一门Agent课程，教到GPU就停了？哈佛这门课反过来——从GPU往上教。CS2680的课程脉络被整理出来，起点是应用层，终点落在推理系统。

多数Agent教程的路径是：先讲怎么调用模型，再讲怎么搭工作流，最后提一句"底层优化很重要"就收尾。CS2680把这条路径倒了过来，应用层只是入口，往下还有一整套推理栈要拆。

课程覆盖的技术点分两段。上半段是Agent侧：Claude Code、Agent Loop、Eval、Token成本、Harness。这些是搭一个能跑起来的Agent系统绕不开的组件，也是日常开发里最先撞上的问题。

下半段直接下沉到推理侧：模型部署、Routing、KV Cache、量化、Speculative Decoding。这些词平时出现在推理框架的文档里，很少和Agent课程放在同一张课表上。

两段之间的落差，正是这门课被讨论的原因。做Agent的人懂Harness，不一定懂KV Cache；做推理的人调得动量化和Speculative Decoding，未必清楚Agent Loop里Eval该怎么设计。课程把两头接在一起，等于要求学习者同时具备应用层和基础设施层的视角。

从定位看，这门课面向的是Agent和AI Infra方向的从业者。Token成本这一项尤其能说明问题——它既是应用层的账，也是推理层的账，中间隔着Routing策略和缓存命中率。

有人把课程的跨度总结成一句话：哈佛把Agent课程，直接教到GPU了。这句话说的是范围，不是深度。从Claude Code一路到Speculative Decoding，中间没有跳过部署和量化这些工程环节。

对独立开发者来说，这份课程清单的价值不在名校标签，在于它把一条完整的技术链路摆了出来。搭Agent时遇到的性能瓶颈，答案往往不在应用层，而在下面那几层。知道链路有多长，才知道该往哪一层挖。