读书方法 / 知学
知学 · 从一本书，学会一件事
先试一课「月亮为什么有圆有缺？」，或打开自己的 PDF：先说想法，再回书里找依据，换一道题也会才算懂。
打开知学 ↗默认书架里都是经典；自己的 PDF 只在本机浏览器里打开，不上传；AI 先生登录后可用（由站长配置的模型驱动，可选孔子、王阳明的教法），没开通时用自练模式。
鼓捣星球 / 一起学学 AI · 学其他
一起学
学 AI，也学别的：跟着一本书学知识、用自己的 PDF 学。
学其他
读书 · 诗文 · 英语语文 / 诗文书房
诗里有画 · 小小诗文书房
632 篇古诗词曲与古文：看拼音、读释义、看配图、练背诵。
打开诗文书房 ↗手机也能用。
英语 / 启蒙绘本
英语启蒙绘本 · 0-5级
0级40本字母与听音启蒙、1级80本入门听读、2到5级232本分级故事（2级80、3级69、4级38、5级45），唐老师配音，上图下字、点哪句读哪句；本站原创启蒙内容，不是官方RAZ分级
打开绘本 ↗本站原创启蒙内容，不是官方 RAZ 分级；手机也能看。
英语 / 词汇跟读
英语词汇跟读 · 15期
15 期 · 360 词：看图跟读，点词听英式发音，还能遮住中文回忆。
打开词汇跟读 ↗手机也能用。
英语 / 看图记词
看图记英语 · 11期
11 集 · 240 词：看插画记单词，点词听英式发音，还能遮住中文回忆。
打开看图记英语 ↗手机也能用。
学 AI
第一季 · 从大模型的一次回答出发 从会用 AI，到看懂它怎样工作
你问一句话，
大模型为什么
能接着回答？
先跟着一句话，走进模型内部。
再看懂：它怎样学习、为什么会错、怎么验证。
05 步看懂回答07 个基础实验
不用先学公式。每个实验都会告诉你：它解释大模型的哪一部分。
先看全貌 / 导览 00约 8 分钟
教学示意 · 不调用真实模型从一句话开始
“北京是中国的……”
大模型怎样继续这句话？点下面的环节，跟着走一遍。
Token · 文本片段
模型先把文字拆成可处理的片段。
北京是中国的
阅读用拆分示意；实际 Token 边界可能不同。
以“北京是中国的”为例。文字先经过分词器，变成一串编号。一个片段可能是一个字、词的一部分或标点，不一定等于一个词。
继续这句话：把“北京”查表变成向量 ↗Embedding · 数字表示
每个片段变成一个向量，才能进入网络计算。
北京 → [ … ]中国 → [ … ]位置也要表示
省略号表示多维向量；这里没有展示真实模型的内部数值。
可以先把向量理解成一长排数字。训练会调整这些数字，让模型能利用文本中的规律。它们不是人工规定的“地名分、情绪分”。
继续这句话：亲手改“北京”的向量，看计算怎样变化。 ↗Transformer · 处理上下文
“北京”“中国”和“的”要放在一起计算。
北京 ↔ 中国当前位置 ← 已有上下文多层计算
箭头只表示信息联系，并非实测注意力权重或完整计算图。
模型处理当前能看到的上下文。Attention 让不同位置的信息相互影响，网络中的其他计算继续变换这些信息。“结合上下文”并不等于已经查证事实。
模型参数如何改变输出？先用两个参数看清因果。 ↗概率分布 · 选择输出
模型给下一片段的候选项打分。
输入：北京是中国的候选续写：首都 / 城市 / …按生成规则选择
候选由课程作者举例；没有调用模型，也没有伪造概率。
它计算接下来各个片段的概率，再按生成规则选出一个。这里可以用“首都”作为续写示意。高概率说明模型倾向这样续写，不能直接当作事实可信度。
训练时怎样判断一次预测够不够好？ ↗自回归生成 · 重复预测
新片段接回上下文，再预测下一个。
北京是中国的 → 首都已有内容 + 新片段再次预测 → 直到停止
教学示意结束。理解这个流程后，再区分“回答”和“训练”。
于是你看到一段回答逐步出现。实际聊天还可能带上系统指令、历史消息、检索资料或工具结果。此处讲的是常见文字生成主流程。
这些参数原本是怎么学来的？进入训练实验。 ↗第 1 / 5 步
为什么这里还有向量、直线和梯度？
它们是把机制拆小的练习：向量解释数字怎样运算，直线解释参数怎样影响输出，梯度解释训练怎样调整参数。这些小实验本身不会聊天，也不能代表完整大模型。第一次来，建议先读「大模型怎样回答一句话」，再选下面想弄懂的问题。
应用专题 / JEV
AI 怎么决定下一步交给谁？
用三条学习求助认识 Jev：白话入门、分流模拟、置信度门槛，以及可在自己电脑运行的 Python 练习。
打开 Jev 入门教程 ↗本地模拟已开放；真实 API 接入需自备权限。专题暂不计入基础课进度。
新增应用专题 / LAYA
把决策模型放到自己的电脑上
接着同一个求助案例，自己出题、下载实验脚本，再学习怎样检验结果与微调模型。白话讲解与专业层分开阅读。
打开 Laya 本地实验教程 ↗网页可准备实验；真实模型需本机运行，尚无本机实测成绩。专题暂不计入基础课进度。
我的学习记录
无需登录即可阅读和运行实验。
0 / 7 已开始0 通过本节检验0 天留下记录
CHAPTER 01 / 当前开放
你想弄懂什么，就从那个问题开始。
每节先讲“与大模型的关系”，再动手实验。白话讲清直觉，专业解释保留公式与适用边界。
- 01未开始同一句话：文字片段 → 查表 → 向量运算
“北京是中国的……”怎样变成数字？
对应实验：把这句话变成向量
在线实验 · 约 35 分钟 - 02未开始数字表示 → 网络计算
模型的“参数”到底是什么？
对应实验：搭起第一个预测模型
在线实验 · 约 40 分钟 - 03未开始训练：预测 → 误差评价
训练时，模型怎么知道自己预测得不好？
对应实验：用损失衡量错在哪里
在线实验 · 约 40 分钟 - 04未开始训练：误差 → 参数更新
大模型的能力是怎样训练出来的？
对应实验：亲手实现梯度下降
在线实验 · 约 65 分钟 - 05未开始评测：留出没参与学习的数据
模型是否已经见过拿来考试的题？
对应实验：给模型留一场真正的考试
在线实验 · 约 45 分钟 - 06未开始评测：记住样本还是掌握可迁移规律
为什么练习做得好，换个问题就不行？
对应实验：发现过拟合，而不是庆祝高分
在线实验 · 约 55 分钟 - 07未开始工程：训练、验证、测试与复现
怎样证明一次模型改动真的有用？
对应实验：交付一个可复现的小模型
在线实验 · 约 80 分钟
从基础到专业方向
你接下来会走到哪里
第 01 阶段可学习；其余展示课程规划，尚未开放课程内容。
01当前开放
数据与第一个模型
- Python 与向量
- 线性回归与损失
- 梯度下降
- 划分、泛化与复现
02路线预告
机器学习方法
- 逻辑回归与分类
- 决策树与集成
- 特征处理
- 交叉验证与评价指标
03路线预告
神经网络与训练
- 反向传播与计算图
- PyTorch 训练循环
- 优化器与正则化
- 训练故障诊断
04路线预告
Transformer 与语言模型
- Token 与 Embedding
- Attention 与位置编码
- 小型语言模型
- 预训练与生成
05路线预告
数据与模型适配
- 提示、检索与微调的选择
- 数据清洗与划分
- LoRA 实验
- 收益与退步评测
06路线预告
RAG 与 Agent 工程
- 检索、重排与引用
- 工具调用与工作流
- 错误定位与恢复
- 权限与提示注入
07路线预告
部署、评测与性能
- API 与服务部署
- 延迟和吞吐
- 量化与缓存
- 版本与回归评测
08路线预告
选一个方向深入
- 论文复现与消融
- 多模态与视觉
- 机器人与控制
- 推理系统优化
怎样才算学会？
01 解释用自己的话讲清楚概念。
02 实现运行代码，再主动改一个条件。
03 验证比较结果，解释一次失败。
学习笔记和打卡仅自己可见。完成练习、自评掌握与通过检验分别记录，不用连续签到代替理解。