# AI 入门 37 课：每个阶段学会什么

[打开完整课程目录](index.html)

适合高中毕业生、大学生和刚开始使用 AI 的学习者。每课建议 60 分钟，每人一台电脑。主线先从概念和可观察的计算过程出发，再走到工具应用、实际项目和公开工程案例。

| 阶段 | 课次 | 课数 | 学习之后能解释或完成什么 | 带走的证据 |
|---|---|---:|---|---|
| 1. AI 到底是什么 | 01—05 | 5 | 分清 AI、机器学习、深度学习；把训练拆成可见动作，理解数据、参数、损失与新样本的区别 | 分类依据、阈值实验记录、神经元计算、步长比较、训练与测试对照 |
| 2. 深度学习四大基石 | 06—10 | 5 | 跟着数值说明多层网络怎样计算、参数怎样更新；观察卷积、向量相似、注意力和因果遮挡 | 一次参数更新、滑窗计算表、近邻结果、注意力权重、遮挡前后记录 |
| 3. LLM 是怎么炼成的 | 11—15 | 5 | 说明文本怎样切成片段、训练目标怎样构造、对齐与采样改变了什么；避免把模型规模当成万能指标 | 分词过程、接龙预测、偏好与规则检查、温度对比、预算与效果记录 |
| 4. 把大模型用起来 | 16—23 | 8 | 写可核对的任务说明；使用上下文与资料做回答，检查检索证据；理解工具调用和多步执行 | 完整提示与原始回复、资料引用、检索错例、切块比较、工具请求、执行过程 |
| 5. 多模态与推理 | 24—28 | 5 | 观察图像去噪的简化过程、图文证据的互补与冲突；核对推理结果、接口与模型选择依据 | 去噪过程记录、跨模态证据表、独立验证记录、协议字段检查、选型依据 |
| 6. 亲手构建 AI 应用 | 29—33 | 5 | 按具体步骤尝试 API、本地模型与小知识库，检查失败原因、回答依据和评估结果；制定下一步项目计划 | 请求与响应、运行条件、检索材料、评估用例、可验收的学习计划 |
| 7. 真实世界 AI 拆解 | 34—37 | 4 | 用官方公开资料分析上下文、代码检索、条件计算和缓存成本，并区分公开证据与自己的推演 | 上下文预算表、代码检索记录、计算条件表、缓存估算及适用前提 |
| **合计** | **01—37** | **37** | **能解释基础机制，也能留下实际操作、检查和修订的记录** | **每课一份学习证据，逐步形成自己的 AI 学习档案** |

## 整个系列完成后，如何判断自己学到了

1. 面对一个 AI 功能，能够先说清输入、输出、实现依据与尚未知的信息。
2. 能用小例子解释训练、预测、检索、工具调用的差别，而不只背术语。
3. 能提出一个有材料、有约束、有检查标准的任务，保留输入与原始输出并逐项核对。
4. 能观察失败发生在数据、输入、检索、模型输出或程序执行中的哪一步，再改变一个条件复查。
5. 能完成一个适合自己的小项目，说明结果有什么证据、哪里还需要人工检查，并据此安排下一轮学习。

这些是课程验收方向，不是自动授予“专家”“工程师”或能力等级。独立完成复杂项目通常还需要额外练习；真实工具操作的完成情况按学生保存的记录确认。

## 与之前目标怎样连接

查资料做报告可从提示、上下文、RAG 与评估课逐步串起来；实习办公任务可从资料提取、工具调用和 API 实践继续发展；创作可连接多模态与图像课；小应用可连接 API、知识库和执行流程。学习方法与成长分析可以从每课的预测、观察、错误修订和作品记录开始，先基于具体证据反思，避免让一次模型回复决定自己的能力、专业或职业选择。

本轮按网站 37 课逐一细化。上述跨课项目可以在掌握对应机制后继续加练，不把它们再挤回第一课。

## 课序对应

RAG 进阶三课在网站内部编号为 35、36、37，但显示在基础 RAG 后面。新目录仍按实际显示顺序编为第 19、20、21 课；每课保留网站原题和链接，便于核对。