L2 AI 入门科普：30 节视频 TTS 讲稿与图文课程
这份材料怎么用
这不是一本需要死记硬背的术语书。你可以按顺序学习，也可以先读自己最感兴趣的一课。每一课都用同样的结构：先用一句话解释，再讲生活比喻、简单步骤、与 L2 的关系、思考题和安全边界。
本页是一套连续的 30 节课程。第 1–15 课讲 AI 基础，第 16–22 课把已有视频选题重新整理成我们的 TTS 讲稿与视频图文，第 23–30 课按照课程需要补全 RAG、提示词、Skill、MCP、OpenClaw、Hermes 和长任务安全等知识。重复概念已经合并，不需要学习两遍。
每课从“一句话解释”到“需要记住的边界”都可以按顺序用于 TTS 配音；页面中的对应图片可直接作为视频画面或 PPT 图卡。
基础学习路线分为四组：
- AI 基础：AI、学习、算法、模型和训练。
- 生成式 AI：生成内容、语言模型、推理和 Token。
- Agent：智能体、具身智能和对齐。
- AI 与人：认知外包、工作变化和以人为中心的 AI。
参考来源与版权说明
- 视频 TTS 讲稿选题参考：《少儿 AI 人工智能课程：从基础概念逐步深入到核心技术 培养全面的 AI 素养》
- 视频编号：
BV1Pyamz6ETN - UP 主：王先生的思维图
- 原视频公开选题：P1–P23；本课程只保留公共知识点范围，重新编写为自己的视频 TTS 讲稿与图文课程。
有对应原视频的课程，只参考公开选题并重新组织知识、例子、配图和口播；没有对应原视频的课程，则按照 L2 学习目标补全知识点。页面不提供第三方视频逐字转录，也不要求学员学习他人的表达。
第一组：AI 基础
第1课：什么是 AI？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
人工智能，也叫 AI，是让计算机从信息中寻找规律，并完成某一类任务的技术。它可以表现得很聪明，但它不是一个真正的人，也不是什么都懂。
生活比喻
把 AI 想成一位学习速度很快的助手。你给它看许多猫和狗的照片，它慢慢学会区分猫和狗；你给它看许多问答，它会学着回答相似问题。它擅长的是从大量例子中找共同点。
它怎么工作
- 人先确定要解决的问题。
- 给 AI 提供数据、例子或规则。
- AI 从中寻找可能的规律。
- 用新题目检查它是否学会。
- 人根据结果决定能否使用、怎样改进。
和 L2 有什么关系
L2 不会把所有工作都交给 AI。第一步是用“重复频率、输入是否清楚、结果是否稳定、风险是否可控”筛选任务。AI 适合做什么，是人先判断的。
想一想
学校里哪些任务适合 AI 帮忙，哪些任务必须由老师或同学自己决定？为什么？
需要记住的边界
AI 会犯错，也可能把不确定的内容说得很肯定。涉及成绩、健康、安全、隐私和重要决定时，要让可信任的人检查。
第2课：机器是怎么学习的？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
机器学习不是计算机自己突然开窍，而是它看过很多例子，根据结果对不对，不断调整内部规律。
生活比喻
你做练习册时，先尝试答题，再对答案，发现错误后修改方法。机器学习也很像这个过程：例子像练习题，正确结果像参考答案，调整规律像订正错题。
它怎么工作
- 收集与任务有关的例子。
- 把一部分例子交给机器学习。
- 机器尝试找到输入和答案之间的关系。
- 用它没见过的例子测试。
- 根据错误继续调整或补充数据。
和 L2 有什么关系
L2 强调“试跑、测试、复盘”。虽然我们通常不亲自训练大模型，但制作工作流和 Skill 也要准备正常、资料不足、高风险三类测试，让 AI 从反馈中变得更稳定。
想一想
如果只给机器看白猫，它能不能正确认识黑猫？这个问题说明训练例子需要注意什么？
需要记住的边界
机器学到的是数据里的规律，数据如果太少、错误或有偏见，结果也会受影响。数据多不等于数据一定好。
第3课：什么是算法？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
算法就是为了解决一个问题而设计的一套明确步骤。它不一定很神秘，日常生活里有顺序、有条件的做法都像算法。
生活比喻
菜谱就是一种算法：准备材料、切菜、加热、调味、装盘。如果把顺序弄乱，结果可能完全不同。导航软件找路线，也是在按照一套方法比较不同道路。
它怎么工作
- 先说清楚输入是什么。
- 把任务拆成有顺序的动作。
- 遇到不同情况时写清判断条件。
- 得到规定格式的输出。
- 检查这套步骤能否重复得到正确结果。
和 L2 有什么关系
L2-7 的工作流拆解就是把人的经验变成 AI 可以执行的“算法”：每一步都有输入、动作、输出、验收标准和人工确认点。
想一想
请把“整理书包”写成五个步骤。如果发现明天有体育课，你的步骤要增加什么判断？
需要记住的边界
算法只会按照设计的方法处理问题。目标写错、步骤漏掉或条件不完整时，执行得再快也可能得到错误结果。
第4课：什么是模型？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
模型是 AI 从大量例子中学到的一组规律。它接收新的输入，再根据这些规律做分类、预测或生成。
生活比喻
同学做过很多数学题后，会形成“看到这种题先用哪种方法”的经验。模型就像被保存下来的做题经验，只是它的经验由许多数字关系组成。
它怎么工作
- 训练阶段让模型接触大量例子。
- 模型调整内部参数，记录规律。
- 使用阶段接收一个新输入。
- 根据学到的规律计算可能结果。
- 输出答案，并由人或程序检查。
和 L2 有什么关系
不同模型擅长的任务、速度、成本和安全要求不同。L2 配置 Agent 时，要选择合适的模型，同时用知识库、规则和工具弥补“只靠模型”不够稳定的问题。
想一想
一个很会写作文的模型，为什么不一定会准确计算复杂数学题？
需要记住的边界
模型不是事实仓库，也不是万能大脑。它可能不知道最新信息，也可能根据语言规律生成看似合理但并不真实的内容。
第5课：训练一个模型
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
训练模型，就是让模型用数据练习任务，再通过测试发现问题并调整，直到它在规定范围内达到可接受的表现。
生活比喻
训练校队要先选队员、安排练习、参加测试赛、分析录像、改进战术。模型训练也要准备数据、选择方法、反复测试和修正。
它怎么工作
- 明确模型要完成的任务。
- 收集、清理并标注训练数据。
- 让模型多轮学习并调整参数。
- 用没有参加训练的数据测试。
- 检查准确性、偏差、安全和实际效果。
和 L2 有什么关系
L2 主要学习使用已有模型，不要求训练大模型。但制作知识库和 Skill 也遵循相同思想：资料要干净，测试要独立，错误要记录，规则要持续修改。
想一想
如果训练识别水果的模型时，把番茄全部错误标成苹果，模型可能学到什么错误规律？
需要记住的边界
训练模型需要数据、计算资源和专业知识。含有隐私、版权或不公平偏见的数据不能随意拿来训练。
第二组：生成式 AI
第6课：什么是生成式 AI？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
生成式 AI 能根据提示和学到的规律，生成新的文字、图片、声音、视频或代码。它不是从资料里原样剪贴，而是在计算可能的组合。
生活比喻
像用许多种乐高积木搭一个新作品：积木的形状来自过去见过的材料，但怎样组合会受到你的要求和模型规律影响。新组合不代表内容一定真实。
它怎么工作
- 接收人的提示和上下文。
- 把输入转换成模型可以处理的单位。
- 根据训练中学到的规律计算候选内容。
- 一步步生成完整结果。
- 人检查事实、质量、版权和风险。
和 L2 有什么关系
L2 把生成式 AI 用在总结、草稿、分类和报告上，再通过个人知识库、风格规则和固定模板，让生成结果更符合真实需求。
想一想
如果你让 AI 写“学校运动会新闻”，它需要知道哪些真实信息，才不会只写出一篇通用作文？
需要记住的边界
“生成”不等于“事实”。发布前要核对人名、时间、数据和来源，也要注意图片、文字和音乐的版权。
第7课：大语言模型的运作原理
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
大语言模型从大量语言材料中学习文字之间的关系，再根据当前上下文，一步步预测更合适的后续文字。
生活比喻
像全班一起玩阅读接龙。看到“放学后，天空突然下起了”，大家可能接“雨”；但如果前文在讲冬天，也可能接“雪”。上下文会改变下一步的选择。
它怎么工作
- 把文字切成 Token。
- 读取当前对话和提供的资料。
- 计算不同后续文字出现的可能性。
- 选择并生成一个 Token。
- 重复这个过程，直到形成完整回答。
和 L2 有什么关系
Prompt、知识库、记忆文件和 Agent 设定都在提供上下文。背景越清楚、资料越可靠、输出要求越明确，大语言模型越容易按你的真实目标工作。
想一想
为什么同一句“帮我写个计划”，在没有背景和有完整背景时，会得到完全不同的答案？
需要记住的边界
大语言模型擅长生成连贯语言，但连贯不等于正确。它也没有人的生活经历、价值判断和责任能力。
第8课：什么是推理模型？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
推理模型会在给出答案前进行更完整的分析、比较或检查，适合多步骤问题，但它仍然可能因为资料错误或思路偏差而答错。
生活比喻
普通回答像直接口算，推理模型更像先在草稿纸上分步解题：理解题意、列出条件、尝试方法、检查结果，再写最终答案。
它怎么工作
- 识别问题目标和限制。
- 把复杂问题拆成若干小问题。
- 比较可能的方法或答案。
- 检查是否遗漏条件或出现冲突。
- 输出较完整的结论。
和 L2 有什么关系
L2 的 Plan / Execute / Verify / Reflect，就是先计划、再执行、再检查、再复盘。复杂 Agent 工作流不能只追求“马上回答”，还要保留检查点。
想一想
做一道应用题时，答案数字正确但单位写错，算不算完成？这与 AI 的“验收标准”有什么关系？
需要记住的边界
更长的分析不保证一定正确。重要任务要检查原始资料和最终结果，不要只因为回答看起来复杂就相信它。
第9课：什么是 Token？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
Token 是模型读取和生成文字时使用的小单位。它可能是一个字、一个词的一部分、标点或其他符号，并不总等于一个汉字。
生活比喻
把一句话想成拼图。人看到的是完整句子，模型先把它切成许多拼图块，再处理这些小块之间的关系。不同模型的切法可能不同。
它怎么工作
- 分词器把输入文字切成 Token。
- 每个 Token 被转换成数字表示。
- 模型计算它们之间的关系。
- 预测下一个 Token。
- 把生成的 Token 重新组合成人能读的内容。
和 L2 有什么关系
模型一次能读取的 Token 数量有限，这叫上下文窗口。L2 整理 Markdown 资料时要分清重点、按主题拆文件，避免把所有资料一次性塞进对话。
想一想
如果书包容量有限，你会怎样选择明天真正需要带的书？这和管理 AI 的上下文有什么相似之处？
需要记住的边界
输入越长通常消耗越多资源，但长不等于好。重复、无关或互相冲突的内容，反而可能让模型更难抓住重点。
第三组：Agent
第10课：什么是智能体？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
AI 智能体，也叫 Agent，是一个围绕目标工作的系统。它不只聊天，还能使用模型、工具、记忆和流程，连续完成多个步骤并汇报结果。
生活比喻
Web Chat 像等你提问的同学；Agent 更像拿到岗位说明、资料柜、工具箱和工作流程的 AI 同事。它知道要交什么作业，也知道遇到什么情况必须来问你。
它怎么工作
- 接收目标并读取相关上下文。
- 制定或调用已有工作计划。
- 使用搜索、文件、表格等工具执行。
- 记录过程、检查结果和异常。
- 完成交付或请求人工确认。
和 L2 有什么关系
L2-9 会制作 Agent 设定卡，明确岗位、目标、资料、工具、权限、汇报方式和禁止事项。L2-10 再把重复流程固化为 Skill。
想一想
如果让 Agent 管理班级活动，它可以自动做哪些事？哪些事情必须由老师或同学确认？
需要记住的边界
Agent 能调用工具，影响可能比一次聊天更大。发消息、发布、付款、删除、审批、承诺和处理隐私时，默认保留人工确认。
第11课：什么是具身智能？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
具身智能是让 AI 通过机器人、车辆或其他机器身体感知环境，并在现实世界中做动作。
生活比喻
只会聊天的 AI 像隔着电话给建议；机器人小车有摄像头、传感器、轮子和机械臂，可以“看见”障碍、判断路线并真的移动。
它怎么工作
- 传感器收集图像、声音、距离等信息。
- AI 判断当前环境和目标。
- 规划下一步动作。
- 控制机器身体执行。
- 根据现实反馈不断调整。
和 L2 有什么关系
L2 的 Agent 主要操作数字世界里的文件和工具，但安全原则相同：工具能力越强，权限越要清楚；影响现实世界的动作必须更谨慎。
想一想
机器人在走廊送东西时，除了“最快到达”，还要遵守哪些安全规则？
需要记住的边界
现实环境会突然变化，传感器也可能看错。涉及人身安全时，需要严格测试、停止机制和人的监督。
第12课：什么是对齐技术？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
对齐技术是让 AI 的行为更符合人的目标、规则和安全要求，减少它误解任务、钻规则空子或造成伤害的可能。
生活比喻
一场球赛不仅有“想办法赢”的目标，还有不能犯规、要听裁判、受伤要暂停等规则。只给 AI 一个目标而不给边界，就像只说“必须赢”却不讲比赛规则。
它怎么工作
- 人明确希望 AI 做什么和不能做什么。
- 用示例和反馈教它辨认合适行为。
- 设置权限、过滤、确认点和停止条件。
- 用正常与高风险任务测试。
- 发现问题后修改规则和流程。
和 L2 有什么关系
L2 把对齐落到可操作文件：Agent 设定卡、人工确认点、禁止事项、测试任务和验收记录，而不是只说“AI 要安全”。
想一想
如果目标是“让更多人看到班级文章”，为什么不能让 AI 自动使用任何方法传播？
需要记住的边界
对齐不是一次设置后永远安全。人的目标也可能冲突，环境也会变化，所以要持续测试、记录和调整。
第四组：AI 与人
第13课：什么是认知外包？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
认知外包是把一部分记忆、计算、检索、整理或执行负担交给外部工具。它不是把大脑交出去，而是让人把注意力留给更重要的目标和判断。
生活比喻
购物清单外包记忆，计算器外包重复计算，搜索引擎外包网络检索，导航外包路线规划。LLM 可以外包部分语言整理，Agent 可以外包规则清楚的连续步骤。
它怎么工作
- 找出重复、耗时、可以描述的认知任务。
- 选择适合的工具或 AI。
- 提供目标、资料、步骤和限制。
- 工具完成计算、检索、整理或执行。
- 人核验结果并负责最终决定。
和 L2 有什么关系
L2 的完整路径就是可控的认知外包：先拆工作流，再加入知识、Agent、Skill 和测试，最后才为低风险步骤设置定时执行与主动汇报。
想一想
使用导航以后，人还需要看路吗？这个例子能告诉我们怎样正确使用 AI？
需要记住的边界
外包步骤不等于外包判断。工具可能失效、资料可能过期、结果可能有偏差；人要保留目标、事实核验、授权、验收和责任。
第14课：AI 会让人们失业吗？
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
AI 会改变许多工作的任务和分工，但不能简单断言某个职业一定消失或绝不会变化。更实际的问题是：哪些任务会改变，人需要学习哪些新能力？
生活比喻
计算器没有让所有会计工作消失，却减少了大量手工计算，也提高了分析和核验的重要性。AI 也可能先接手工作中的某些步骤，而不是一次替代完整职业。
它怎么工作
- 重复、规则清楚的任务更容易先被自动化。
- 工作岗位会重新组合人与工具的分工。
- 新工具也会产生新的任务和岗位。
- 需要真实责任、关系和现场判断的部分仍依赖人。
- 个人通过学习调整自己的能力组合。
和 L2 有什么关系
L2 训练的不是背 Prompt，而是定义目标、提供上下文、拆解流程、核验结果、组织 Agent 和持续迭代。这些能力能帮助人适应工具变化。
想一想
当 AI 能快速生成作文草稿时，学生写作课应该更重视哪些能力？
需要记住的边界
职业变化受到技术、经济、政策、行业和社会选择共同影响。不要用单个案例制造“所有人都会失业”或“完全不用担心”的结论。
第15课：以人为中心的人工智能
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
以人为中心的人工智能，指 AI 应当服务人的目标、能力和福祉；重要决定要让人看得懂、能监督、能纠正，也能提出不同意见。
生活比喻
自动驾驶可以帮助观察道路和控制车辆，但交通规则、目的地、安全责任和紧急处理仍围绕人来设计。技术不是主人，人的安全和权利才是中心。
它怎么工作
- 先确认真正要帮助的人和问题。
- 让使用者知道 AI 做了什么、没有做什么。
- 对重要结果提供来源、理由或检查方法。
- 保留人工确认、纠错、停止和申诉渠道。
- 持续检查隐私、公平、安全和实际效果。
和 L2 有什么关系
L2 要求每个工作流写清人工确认点和禁止事项。Agent 的目标不是“替人做所有决定”，而是在人的目标和边界内稳定协作。
想一想
如果学校使用 AI 帮助批改作业，学生应该拥有哪些知情、复查和申诉的机会？
需要记住的边界
效率不是唯一标准。涉及教育、医疗、金融、法律、未成年人和隐私时，还要考虑公平、解释、选择权和责任归属。
AI 时代专题：人的能力怎样升级
四个正在发生的变化
- 信息更容易获得：真正稀缺的是判断信息是否可信、相关和有用。
- 内容更容易生成：目标、经验、审美、真实场景和质量标准变得更重要。
- 重复执行可以交给 AI：人会更多负责设计任务、检查结果和处理异常。
- 个人可以组织多个 AI 工具：一个人也能获得过去需要小团队才能提供的部分执行能力。
需要掌握的六项新能力
| 新能力 | 初中生解释 | 带来的好处 |
|---|---|---|
| 定义问题 | 把“帮我弄好”说成明确目标 | 少走弯路 |
| 提供上下文 | 给 AI 正确资料、背景、规则和限制 | 输出更适合自己 |
| 拆解工作流 | 把大任务拆成可以检查的小步骤 | AI 可以连续协作 |
| 核验结果 | 检查事实、来源、质量、安全和偏差 | 降低出错风险 |
| 组织 Agent | 选择工具、分配任务、设置汇报和人工确认 | 一个人也能组织更强执行力 |
| 持续迭代 | 把错误和好经验写回知识、模板与 Skill | 工作方法越用越稳 |
学会以后能得到什么
- 减少重复劳动，把时间留给学习、创造和关键决策。
- 一个人获得更强的资料整理、内容生产和流程执行能力。
- 让 AI 输出更适配个人资料、真实需求和表达风格。
- 把一次经验沉淀成可以复用、测试和持续优化的工作资产。
- 掌握组织 AI 的底层方法后，更容易适应后续出现的新工具。
责任公式：AI 负责可重复执行，人负责目标、判断、授权、验收和责任。
第二阶段：视频 TTS 讲稿与图文（第 16–30 课）
前 15 课解决“AI 是什么”，后 15 课解决“怎样把 AI 安全地用进真实工作”。重复概念已经合并，不需要重新学习两遍。
第 16–22 课根据已有视频选题重新整理成我们的 TTS 讲稿与视频图文；第 23–30 课没有直接对应的原视频，则按照课程需要补全知识点、配图、例子和安全边界。每课从“一句话解释”到“需要记住的边界”可以按顺序直接用于 TTS 配音。
第16课：AI 编程，不是说一句话就直接上线
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
AI 编程是让 AI 帮助理解需求、生成或修改代码、解释错误和补充测试，但最终能不能交付，仍要经过人的检查和真实测试。
生活比喻
它像一台速度很快的自动搭积木机器。你说“搭一座桥”，它很快就能搭出形状；可是桥能不能承重、零件有没有松动、下雨会不会坏，仍要由工程师检查。
它怎么工作
- 先把“帮我做个网页”改成可以验收的需求。
- 给 AI 项目规则、已有代码和禁止修改的范围。
- 让 AI 每次只完成一个小改动。
- 自动运行格式检查、功能测试和安全检查。
- 人检查权限、隐私、异常处理和用户体验。
- 小范围发布，保留版本和回滚办法。
和 L2 有什么关系
L2 强调把任务拆成小步骤。AI 编程也要采用“需求 → 小改动 → 测试 → 人工验收”的工作流，而不是让 AI 一次改完整个项目。
想一想
如果 AI 生成的报名系统能正常打开，却把所有学生资料显示给任何人看，它算完成任务了吗？还缺少哪些检查？
需要记住的边界
付款、删除数据、修改权限、发送消息和公开发布属于高风险动作，不能只因为代码能运行就自动执行。
记忆公式：可交付软件 = 明确需求 + 小步生成 + 自动测试 + 人工审查 + 可回滚
第17课：神经网络，很多小计算一起找规律
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
神经网络是一种由许多计算单元分层连接起来的模型，它通过调整大量参数，学习输入和结果之间的规律。
生活比喻
它像一支接力判断队。第一组同学先找图片里的线条，第二组把线条组合成耳朵和眼睛，后面的同学再判断这是不是一只猫。每个人只做一小步，合作后就能完成复杂判断。
它怎么工作
- 输入文字、图片或数字。
- 每一层对输入做加权计算。
- 中间层逐步提取更复杂的特征。
- 输出一个预测结果。
- 用正确答案计算误差。
- 根据误差调整参数，再练习很多次。
和 L2 有什么关系
理解神经网络后，学员会知道模型答案来自计算和训练数据，不是“机器真正理解了一切”。这有助于正确设置核验步骤。
想一想
如果训练图片里只出现白天的道路，模型到了夜晚可能遇到什么问题？
需要记住的边界
神经网络受到训练数据、目标设计和计算资源限制。把它叫作“AI 的大脑”只是方便理解，不能把它与真实人脑完全画等号。
记忆公式：神经网络学习 = 多层计算 + 误差反馈 + 参数调整
第18课：Transformer，帮助模型联系上下文
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
Transformer 是一种处理序列信息的模型结构，它会计算不同文字之间的关系，判断当前任务中哪些内容更值得注意。
生活比喻
读“苹果发布了新手机”和“我吃了一个苹果”时，同一个“苹果”意思不同。Transformer 像一位会看前后文的语文老师，会根据“发布、手机”或“吃了”判断它指公司还是水果。
它怎么工作
- 把文字拆成 Token。
- 给 Token 加上顺序信息。
- 通过注意力机制计算词语之间的关系。
- 多层计算逐步形成上下文表示。
- 根据当前上下文预测后续内容或完成任务。
和 L2 有什么关系
给模型提供清楚的背景、资料和限制，就是在帮助它建立更准确的上下文。提示词太乱、资料互相矛盾时，模型也更容易答偏。
想一想
“小明告诉小刚，他的作业写完了”中的“他”可能指谁？怎样补充上下文才能减少歧义？
需要记住的边界
注意力机制只是数学计算，不代表模型像人一样拥有注意力、意识或真实理解。
记忆公式：Transformer = Token + 位置信息 + 注意力 + 多层计算
第19课：大语言模型是怎样训练出来的
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
大语言模型通常先从大量文本中学习语言规律，再经过指令训练、安全调整、评估和部署，才成为可以对话和完成任务的系统。
生活比喻
它像培养一名阅读助手：先让他大量阅读，学会语言；再教他按要求回答；接着练习哪些事不能做；最后考试合格，才安排到真实岗位。
它怎么工作
- 收集并清洗训练数据。
- 预训练：反复练习预测文字。
- 指令调整：学习按照任务要求回答。
- 安全和偏好调整：减少危险或明显不合适的输出。
- 用独立题目评估能力和风险。
- 压缩、量化或部署到服务器与本地设备。
- 上线后继续监测真实表现。
和 L2 有什么关系
L2 学员通常不需要从零训练大模型，更重要的是会选模型、准备知识、设计流程和评估结果。
想一想
为什么不能把训练时用过的题目再次拿来证明模型“考试成绩很好”？
需要记住的边界
数据数量大不代表质量高。来源不明、包含隐私或偏见的数据，会把问题带进模型。
记忆公式：可用大模型 = 数据 + 预训练 + 指令调整 + 安全评估 + 部署监测
第20课：微调、RAG 和 Skill 应该怎样选
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
微调改变模型较稳定的行为习惯，RAG 在回答前补充最新资料，Skill 保存可重复执行的工作方法；三者解决的问题不同。
生活比喻
微调像长期训练厨师的手艺，RAG 像做菜前翻最新菜单和库存，Skill 像墙上的标准菜谱。想知道今天还剩什么菜，不该重新训练厨师，而应先查库存。
它怎么工作
- 知识经常变化、需要引用来源：优先考虑 RAG。
- 工作步骤固定、希望重复执行：优先写成 Skill。
- 需要长期改变模型格式、语气或特殊任务能力：再评估微调。
- 先用提示词和小样本验证需求。
- 用独立测试集比较成本、效果和维护难度。
和 L2 有什么关系
L2 的常见企业任务，多数可以先用“提示词＋RAG＋Skill”解决。只有证据证明这些方法不够，再投入更高成本做微调。
想一想
公司制度每周都可能变化，应该把制度微调进模型，还是放进可更新的知识库？为什么？
需要记住的边界
微调不会自动让错误资料变正确；RAG 找到资料也不保证资料可信；Skill 写得不清楚，同样会稳定地重复错误。
记忆公式：常变知识用 RAG，固定流程用 Skill，稳定行为再考虑微调
第21课：扩散模型，怎样从噪点生成图片
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
扩散模型通过学习“怎样把加过噪声的图片恢复清楚”，在生成时从随机噪点开始，一步步得到符合文字描述的图像。
生活比喻
它像在一张满是雪花点的纸上反复擦除杂点。每擦一次，人物和物体的轮廓更清楚一点，最后形成完整画面。
它怎么工作
- 训练时给图片逐步加入噪声。
- 模型学习每一步应该去掉哪些噪声。
- 生成时先准备一张随机噪声图。
- 根据提示词反复去噪。
- 经过多步计算得到最终图片。
和 L2 有什么关系
制作课程插图时，可以先定义教学目的、画面元素和禁止出现的内容，再生成图片并人工检查文字、事实和版权风险。
想一想
为什么 AI 图片里的手指、文字和复杂结构更容易出错？发布前应该检查什么？
需要记住的边界
生成图片不等于拥有所有使用权。仍要检查训练来源争议、人物肖像、商标、误导性内容和平台规则。
记忆公式：扩散生图 = 随机噪声 + 文字条件 + 多步去噪
第22课：世界模型，先在“脑内沙盘”预测下一步
内容类型：已有视频选题 → 原创 TTS 讲稿＋视频图文
一句话解释
世界模型尝试学习环境的状态和变化规律，用来预测“采取某个动作后，接下来可能发生什么”。
生活比喻
下棋前，人会在脑中试想“如果我走这里，对方可能怎样回应”。世界模型像一个计算机沙盘，可以先模拟几个选择，再决定行动。
它怎么工作
- 观察环境当前状态。
- 记录动作与后续变化。
- 学习状态、动作和结果之间的关系。
- 在内部模拟多种可能。
- 根据目标选择更合适的行动。
- 用真实反馈修正预测。
和 L2 有什么关系
在复杂 Agent 工作流中，可以先让系统做计划和风险预测，再决定是否调用工具；高风险步骤仍需人工批准。
想一想
如果模拟器没有见过暴雨天气，用它规划无人车路线可能有什么风险？
需要记住的边界
模型里的“世界”是数据形成的简化版本，不是真实世界。预测结果必须经过现实检查。
记忆公式：世界模型 = 当前状态 + 动作 + 结果预测 + 反馈修正
第23课：RAG，让 AI 先查资料再回答
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
RAG 是“检索增强生成”：系统先从指定资料中找到与问题相关的证据，再让模型根据证据组织答案。
生活比喻
它像开卷考试。学生不是只靠记忆回答，而是先去书架找对课本和页码，再拿着资料作答，并告诉老师答案来自哪里。
它怎么工作
- 接收 PDF、Word、网页等资料。
- 解析文字并按语义切成小段。
- 为每段建立便于查找的向量索引。
- 用户提问后检索相关片段。
- 对结果重排并过滤无关内容。
- 模型根据证据回答并标注来源。
- 用户反馈哪些结果有用，持续优化召回。
和 L2 有什么关系
企业里常用 RAG 做制度问答、产品资料查询、客服辅助、项目复盘和内部培训。它也是“多份文档 → AI 分类整理 → 人工确认 → 知识库”的核心环节。
想一想
如果知识库里同时保留新旧两版制度，系统应该怎样帮助用户辨认正确版本？
需要记住的边界
检索到内容不等于内容正确。必须记录来源、版本、权限和更新时间；没有证据时应明确说不知道。
记忆公式：可靠 RAG = 好资料 + 好切分 + 好检索 + 来源引用 + 人工反馈
第24课：提示词，是这一次任务的说明书
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
提示词是用户这一次交给 AI 的任务说明，通常包含目标、背景资料、限制条件、输出格式和检查标准。
生活比喻
“帮我做饭”很难直接执行；“用冰箱现有食材，为两个人做一份不辣、二十分钟完成的晚饭，并列出步骤”就清楚得多。
它怎么工作
- 说明要解决什么问题。
- 提供与任务有关的背景。
- 指定可以使用的资料。
- 写清不能做什么。
- 规定输出形式和长度。
- 给出判断好坏的标准。
- 根据结果继续补充或修正。
和 L2 有什么关系
提示词是工作流入口，但不能独自承担所有流程。稳定的长期任务还需要 Skill、工具连接、权限和验收。
想一想
“帮我整理这些 PDF”还缺少哪些信息？你希望按主题、日期还是重要程度分类？
需要记住的边界
不要把密码、身份证号、客户隐私或没有授权的企业资料直接放进不受控的在线模型。
记忆公式：好提示词 = 目标 + 背景 + 资料 + 限制 + 格式 + 验收标准
第25课：Skill，把好方法装进可复用的工作包
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
Skill 是一套可以重复使用的工作方法包，里面可以写步骤、规则、模板、示例、工具使用方法和检查要求。
生活比喻
提示词像今天留给同学的一张便条；Skill 像学校实验室的操作手册。换一个同学来，只要按手册执行，也能完成相似任务。
它怎么工作
- 找出经常重复的任务。
- 写清输入和最终产物。
- 把任务拆成可检查步骤。
- 加入模板、示例和工具说明。
- 标出需要人工确认的节点。
- 用真实任务测试。
- 根据错误持续更新版本。
和 L2 有什么关系
L2 的目标之一，是把个人经验从“只存在脑中”变成团队可以复用的 Skill，让工作越做越稳定。
想一想
如果要做一个“会议纪要 Skill”，它至少要规定哪些输入、输出和检查项目？
需要记住的边界
Skill 不应该偷偷扩大权限。发送、删除、付款、公开发布等动作必须单独确认并记录。
记忆公式：Skill = 固定流程 + 模板示例 + 工具说明 + 检查点 + 版本
第26课：MCP，给 AI 使用工具的通用接口
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
MCP 是一种让 AI 应用以较统一方式发现和调用外部数据、工具与服务的连接协议。
生活比喻
不同品牌的电器如果都使用同一种插座，就不必为每台电器重新改造墙壁。MCP 类似“AI 工具插座”，但插上以后仍要管理电压、权限和安全。
它怎么工作
- MCP 服务端声明自己提供哪些工具和资料。
- AI 客户端读取工具名称和参数说明。
- 模型根据任务提出调用请求。
- 系统检查权限和参数。
- 工具执行后返回结构化结果。
- 模型继续组织答案或下一步行动。
和 L2 有什么关系
通过 MCP，Agent 可以连接文件、数据库、浏览器或企业系统，减少每个工具单独开发连接代码的成本。
想一想
一个读取文件的 MCP 工具，是否应该默认拥有删除整个文件夹的权限？为什么？
需要记住的边界
MCP 解决的是连接方式，不会自动保证服务可信。接入前仍要审查来源、权限、日志、数据流向和失败处理。
记忆公式：安全 MCP = 标准连接 + 最小权限 + 参数检查 + 操作日志
第27课：提示词、Skill、MCP 和 Agent 怎样合作
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
提示词说明本次目标，Skill 提供可复用方法，MCP 连接外部工具，Agent 负责观察、计划、调用和检查。
生活比喻
把 Agent 想成项目负责人：提示词是今天的任务单，Skill 是标准作业手册，MCP 是通往仓库和设备的接口。只有四者配合，任务才能真正落地。
它怎么工作
- 用户通过提示词提出目标。
- Agent 判断任务类型和风险。
- Agent 选择合适的 Skill。
- Skill 告诉它应该按什么步骤做。
- Agent 通过 MCP 调用需要的工具。
- 系统记录过程并检查结果。
- 高风险节点交给人确认。
和 L2 有什么关系
这四者组成了 L2 工作流的核心语言。学员不必把所有能力塞进一个超长提示词，而应把任务、方法、连接和执行责任分开管理。
想一想
“每周整理行业新闻并发到群里”这个任务中，哪些内容属于提示词、Skill、MCP 和 Agent？
需要记住的边界
Agent 能连接工具不等于可以随意使用工具。权限应按任务临时授予，重要动作要确认。
记忆公式：Agent 完成任务 = 提示词定目标 + Skill 给方法 + MCP 连工具 + 人管边界
第28课：OpenClaw，组织本地 Agent 工作流
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
在本课程中，OpenClaw 可以理解为一个组织 Agent 工作流的本地化框架：它帮助模型读取任务、使用 Skill、连接工具，并管理持续运行的过程。
生活比喻
它像一个 AI 工作台。模型是负责思考的员工，Skill 是操作手册，工具是电脑和设备，OpenClaw 把这些东西放到同一个工作台上，并负责记录谁做了什么。
它怎么工作
- 接收用户任务和工作目录。
- 读取项目规则与可用 Skill。
- 选择合适模型和工具。
- 分步骤执行并保存过程状态。
- 遇到审批、错误或权限问题时停下来。
- 输出结果、日志和可继续处理的上下文。
和 L2 有什么关系
L2 不只是学习聊天，而是学习怎样把资料、模型、Skill、工具和安全规则组合成可持续工作的系统。OpenClaw 是这类实践的一个载体。
想一想
如果一个任务要运行两小时，中途网络断开，系统需要保存哪些状态才能继续？
需要记住的边界
具体功能会随版本变化，课程应以实际安装版本和官方说明为准。不要因为框架能调用系统工具，就给予不必要的全盘权限。
记忆公式：OpenClaw 工作流 = 模型 + Skill + 工具 + 状态 + 权限 + 日志
第29课：Hermes Agent 与 OpenClaw 有什么不同
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
Hermes Agent 更强调通用 Agent 的推理、工具使用和任务执行体验；OpenClaw 在本课程中更强调本地工作流、Skill 组织、项目规则和持续运行。两者可以有相似能力，但定位和使用方式不同。
生活比喻
Hermes Agent 像一位装备齐全、可以快速接受任务的多面手；OpenClaw 更像一间可以自己布置岗位、手册、工具和档案的工作室。选谁取决于任务，而不是只看名字。
它怎么工作
- 先比较两者当前版本支持的模型和工具。
- 检查本地部署、数据存放和扩展方式。
- 比较 Skill、MCP、长期任务和人工审批能力。
- 用同一组真实任务测试完成率、成本和稳定性。
- 根据团队维护能力选择。
和 L2 有什么关系
学员要学的是评估框架的方法，而不是把某个产品当作唯一答案。相同的工作流思想可以迁移到不同 Agent 平台。
想一想
如果企业最重视数据留在本地、权限可控和流程可审计，比较两个框架时应该优先测试什么？
需要记住的边界
两者更新较快，功能比较必须写明版本和日期。不要把模型能力、框架能力和第三方插件能力混为一谈。
记忆公式：框架选择 = 任务适配 + 数据边界 + 工具生态 + 稳定性 + 维护成本
第30课：长任务怎样保证模型安全
内容类型：课程知识点补全 → 原创 TTS 讲稿＋视频图文
一句话解释
长任务安全不是只在开头说一次“请小心”，而是把任务分段，限制权限，保存检查点，持续监控，并在高风险动作前让人确认。
生活比喻
长途驾驶不能只在出发前检查一次汽车。途中还要看油量、路线和天气，在服务区休息，遇到危险及时停车。Agent 的长任务也是一样。
它怎么工作
- 把大目标拆成有明确产物的小阶段。
- 每阶段设置时间、费用和工具调用上限。
- 只授予当前步骤需要的最小权限。
- 定期保存状态和中间结果。
- 检查结果是否偏离目标。
- 删除、付款、发送、发布前暂停审批。
- 失败时重试有限次数，仍失败就停止。
- 保留日志，支持回滚和复盘。
和 L2 有什么关系
L2 的企业级 Agent 方案必须同时考虑忙时与闲时调度、并发限制、模型队列、单点故障和人工接管。安全和资源效率要一起设计。
想一想
一个 Agent 连续整理一千份合同，运行到第六百份时发现分类规则可能错误，系统应该继续、重来，还是停下来？需要哪些证据帮助人决定？
需要记住的边界
不能让模型自己取消所有限制。安全规则、审计日志和最终责任必须由系统与人共同掌握。
记忆公式：安全长任务 = 分段 + 限额 + 最小权限 + 检查点 + 人工审批 + 可回滚
学完以后
你不需要把所有术语背下来。请尝试用自己的话回答三个问题：
- AI、模型、算法和 Agent 分别是什么？
- 哪些认知劳动可以交给工具，哪些判断必须由人保留？
- 你想把哪个真实任务改造成可检查、可复用的 AI 工作流？
下一步进入 L2-7：从“用工具”到“造工具”，把一个真实任务拆成 AI 可以执行、人可以验收的小步骤。