。它提醒读者不要只关注模型选择，而要关注模型外部的运行环境。
+- 读完应该带走什么：Agent 的可用性来自模型和外部工程系统的配合；工具、状态、权限、上下文和错误处理都属于 harness 设计。
+
+### Fault Tolerance in LangGraph: Retries, Timeouts, and Error Handlers
+
+- 链接：<https://www.langchain.com/blog/fault-tolerance-in-langgraph>
+- 来源：LangChain
+- 日期：2026-06-04
+- 主题：Agent Reliability / Workflow
+- 难度：中级
+- 推荐阅读前置：[Agent 工作流模式](../../llm/agent-workflows.md)、[Agent 生产化](../../llm/agent-production.md)
+- 推荐理由：很多 Agent demo 忽略真实环境中的网络失败、工具错误、限流和超时；这篇文章把容错设计放到节点级别讨论。
+- 摘要：文章介绍 retries、timeouts、error handlers 三类基础容错机制，并强调这些配置应该和节点逻辑放在一起。对于多步骤 Agent 来说，失败不可避免，关键是让系统知道哪些错误可以重试、哪些错误应该终止、哪些错误需要进入补救路径。
+- 读完应该带走什么：生产级 Agent 必须把失败路径当作一等公民；没有重试、超时和错误处理的 workflow 只是 demo。
+
+### Scaling Managed Agents: Decoupling the brain from the hands
+
+- 链接：<https://www.anthropic.com/engineering/managed-agents>
+- 来源：Anthropic Engineering
+- 日期：2026-04-08
+- 主题：Long-running Agents / Agent Runtime
+- 难度：高级
+- 推荐阅读前置：[AI 编程智能体](../../llm/coding-agents.md)、[Harness Engineering](../../llm/harness-engineering.md)
+- 推荐理由：文章讨论长周期 Agent 的运行时抽象，对理解“模型能力变化后，harness 也必须演进”很有价值。
+- 摘要：文章认为 harness 会编码关于模型能力的假设，而这些假设会随模型进步而过期。Anthropic 的 Managed Agents 把 session、harness、sandbox 等 Agent 组件抽象出来，让实现细节可以替换，而外部接口保持稳定。这是从单次对话工具走向长期任务系统的重要设计思路。
+- 读完应该带走什么：长期 Agent 的关键不是把一个进程跑很久，而是设计稳定接口、可恢复状态和可替换运行环境。
+
+### Harness design for long-running application development
+
+- 链接：<https://www.anthropic.com/engineering/harness-design-long-running-apps>
+- 来源：Anthropic Engineering
+- 日期：2026-03-24
+- 主题：Coding Agent / Harness / Evaluation
+- 难度：高级
+- 推荐阅读前置：[AI 编程智能体](../../llm/coding-agents.md)、[Loop Engineering](../../llm/loop-engineering.md)
+- 推荐理由：这是理解长时间自主编码 Agent 的重要工程复盘，尤其适合对 Codex、Claude Code 等工具感兴趣的读者。
+- 摘要：文章围绕前端设计和长周期应用开发，讨论为什么 naive agent 容易在复杂任务中失控，并提出通过任务分解、上下文重置、结构化 handoff、planner-generator-evaluator 等方式提升长任务表现。它把“让 Agent 自己写应用”拆成可管理的循环和交接机制。
+- 读完应该带走什么：长周期 Coding Agent 需要拆解、交接、评估和重启机制；上下文管理和 evaluator 设计不亚于模型能力本身。
+
+### How we built our multi-agent research system
+
+- 链接：<https://www.anthropic.com/engineering/multi-agent-research-system>
+- 来源：Anthropic Engineering
+- 日期：2025-06-13
+- 主题：Multi-agent / Research Agent
+- 难度：高级
+- 推荐阅读前置：[Agent 工作流模式](../../llm/agent-workflows.md)、[Agent 记忆与上下文](../../llm/agent-memory-context.md)
+- 推荐理由：这篇文章是多 Agent 系统从 prototype 到 production 的一手复盘，适合学习并行子任务、压缩、协调和评估。
+- 摘要：文章解释 Claude Research 如何由一个 lead agent 规划研究流程，并创建多个并行 subagents 搜索不同方向的信息。它强调多 Agent 适合开放式研究任务，因为研究过程需要根据中间发现不断调整；同时也带来协调、评估和可靠性挑战。
+- 读完应该带走什么：多 Agent 的价值通常来自并行探索和上下文隔离，但代价是协调成本、评估复杂度和更高资源消耗。
+
+### A practical guide to building agents
+
+- 链接：<https://openai.com/business/guides-and-resources/a-practical-guide-to-building-ai-agents/>
+- 来源：OpenAI
+- 日期：页面未标注
+- 主题：Agent Design / Guardrails
+- 难度：入门到中级
+- 推荐阅读前置：[AI Agent](../../llm/agent.md)、[Agent 工具调用](../../llm/agent-tools.md)
+- 推荐理由：这是一篇适合初学者建立 Agent 全局框架的长文，覆盖 use case 判断、模型、工具、指令、编排和 guardrails。
+- 摘要：文章把 Agent 定义为能代表用户独立完成任务的系统，并强调 Agent 适合传统规则系统难以覆盖的复杂判断、非结构化数据和多步骤流程。它将 Agent 设计拆成模型、工具、指令和编排，并把 guardrails 作为上线前的重要部分。
+- 读完应该带走什么：不是所有 LLM 应用都应该做成 Agent；只有当任务需要动态决策、工具操作和多步骤恢复时，Agent 的复杂度才有收益。
+
+### Building effective agents
+
+- 链接：<https://www.anthropic.com/engineering/building-effective-agents>
+- 来源：Anthropic Engineering
+- 日期：2024-12-19
+- 主题：Agent Patterns / Workflows
+- 难度：入门到中级
+- 推荐阅读前置：[AI Agent](../../llm/agent.md)、[Agent 工作流模式](../../llm/agent-workflows.md)
+- 推荐理由：虽然不是最新文章，但它是理解 Agent 与 workflow 区别、避免过度复杂化的基础读物。
+- 摘要：文章区分 workflows 和 agents：前者由预设代码路径编排，后者由模型动态决定流程和工具使用。它总结了 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer 等常见模式，并反复强调从简单方案开始，只在评估证明必要时增加复杂度。
+- 读完应该带走什么：Agent 工程的第一原则不是追求自主性，而是用最简单、最透明、最可评估的结构解决问题。

reading/README.md

@@ -0,0 +1,84 @@
+# 热门 AI 技术文章阅读
+
+这个板块不是 AI 新闻列表，而是把近期值得读的技术文章接到本仓库的学习路径上。
+
+筛选文章时优先回答三个问题：
+
+1. 这篇文章补充了仓库里的哪个主题。
+2. 读者读完后能带走什么工程判断。
+3. 这篇文章是否仍然值得在几个月后回看。
+
+## 推荐阅读方式
+
+如果你正在系统学习，建议先读对应的仓库章节，再读外部文章：
+
+| 学习方向 | 仓库章节 | 阅读索引 |
+| --- | --- | --- |
+| Agent 基础 | [AI Agent](../llm/agent.md) | [Agent](topics/agent.md) |
+| 编程智能体 | [AI 编程智能体](../llm/coding-agents.md) | [Coding Agents](topics/coding-agents.md) |
+| Harness / Loop | [Harness Engineering](../llm/harness-engineering.md)、[Loop Engineering](../llm/loop-engineering.md) | [LLM 应用工程](topics/llm-engineering.md) |
+| RAG | [RAG](../llm/rag.md)、[RAG 评估](../llm/rag-evaluation.md) | [RAG](topics/rag.md) |
+| 多模态 | [多模态总览](../multimodal/README.md) | [多模态](topics/multimodal.md) |
+| 推理与部署 | [API 与模型选型](../llm/api-and-models.md) | [模型推理与基础设施](topics/infra.md) |
+
+## 最新精选
+
+- [2026 年 6 月精选](2026/06.md)
+
+## 选文标准
+
+优先收录：
+
+- 官方技术博客、论文、工程复盘、开源项目设计文档。
+- 能对应到本仓库学习路径的文章，例如 Agent、RAG、评估、MCP、推理部署、多模态。
+- 有清晰工程细节的文章，例如架构、失败模式、评估方法、上线经验。
+- 观点可验证、可复盘、不是纯营销发布的内容。
+
+暂不收录：
+
+- 单纯模型发布新闻。
+- 只比较排行榜、没有方法论的文章。
+- 没有一手信息来源的二次转述。
+- 无法长期帮助学习者建立判断的热点争议。
+
+## 条目格式
+
+每条文章控制在 150-250 字中文摘要，格式见 [template.md](template.md)。
+
+必须包含：
+
+- 链接、来源、日期。
+- 主题和难度。
+- 推荐阅读前置章节。
+- 推荐理由。
+- 摘要。
+- 读完应该带走什么。
+
+## 更新节奏
+
+建议采用两段式流程：
+
+1. 每天由 GitHub Actions 抓取可信 RSS，生成候选 issue。
+2. 人工筛选后，把 3-5 篇真正值得读的文章写入月度精选。
+
+不要让自动化直接提交文章摘要到 `master`。自动化适合做候选收集，最终摘要和推荐理由仍然需要人工判断。
+
+## GitHub Actions 还是 Codex Automations
+
+当前建议：
+
+- GitHub Actions：负责公开、可审计、可复现的候选链接收集。
+- Codex Automations：适合做个人提醒、辅助阅读、草拟摘要、定期提示维护者处理候选 issue。
+
+更具体地说：
+
+| 方案 | 适合做 | 不适合做 |
+| --- | --- | --- |
+| GitHub Actions | 定时抓 RSS、生成候选 issue、跑链接检查、保证流程在仓库内可见 | 自动判断文章质量、直接写入主分支 |
+| Codex Automations | 每天提醒维护者筛选、帮忙总结候选文章、把 issue 草拟成 PR 内容 | 作为唯一公开记录、替代仓库内 CI 流程 |
+
+因此本仓库先采用 GitHub Actions 收集候选，再由人或 Codex 辅助筛选后提交。
+
+## 可信来源
+
+来源列表见 [sources.md](sources.md)。自动收集的 RSS 源配置见 [sources.json](sources.json)。