第10课：零基础练习

学习目标

• 复习前9课核心术语和流程
• 能够用自己的语言解释概念
• 能把概念组合成一个完整AI产品流程

正文

练习1

请用自己的话回答： AI 三个字母分别是什么英文？中文是什么意思？

练习2

请解释： 为什么“网站服务器只有 2 核 4G”并不等于“AI模型只能用 2 核 4G 计算”？

练习3

把下面任务改成更清楚的 Prompt： “帮我做个大学比赛项目。”

练习4

请画出： 用户 → 前端 → API → 后端 → 模型 API → 大模型 → 返回结果

练习5

解释普通问答与 RAG 的区别。

练习6

如果 CampusAI 要回答“机械创新设计竞赛项目怎么做”，你认为应该先检索哪些知识库？ 至少写出 5 类资料。

练习7

给出一个你自己专业的项目目标，并拆成： 目标 / 已知资料 / 缺少资料 / 需要AI做什么 / 最终成果。

1. 本课要建立的整体认识

这一课的重点不是背诵，而是把前9课的概念连接成系统，并通过“能解释、能画图、能完成任务”检验理解。

2. 把核心概念逐层拆开

2.1 看到新术语时

看到新术语时，依次查英文全称、中文含义、所属层级、解决的问题、输入输出和实例。

2.2 能够区分模型层、产品层、软件工程层和互联网基础层

能够区分模型层、产品层、软件工程层和互联网基础层，避免把所有技术都叫作AI。

2.3 用系统图表达数据从用户到前端、后端、知识库、模型和数据库的流动。

用系统图表达数据从用户到前端、后端、知识库、模型和数据库的流动。

2.4 用结构化Prompt把模糊要求改成带目标、材料、输出、约束和检查标准的任务。

用结构化Prompt把模糊要求改成带目标、材料、输出、约束和检查标准的任务。

2.5 把核验、隐私和责任写进流程

把核验、隐私和责任写进流程，而不是把它们留给最终用户自行承担。

3. 把概念串成一条完整流程

建议先闭卷画一张AI产品图，再逐个解释图中的组件；随后选一个真实任务，写结构化Prompt，说明需要哪些知识库资料、怎样检查结果，最后回看哪些概念仍然混淆。

4. 用真实场景理解

如果能够向完全不懂技术的人解释“为什么2核4G服务器仍能调用大型模型”“RAG为什么不是训练模型”“前端为什么不能保存密钥”，就说明已经建立了可迁移的理解。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• 看到新术语时：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 能够区分模型层、产品层、软件工程层和互联网基础层：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 用系统图表达数据从用户到前端、后端、知识库、模型和数据库的流动。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 用结构化Prompt把模糊要求改成带目标、材料、输出、约束和检查标准的任务。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 把核验、隐私和责任写进流程：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “会背英文就算理解。”——真正理解是能解释用途和关系。
• “所有概念都属于AI模型。”——很多属于互联网和软件工程。
• “只要会Prompt就能做AI产品。”——还要理解数据、系统和业务。

小测验

点击题目查看答案。

实践任务