7 个阶段 · 37 节课 · 37 张课程图解

AI 入门 37 课图文大纲

先看图理解，再看每课教什么、能做什么

高中毕业生、大学生，面向 AI 初学者；老师带领实操为主，也可配合详细教案自学。

7 个阶段，37 节课，每节建议 60 分钟，共 37 小时。每人一台电脑；API、本地模型与代码项目的环境准备按原课要求提前完成。

从学习路线开始 ↓获取图文 Markdown

根据已完成的 37 课实操细化版 v6 提炼，保持原有课序。每课大纲链接对应的详细教案与学生工作纸。

一张图，先看全程

从“AI 是什么”走到“能用 AI 做什么”

37 小时 / 7 个阶段

前 15 课建立原理框架，中间 13 课练习使用与核验，最后 9 课完成小规模实践与案例分析。

整个系列的学习成果

学完这套课，能获得哪些能力？

说清 AI 与大模型的基本原理

解释 AI、机器学习、深度学习和大语言模型的关系；用小例子说明训练、预测、预训练、对齐和生成各在做什么。

把要求写成可检查的 AI 任务

写明目标、完整材料、限制和输出格式；使用已有对话工具整理信息，逐项核对日期、数值、条件与未提供的信息。

用资料支持回答，并定位错误

整理小型资料库、执行检索和引用核查；区分资料版本、检索缺失、提示组装与回答使用证据时的错误。

按步骤完成小规模技术实践

在已准备的环境中按指引尝试 API、本地模型、小知识库问答和代码修复；保留输入、实际输出、修改及检查记录。

有依据地比较工具和技术说法

结合任务、数据路径、资源和费用范围筛选方案；阅读公开产品案例，区分模型参数、缓存、速度和实际内容质量。

用学习记录安排下一步

整理作品、错误修订、投入与帮助条件，找到需要补练的具体环节；为学习方法和方向探索安排带产物、能验收的小任务。

七阶段课时安排

阶段	课次	课数 / 课时	这一阶段学什么
1. AI 到底是什么	01—05	5 课 / 5 小时	先把 AI、机器学习与深度学习的关系讲清，再用规则、数据、参数、损失和测试解释机器怎样学习。
2. 深度学习四大基石	06—10	5 课 / 5 小时	把多层网络、卷积、向量、注意力与 Transformer 拆成能观察和复算的小过程，形成理解大模型结构的基础。
3. LLM 是怎么炼成的	11—15	5 课 / 5 小时	从文本切分与训练目标出发，串起预训练、对齐、采样和规模评估，说明大语言模型怎样形成和输出回答。
4. 把大模型用起来	16—23	8 课 / 8 小时	学习提示、上下文、RAG、工具调用和智能体的基本使用方法，以实际材料和可检查的过程完成小任务。
5. 多模态与推理	24—28	5 课 / 5 小时	建立生成图像和多模态的机制直觉，学习核验推理答案、读懂接口交互，并依据运行条件比较模型方案。
6. 亲手构建 AI 应用	29—33	5 课 / 5 小时	按指引连接 API 和本地模型，把资料检索与生成接起来，再用测试、学习证据和行动计划整理自己的成果。
7. 真实世界 AI 拆解	34—37	4 课 / 4 小时	以 Manus、Cursor、DeepSeek 和 Character.AI 的公开资料为线索，学习上下文管理、代码核验、专家计算和缓存分析。

找到你关心的内容

显示 37 / 37 课

每课先看核心图解，再看教学内容、学习收获、练习产物和完成标准。图解可放大，窄屏可横向滚动；图中的小算例与示意流程用于解释原理。

阶段 1 · 第 01—05 课 · 5 小时

AI 到底是什么

先把 AI、机器学习与深度学习的关系讲清，再用规则、数据、参数、损失和测试解释机器怎样学习。

阶段成果：一张概念关系图，以及训练、预测、参数调整和独立测试的记录。

第 1 课 · 60 分钟

AI、机器学习与深度学习：三个概念是什么关系

人工智能包含机器学习，机器学习包含深度学习。AI 也可使用人工规则；机器学习从数据学习参数；深度学习使用多层神经网络。 — 从外向内读：AI 是大范围，机器学习是一类实现方法，深度学习又属于机器学习。判断具体系统时，要看它如何实现。

这节课教什么

AI 要解决的感知、判断与行动问题，以及普通条件程序与 AI 系统的区别。
人工直接规定规则，与程序根据带标签样本选择规则的不同过程。
训练数据、候选阈值、错分数、保存模型和新样本预测各自的作用。
修改标注、重新训练和使用原模型之间的区别。
AI 包含机器学习、机器学习包含深度学习；判断类别要查看实现依据。

学完能做什么

画出 AI、机器学习、深度学习的包含关系，并给出有依据的例子。
解释一个阈值怎样从样本中选出，区分训练与预测。
比较改标注前后的测试记录，指出训练零错误不能保证新样本全对。

课堂练习与产物操作本地卡片分类实验：执行手写规则、训练阈值、测试新卡，再改一条标注并重新训练；提交前后记录和四段系统说明的分类表。

怎样判断学会能依据实现说明完成分类，并用操作记录说明什么时候参数改变、什么时候没有改变。

第 2 课 · 60 分钟

机器怎样学习：数据、目标、参数与训练信号

训练从样本和参考答案出发，比较候选阈值并保存阈值六。预测把大小为七的新卡片交给固定阈值，不重新训练，然后输出类别。阈值数字仅是示意。 — 上排用带答案的样本比较候选参数；下排拿保存的参数处理新输入。两条路径的关键区别是参数是否改变。

这节课教什么

机器学习仍需人确定输入、目标、候选模型与比较标准。
枚举候选阈值、逐行统计错分、处理并列并保存参数的训练步骤。
候选集合怎样限制能得到的结果；固定参数怎样处理新输入。
分类预测类别、回归预测连续数量，两者怎样区分。
监督、自监督、聚类和强化学习各自从哪里取得训练信号。

学完能做什么

按给定规则算出候选错分数，选出参数并解释并列处理。
区分训练与固定参数推理，指出没有参考标签时不能评准确率。
根据样本答案、原文、相似关系或行动奖励辨别学习设定。

课堂练习与产物用六条记录在本地执行阈值枚举，分别改变一条标注和候选集合；提交中间计数、预测结果及四种学习信号的辨别表。

怎样判断学会同伴能按记录复算出相同参数，学生能说清数据、目标、参数、输出之间的关系。

第 3 课 · 60 分钟

人工神经元：输入、权重、偏置与激活函数

两个输入为二和三，权重分别为零点五和负一，贡献为一和负三，加偏置一得到负一。ReLU 取零与负一的较大值，最终输出零；这不是概率。 — 顺着箭头先做乘法，再求和加偏置，最后经过 ReLU。本例每个中间值都可以手算核对。

这节课教什么

输入描述本次数据，权重控制各路输入的贡献，偏置整体移动加权结果。
先逐项相乘、再求和加偏置、最后经过激活函数的计算顺序。
ReLU 对正负数的处理，以及激活值与概率的区别。
分别改变输入、权重、偏置和激活方式时，哪些中间量受到影响。
纯线性计算叠加与加入非线性的差别；人工设参数和自动训练的区别。

学完能做什么

手算一个两路输入神经元的贡献、激活前数值与输出。
一次只改一个条件，定位输出改变发生在哪一步。
解释权重、偏置和激活的不同作用，避免把任意输出当作置信度。

课堂练习与产物在本地计算页对照 ReLU 与保持原数两种处理，独立完成三组新输入；提交逐项计算表和单变量对照记录。

怎样判断学会能不依赖页面完成新算例，并说明本课计算使用预设参数，没有自动训练权重。

第 4 课 · 60 分钟

损失函数与梯度下降：模型怎样一步步调整参数

平方损失等于参数w减三后平方，最低点在w等于三。学习率零点二五时，参数从零更新到一点五，再到二点二五，损失降低。先在旧点计算梯度，再更新并重新算损失。 — 曲线是本课单参数平方损失，标点来自实际计算。更新方向由当前位置的梯度决定，步长还取决于学习率。

这节课教什么

平方损失怎样把预测与目标的偏差变成可比较的数值。
坡度或梯度表达当前位置附近的变化方向，与损失本身的区别。
从旧参数计算梯度、按学习率更新、重新计算损失的顺序。
小步、大步和零步长分别可能带来的接近、越界、振荡与停留。
训练曲线能说明什么，以及训练损失下降与陌生数据表现的区别。

学完能做什么

按给定公式算出一次更新的旧梯度、新参数和新损失。
比较同起点的两种学习率，用计算轨迹解释结果差异。
区分参数、学习率和损失，不把参数移动等同于效果改善。

课堂练习与产物操作本地单参数平方损失实验，观察真实计算生成的轨迹；独立完成另一目标下的两步更新，提交计算表与曲线观察。

怎样判断学会每步都使用当前位置的梯度，并能用新损失判断该步是否改善，而不是只看走了多远。

第 5 课 · 60 分钟

数据集与过拟合：怎样判断模型是否真的学会

杯子A、B、C进入训练集用于拟合；杯子D进入验证集用于选择方案；杯子E进入最终测试集用于独立检查。每只杯子的所有照片只属于一组，测试才能考查新对象。 — 同一只杯子的不同照片放在同一组，避免模型靠认出旧对象取得虚高分数。训练、验证与最终测试各有不同用途。

这节课教什么

训练集用于拟合、验证集用于选择方案、最终测试集用于独立检查。
新照片与新对象的差别，以及按对象分组切分数据的方法。
过拟合、欠拟合与训练及验证表现的关系。
同对象跨集合、反复按测试改方案、使用未来信息等数据泄漏问题。
数据代表性、部署环境变化和报告成绩时需要写明的范围。

学完能做什么

按真实对象安排训练、验证、测试，指出泄漏风险。
计算并比较正确率，解释为什么同对象满分不能证明新对象能力。
为夜间或新环境提出独立检查，给已有成绩加上适用范围。

课堂练习与产物用虚构杯子记录对比按照片和按杯子切分后的成绩，再独立安排新物品的数据集；提交分组方案、计分表和评估说明。

怎样判断学会分组符合新对象评估目标，能用留出数据解释选择依据，并指出尚未覆盖的情况。

阶段 2 · 第 06—10 课 · 5 小时

深度学习四大基石

把多层网络、卷积、向量、注意力与 Transformer 拆成能观察和复算的小过程，形成理解大模型结构的基础。

阶段成果：参数更新、滑窗、距离、注意力贡献与因果可见性的计算和解释。

第 6 课 · 60 分钟

多层网络与反向传播：误差怎样影响前面的参数

输入二，参数a和c都为一，第一层ReLU输出二，第二层预测二，目标四，平方损失四。反向得到a与c的梯度均为负八。学习率零点零五时二者同时更新为一点四，随后重新前向。 — 绿色箭头计算预测与损失，蓝色反向路径计算两项参数梯度。最后由优化器使用同一个旧状态的梯度同时更新参数。

这节课教什么

计算图的依赖关系，以及输入经过隐藏层到预测与损失的前向顺序。
沿依赖路径组合局部变化率，求出损失对两个参数的梯度。
有限差分怎样核对梯度，反向求梯度与优化器更新为何是两步。
从同一旧状态同时更新参数，再重新前向检查损失。
ReLU 负区间的局部截断、较深计算链的困难与残差连接的基本作用。

学完能做什么

完成两层小网络从输入到损失的前向计算。
按给定规则算出两个梯度并同时更新，用新损失复核。
解释前向、反向和优化器各做什么，区分训练与固定参数推理。

课堂练习与产物本地演算两参数小网络，比较正区间与负区间的梯度，再独立完成新输入；提交计算图记录、更新表和有限差分对照。

怎样判断学会能保持旧参数与新参数一致地计算，并说清反向结束时参数为何还没有自动改变。

第 7 课 · 60 分钟

卷积神经网络 CNN：从像素到局部特征

三乘三输入为第一行一二零、第二行零一三、第三行二一零。二乘二核为一零、零负一，步幅一且不补边。左上窗口输出零，完整响应图为零负一、负一一。 — 绿色四格是当前窗口，和中间小核逐项相乘后求和，得到右侧绿色输出。窗口移动后仍使用同一组核参数。

这节课教什么

图像怎样表示为带空间位置的数字，局部关系为何重要。
固定小核在各位置共享，逐项乘加得到响应图的过程。
步幅、边界与合法窗口位置怎样决定输出的大小。
原始响应、ReLU 激活与最大池化的先后关系及信息损失。
多层组合扩大感受范围，固定核前向演算与训练图像识别器的区别。

学完能做什么

定位滑动窗口，算出每项响应并按位置排成特征图。
预测单个像素或步幅变化影响哪些输出，区分未计算与零响应。
分别记录激活和池化结果，解释缩小表示时丢掉了什么信息。

课堂练习与产物在九格数字图上运行固定小核，改变中心像素与步幅，再处理一张新图；提交窗口图、响应图、激活与池化计算表。

怎样判断学会能从输出反查对应输入窗口，并说明非零响应为什么不等于识别出了某种真实物体。

第 8 课 · 60 分钟

Embedding 与向量空间：文字如何表示和比较

查询坐标二二，A借用规定坐标三二，B开放时间坐标二四，C活动记录坐标六五。与查询的平方距离依次为一、四、二十五，因此A最近；最近只代表候选排序，不证明内容有效。 — 查询点与各条目的距离可以计算并排序；最近条目还需要核对原文。图中二维坐标是教学设定。

这节课教什么

文本编号用于索引，Embedding 用有序数字表示条目，两者的角色不同。
在同一向量空间中计算平方距离与绝对值距离并排序。
真实嵌入通过任务训练形成，课堂二维坐标用于展示比较过程。
静态入口向量与结合上下文后产生的表示有什么区别。
相关、距离近、意思相同和事实正确为何不能互相替代。

学完能做什么

按给定坐标和度量手算距离，找出相关候选并处理并列。
区分编号、起始向量与上下文表示，不把编号相邻当作语义相近。
面对相似但相反的规定，指出仍需核对原文、日期和适用条件。

课堂练习与产物用人工坐标在本地比较借用规定与开放安排，改变度量和查询点；提交距离排序表及一段有证据范围的答复。

怎样判断学会计算排序正确，同时能说明最近条目只是候选，不能据此直接确认规定是否有效。

第 9 课 · 60 分钟

Attention 注意力：怎样按比例汇总上下文信息

三份材料的内容向量分别为四零、零四、四四，给定匹配强度为二一一，归一化权重为零点五、零点二五、零点二五。对每一维加权求和得到三二。 — 强度 2、1、1 归一化为 0.5、0.25、0.25，再用这些权重汇总三份内容。图中展示的是课堂加权计算环节。

这节课教什么

注意力通过允许位置之间的信息混合产生新的表示。
Q 查询、K 匹配依据、V 被汇总内容的分工。
将给定非负匹配强度归一化，再对内容向量逐维加权求和。
改变匹配强度、内容值或允许集合时，输出分别怎样变化。
因果掩码限制可见位置；多头机制和注意力权重的解释边界。

学完能做什么

算出总和为一的权重，以及各材料对输出每一维的贡献。
区分匹配与内容造成的变化，并在禁用位置后重新归一化。
解释 Q、K、V 的作用，不把注意力大小当作事实正确的证明。

课堂练习与产物在本地汇总两份、三份数值材料，分别改强度、改内容、禁止最后位置；提交权重及贡献表。实验从给定匹配强度开始，不计算完整 Q/K 投影。

怎样判断学会能复算新材料的加权结果，并指出每一处变化由哪个条件引起。

第 10 课 · 60 分钟

Transformer：从文字输入到逐步生成

本图仅示意使用因果掩码的自回归生成结构。五个位置依次为我、想、学、AI、句号。可见矩阵为下三角：第一行只看自己，第二行看前两项，依次类推，未来位置不可见。生成时从我想学的前缀选出AI并追加，然后预测下一项。 — 以采用因果掩码的 Transformer 生成模型为例：左图每行展示当前位置的可见范围，未来位置被遮住。右图展示生成后的下一项被追加到前缀，再继续计算。

这节课教什么

Transformer 架构、训练后的模型和聊天产品分别处于什么层级。
文本块、编号、向量与位置机制怎样构成模型入口。
注意力、前馈网络、残差和归一化在处理块中的不同作用。
因果许可表如何限制未来位置，训练并行与生成先后依赖的区别。
按下一项概率选择、追加到前缀、继续计算直到停止的自回归流程。

学完能做什么

为一段短序列画出允许参考的位置，识别偷看未来的情况。
按给定概率逐轮贪心选择，记录前缀变化与停止原因。
串起文字到输出的主要步骤，区分架构设计、模型参数与产品功能。

课堂练习与产物本地生成因果许可表，并用固定概率材料重放两段文字生成；提交位置表、逐轮前缀记录和整体流程图。

怎样判断学会能在新例子中正确遮挡未来并追踪生成，说明课堂计算了哪些环节、哪些使用给定材料。

阶段 3 · 第 11—15 课 · 5 小时

LLM 是怎么炼成的

从文本切分与训练目标出发，串起预训练、对齐、采样和规模评估，说明大语言模型怎样形成和输出回答。

阶段成果：文本切分记录、下一项训练题、回答评价标准及采样与指标对照。

第 11 课 · 60 分钟

Token 与分词：文字长度、词表和使用预算

原文我学习AI，在包含我、学习、AI的玩具词表中切成三个Token；在只含我、学、习、A、I的词表中切成五个Token。原文相同，Token数取决于词表和切分规则。 — 同一段原文在两套明确的玩具词表下得到不同切分。实际服务还要用对应分词器核算输入与输出预留。

这节课教什么

字符、词、Token 和编号的区别，以及不同分词器导致计数不同的原因。
按玩具词表执行最长匹配，检查文本块与 ID 的对应关系。
BPE 统计相邻片段频次、选择常见对并合并的基本思想。
形成词表、用固定词表编码与训练语言模型参数是三个不同过程。
输入、额外说明与输出预留共同占用预算，正式计数要使用对应编码器。

学完能做什么

按明确词表切分同一句话，比较 Token 数并写出 ID 序列。
逐行统计相邻对的实际次数，完成一次不重叠合并。
核算给定长度预算，说明实际服务还要核对哪些计量条件。

课堂练习与产物用两套小词表编码句子，在本地完成一次 BPE 频次统计与合并，再检查输入和输出预留；提交切分表、频数表及预算方案。

怎样判断学会计数遵循指定规则，能指出词表变化怎样影响可用空间，而不把汉字数直接当 Token 数。

第 12 课 · 60 分钟

LLM 预训练：从原文构造下一 Token 预测任务

原文分块为我、喜欢、学、AI。从中构造三组样本：前缀我预测喜欢；前缀我喜欢预测学；前缀我喜欢学预测AI。目标是原文紧接的下一项，构造样本之后才进入损失计算和参数训练。 — 每一行把前面的内容当输入，把紧接着的下一项当目标。训练信号由原文位置自动产生，这就是本课自监督任务的来源。

这节课教什么

从切块原文生成前缀与下一项目标，自监督答案怎样来自数据本身。
按相同完整前缀统计后续频次，形成课堂经验概率。
目标概率与负对数损失的关系，以及添加另一延续怎样改变结果。
神经语言模型通过预测、损失、反向与更新训练，与频数表拟合的区别。
未见前缀、错误语料、基座续写能力及生成内容的来源核验问题。

学完能做什么

从新句子构造训练配对，找出目标错位或提前泄漏答案的错误。
计算指定前缀的经验概率，比较目标损失的变化。
解释预训练怎样连接到参数更新，以及低损失为什么不保证事实正确。

课堂练习与产物对虚构短句在本地生成配对与频数表，添加一条语料后复算，再测试未见前缀；提交训练配对、概率对照和损失解释。

怎样判断学会目标都能追溯到原文位置，并明确区分本课频数计算与真实神经模型训练。

第 13 课 · 60 分钟

SFT 与 RLHF：从会续写到按要求回答

预训练从原文学习预测下一项；监督微调从用户要求和理想助手示范继续训练；经典RLHF从同题候选的偏好比较训练奖励估计，并利用奖励信号更新生成策略。高奖励并不保证事实正确。 — 三栏分别强调原文、理想示范和候选偏好这三种材料。经典 RLHF 还会把偏好用于奖励估计，再用奖励信号调整生成策略。

这节课教什么

监督微调使用用户要求和理想助手示范进一步训练，怎样承接预训练。
把计算正确、信息完整、格式合规与文风偏好分别列为评价条件。
偏好比较、奖励估计与生成策略在经典 RLHF 流程中的不同职责。
只奖励礼貌等表面特征的代理规则，怎样偏离真实任务目标。
独立核验与回应错误反驳的方法，以及使用时改口和参数训练的区别。

学完能做什么

写出一条符合任务条件的用户—助手示范，并逐项比较候选。
构造骗过表面评分的反例，解释奖励高为何可能仍算错。
区分示范、偏好、奖励模型和策略更新，依据计算回应错误质疑。

课堂练习与产物核验器材库存回答，在本地切换任务评分与礼貌代理评分，再独立处理电池题；提交理想示范、候选评价表和奖励漏洞说明。

怎样判断学会评价有可复算依据，能讲清经典训练流程，同时说明课堂评分器没有训练奖励模型。

第 14 课 · 60 分钟

温度（Temperature）与采样：为什么同样提问会出现不同回答

四项候选甲乙丙丁在T=1时为40%、30%、20%、10%，T=0.5时约为53.3%、30%、13.3%、3.3%。低温改变分布，不证明事实更准确。 — 左右使用同一张候选表，只改变温度。比较条形长度，可以看出高概率项更加集中；事实是否正确仍需另行核验。

这节课教什么

区分模型给出的候选概率与生成系统实际选词的规则。
用累计概率区间理解随机抽样，并与总选最高项的贪心方式比较。
观察温度如何改变概率的集中程度，理解它不增加知识也不更新参数。
分别执行 top-k 和 top-p，比较固定候选数量与累计概率阈值，重新归一化保留项。
固定输入只改一个采样条件，分别检查输出变化与事实正确性。

学完能做什么

能根据一张候选概率表和给定抽样数，复核实际选中了哪一项。
能解释低温、top-k、top-p 的区别，并计算简单截断后的新概率。
能指出回答更稳定不等于更正确，不能用少量抽样证明模型整体质量。

课堂练习与产物在四项候选表中改变温度和选择方式，再独立处理另一张季节候选表，提交概率区间、保留集合及前后变化记录。

怎样判断学会能正确完成一次新表的截断与抽样，并说明参数改变影响了什么、没有证明什么。

第 15 课 · 60 分钟

模型规模与 Scaling Laws：大模型为什么还要按任务比较

每题四步共四题，小中大系统正确步骤分别为2/2/1/3、3/3/2/3、4/4/3/4。部分分为8/16、11/16、15/16，即50%、68.75%、93.75%；整题全对率分别为0/4、0/4、3/4，即0%、0%、75%。 — 两张图来自课堂同一组四题作答记录。按正确步骤给分可见渐进变化；按整题全对给分时，小、中系统都为0，大系统为75%，评分门槛改变了进步的外观。

这节课教什么

区分参数数量、训练数据量与计算投入，理解三者有关但不能互相替代。
用简化预算指数比较同预算配置，理解规模律是有条件的经验趋势。
分别比较平均损失、短题和长题表现，观察不同指标可能给出不同排序。
将同一份步骤记录分别按部分分和整题全对评分，观察门槛如何遮住渐进变化。
从实际任务反推测试题与指标，补查样本、重复结果和实际使用成本。

学完能做什么

能解释参数更多不代表在自己的每项任务上都更好。
能依据给定任务和预算选择候选，保留并列结果与选择条件。
能用原始步骤记录说明评分方式如何改变看起来的能力进步。

课堂练习与产物比较三种教学配置的预算、损失和任务得分；对同一组答题步骤重算两种分数，提交选择表和待核实事项。

怎样判断学会选择有任务指标依据，能说明简化预算不是实际报价，也不把教学小样本当成模型总排名。

阶段 4 · 第 16—23 课 · 8 小时

把大模型用起来

学习提示、上下文、RAG、工具调用和智能体的基本使用方法，以实际材料和可检查的过程完成小任务。

阶段成果：完整提示、来源核验表、检索对照、合法工具请求和任务状态记录。

第 16 课 · 60 分钟

提示词：把含糊要求改成可执行、可核验的任务说明

含糊的“帮我写个通知”被拆为目标、材料、格式、限制、核验五项。原始材料为10月17日、20人，地点待确认、费用未说明；生成要求保留未知并逐项回查来源。 — 先明确目标、材料、格式、限制和核验项，再让模型生成。课堂材料中的地点待确认、费用未说明，提示应明确保留这两项未知，不能要求模型猜出。

这节课教什么

先整理材料中的已确认事实、未知项与来源，再提出生成任务。
写清任务目标、读者、材料范围、输出格式和可检查的限制。
将指令与原始材料分开，识别材料中貌似命令的文字。
用提取事实、生成提醒、逐项回查的步骤检查遗漏与无依据补写。
使用同一份材料比较含糊提示与完整提示，保存原始输出和修订稿。

学完能做什么

能独立写出包含材料、目标、限制、格式和核验项的完整提示。
能从生成通知中找出日期、人数、地点或费用的错误与猜测。
能说明提示改动是否改善了具体问题，而非只凭文风评价答案。

课堂练习与产物向已有 AI 对话工具提交工作坊提醒任务，对照来源核查输出；再独立改写讲座通知，交付提示、原始回复、事实表和修订稿。工具不可用时采用人工后备并注明。

怎样判断学会通知保留全部必要事实，未知项没有被补成确定信息，提示与修订均能回查材料。

第 17 课 · 60 分钟

上下文：让模型本轮拿到足够、有效且不过量的资料

保存资料经筛选进入本轮上下文。本轮包含任务、新通知、摘要和其他必要输入，并预留输出容量。输入与输出合计应在容量内，未进入本轮的资料不等于已删除。 — 左侧是产品保存的资料，右侧是当前任务实际使用的上下文。筛选后仍要为回答预留空间；省略历史内容，并不能证明产品已将它删除。

这节课教什么

理解上下文是本次处理的输入，区分模型参数、当前材料和产品保存的历史或记忆。
筛选任务相关资料，依据确认状态选择版本，避免混用新旧日期、地点和人数。
用教学预算单位计算输入占用与输出预留，认识它与真实 Token 统计的区别。
按目标、有效事实、未知和来源整理摘要，并逐项回查原文。
将摘要交给新对话继续任务，检查压缩后是否仍保留必要条件。

学完能做什么

能为一次任务选出必需材料并解释排除无关或失效内容的理由。
能计算给定预算的余量，写出不混版本、不丢未知项的摘要。
能区分本轮未放入资料与产品真正删除资料，避免误判记忆状态。

课堂练习与产物整理含旧版、新版和无关记录的讲座资料，修复错误摘要并计算容量；在可用 AI 工具的新对话中复查摘要，交付材料清单、摘要和对照记录。

怎样判断学会摘要与有效来源的关键字段一致，预算计算正确，能说明新建对话或省略材料并不证明资料已被删除。

第 18 课 · 60 分钟

RAG 入门：先找适用资料，再写有依据的回答

问题与外部资料进入检索筛选，取得A室现行规则“最多4人”。模型据此形成有来源的回答，并保留投影未说明；回答还要回查适用原文，完整使用判断需检查时间与考试周条件。 — 问题先用于检索，并按对象、版本和条件筛出适用资料，再交给模型作答。图中沿用 A 室现行规则的最多4人，投影未说明；完整使用判断还需核验开放时间与考试周条件。

这节课教什么

理解检索增强生成的分工：外部资料进入上下文，生成模型据此作答并接受核验。
认识解析、分段、来源标签与索引在建库中的作用。
依据对象、现行版本和问题条件过滤文档，区分相关资料与适用证据。
把人数、时间、例外条件逐项对应原文，检查引用是否真正支持结论。
区分没找到资料、找错版本和拿对资料却用错，保留未说明的信息。

学完能做什么

能画出问题、检索资料、生成回答、回查来源的基本流程。
能从混有旧版和其他房间的资料中选出适用规则并逐项判断。
能定位一次回答错误发生的环节，区分未说明、明确否定和已确认。

课堂练习与产物在本地文档卡中核验房间人数、进出时间和考试周条件；用可用 AI 工具完成同材料问答，提交条件—证据—判断表，并独立核验另一房间。

怎样判断学会每项结论有适用原文支持，未知设备或实时状态保持未知，不把规则检查写成实际预约。

第 19 课 · 60 分钟

RAG 检索改进：关键词、语义候选与精确条件怎样配合

给定关键词排名A、C、B，语义排名B、A、D；合并为A、B、C、D。A是现行R-204/E31，B为E13，C为旧版E31，D为通用账号检查。回查A原文得到去服务台重置校园卡，排名本身不是事实。 — 沿用课堂 R-204/E31 查询与给定两路排名，合并候选后仍要核对错误码与版本。A 原文支持去服务台重置校园卡，不能把旧版 C 或假设文本写成处理依据。

这节课教什么

从查询中标出设备号、错误码和版本等不能随意改写的硬条件。
比较关键词匹配与语义相近各自提供的线索，合并候选并去重、保留来源。
用排名融合计算理解多路结果怎样合并；语义排名使用给定教学输入。
区分版本过滤与内容重排，检查排名靠前的文档是否直接支持当前问题。
练习保留原意的查询改写，认识 HyDE 假设文档只能作检索线索。

学完能做什么

能改写搜索问题而不丢失或改错关键编号、时间和版本。
能合并两路候选并解释重复、过期、相似但不适用的区别。
能从候选原文给出有来源的答复，不把排名分数或假设内容当成事实。

课堂练习与产物查询指定终端故障，观察关键词计分、候选合并和旧版过滤；再处理新错误码，交付原查询、改写、候选来源表及最终证据链。

怎样判断学会编号与版本保持准确，筛选理由能回查，最终处理步骤来自有效文档而非假设文本。

第 20 课 · 60 分钟

RAG 切块与评测：找到了相关段落，是否找全了答案依据

课堂P1规定普通工作日17至19点开放、最多4人；P2规定考试周暂停；P3给出考试周为9月21至25日。只取P1缺失必要条件，取得三段后可判断9月22日暂停开放。 — 只取普通工作日规则，无法判断9月22日是否开放。补齐“考试周暂停”和“9月21—25日为考试周”，才能有依据地回答当天暂停开放。

这节课教什么

识别一条规则、例外和日期范围的关联，理解机械切段可能丢失适用条件。
比较较大块与命中后补邻段，认识重叠、父子文档等保留上下文的方法。
为测试问题人工标注必要证据集合，再计算完整取得证据的题数比例。
分别记录证据完整性、最终答案正确性与候选相关比例，分清统计单位。
加入资料无答案的问题，检查系统是否保留未知而非碰巧猜对。

学完能做什么

能指出一份切块方案漏掉了哪条必要规则，并提出补取办法。
能计算课堂定义的证据完整率和相关比例，说明两者的分母不同。
能识别答案虽对但依据不全的情况，提出针对检索或回答的改进。

课堂练习与产物改变三段规则的块大小和邻段补取数量；比较两份问答轨迹，制作逐题证据表、评分表与无答案检查记录。

怎样判断学会能在新资料中找全条件、例外与日期依据，评分分母明确，并将猜对和有证据答对分开。

第 21 课 · 60 分钟

多步 RAG：用上一条证据决定下一步查什么

远帆项目为已知起点，P1说明属于赤团队，P2说明导师为林老师，P3说明本期咨询周二15至16点在C室。每次只查一个已知实体，预算从3减至0；咨询信息不是预约结果。 — 从课堂的远帆项目查到赤团队，再查林老师与本期咨询安排，后一次查询依赖前一次得到的实体。每次保留来源并扣减预算，缺关系或预算耗尽时说明停在哪里。

这节课教什么

把复杂问题拆成已知实体、待查关系和下一次查询，理解检索步骤的依赖。
沿项目、团队、导师、咨询时段建立逐条带来源的关系链。
认识按需检索、Self-RAG 与 GraphRAG 的基本思路及课堂模拟的范围。
设置查询预算，区分证据齐全、关键关系缺失和预算耗尽的停止理由。
比较分步检索与一次提供完整小库，判断何时不需要额外调用。

学完能做什么

能依据已取得的实体提出下一步查询，而不凭猜测补出中间关系。
能记录每次查询、返回、剩余缺口和调用次数，产出可回查的答案链。
能在缺资料或到达预算时停止并报告部分结果，不把未找到说成不存在。

课堂练习与产物在本地关系卡中查询两个项目导师的咨询安排，分别改变查询预算与起始项目，提交查询轨迹、来源关系图和停止说明。

怎样判断学会每一跳都有已取得的来源支撑；缺失关系不补造，查询结果不被写成已经执行的预约。

第 22 课 · 60 分钟

Function Calling 函数调用：把模型请求交给程序验证和执行

模型提出numbers为[12,18,10]、unit为元的JSON请求，宿主检查字段与类型，通过后交求和程序执行。程序返回合计40元，再由模型据此答复；调用方需先确认原数同单位，没有付款动作。 — 时间从上往下走，三个泳道分别表示模型、宿主和求和程序。调用方先确认同单位，合法请求通过字段与类型验证后才会执行，最终答复仅陈述真实返回。

这节课教什么

读懂工具名称、能力范围、输入参数和返回值组成的调用约定。
用 JSON 表达数值数组和单位，区分数字与字符串、必填字段与额外字段。
把模型提出请求、宿主验证、程序执行和返回后答复分成不同环节。
检查类型、数量、缺字段及单位条件，理解格式合法不等于业务条件正确。
逐字段核对最终报告，避免把求和结果扩写成付款、余额或其他未执行状态。

学完能做什么

能按简单工具约定写出合法 JSON 参数，并指出典型错误请求的问题。
能将参数交给本地求和程序，保存真实验证和执行返回。
能仅依据返回值组织答复，并在输入缺失或不同单位时先处理条件。

课堂练习与产物将三项费用整理为工具参数，运行本地校验与求和，再分别修改类型或删除字段观察失败；可让 AI 生成参数后人工提交，交付请求、返回和最终报告。

怎样判断学会有效请求能执行，错误请求被正确定位；报告只陈述已返回的合计，不声称付款成功。

第 23 课 · 60 分钟

Agent 智能体：怎样依据工具反馈推进并停止任务

找房间目标进入状态、决策、工具动作、观察的循环。每轮核查目标、证据和预算；完成、缺证据或预算耗尽时停止并说明。本课程实验是固定轨迹重放。 — 动作产生观察，观察更新已知和未知状态，再决定下一步。任务完成、证据缺失或预算耗尽都要给出相应报告，不能只让循环无限继续。

这节课教什么

用目标、观察、决策、动作和状态理解智能体式任务过程。
比较预先规定的工作流与依据反馈动态选择的步骤，判断任务是否需要自主选择。
记录容量、空闲时段、失败返回和未知状态，避免把读取失败解释成对象不存在。
通过旧入口失败后查目录的固定轨迹，认识有依据的恢复路线与调用预算。
分别检查任务约束、过程证据和最终报告，区分候选推荐与真实预约。

学完能做什么

能读懂一段工具轨迹，逐步说清已知、未知和下一步要解决的问题。
能在预算变化或需求变化后判断任务做到哪一步及为何停止。
能修正夸大的完成报告，并说明固定脚本重放不等于运行了自主智能体。

课堂练习与产物重放寻找五人房间的本地固定工具轨迹，比较两次与四次调用预算，再改变人数，提交状态表、停止理由及有依据的推荐文本。

怎样判断学会仅使用预算内已经取得的观察，失败和未知得到保留，最终报告没有把推荐写成已订好。

阶段 5 · 第 24—28 课 · 5 小时

多模态与推理

建立生成图像和多模态的机制直觉，学习核验推理答案、读懂接口交互，并依据运行条件比较模型方案。

阶段成果：去噪观察、文字来源对照、条件验算、报文检查与方案筛选表。

第 24 课 · 60 分钟

扩散模型：从两格加噪实验理解图像生成的基本思路

已知原值[0,1]和噪声[1,-1]，按0.8乘原值加0.6乘噪声，得到[0.6,0.2]。预测噪声只有真实噪声一半时重建[0.375,0.625]；理想预测重建[0,1]。 — 同一带噪输入用不同的预测噪声重建，结果会出现偏差。这个已知答案的两格实验帮助理解误差传播，不能作为已经训练或运行真实扩散生成的证明。

这节课教什么

用两格数值区分干净样本、噪声、带噪样本及各自比例。
执行加噪与代数重建，观察预测噪声不准确时还原值如何偏离。
区分直接加噪、训练噪声预测器与生成时多步采样的职责。
认识文本条件和潜表示的作用，理解真实生成不是找回预先藏好的原图。
将生成要求拆成对象、颜色、数量和空间关系，逐项检查提示符合度。

学完能做什么

能手算简单加噪和重建，解释噪声预测误差怎样影响结果。
能讲清玩具算式尚未包含哪些训练和生成环节。
能为一张简单几何生成图制定检查项，而不只按画面好看来判断。

课堂练习与产物在两格实验中改变噪声预测比例，提交计算与观察；已有文生图工具可用时再生成两版几何海报，仅改颜色并保留原图对照，否则采用本地计算后备。

怎样判断学会计算能复核，图像检查落实到具体约束，能说明本课建立机制直觉而未完成完整 AIGC 制作流程。

第 25 课 · 60 分钟

多模态：图、音、文字怎样衔接，提取出的信息怎样核验

三张原创文字卡分别为旧海报周二14点D306最多8人、预设OCR同内容但房号D3O6、现行通知周三15点D306最多6人。0与O是字符差异，日期时间人数是版本更新，设备仍未知。 — P1 与 P2 对比用于定位字符差异，P4 则提供已经确认的新版本。整合时按字段记录来源，不把旧时间、新日期和旧人数拼成一份没有依据的通知。

这节课教什么

认识文本、图像、音频等模态，区分原始输入与转换后的文字记录。
通过给定图文相似度表理解表示与对齐，认识联合模型和 OCR、转写串联流程。
把原件记录、提取输出与最终解释分栏，定位字母与数字混淆等识别差异。
依据版本和确认状态处理海报、逐字稿与新通知冲突，逐字段保留来源。
识别设备信息和人物能力等无依据补写，明确重新核验尚缺的原始资料。

学完能做什么

能区分识别错误、版本更新与摘要误用，指出各自需要回查的材料。
能综合多份文字记录，产出含来源和待核问题的活动信息表。
能说明仅凭转写文本无法核验语调，也不能判断一个人的稳定能力。

课堂练习与产物使用模拟海报、OCR、逐字稿及现行通知的文字卡，比对房间字符和活动字段，修订错误摘要，交付来源表、综合结果与原件核验清单；本课不运行真实识别。

怎样判断学会各字段与有效来源对应，识别差异和版本差异分开处理，未把文字卡检查写成看过原图或听过原音。

第 26 课 · 60 分钟

推理模型：把答案放回条件里核验

示例要求 A 箱加 B 箱共 8 箱，容量分别为 4 和 6，总容量为 38。候选 A=6、B=2 满足箱数，却只有 36 容量；修订成 A=5、B=3 后两条条件同时满足。 — 沿两条检查线分别代入箱数与容量；只满足其中一条，仍不能接受答案。图中数值是用于理解核验的课堂示例。

这节课教什么

把题目中的对象、单位和限制写成分别可检查的条件。
用箱数与容量题演示提出候选、代入验算、枚举修订。
只改一个条件，区分试了没找到与完整检查后无解。
认识推理时计算与模型训练的区别；解释更长不等于答案更可靠。
遇到缺少时间等事实时提出补问，不用猜测补齐条件。

学完能做什么

独立写出两条约束，找出看似合理答案漏验的条件。
用手算和本地核验器检查候选，并解释修改条件后的结果。
给模型回答写出接受、修订或暂不能判断的具体依据。

课堂练习与产物完成原题、改题和独立新题，提交保留首答的条件检查表；有现成工具时，把实际模型候选带回核验。

怎样判断学会新题能同时检查全部约束，缺信息时明确指出缺什么，而非只复述模型解释。

第 27 课 · 60 分钟

MCP：让工具请求、权限与返回对应起来

Host 应用包含 MCP Client；Client 向 Server 发送编号 17 的 tools/call 请求，工具名为 lookup_rule，参数为 R2。Server 返回编号 17 的资料 R2。权限、对应编号和资料内容是不同的检查项；本课使用固定报文校验。 — 请求从应用中的 Client 发到 Server，返回要与请求编号对应。工具是否允许读取、返回资料是否正确，还要分别检查。

这节课教什么

用校园规则查询认识 Host、Client、Server 三种角色。
区分工具、资源和提示模板各自提供的内容。
读懂示例请求中的方法、工具名、参数和请求编号。
逐项检查结构、读取权限、返回编号和资料编号。
区分固定报文重放、真实服务调用、返回成功与任务完成。

学完能做什么

画出一次查询的角色和请求返回方向。
发现错编号、无权限或错资料，说明失败发生在哪一层。
写出需要补正的字段与材料，不把返回中的额外指令当作用户授权。

课堂练习与产物校验固定查询报文，分别改变编号、权限和资料；独立构造新请求，提交分层检查表。本课不要求部署真实 MCP 服务。

怎样判断学会能给每一层检查写出证据，并准确说明本次是本地校验还是实际调用。

第 28 课 · 60 分钟

开放与托管模型：按数据、资源和成本选择方案

矩阵纵轴为权重是否公开可获取，横轴为运行位置。公开可获取的权重既能本地运行，也能由远端托管；不提供公开下载的权重也可能有获授权的私有部署方案或远端托管服务。部署可行性和使用条款均需核实。 — 权重是否公开可获取，不能单独决定资料会不会外发。先找到方案在矩阵中的位置，再沿实际数据路径核对运行和授权条件。

这节课教什么

分别识别权重、推理代码、训练资料和使用条款。
区分开放程度与运行位置，画出正文是否外发的数据路径。
先按外发限制、可用内存、用途条款筛选硬条件。
把服务费、硬件摊销、能源和维护放到同一成本口径。
保留未知项，并为候选设计同材料、同标准的小试。

学完能做什么

读一张模型资料卡，说清已知条件与仍需核实的信息。
计算候选总成本，说明淘汰或保留某方案的依据。
在没有合适候选时提出补测需求，而非强行选一个。

课堂练习与产物用虚构 A/B/C 方案做三轮条件筛选，改变外发、内存或预算，提交成本表、未核事项和一组验收题。

怎样判断学会面对新约束能重新筛选，未知费用不按零处理，也不把权重可下载等同于本次离线运行。

阶段 6 · 第 29—33 课 · 5 小时

亲手构建 AI 应用

按指引连接 API 和本地模型，把资料检索与生成接起来，再用测试、学习证据和行动计划整理自己的成果。

阶段成果：实际运行或准确未完成的记录、小知识库问答、评估清单和下一步学习计划。

第 29 课 · 60 分钟

第一次 API 调用：发出请求并核对真实回答

左侧为模型名、消息和长度上限组成的 API 请求。服务端可能返回 401 认证失败，也可能返回 HTTP 200 但输出因长度结束，或返回 HTTP 200 且完整输出。后两种情况都必须对照原文核对事实。 — 同一个请求可能在身份认证、输出完整性或事实层面出问题。分别留下状态、原始正文与原文核验记录，才能解释结果。

这节课教什么

认识模型名、消息、流式设置和输出长度等请求字段。
用提供的 Python 脚本先做不联网的请求预演。
在账户与额度就绪时安全输入密钥，执行一次真实调用。
保存响应，检查 HTTP、正文内容、终止原因与用量。
对照通知原文验收事实，区分认证失败、截断与内容错误。

学完能做什么

按完整步骤构造请求，并说明哪些步骤实际发送了数据。
取得并保存一次回答，或准确定位调用未完成的阶段。
同时检查响应格式和原文事实，不把程序成功当成答案正确。

课堂练习与产物提取通知的时间、地点和缺失报名方式，交脱敏运行记录；环境不足时完成四类人工响应检查，标记真实调用待补。

怎样判断学会记录能回查模型、输入、输出及核验结果，并能辨认预演记录不能证明已取得模型回答。

第 30 课 · 60 分钟

本地大模型：Ollama、资源估算与量化

8B 参数示例的理想权重大小：16 位约 16 GB，4 位约 4 GB，按十进制字节且不含格式额外开销计算。真实运行还需 KV 缓存与运行时内存，量化可能损失信息，不能把更小文件等同于相同质量。 — 同参数量下，理想权重大小随位宽降低；实际占用还包括运行开销和 KV 缓存。模型能否运行、答案是否可用，要另行测试。

这节课教什么

分清模型文件、Ollama 服务和调用程序的分工。
由参数量与位宽计算理想权重大小，识别额外内存占用。
用数轴取整观察量化误差，说明它与真实 Q4 格式的区别。
在课前准备好的环境中列举、运行模型并检查运行实例。
通过本地接口保存回答，检查模型名、完成状态和事实。

学完能做什么

复算存储大小和取整误差，解释为何不能据此保证能运行。
按命令完成一次本地对话和结果保存，或留下明确的未完成记录。
区分已下载、正在运行与回答正确，并检查整个数据路径。

课堂练习与产物计算两组资源与量化题；在已准备的 Ollama 环境复述给定学习记录，提交本地结果文件及核验表，未运行则完成后备。

怎样判断学会能给出资源判断的条件和本地调用证据，不能仅凭文件大小或预演输出宣称运行成功。

第 31 课 · 60 分钟

小知识库实战：检索、生成与引用核验

资料 D1 是旧版学生 1 件 2 天，已失效；D2-1 当前规定为学生同时最多 2 件、借期最多 3 天；D2-2 为续借提前 1 天申请、批准待值班确认；D2-3 仅给工作日 16:30—18:00，周末与费用未知。默认问题「学生同时可以借几件，可以借几天？」经有效筛选和词项检索命中 D2-1，学生人工复制完整提示给现有工具生成，最后逐句核验。本课不是向量库，也不自动调用生成接口。 — 沿用本课原始资料：过滤旧版 D1 后，默认数量与借期问题命中 D2-1。学生复制完整提示到现有对话工具，再核查「学生、同时最多 2 件、借期最多 3 天」及引用。

这节课教什么

为四条规则资料标明版本、有效状态和片段 ID。
运行词项检索，检查筛选、命中排序与原文。
把命中材料组装成完整提示，交给现有对话工具生成。
逐句核验引用、限制条件和资料未提供的内容。
对照旧版混入、命中不足与回答外推，定位不同错误。

学完能做什么

整理一个可回查的小资料库，并解释一次检索为什么命中。
完成检索到回答核验的闭环，保留真实生成或手工后备状态。
让无答案问题保持未知，指出错误应修资料、检索还是回答。

课堂练习与产物完成借用、续借和周末三类问答；再选公开规则整理 3—5 个片段、两道有答案题和一道无答案题。使用词项检索，不要求部署向量库。

怎样判断学会交付资料、检索、提示、原始回答和逐句引用核验五段记录，条件与版本能回查。

第 32 课 · 60 分钟

AI 评估与安全：固定题、关键失败和回归检查

六题依次检查学生最多 2 件、最多 3 天、续借不保证批准、周末未知、身份不明须澄清、不外发且不声称已外发。构造 A 通过第 1、2、3、6 题，4/6 约 66.67%，第 4、5 题失败；构造 B 前五题通过，第 6 题失败，5/6 约 83.33%。普通参考线为 80%，第 6 题是关键项，两版均不满足完整文字条件。文字声称不能代替实际动作日志；日志未核实时保留未知。这是课堂构造材料，不是真实模型成绩。 — 沿用本课六问构造结果：A 为 4/6，关键第六题通过但未过 80% 普通参考线；B 为 5/6，过普通线却在第六题声称已发送。因此两版都未满足本课门槛，动作日志还需另行核实。

这节课教什么

先为六类问题写标准，再查看或获取回答。
保存原始输出，分别标记事实、引用、未知与条件错误。
计算通过率，并把关键失败单列，避免总分掩盖问题。
区分文字声称的动作与实际执行证据；识别资料夹带指令。
设计具体修复、原题回归和新增题，不只重测失败项。

学完能做什么

为一个明确任务建立小评测集与逐题判定依据。
解释两个版本的分数差异和关键缺陷，不凭单一总分选优。
写出能验证改进是否有效的复测计划。

课堂练习与产物对照两组构造回答计分，独立检查事实与引用错位；有现成工具可运行六问小测，提交原始输出、判定与修复报告。

怎样判断学会每个结论能追到题目和原回答，关键失败单列，构造材料与真实成绩分别记录。

第 33 课 · 60 分钟

个人学习地图：用作品证据改进方法与探索方向

报告、代码记录和同学反馈是可回查的证据；可观察到引用核查或空白输入错误被修复，但是否独立完成仍需确认。随后安排三次 30 分钟练习，产出来源表、测试记录、修订版报告，再更新学习计划，而不是给学生固定人格或专业标签。 — 作品、行为和反馈用于提出可核实的观察，帮助程度与缺失信息要一起记录。把观察变成短练习，再用新证据调整计划。

这节课教什么

围绕报告、办公、创作、应用和成长整理已有证据。
区分作品、行为、时间投入与兴趣，标明帮助程度和完成状态。
核对 AI 回顾中的观察、可能解释与缺失信息。
把模糊改进愿望改成有动作、产物和验收的短练习。
用新证据更新优势、待补项和方向探索，不作固定人格或专业结论。

学完能做什么

整理一份能回查的学习与作品清单，说明独立完成到哪一步。
识别没有证据支持的能力标签，提出下一步需要观察什么。
安排三次 30 分钟练习，并说明何种结果会改变计划。

课堂练习与产物分类两组学习证据，为五类目标保留状态；选择三个小动作，交时间表、产物要求和复查条件，可用自愿提供的摘要做 AI 回顾。

怎样判断学会计划能对应具体证据和缺口，兴趣不会被直接推成必选专业，未安排目标有明确待办。

阶段 7 · 第 34—37 课 · 4 小时

真实世界 AI 拆解

以 Manus、Cursor、DeepSeek 和 Character.AI 的公开资料为线索，学习上下文管理、代码核验、专家计算和缓存分析。

阶段成果：任务交接稿、代码修改证据、费用研究卡及缓存与质量的分项分析。

第 34 课 · 60 分钟

Manus 案例：长任务的上下文与交接记录

左侧工作记录把稳定规则保留在页首，下方依次保存资料路径与版本、已确认结果、失败及未知、下一步。右侧接手者先检查来源可访问且版本正确，再依据未完成事项续做；缺文件时明确暂停相关步骤。 — 将稳定规则、资料位置与变化中的任务状态分开记录，交接者才能复查并续做。图示是课堂整理方法，不是 Manus 内部系统截图。

这节课教什么

阅读公开上下文工程经验，分清机制介绍与课堂构造。
比较稳定规则和变化信息的排列，观察连续相同前缀。
以路径、版本和原文核对文件引用，处理丢失或旧版资料。
保留失败原因、待办、未知和停止条件，让任务可以交接。
区分工具目录与允许动作，明确草稿和已执行事项。

学完能做什么

把做到一半的任务整理成同学可以接手的工作记录。
发现引用失效或版本错误，说明可继续与需补材料的部分。
用实际观察评价上下文安排，不把字符计数当成缓存或费用实测。

课堂练习与产物调整借用说明的上下文，制造文件丢失和版本变化；独立整理会议纪要，提交来源、已确认、未知、失败和下一步六项交接记录。

怎样判断学会接手者能回查条件与待办，记录不把计划写成完成；明确本地实验并未复现 Manus 内部系统。

第 35 课 · 60 分钟

Cursor 案例：读懂小项目、修复代码并验证

README 约定时长必须为 1 至 480 整数，允许数字字符串；main 输入 25、15 和空白；total 直接用 Number 将空白转为 0，使原结果为 40。修复必须在累加前校验输入，并通过原有八例与新增边界题，不能删除测试凑通过。 — 沿四个文件找到输入、转换和测试：空白字符串经过 Number 会成为 0，但本项目要求拒绝。修复后仍要保留合法数字字符串，并检查边界。

这节课教什么

在四文件项目中找到规则、输入调用、转换函数和测试。
追踪学习时长的空白输入为何被错误转换成零。
给 AI 明确的阅读与最小修复任务，核对实际引用文件。
比较真假值检查与类型、格式、范围校验，保留字符串调用兼容。
审阅文件差异，执行原有八例和新边界题，理解检索索引的作用。

学完能做什么

沿输入到结果定位错误，并用项目规则说明问题。
在现有 Cursor 环境修复小项目，或清楚记录手工与浏览器后备。
独立检查正常、边界与旧调用，不只相信 AI 的成功说明。

课堂练习与产物运行原创时长统计项目，修复输入校验，保留测试与导出接口；提交修改差异、命令输出和独立新输入结果。

怎样判断学会修复符合规则且保留兼容性，测试没有被删改以凑通过，交付说明写清真实操作与未覆盖范围。

第 36 课 · 60 分钟

DeepSeek 案例：MoE 专家选择、效率与成本

一个输入经路由选专家 A 和 C，权重分别为 0.6 与 0.4；输出 2 与 6 的加权和为 3.6。若共享部分 1 单位、每专家 2 单位，总参数为 9，本次激活参数为 5。此为四专家玩具模型，不是产品参数或费用实测。 — 四专家玩具模型只激活其中两位，将输出按权重相加。激活参数少于总参数，但全部专家权重仍需存放，费用也不只取决于激活比例。

这节课教什么

按给定分数选择专家、归一化权重并计算混合结果。
分别计算总参数与一次激活参数，解释权重仍需存放。
将 MoE、MLA、低精度和调度对应到不同开销。
区分 V3 与 R1 的公开研究范围，不混用版本结论。
计算 GPU 小时和已知费用，保留探索成本等未知项。

学完能做什么

手算新条件下的专家路由与参数账，解释哪些量会变化。
指出激活比例不能直接等同显存或总费用比例的原因。
把低成本说法改成有版本、口径、条件和未测范围的研究卡。

课堂练习与产物用四专家玩具模型改变入选数和分数，复算独立数据；拆解三条过强成本结论，提交参数表、费用账和产品研究卡。

怎样判断学会计算能复核，未知项未被算作零，结论不把玩具路由或一次训练费用说成真实产品全部表现。

第 37 课 · 60 分钟

Character.AI 案例：长对话、KV 缓存与回答质量

上一次已得到 A、B、C 的键和值，保存在 KV 缓存中。本步为新 Token D 计算 Q、K、V，注意力使用 D 的查询与过去及当前的 K/V；D 的 K/V 追加到缓存。下方把效率检查和事实检查分开，缓存不等同于聊天记录或可靠的长期记忆。 — 生成新 Token 时复用已有 K/V，避免重复计算旧 Token 的这些表示；新查询仍需要使用历史信息。缓存节省计算，不会自动让资料或回答变真。

这节课教什么

区分处理输入的预填充与逐 Token 解码，以及不同时间指标。
按层数、KV 头数、长度和精度计算玩具缓存字节数。
改变 KV 头数理解 MQA 的空间影响，保留其他条件。
比较连续共同前缀与状态有效性，区分缓存、聊天记录和长期记忆。
按当前资料评审角色回答，检查事实、未知和动作声明。

学完能做什么

独立复算指定结构的缓存大小，说明公式没有包含什么。
找出可复用前缀，解释文字相同仍可能无法复用的条件。
分别评估效率与回答质量，给公开历史案例写出证据边界。

课堂练习与产物改变长度、头数和前缀做对照，核查三张构造角色回答；提交缓存计算、质量评审和一项个人作品的下一步改进。

怎样判断学会能把空间计算、前缀复用与内容质量分别举证，不把缓存更省推成记忆更可靠或费用同比下降。

与学习和实际任务的联系

希望做到的事	相关课程	当前课程覆盖到什么
查资料、做报告	16—21、31—32	重点练习明确问题、整理材料、检索、保留引用和检查结论，可用于报告的资料准备与核验。
处理实习与办公任务	16—17、22—23、29、34—35	通过通知、信息提取、求和、任务交接和小代码项目，练习把任务交给 AI 并检查实际结果。
创作作品	14、16、24—25	建立采样、提示、生成图像和多模态证据的基础；完整视频制作和复杂设计作品仍需另安排项目练习。
做一个小应用	22—23、29—32、35	按已有示例串起请求、接口、资料、结果和验证；本套先完成可检查的小任务，复杂应用需后续扩展。
改进学习、发现优势与短板	各课观察记录、32—34、37	用作品、错误、帮助条件与修订过程支持反思，形成短期学习计划；专业或职业方向由本人结合更多经历继续探索。