Written by boz
on April 24, 2026

零基础学AI：深度阅读笔记与学习指南

文章信息

原书：《零基础学AI》
作者：yeasy
版本：v1.0.3
原书日期：2026-04-05
适用对象：AI 零基础学习者、希望系统理解 AI 技术版图的知识工作者、准备搭建个人 AI 知识库的读者

如何使用这篇笔记

建议按三层阅读：

快速掌握全貌：先读“全书总览”和“30 分钟检视阅读”。
逐章主动阅读：每章只抓“核心观点、主动问题、逻辑重构、行动转化”。
输出驱动内化：用概念卡、问题卡和费曼输出模板，把知识转化为自己的表达。

使用说明

阅读说明

这篇笔记是什么

这不是原书全文搬运，而是一个 深度阅读工作台：

把 PDF 的章节结构整理成可发布、可复习的 Markdown 笔记；
把关键概念拆成原子卡片；
把每章转换为“阅读目的 → 主动问题 → 逻辑重构 → 批判分析 → 输出练习 → 复习计划”；
提供可直接复制使用的模板和复习系统。

建议阅读节奏

第 1 遍：检视阅读：只看 30分钟检视阅读和全书逻辑地图。
第 2 遍：主动阅读：每章阅读原文，同时填写章节笔记中的“我的理解”和“疑问”。
第 3 遍：输出阅读：用费曼输出模板把每章讲给一个零基础读者。
第 4 遍：网络化阅读：把章节中的概念连接到 03-概念卡片。

标记系统

标记	含义	用法
`★`	核心观点	值得放进永久笔记
`?`	疑问	放进问题卡片
`↔`	关联	与其他章节、概念或现实案例建立链接
`!`	反直觉	适合做输出文章或讨论题
`A`	行动	可立刻实践的应用点

每章最低完成标准

每读完一章，至少完成四件事：

用一句话说明本章解决什么问题；
写出 3 个关键词并链接到概念卡；
写出 1 个批判性问题；
用 150 字做一次费曼复述。

内容索引

使用顺序

先读：阅读说明
快速掌握全书：30分钟检视阅读、全书逻辑地图
按章节精读：从 Ch01｜走进人工智能世界开始
建立概念网络：从人工智能 AI、机器学习 ML、大语言模型 LLM 开始
输出与复盘：使用费曼输出模板、章节笔记模板、间隔重复计划

章节索引

Ch01｜走进人工智能世界
Ch02｜AI 核心概念速览
Ch03｜AI 技术生态与工具全景
Ch04｜机器学习原理
Ch05｜深度学习揭秘
Ch06｜大语言模型详解
Ch07｜推理模型与推理计算
Ch08｜新架构与创新案例
Ch09｜多模态与生成式 AI
Ch10｜主流 AI 工具使用指南
Ch11｜提示词工程入门
Ch12｜提示词工程进阶与上下文工程
Ch13｜AI 实战应用场景
Ch14｜AI 智能体与多智能体系统
Ch15｜AI 伦理、安全与未来
Ch16｜AI 硬件与量子计算入门

核心概念入口

人工智能 AI
机器学习 ML
深度学习 DL
数据
算法
模型
训练
推理
损失函数
监督学习
无监督学习
强化学习
自监督学习
神经网络
Transformer
注意力机制
大语言模型 LLM
预训练
微调
生成式AI
多模态
扩散模型
提示词工程
上下文工程
RAG
MCP
智能体 Agent
多智能体
MoE
MLA
长上下文
AI伦理
GPU TPU NPU

全书总览

30分钟检视阅读

目标

在不陷入细节的情况下，先判断这本书的结构、主线和阅读价值。

0-5 分钟：定位本书

书名：零基础学AI
作者：yeasy
版本：1.0.3
日期：2026-04-05
读者定位：AI 零基础学习者、知识工作者、希望建立 AI 基础框架的人。
文体特点：通俗类比 + 技术概念 + 工具应用 + 趋势展望。

5-15 分钟：浏览目录，抓主线

graph LR
A[AI是什么] --> B[核心概念]
B --> C[机器学习/深度学习]
C --> D[LLM与推理模型]
D --> E[多模态与生成式AI]
E --> F[工具与提示词]
F --> G[上下文工程]
G --> H[智能体]
H --> I[伦理/硬件/未来]

15-25 分钟：找出核心问题

AI 与传统软件的根本差异是什么？
数据、算法、算力各自扮演什么角色？
机器学习、深度学习、大语言模型之间如何连接？
提示词工程为什么会走向上下文工程？
智能体与多智能体系统是否代表下一阶段应用形态？
AI 的风险、边界与未来硬件约束是什么？

25-30 分钟：决定阅读策略

目标	阅读重点	可快读章节
建立 AI 常识	Ch01-Ch03	Ch16 可浏览
理解技术原理	Ch04-Ch08	Ch10-Ch13 可快读
提升 AI 使用能力	Ch10-Ch14	Ch04-Ch08 可概览
做行业/职业转型判断	Ch13-Ch16	Ch05 数学可选部分

检视阅读结论

这本书最适合作为 AI 基础认知地图，不是数学教材，也不是工程实战手册。最佳读法是：先建立概念框架，再用外部实践补足代码、工具和项目经验。

全书逻辑地图

一句话概括

《零基础学AI》试图回答：普通人如何从“听说 AI”过渡到“理解 AI 的基本原理、工具生态、应用方式与未来风险”？

五层结构

graph TD
L1[第一层：基础认知<br/>Ch01-Ch03] --> L2[第二层：核心技术<br/>Ch04-Ch09]
L2 --> L3[第三层：工具使用<br/>Ch10-Ch12]
L3 --> L4[第四层：应用与系统<br/>Ch13-Ch14]
L4 --> L5[第五层：治理与未来<br/>Ch15-Ch16]

L1 --> C1[AI/ML/DL/数据/算法/模型]
L2 --> C2[机器学习/深度学习/LLM/推理/多模态]
L3 --> C3[ChatGPT/Claude/Gemini/提示词/上下文工程]
L4 --> C4[行业应用/智能体/多智能体]
L5 --> C5[伦理/安全/就业/AGI/硬件/量子计算]

核心论证链

AI 的本质变化：从人工写规则到用数据训练模型。
AI 的能力来源：数据、算法、算力三者共同作用。
AI 的技术演进：机器学习 → 深度学习 → Transformer/LLM → 推理模型/新架构/多模态。
AI 的使用升级：工具使用 → 提示词 → 上下文工程 → 智能体系统。
AI 的现实约束：成本、隐私、偏见、安全、就业影响、硬件瓶颈与治理问题。

阅读中的关键张力

张力	问题
规则 vs 学习	AI 何时比传统软件更适合？
数据 vs 算法	模型能力到底由什么决定？
通用能力 vs 垂直场景	通用模型如何进入具体行业？
提示词 vs 上下文	为什么只会写提示词不够？
自动化 vs 责任	AI 做事后，错误由谁负责？
长上下文 vs RAG	把资料全塞进去是否足够？

21天深度阅读计划

计划原则

每天 45-75 分钟；
每 3 天做一次输出；
每章都要产出至少 1 张概念卡和 1 张问题卡；
第 21 天只做整合，不读新内容。

日程表

天数	阅读任务	输出任务
D1	30分钟检视阅读 + 全书逻辑地图	写下 5 个阅读目标
D2	Ch01｜走进人工智能世界	费曼解释“AI 为什么不是写规则”
D3	Ch02｜AI 核心概念速览	画出 AI/ML/DL/数据/算法/模型关系图
D4	Ch03｜AI 技术生态与工具全景	列出你常用 AI 工具属于技术栈哪一层
D5	Ch04｜机器学习原理	比较监督/无监督/强化/自监督学习
D6	Ch05｜深度学习揭秘	解释“自动特征学习”
D7	第一次复盘	整理 10 张概念卡
D8	Ch06｜大语言模型详解	费曼解释 Transformer 与 LLM
D9	Ch07｜推理模型与推理计算	判断 5 个任务是否需要推理模型
D10	Ch08｜新架构与创新案例	写出长上下文、MoE、DeepSeek 的关系
D11	Ch09｜多模态与生成式 AI	分析一个图像/视频生成案例
D12	Ch10｜主流 AI 工具使用指南	做一张工具选择表
D13	第二次复盘	整合 Ch06-Ch10 的概念网络
D14	Ch11｜提示词工程入门	改写 3 条低质量提示词
D15	Ch12｜提示词工程进阶与上下文工程	设计一个 RAG/上下文方案草图
D16	Ch13｜AI 实战应用场景	拆解你的一项工作流
D17	Ch14｜AI 智能体与多智能体系统	设计一个小型智能体任务
D18	Ch15｜AI 伦理、安全与未来	写 5 条风险控制原则
D19	Ch16｜AI 硬件与量子计算入门	解释硬件如何影响 AI 成本
D20	附录与术语回顾	补齐薄弱概念卡
D21	总复盘	写一篇 800 字读书输出

逐章深度阅读笔记

Ch01｜走进人工智能世界

1. 阅读前定位

本章目的：从日常经验、AI 发展史、弱 AI/强 AI 与隐形算法四个入口建立 AI 的整体直觉。

本章目录：

那个永远认不出猫的超级计算机
达特茅斯的夏天与漫长的寒冬
为什么贾维斯还不够聪明
消失的收银员与看不见的算法

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

你的工作中哪些判断无法写成清晰规则？
当认知成本下降，哪些岗位会被重构？
生成式 AI 与传统判别式 AI 的生产力差异在哪里？

3. 核心观点

AI 不是简单的高速计算，而是处理规则难以显式描述的问题。
AI 的范式转变是从“写规则”转向“用数据训练”。
这一轮 AI 浪潮由算力、数据、算法共同驱动。
AI 最成熟的形态往往是“隐形”的：推荐、风控、调度、搜索、识别。

4. 逻辑重构

graph TD
A[本章主题：走进人工智能世界] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：人工智能 AI, 生成式AI

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch02｜AI 核心概念速览

1. 阅读前定位

本章目的：建立 AI、机器学习、深度学习、数据、算法、模型、训练、推理等基础词汇表。

本章目录：

智能的套娃
作为燃料的数据
算法：就是一张番茄炒蛋的菜谱
怎么训练？就像反复做题并订正

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

为什么数据比算法更难复制？
模型黑盒会给医疗、金融、法律等领域带来什么风险？
正确率很高是否等于“理解”？

3. 核心观点

AI ⊃ 机器学习 ⊃ 深度学习，是愿景、手段与技术工具的包含关系。
数据决定模型上限，垃圾进垃圾出。
算法是菜谱，模型是用数据训练出的成品。
训练是反复做题并根据反馈更新参数；推理是使用训练好的模型。

4. 逻辑重构

graph TD
A[本章主题：AI 核心概念速览] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：人工智能 AI, 机器学习 ML, 深度学习 DL, 数据, 算法, 模型, 训练, 推理

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch03｜AI 技术生态与工具全景

1. 阅读前定位

本章目的：把 AI 行业拆成硬件、基础设施、框架、模型、应用与部署模式，建立工具选择地图。

本章目录：

盖房子的艺术
选云厂商就像选厨房
开源的盛宴：Hold 住你的 Hugging Face
中央厨房与自热火锅

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

普通学习者应关注技术栈的哪一层？
为什么应用层机会多但竞争激烈？
如何判断一个 AI 工具是平台、框架、模型还是应用？

3. 核心观点

AI 技术栈可理解为从芯片到应用的层级结构。
云平台把模型能力、数据服务、部署与治理包装成服务。
开源生态降低了学习和开发门槛。
云端部署与边缘部署分别对应集中能力与本地低延迟/隐私需求。

4. 逻辑重构

graph TD
A[本章主题：AI 技术生态与工具全景] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：GPU TPU NPU, 模型, 推理

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch04｜机器学习原理

1. 阅读前定位

本章目的：理解机器学习如何从样本中归纳规律，以及不同学习范式适合解决什么问题。

本章目录：

归纳法与机器学习
监督学习
无监督学习
强化学习
强化学习的真实场景与挑战
自监督学习

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

什么问题必须有标签才能解决？
什么场景适合让模型自己发现结构？
强化学习为什么在现实世界中比游戏环境更困难？

3. 核心观点

监督学习依赖带标签样本，适合分类和预测。
无监督学习寻找数据中的结构，适合聚类、降维与模式发现。
强化学习通过奖励信号学习策略，但真实世界成本与安全约束很高。
自监督学习让模型从数据本身构造训练信号，是大模型预训练的重要基础。

4. 逻辑重构

graph TD
A[本章主题：机器学习原理] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：机器学习 ML, 监督学习, 无监督学习, 强化学习, 自监督学习

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch05｜深度学习揭秘

1. 阅读前定位

本章目的：把神经网络看作可学习的函数逼近器，理解深度学习的能力边界与局限。

本章目录：

神经网络
深度学习训练
深度学习架构
深度学习的局限性
数学直觉：理解神经网络的灵魂（可选）

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

“自动提取特征”为什么是革命性变化？
更深更大的模型一定更好吗？
黑盒模型在高风险领域应如何被约束？

3. 核心观点

神经网络通过层级表示自动提取特征。
深度学习的能力依赖数据、算力、架构与优化过程。
CNN、RNN、Transformer 等架构对应不同数据结构与任务。
局限包括黑盒性、数据依赖、幻觉、泛化不足和资源消耗。

4. 逻辑重构

graph TD
A[本章主题：深度学习揭秘] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：深度学习 DL, 神经网络, 损失函数

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch06｜大语言模型详解

1. 阅读前定位

本章目的：理解 LLM 为什么能处理语言、代码与知识任务，以及 Transformer、预训练、微调和推理部署的关系。

本章目录：

语言模型演变
大模型原理
Transformer 的注意力机制详解
预训练与微调
主流大模型
大模型的部署与推理：让模型跑起来

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

LLM 是记忆知识还是生成概率？
注意力机制为什么适合长文本建模？
开源模型与闭源模型的取舍标准是什么？

3. 核心观点

语言模型本质上学习 token 序列中的概率结构。
Transformer 的注意力机制让模型在上下文中动态关注相关信息。
预训练获得通用能力，微调/对齐让模型适应任务和人类偏好。
部署与推理涉及成本、延迟、上下文长度、量化和服务架构。

4. 逻辑重构

graph TD
A[本章主题：大语言模型详解] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：大语言模型 LLM, Transformer, 注意力机制, 预训练, 微调

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch07｜推理模型与推理计算

1. 阅读前定位

本章目的：理解从快速回答到显式推理的范式变化，以及推理能力带来的成本、延迟和可靠性权衡。

本章目录：

两种思维方式：System 1 vs System 2
推理模型的工作原理
推理计算：新的AI范式
主流推理模型深度对比
推理模型的局限与成本

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

什么时候需要推理模型，什么时候不需要？
更长推理是否一定更正确？
推理过程可见性与答案可靠性之间是什么关系？

3. 核心观点

推理模型更强调分步骤解决复杂问题。
推理计算把测试时计算资源转化为更高质量答案。
“慢思考”适合数学、代码、规划、复杂分析等任务。
推理模型的代价是更高成本、更长等待时间和仍然存在的错误。

4. 逻辑重构

graph TD
A[本章主题：推理模型与推理计算] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：推理, 大语言模型 LLM

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch08｜新架构与创新案例

1. 阅读前定位

本章目的：从 Transformer 的扩展瓶颈进入新架构、长上下文、MoE、MLA 与推理模型创新。

本章目录：

Transformer 的二次复杂度
状态空间模型入门
混合架构的未来：Jamba、Bamba、Titans
长上下文与持久记忆
DeepSeek 是什么
DeepSeek 的技术创新：MLA 和 MoE
DeepSeek-R1：推理模型的黑马

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

长上下文能否替代 RAG？
MoE 的效率优势来自哪里？
新架构是替代 Transformer，还是与其形成混合系统？

3. 核心观点

Transformer 的注意力计算存在随序列长度增长的成本问题。
状态空间模型和混合架构试图提升长序列建模效率。
长上下文与持久记忆改变了 AI 与知识库、工作流和个人数据的关系。
DeepSeek 案例展示了架构、训练策略和成本效率创新的重要性。

4. 逻辑重构

graph TD
A[本章主题：新架构与创新案例] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：Transformer, 长上下文, MoE, MLA

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch09｜多模态与生成式 AI

1. 阅读前定位

本章目的：理解 AI 从文本走向图像、音频、视频和现实世界行动的路径。

本章目录：

多模态学习
图像生成与扩散模型
视频与音频生成
原生全模态与具身智能

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

多模态模型是在“理解”世界，还是在对齐数据分布？
生成式内容如何改变创意行业成本结构？
具身智能离通用机器人还有哪些障碍？

3. 核心观点

多模态学习让模型在不同信息形式之间建立对齐。
扩散模型是图像生成的重要路线。
视频和音频生成提高了内容生产能力，也放大了真实性验证问题。
全模态与具身智能把感知、语言、行动连接起来。

4. 逻辑重构

graph TD
A[本章主题：多模态与生成式 AI] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：多模态, 扩散模型, 生成式AI

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch10｜主流 AI 工具使用指南

1. 阅读前定位

本章目的：从工具能力、适用场景和选择标准理解主流 AI 产品。

本章目录：

ChatGPT
Claude
Gemini
国产 AI 工具
垂直领域工具

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

怎样评估一个 AI 工具是否适合你的工作？
为什么同一提示词在不同模型上表现不同？
通用模型和垂直工具如何组合？

3. 核心观点

不同模型和工具的强项不同，应按任务而非名气选择。
通用对话工具适合写作、问答、分析、代码等场景。
垂直工具通常在特定工作流中更高效。
工具使用能力本质上是任务拆解、上下文组织与结果校验能力。

4. 逻辑重构

graph TD
A[本章主题：主流 AI 工具使用指南] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：大语言模型 LLM, 提示词工程

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch11｜提示词工程入门

1. 阅读前定位

本章目的：把提示词从“写咒语”还原为任务说明、上下文提供、输出约束与迭代校验。

本章目录：

提示词工程简介
提示词黄金三原则
常用提示词模式
常见错误清单
提示词工程的失效边界

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

提示词为什么不是越长越好？
怎样区分提示词问题和模型能力问题？
哪些任务不能只靠提示词解决？

3. 核心观点

好提示词要明确角色、任务、上下文、标准与输出格式。
提示词模式可复用，但必须服务于具体任务。
常见错误包括目标模糊、缺少上下文、没有验收标准、一次性要求过多。
提示词工程有边界，不能替代数据、工具、系统集成和人工判断。

4. 逻辑重构

graph TD
A[本章主题：提示词工程入门] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：提示词工程, 上下文工程

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch12｜提示词工程进阶与上下文工程

1. 阅读前定位

本章目的：从单次提示词升级为上下文、知识库、系统集成与迭代工作流设计。

本章目录：

思维链
结构化输出
迭代优化
高级提示词技巧
上下文工程：AI 时代的基本素养

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

为什么“上下文 > 提示词”？
RAG 解决的到底是什么问题？
什么时候该把任务从聊天升级为系统？

3. 核心观点

结构化输出提高可控性与可验证性。
迭代优化比一次性追求完美更可靠。
上下文工程强调给 AI 足够的背景、资料、工具状态与约束。
上下文可分为对话历史、知识库和系统集成三个层次。

4. 逻辑重构

graph TD
A[本章主题：提示词工程进阶与上下文工程] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：上下文工程, RAG, MCP, 提示词工程

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch13｜AI 实战应用场景

1. 阅读前定位

本章目的：把前面的技术概念映射到真实工作、学习、编程、生活和行业应用。

本章目录：

职场应用
学习助手
编程助手
生活助手
AI 在非技术行业的应用
深度思考：人类工作的未来

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

哪些工作任务适合 AI 增强而非替代？
你能否把自己的工作拆成“输入-处理-输出-验收”？
AI 提升效率后，人类差异化价值在哪里？

3. 核心观点

AI 的价值通常来自降低搜索、沟通、生成、分析和决策成本。
学习助手的关键是反馈、解释和个性化路径。
编程助手改变的是从写代码到设计、调试和评审的工作流。
非技术行业的应用必须考虑专业责任、数据隐私和错误成本。

4. 逻辑重构

graph TD
A[本章主题：AI 实战应用场景] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：生成式AI, 智能体 Agent, 上下文工程

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch14｜AI 智能体与多智能体系统

1. 阅读前定位

本章目的：理解智能体从“聊天回答”走向“目标、规划、工具调用、记忆和协作”的系统形态。

本章目录：

什么是智能体
智能体是如何工作的
低代码智能体开发平台
多智能体协作系统：从独奏到交响乐

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

什么任务值得做成智能体？
多智能体是必要架构还是复杂度膨胀？
如何设计人类审批节点以降低风险？

3. 核心观点

智能体通常由目标、模型、工具、记忆、规划和反馈构成。
工具调用让模型从生成文本转为执行动作。
多智能体系统通过分工、协作、评审和调度处理复杂任务。
智能体系统的关键约束是成本、可靠性、安全边界和可观测性。

4. 逻辑重构

graph TD
A[本章主题：AI 智能体与多智能体系统] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：智能体 Agent, 多智能体, MCP

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch15｜AI 伦理、安全与未来

1. 阅读前定位

本章目的：讨论 AI 系统的社会风险、责任边界、就业影响和通用智能前景。

本章目录：

AI 的偏见与伦理
安全与隐私挑战
AI 对就业的影响
迈向 AGI

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

谁对 AI 错误负责？
效率提升是否必然带来公平改善？
面对 AGI 叙事，如何避免恐慌和盲目乐观？

3. 核心观点

AI 偏见往往来自数据、目标函数、部署环境和反馈循环。
隐私、安全与滥用风险必须进入设计阶段，而不是上线后补救。
就业影响不是单纯替代，而是任务结构、技能价值和组织流程的再分配。
AGI 仍是开放问题，需要区分能力展示、可靠性和自主性。

4. 逻辑重构

graph TD
A[本章主题：AI 伦理、安全与未来] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：AI伦理, 人工智能 AI

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

Ch16｜AI 硬件与量子计算入门

1. 阅读前定位

本章目的：理解硬件如何约束 AI 能力、成本和部署形态，并建立对量子计算与 AI 关系的清醒预期。

本章目录：

AI 芯片基础：GPU、TPU、NPU
量子计算与 AI 的未来

阅读前自问：

我对本章主题已有的理解是什么？
我希望通过本章解决哪个具体问题？
哪些概念可能是后续章节的基础？

2. 主动阅读问题

算力瓶颈如何影响模型发展？
边缘 AI 与云端 AI 的边界在哪里？
量子计算在 AI 中最现实的近期价值是什么？

3. 核心观点

GPU、TPU、NPU 对应不同的训练/推理和场景需求。
AI 推理的硬件选择要看成本、吞吐、延迟、功耗和部署位置。
量子计算可能影响部分优化、模拟和加速问题，但不会简单取代 AI。
硬件进步会反向塑造模型架构和商业模式。

4. 逻辑重构

graph TD
A[本章主题：AI 硬件与量子计算入门] --> B[核心概念]
A --> C[关键机制]
A --> D[应用场景]
A --> E[风险与边界]
B --> F[写成概念卡]
C --> G[画出流程图]
D --> H[找一个现实案例]
E --> I[提出批判性问题]

5. 概念连接

相关概念：GPU TPU NPU, 推理, 训练

请在精读时补充：

新增概念：
需要合并的概念：
与其他章节的连接：

6. 批判性分析

评估维度	我的判断
作者默认前提
证据是否充分
类比是否准确
是否存在过度简化
与现实案例是否一致

7. 费曼复述

请用 150-300 字向一个零基础读者解释本章：

8. 行动转化

我可以马上尝试的一个操作：
我可以在工作/学习中验证的一个观点：
我需要继续查证的一个问题：

9. 间隔复习

阅读后 1 天：用 3 句话复述本章
阅读后 7 天：补齐概念卡与问题卡
阅读后 30 天：把本章纳入全书逻辑地图

核心概念卡片

AI伦理

定义

围绕偏见、公平、透明、责任、隐私和社会影响的治理问题。

用自己的话说

不能只问“能不能做”，还要问“应不应该做、谁负责”。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

GPU TPU NPU

定义

不同类型的 AI 加速硬件，分别适合训练、推理或边缘设备等场景。

用自己的话说

硬件决定模型成本、速度和可部署范围。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

MCP

定义

模型上下文协议，用于让模型连接外部工具、数据源和系统能力。

用自己的话说

关注的是系统集成，不只是聊天提示。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

MLA

定义

多头潜在注意力等注意力优化思路，用于降低 KV 缓存和推理成本。

用自己的话说

常见于新一代高效率 LLM 架构讨论。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

MoE

定义

Mixture of Experts，混合专家架构；每次只激活部分专家以提高参数效率。

用自己的话说

核心价值是用较低推理成本获得较大模型容量。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

RAG

定义

检索增强生成：先从知识库检索相关资料，再让模型基于资料生成答案。

用自己的话说

适合解决知识更新、私有知识和可追溯引用问题。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

Transformer

定义

以注意力机制为核心的深度学习架构，支撑现代大语言模型。

用自己的话说

优势是并行处理和上下文建模；挑战是长序列计算成本。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

上下文工程

定义

系统性组织对话历史、知识库、工具状态和外部系统信息，使 AI 能完成真实任务。

用自己的话说

比单次提示词更接近 AI 系统设计。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

人工智能 AI

定义

让机器表现出学习、推理、感知、生成、决策等智能行为的技术总称。

用自己的话说

不要把 AI 简化成“会聊天的工具”；它也包括推荐、识别、风控、调度等隐形系统。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

多智能体

定义

多个智能体通过分工、协作、评审或竞争完成复杂任务的系统。

用自己的话说

复杂任务可分解，但也会带来协调成本和错误传播。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

多模态

定义

同时处理并对齐文本、图像、音频、视频等不同信息形式的能力。

用自己的话说

核心不是简单输入多种文件，而是在模态之间建立可迁移的表示。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

大语言模型 LLM

定义

在大规模语料上训练、能理解和生成自然语言及代码的模型。

用自己的话说

其能力来自规模、数据、架构、预训练和对齐。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

强化学习

定义

智能体通过行动、奖励和环境反馈学习策略。

用自己的话说

适合序列决策，但真实世界实验成本和安全风险很高。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

微调

定义

在特定数据或任务上继续训练模型，使其适应特定场景。

用自己的话说

适合稳定、高频、有数据的任务；不是所有场景都需要微调。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

扩散模型

定义

通过逐步去噪生成图像等内容的生成模型路线。

用自己的话说

可理解为从噪声中一步步还原出符合提示的图像。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

损失函数

定义

衡量模型预测与目标答案差距的函数。

用自己的话说

模型优化的核心目标通常是降低损失。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

推理

定义

使用训练好的模型处理新输入并产生输出。

用自己的话说

训练像造发动机，推理像开车；用户大多接触的是推理阶段。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

提示词工程

定义

通过清晰任务、上下文、约束和输出格式来引导模型输出。

用自己的话说

它是任务说明技术，不是魔法咒语。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

数据

定义

AI 训练的原料，质量、规模、覆盖范围和标注方式决定模型能力边界。

用自己的话说

数据不是越多越好；高质量、任务相关、低噪声的数据更关键。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

无监督学习

定义

在无标签数据中发现结构、分布或相似性。

用自己的话说

常用于聚类、异常检测、降维和探索性分析。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

智能体 Agent

定义

具备目标、规划、工具调用、记忆和反馈循环的 AI 系统。

用自己的话说

从回答问题升级为执行任务。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

机器学习 ML

定义

让系统从数据中学习规律，而不是完全依赖人工规则。

用自己的话说

关键区别是“用样本归纳规则”，不是“程序员直接写死规则”。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

模型

定义

经过训练后可用于预测、生成或决策的参数化系统。

用自己的话说

普通用户调用的通常是模型，而不是从零实现算法。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

注意力机制

定义

让模型根据上下文动态分配关注权重的机制。

用自己的话说

可以理解为阅读时根据当前问题决定看哪些词更重要。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

深度学习 DL

定义

使用多层神经网络自动学习特征表示的机器学习方法。

用自己的话说

适合图像、语音、文本等非结构化数据，但需要大量数据和算力。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

生成式AI

定义

能够生成文本、图像、音频、视频、代码等内容的 AI。

用自己的话说

从“判断”扩展到“生产”，改变内容和知识工作流程。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

监督学习

定义

使用带标签数据学习输入到输出的映射。

用自己的话说

适合分类、回归、预测等有明确答案的任务。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

神经网络

定义

由大量可学习参数组成的函数近似系统，受生物神经元启发。

用自己的话说

其关键能力是通过层级结构学习复杂表示。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

算法

定义

解决问题的一组明确步骤或通用方法。

用自己的话说

在 AI 中，算法是菜谱；模型是用数据和算力训练出的成品。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

自监督学习

定义

从数据本身构造训练信号，不依赖人工逐条标注。

用自己的话说

大模型预训练的重要基础。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

训练

定义

用数据和反馈调整模型参数，使其在目标任务上的损失降低。

用自己的话说

可以理解为反复做题、对答案、改错。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

长上下文

定义

模型能够处理更长输入序列的能力。

用自己的话说

长上下文不是万能记忆；仍需检索、结构化和筛选。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

预训练

定义

在大规模通用数据上学习基础语言和世界模式。

用自己的话说

预训练提供通用能力，后续再通过微调/对齐适配任务。

关键判断

它解决什么问题：
它依赖什么条件：
它容易被误解为什么：
它和现实应用的连接：

费曼解释

例子

原书例子：
我的例子：

待验证问题

批判性问题卡片

Q01｜AI 是否真的理解内容

核心问题

如果一个模型只是在优化概率和损失，它的“正确回答”是否等于理解？

关联概念

人工智能 AI, 大语言模型 LLM, 训练, 推理

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q02｜数据是否决定 AI 护城河

核心问题

在模型架构越来越开放的情况下，高质量私有数据是否成为最重要的竞争优势？

关联概念

数据, 训练, 模型

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q03｜长上下文能否替代 RAG

核心问题

当上下文窗口越来越长，是否还需要检索增强生成？

关联概念

长上下文, RAG, 上下文工程

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q04｜提示词工程为什么不够

核心问题

复杂任务为什么不能只靠提示词，而需要知识库、工具和系统集成？

关联概念

提示词工程, 上下文工程, 智能体 Agent

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q05｜智能体系统的可靠性边界

核心问题

当 AI 能调用工具和执行动作后，如何确保它不会放大错误？

关联概念

智能体 Agent, 多智能体, AI伦理

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q06｜AI 对知识工作的影响

核心问题

AI 降低内容生成成本后，知识工作者的核心价值转向哪里？

关联概念

生成式AI, 上下文工程, AI伦理

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q07｜硬件约束如何塑造模型

核心问题

算力、功耗和成本会如何反向影响模型架构与商业模式？

关联概念

GPU TPU NPU, 训练, 推理

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

Q08｜开源模型与闭源模型的取舍

核心问题

企业或个人在选择模型时，应如何平衡性能、成本、隐私和可控性？

关联概念

大语言模型 LLM, 模型, 微调

初步假设

1. 2. 3.

支持证据

原书证据：
外部资料：
现实案例：

反例或限制

当前结论

输出模板

章节笔记模板

---
title: ""
status: seed
tags:
  - 章节笔记
source: "零基础学AI"
---

### 章节标题

#### 阅读前定位
- 本章解决的问题：
- 我已有的理解：
- 我希望获得的答案：

#### 主动阅读四问
1. 本章主要在谈什么？
2. 作者细部说了什么，怎么说的？
3. 作者说得有道理吗？
4. 这章和我的知识/工作有什么关系？

#### 核心概念
- 概念1：
- 概念2：
- 概念3：

#### 逻辑结构
```mermaid
graph TD
A[问题] --> B[概念]
B --> C[机制]
C --> D[应用]
D --> E[边界]
```

#### 批判性分析
- 前提：
- 证据：
- 逻辑：
- 边界：
- 反例：

#### 费曼复述

#### 行动转化

#### 复习记录
- D+1：
- D+7：
- D+30：

概念卡模板

---
title: ""
tags:
  - 概念卡
aliases: []
source: "零基础学AI"
---

### 概念名

#### 定义

#### 用自己的话说

#### 为什么重要

#### 典型例子

#### 容易混淆

#### 相关概念
-
-

#### 一个问题

#### 一个行动

费曼输出模板

使用方法

选一个概念或章节，假设听众是“完全没有 AI 背景的朋友”。不要使用未解释的术语。

模板

### 我要解释的主题：

#### 1. 一句话解释

#### 2. 生活类比

#### 3. 它为什么重要

#### 4. 最容易误解的地方

#### 5. 一个具体例子

#### 6. 我还有哪里讲不清楚

#### 7. 下一步查证

示例：《思考，快与慢》的费曼式解释

主题：系统 1 与系统 2

系统 1 像自动驾驶，反应快、节省精力，但容易被直觉误导。
系统 2 像手动驾驶，慢、耗能，但适合处理复杂计算和逻辑判断。
读 AI 推理模型时，可以借这个框架理解：普通模型更像快速直觉，推理模型更像在关键任务中启动慢思考。

批判性分析模板

### 分析对象

#### 作者主张

#### 隐含前提

#### 论据

#### 逻辑链

#### 可能反例

#### 未回答的问题

#### 与其他知识的连接

#### 我的暂定结论

#### 置信度
- [ ] 低
- [ ] 中
- [ ] 高

判断标准

维度	检查问题
前提	作者默认了什么？这些前提成立吗？
证据	是事实、案例、类比，还是推测？
逻辑	从证据到结论是否存在跳跃？
范围	结论适用于哪些场景，不适用于哪些场景？
反例	有没有明显例外？

AI工具实践记录模板

### 工具/模型名称：

#### 任务

#### 输入材料

#### 提示词/上下文

#### 输出结果

#### 质量评估
| 维度     | 评分 | 说明 |
| -------- | ---: | ---- |
| 正确性   |      |      |
| 完整性   |      |      |
| 可执行性 |      |      |
| 风格匹配 |      |      |
| 可验证性 |      |      |

#### 迭代记录

#### 最终结论

#### 可复用模式

复习系统

间隔重复计划

基本节奏

时间点	操作	标准
阅读后 1 天	快速回忆	不看笔记说出 3 个要点
阅读后 7 天	概念连接	至少新增 3 条双链
阅读后 30 天	输出复述	写 300-800 字复盘
阅读后 90 天	应用检验	用一个真实任务验证该知识

每章复习清单

卡片复习提示

概念卡不要背定义，优先回答：

它解决什么问题？
它和哪些概念容易混淆？
它在现实任务中如何出现？
如果条件变化，它还成立吗？

阅读日志

日期	章节	用时	完成内容	最大收获	最大疑问	下一步

每章复盘表

### 章节：

#### 一句话总结

#### 三个关键词
1.
2.
3.

#### 作者最重要的主张

#### 我同意的地方

#### 我怀疑的地方

#### 能应用到哪里

#### 需要外部补充的资料

#### 复习日期
- D+1：
- D+7：
- D+30：

实战练习

AI工作流拆解练习

练习目标

把一个真实任务拆成 AI 可参与的工作流，而不是泛泛地说“用 AI 提效”。

步骤

选择一个任务：例如写报告、做资料搜集、翻译、代码审查、读论文。
写出任务输入：资料、限制、标准、受众。
写出处理步骤：哪些由人做，哪些由 AI 做。
写出输出标准：如何判断结果合格。
写出风险控制：哪些地方必须人工复核。

模板

环节	人类职责	AI职责	输入	输出	风险
需求澄清
资料整理
初稿生成
校验修订
最终交付

连接章节

Ch11｜提示词工程入门
Ch12｜提示词工程进阶与上下文工程
Ch13｜AI 实战应用场景
Ch14｜AI 智能体与多智能体系统

提示词改写练习

低质量提示词

改写框架

角色：你是一名……
任务：请完成……
背景：我正在……
材料：以下是……
约束：不要……必须……
输出格式：请用……
验收标准：结果应满足……

自练区

原提示词：
问题诊断：
改写版本：
输出评估：

RAG与上下文工程方案草图

场景

构建一个“个人 AI 学习助手”，让它回答与你的笔记、PDF、课程资料相关的问题。

架构草图

graph TD
A[个人资料库] --> B[切分/清洗]
B --> C[向量化]
C --> D[向量数据库]
E[用户问题] --> F[检索]
D --> F
F --> G[组装上下文]
G --> H[大语言模型]
H --> I[带引用的回答]
I --> J[人工校验]

关键设计问题

文档如何切分？
检索结果多少条合适？
如何避免模型编造引用？
什么问题必须返回“资料不足”？
哪些任务需要接入工具而不只是检索？

智能体设计练习

目标

设计一个低风险、小范围、可观测的智能体任务。

设计表

模块	设计
目标
输入
工具
记忆
规划步骤
人工审批点
成功标准
失败处理
成本控制

风险清单

原文线索

原书目录索引

基本信息

书名：零基础学AI
作者：yeasy
版本：1.0.3
日期：2026-04-05
格式：PDF，mdPress 构建

章节目录

Ch01｜走进人工智能世界
Ch02｜AI 核心概念速览
Ch03｜AI 技术生态与工具全景
Ch04｜机器学习原理
Ch05｜深度学习揭秘
Ch06｜大语言模型详解
Ch07｜推理模型与推理计算
Ch08｜新架构与创新案例
Ch09｜多模态与生成式 AI
Ch10｜主流 AI 工具使用指南
Ch11｜提示词工程入门
Ch12｜提示词工程进阶与上下文工程
Ch13｜AI 实战应用场景
Ch14｜AI 智能体与多智能体系统
Ch15｜AI 伦理、安全与未来
Ch16｜AI 硬件与量子计算入门

附录

附录 A：AI 核心术语表
附录 B：常用 AI 工具与资源汇总
附录 C：推荐阅读与学习资源
附录 D：AI 学习路线图
附录 E：工程师配套实验代码

注意

本索引用于定位阅读，不替代原书。精读时建议在每个章节笔记中补充原文页码、摘录和自己的批注。

原书摘录占位

摘录模板

#### 摘录标题

- 章节：
- 页码：
- 原文：
- 我的解释：
- 关联概念：
- 可转化为：概念卡 / 问题卡 / 行动卡

→ Top

零基础学AI：深度阅读笔记与学习指南

零基础学AI：深度阅读笔记与学习指南

文章信息

如何使用这篇笔记

目录

使用说明

阅读说明

这篇笔记是什么

建议阅读节奏

标记系统

每章最低完成标准

内容索引

使用顺序

章节索引

核心概念入口

推荐工作流

全书总览

30分钟检视阅读

目标

0-5 分钟：定位本书

5-15 分钟：浏览目录，抓主线

15-25 分钟：找出核心问题

25-30 分钟：决定阅读策略

检视阅读结论

全书逻辑地图

一句话概括

五层结构

核心论证链

阅读中的关键张力

21天深度阅读计划

计划原则

日程表

逐章深度阅读笔记

Ch01｜走进人工智能世界

1. 阅读前定位

2. 主动阅读问题

3. 核心观点

4. 逻辑重构

5. 概念连接

6. 批判性分析

7. 费曼复述

8. 行动转化

9. 间隔复习

Ch02｜AI 核心概念速览

1. 阅读前定位

2. 主动阅读问题

3. 核心观点

4. 逻辑重构

5. 概念连接

6. 批判性分析

7. 费曼复述

8. 行动转化

9. 间隔复习

Ch03｜AI 技术生态与工具全景

1. 阅读前定位

2. 主动阅读问题

3. 核心观点

4. 逻辑重构

5. 概念连接

6. 批判性分析

7. 费曼复述

8. 行动转化

9. 间隔复习

Ch04｜机器学习原理

1. 阅读前定位

2. 主动阅读问题

3. 核心观点

4. 逻辑重构

5. 概念连接

6. 批判性分析

7. 费曼复述

8. 行动转化

9. 间隔复习

Ch05｜深度学习揭秘

1. 阅读前定位

2. 主动阅读问题

3. 核心观点

4. 逻辑重构

5. 概念连接

6. 批判性分析