学习指南

一、你将怎样学习

本书不要求先背完术语或语法。每章从一个公共核心项目开始，你先用自然语言说明任务、输入、输出和限制，再让协助开发的AI提出问题和实现方案。AI生成的代码、Notebook或配置必须完整可见；你要亲自运行，观察中间结果和错误，带着证据继续研讨，而不是只复制最终答案。

全书使用同一条协同开发证据链：

任务与验收合同 → 项目上下文 → AI生成完整最小版本 → 运行观察 → 亲手调整一个变量 → 限定AI修改 → 审查文件差异 → 固定样例回归 → 验收 → 交接与维护。

十二章都会形成完整项目，但工程复杂度逐步增加。前几章以结构化材料、小型程序、Notebook或本地观察页完成一条可验收主链；现场章节逐步加入模型和设备；最后三章才集中使用多文件项目、工作流、版本和交接包。完整项目不等于功能很多，而是输入、AI机制、输出、测试和责任能够闭合。

二、每章的五类角色

学习时要持续区分五类角色：

  1. 大语言模型：理解模糊文字、协助规划、综合材料、生成和解释。
  2. 专业小模型：完成视觉、声音、时序、分类或异常识别等具体任务。
  3. 规则和普通程序：完成精确计算、格式校验、权限、阈值、安全停止和稳定执行。
  4. 协助开发的AI：在授权项目内读取材料、生成或修改代码、运行测试并报告差异。
  5. 学生与专业人员：确定目标，提供上下文，检查事实和结果，批准边界，承担验收和接管责任。

当模型输出流畅而规则检查失败时，应以规则和证据为准；当专业资料相互冲突时，应交给相应责任人，而不是让语言模型猜测；当人工或简单规则已经稳定完成任务时，不增加复杂模型也是合格选择。

三、怎样向AI说明任务

高质量协同不等于写一条很长的“万能提示词”。开始时先给出可核对的项目上下文：

要求AI在动手前列出缺失条件；生成代码时要求给出文件清单、运行入口和测试方法；修改时限定文件与目标；完成后要求解释差异和可能影响。不要把真实账号、密钥、未授权资料或个人隐私直接交给模型。

四、怎样阅读AI生成的代码

你不需要逐字背诵语法，但要能沿着“输入—处理—输出”追踪程序：数据从哪里读入，经过了哪些转换，哪一步调用模型，输出在哪里校验和保存，失败时怎样停止。每章至少挑一个关键变量亲手调整，例如时间窗口、相似度阈值、训练轮数、约束权重或置信度门槛，并用同一测试集比较前后结果。

遇到报错时，不要只把一句错误信息发给AI。应同时提供运行命令、环境说明、相关文件、完整报错、预期结果和已经尝试的修改。AI提出修复后，先查看它准备修改哪些文件，再小步执行并回归，不要一次接受与问题无关的大范围重写。

五、怎样完成测试和判断

一次成功演示不能证明系统可用。每章至少准备四类样例：

测试后不能只写“准确率较高”。要记录实际样例数、典型错误、误报与漏报的后果、响应时间、费用、隐私和人工复核量。最终作出四种结论之一：采用；限定范围使用；退回修改；停止使用。结论必须能从证据中找到依据。

六、专业迁移怎样开展

每章先完成公共核心项目，再从专业迁移卡中选择一个方向。迁移不能只替换名称，至少要重新确定材料或数据、专业规范、高代价错误、交付物和责任人。例如，同样是视觉分类，商品包装项目关心批次与误放，零件检查关心漏检后果，植物状态项目关心季节和拍摄条件，媒体素材项目关心授权和版本。

综合项目不要求堆叠全书所有技术。选择真正需要的一个模型模块和一个完整工作闭环，比把多个热门模型连在一起更有价值。

七、设备条件不足时怎样学习

现场章节提供三级路径。H0使用预录数据、设备视频和虚拟接口，所有学生都能完成核心机制和故障测试；H1使用电脑摄像头、麦克风或小组共享传感器；H2把模型部署到边缘设备。三条路径学习目标相同，设备只是输入与运行位置不同。

本书不允许模型直接控制市电、燃气、压力、加热、高速运动、门锁、交通工具或医疗设备。低置信度、证据冲突、输入超范围、传感器失效或网络中断时，系统默认不行动，并显示人工接管原因。

八、学习成果怎样保存

建议每章保留以下最小证据：任务合同或任务说明、项目上下文、AI追问与方案、完整首版、运行记录、一次变量实验、一次限定修改及差异、固定测试结果和最终判断。第12章再把这些材料整理为任务合同、项目代码库、数据卡、模型卡、测试报告、用户说明、交接清单和维护计划。

如果另一位同学不能按照你的说明运行项目，或者无法知道模型什么时候不应使用，成果就还没有真正完成。

每章正式配套工程位于resources/chXX/project/。进入目录后先阅读README，再运行python acceptance.py；它会检查该项目声明的文件、测试和参考结果。验收脚本通过只说明已覆盖的检查通过，不能替代你阅读失败样例、模型卡和最终采用判断。