P16 · AI编程一句话生成网页应用
认识自然语言怎样变成网页代码，以及为什么生成后还要测试功能、安全和移动端显示。
观看 P16 ↗四站走完 AI 基础地图
01
AI 基础
先认识最常出现的五个词：AI、学习、算法、模型和训练。
P1什么是 AI？从信息中找规律并完成特定任务的工具
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
AI 像一位学习速度很快的助手。给它看许多猫和狗的照片，它会学习区分两者；给它看许多问答，它会学习回答相似问题。
它怎么工作
- 人确定问题。
- 提供数据、例子或规则。
- AI 寻找规律。
- 用新题目测试。
- 人决定能否使用。
和 L2 有什么关系
L2 先判断哪些任务适合 AI 化，而不是把所有工作都交给 AI。
想一想
学校里哪些任务适合 AI 帮忙，哪些必须由老师或同学决定？
需要记住的边界
AI 会犯错。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。
观看原系列 P1 ↗P2机器是怎么学习的？看例子、试答案、对结果、调规律
一句话解释
机器学习不是计算机突然开窍，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
像做练习册：先尝试答题，再对答案，发现错误后修改方法。例子是练习题，正确结果是参考答案。
它怎么工作
- 收集例子。
- 让机器学习。
- 寻找输入与答案的关系。
- 用没见过的例子测试。
- 根据错误继续调整。
和 L2 有什么关系
制作工作流和 Skill 也要准备正常、资料不足、高风险三类测试，让反馈推动改进。
想一想
如果只给机器看白猫，它能不能正确认识黑猫？
需要记住的边界
数据太少、错误或有偏见，机器学到的规律也会受影响。数据多不等于数据一定好。
观看原系列 P2 ↗P3什么是算法？解决问题的一套明确步骤
一句话解释
算法是为了解决一个问题而设计的一套明确步骤。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。顺序弄乱，结果可能完全不同。
它怎么工作
- 说清输入。
- 拆成有顺序的动作。
- 写清判断条件。
- 得到规定输出。
- 重复测试。
和 L2 有什么关系
L2-7 把人的经验变成 AI 可执行的工作流，每一步都有输入、动作、输出和验收标准。
想一想
把“整理书包”写成五个步骤，并加入“明天有体育课”的判断。
需要记住的边界
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。
观看原系列 P3 ↗P4什么是模型？AI 从大量例子中学到的规律集合
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。模型像被保存下来的做题经验。
它怎么工作
- 接触大量例子。
- 调整参数记录规律。
- 接收新输入。
- 计算可能结果。
- 输出并接受检查。
和 L2 有什么关系
不同模型擅长的任务不同。L2 会用知识库、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，可能生成看似合理但并不真实的内容。
观看原系列 P4 ↗P5训练一个模型数据准备、学习、测试、修正
一句话解释
训练模型，是让模型用数据练习任务，再通过测试发现问题并调整，直到在规定范围内达到可接受表现。
生活比喻
像训练校队：选队员、安排练习、参加测试赛、分析录像、改进战术。
它怎么工作
- 明确任务。
- 收集和清理数据。
- 多轮学习。
- 用新数据测试。
- 检查准确性、偏差和安全。
和 L2 有什么关系
L2 不训练大模型，但知识库和 Skill 同样需要干净资料、独立测试和错误记录。
想一想
如果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
含有隐私、版权或不公平偏见的数据不能随意拿来训练。
观看原系列 P5 ↗02
生成式 AI
它怎样生成内容、读懂上下文，并把文字切成 Token。
P6什么是生成式 AI？按学到的规律生成新的文字、图片、声音或代码
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。
生活比喻
像用许多种乐高积木搭新作品：积木来自过去见过的材料，但组合会受到你的要求和模型规律影响。
它怎么工作
- 接收提示。
- 转换输入。
- 计算候选内容。
- 一步步生成。
- 人检查事实、质量和版权。
和 L2 有什么关系
L2 用它完成总结、草稿和报告，再用知识库、风格规则和模板提高适配度。
想一想
让 AI 写运动会新闻时，它需要知道哪些真实信息？
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、来源和版权。
观看原系列 P6 ↗P7大语言模型的运作原理根据上下文预测更合适的后续文字
一句话解释
大语言模型从大量语言材料中学习文字关系，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
像阅读接龙。“天空突然下起了”可能接“雨”，如果前文在讲冬天，也可能接“雪”。
它怎么工作
- 切成 Token。
- 读取上下文。
- 计算后续可能性。
- 生成一个 Token。
- 重复到回答完成。
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。
想一想
为什么同一句“帮我写个计划”，在不同背景下会得到不同答案？
需要记住的边界
语言连贯不等于事实正确，模型也没有人的生活经历和责任能力。
观看原系列 P7 ↗P8什么是推理模型？回答前执行更完整的分析、比较和检查
一句话解释
推理模型会在回答前进行更完整的分析、比较或检查，适合多步骤问题，但仍然可能答错。
生活比喻
像先在草稿纸上分步解题：理解题意、列条件、尝试方法、检查结果，再写答案。
它怎么工作
- 识别目标。
- 拆成小问题。
- 比较方法。
- 检查冲突。
- 输出结论。
和 L2 有什么关系
L2 的 Plan / Execute / Verify / Reflect，就是计划、执行、检查和复盘。
想一想
答案数字正确但单位写错，算不算完成？
需要记住的边界
分析更长不保证正确。重要任务仍要检查原始资料和最终结果。
观看原系列 P8 ↗P9什么是 Token？模型读取文字时使用的小单位
一句话解释
Token 是模型读取和生成文字时使用的小单位，可能是一个字、词的一部分、标点或其他符号。
生活比喻
把句子想成拼图。人看到完整句子，模型先把它切成许多小块再处理。
它怎么工作
- 文字切成 Token。
- 转换成数字。
- 计算关系。
- 预测下一个 Token。
- 重新组合成文字。
和 L2 有什么关系
上下文容量有限，Markdown 资料要分清重点、按主题拆文件。
想一想
书包容量有限时，你会怎样选择真正需要带的书？
需要记住的边界
输入越长不一定越好，重复和冲突内容会让模型更难抓重点。
观看原系列 P9 ↗03
Agent
从只会回答，到会使用工具、执行流程并请求确认。
P10什么是智能体？目标、模型、工具、记忆、流程和反馈组成的系统
一句话解释
AI Agent 是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。
生活比喻
Web Chat 像等你提问的同学；Agent 像拿到岗位说明、资料柜、工具箱和流程的 AI 同事。
它怎么工作
- 接收目标。
- 读取上下文。
- 调用计划和工具。
- 检查结果与异常。
- 交付或请人确认。
和 L2 有什么关系
L2-9 制作 Agent 设定卡，L2-10 再把重复流程固化为 Skill。
想一想
让 Agent 管理班级活动时，哪些事可以自动做，哪些必须问老师？
需要记住的边界
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。
观看原系列 P10 ↗P11什么是具身智能？AI 通过机器身体感知并作用于现实世界
一句话解释
具身智能让 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
聊天 AI 像隔着电话给建议；机器人小车有摄像头、传感器和轮子，可以看障碍并移动。
它怎么工作
- 传感器收集信息。
- AI 判断环境。
- 规划动作。
- 机器执行。
- 根据反馈调整。
和 L2 有什么关系
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，还要遵守哪些规则？
需要记住的边界
现实会突然变化，传感器也可能看错。涉及人身安全时要有停止机制和监督。
观看原系列 P11 ↗P12什么是对齐技术？让 AI 更符合人的目标、规则和安全要求
一句话解释
对齐技术让 AI 的行为更符合人的目标、规则和安全要求，减少误解任务或造成伤害的可能。
生活比喻
球赛不仅要争取赢，还有不能犯规、要听裁判、受伤要暂停等规则。
它怎么工作
- 明确目标和禁区。
- 用示例和反馈教学。
- 设置权限与停止条件。
- 测试高风险情况。
- 持续修改规则。
和 L2 有什么关系
L2 把安全落到 Agent 设定卡、人工确认点、禁止事项和测试记录。
想一想
目标是让更多人看到班级文章，为什么不能允许 AI 使用任何传播方法？
需要记住的边界
对齐不是一次设置后永远安全，环境变化后仍要持续测试。
观看原系列 P12 ↗04
AI 与人
把步骤交给工具，把目标、判断、授权和责任留给人。
P13什么是认知外包？把部分认知负担交给工具，人保留最终判断
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工具，让人把注意力留给更重要的目标和判断。
生活比喻
清单外包记忆，计算器外包计算，搜索引擎外包检索，导航外包路线规划，Agent 外包规则清楚的连续步骤。
它怎么工作
- 找出重复任务。
- 选择工具。
- 提供目标、资料和限制。
- 工具执行。
- 人核验并决定。
和 L2 有什么关系
L2 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。
想一想
使用导航以后，人还需要看路吗？这告诉我们怎样使用 AI？
需要记住的边界
外包步骤不等于外包判断。人要保留目标、事实核验、授权、验收和责任。
观看原系列 P13 ↗P14AI 会让人们失业吗？先改变任务和分工，而不是简单决定整个职业
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。
生活比喻
计算器减少了手工计算，却提高了分析和核验的重要性。AI 也常常先接手工作中的部分步骤。
它怎么工作
- 重复任务先变化。
- 岗位重新分工。
- 产生新任务。
- 人保留关系与责任。
- 个人升级能力组合。
和 L2 有什么关系
L2 训练定义目标、提供上下文、拆解流程、核验结果、组织 Agent 和持续迭代。
想一想
AI 能生成作文草稿后，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、政策和社会选择共同影响，不用单个案例制造焦虑。
观看原系列 P14 ↗P15以人为中心的人工智能AI 服务人的目标，重要决定保留人的监督
一句话解释
以人为中心的 AI 应服务人的目标、能力和福祉；重要决定要让人看得懂、能监督、能纠正和申诉。
生活比喻
自动驾驶可以帮助观察道路，但交通规则、目的地、安全责任和紧急处理仍围绕人设计。
它怎么工作
- 确认帮助对象。
- 说明 AI 做了什么。
- 提供检查方法。
- 保留停止和申诉。
- 检查公平与安全。
和 L2 有什么关系
每个 L2 工作流都要写人工确认点和禁止事项，Agent 不是替人做所有决定。
想一想
学校使用 AI 辅助批改作业时，学生应该有哪些复查和申诉机会？
需要记住的边界
效率不是唯一标准。教育、医疗、金融、法律、未成年人和隐私还要考虑公平和责任。
观看原系列 P15 ↗新的 AI 时代，人需要升级什么能力？
AI 带来的变化不只是“写得更快”。当信息、内容和执行更容易获得，人的价值会更多体现在问题、背景、判断、组织与责任。
信息更容易获得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、审美和质量标准变得更重要。
重复执行可以交给 AI人更多负责设计任务、检查结果和处理异常。
个人可以组织多个工具一个人也能获得过去小团队提供的部分执行能力。
六级能力阶梯
01 定义问题 · 把“帮我弄好”说成明确目标
02 提供上下文 · 给 AI 正确资料、背景、规则和限制
03 拆解工作流 · 把大任务拆成可以检查的小步骤
04 核验结果 · 检查事实、来源、质量、安全和偏差
05 组织 Agent · 选择工具、分配任务、设置汇报和确认
06 持续迭代 · 把错误和经验写回知识、模板与 Skill
学会以后能得到什么
减少重复劳动，把时间留给学习与创造
一个人获得更强的整理、生产与执行能力
让输出更适配个人资料、需求和风格
把一次经验沉淀为可复用工作资产
掌握底层方法，更容易适应后续新工具
AI 负责
规则清楚、可重复、可描述、可检查的执行步骤。
人负责
目标、判断、授权、验收和责任。
05
进阶路线
P16–P23 涉及编程和模型内部原理，完成前 15 节后再继续。
P17 · 神经网络——AI的大脑
认识神经网络如何逐层提取规律，但不要把它与真实人脑完全画等号。
观看 P17 ↗P18 · 动手编写神经网络
通过简单代码体验输入、计算、误差和参数更新，理解训练不是凭空产生智慧。
观看 P18 ↗P19 · 什么是Transformer？
了解 Transformer 怎样关注文字之间的关系，以及它为什么成为许多大语言模型的重要基础。
观看 P19 ↗P20 · 大模型是怎么训练出来的
认识数据准备、预训练、调整、评估和部署的大致流程。
观看 P20 ↗P21 · 实战：微调大模型
理解微调是用特定任务数据继续调整已有模型，并准备独立测试与安全边界。
观看 P21 ↗P22 · AI生图的原理——扩散大模型
了解扩散模型怎样从噪点逐步生成图像，并关注训练图片来源、版权和内容安全。
观看 P22 ↗P23 · 什么是世界模型？
认识 AI 怎样学习环境变化并预测下一步，同时理解预测与真实世界仍有差距。
观看 P23 ↗学完以后，试着回答三个问题
- 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？