Day 7：Week 1 复盘与考试
学习目标
今天的目标只有一个：检验你这一周到底学到了什么。
很多人的学习过程是这样的：看的时候觉得都懂了，做题的时候发现都不会，一到实际场景就完全蒙了。今天就是帮你发现”你以为懂了但其实没懂”的那些点。
复盘不是简单的回顾，而是有针对性的自我检测和知识巩固。今天的内容包含六个板块的复盘、闭卷测试、口述训练和对外内容输出。通过这些不同形式的练习，从不同角度检验你的理解深度。
完成今天的学习后，你应该能完整讲清 AI 应用开发的全景图，能解释大模型的边界，能把 AI 概念映射到半导体等具体行业场景。如果某个板块的复盘让你觉得”好像还不太清楚”，那就回到对应那天的内容重新学习——Week 1 的内容是后面七周的地基，地基不牢后面全都会飘。
核心概念
一、AI 全景复盘
第一天学的 AI 应用开发全景图，是整周内容的框架。所有后续的概念——LLM 原理、Prompt 工程、结构化输出、模型选择、应用类型——都可以映射到这个框架中的某个位置。
复盘要点：
AI 的层级关系。AI 包含机器学习，机器学习包含深度学习，深度学习包含大语言模型，在大模型之上构建应用就涉及 Agent。这五层不是平行的，而是层层包含的。理解这个层级关系，能帮你快速定位一个”AI 项目”到底需要什么层级的技术。
九大模块。输入层、模型层、知识层、工具层、流程层、记忆层、评估层、安全层、交付层。不是每个应用都需要全部九个模块，但你需要知道每个模块解决什么问题。当客户提出需求时，你能快速判断需要哪些模块。
五种架构。Chatbot、RAG、Workflow、Agent、Multi-Agent。从简单到复杂，从确定性到灵活性。选择架构的依据是任务复杂度、流程确定性和可控性要求。
系统工程思维。AI 应用开发不是写 Prompt，是系统工程。Prompt 只是系统中的一个组件。完整的系统需要处理输入管理、模型调用、结果校验、流程编排、安全防护、质量评估等一系列工程问题。
深入理解九大模块之间的数据流。用户请求从输入层进入系统，流程层负责编排处理步骤。如果任务需要外部知识，流程层会调用知识层做检索；如果需要执行动作，流程层会调用工具层。模型层负责所有与大模型的交互——无论哪个模块需要模型能力，最终都通过模型层统一调用。记忆层维护对话和任务的状态，让系统有上下文感知。评估层在关键节点检查输出质量，安全层在输入和输出两端做过滤，交付层把最终结果呈现给用户。这条数据流路径你应该能闭着眼睛画出来。
从 Chatbot 到 Multi-Agent 的架构选择不是单选题。实际项目中经常出现混合架构——主流程用 Workflow 编排，某些需要灵活决策的节点嵌入 Agent，Agent 内部又可能使用 RAG 来获取知识。理解每种架构的特点不是为了死板地选一种，而是为了在合适的环节用合适的方案。一个成熟的企业 AI 系统，往往是多种架构的有机组合。
自测方法：试着不看笔记，画一张 AI 应用开发全景图。包含九大模块及其关系、五种架构的复杂度递进。画完后和第一天的笔记对比，看遗漏了什么。如果你能在 5 分钟内画出一张完整的、逻辑自洽的全景图，说明 Day 1 的内容你已经内化了。
二、LLM 核心概念复盘
第二天学的大模型原理，是理解 AI 应用”为什么需要这么多模块”的基础。
复盘要点：
大模型的本质。它是一个概率生成系统，不是知识库。它根据上下文概率预测下一个词。这个本质决定了它会幻觉、它不稳定、它需要外部约束。
训练三阶段。预训练（在海量文本上学习语言能力）→ 指令微调（学会听指令）→ RLHF（对齐人类偏好）。三个阶段各解决不同的问题，缺少任何一个模型的实用性都会大打折扣。
关键概念。Token（模型处理文本的最小单位）、Context Window（单次能处理的最大长度）、Embedding（把文本变成向量）、Attention（理解词语之间的关系）、Temperature（控制输出随机性）、Hallucination（编造错误信息）。
大模型的边界。它不是数据库（不能精确查询数据）、不是搜索引擎（不能获取实时信息）、不是计算器（复杂计算可能出错）。理解这些边界，才能正确使用大模型。
企业应用三件套。RAG（供给事实）、Tool Calling（执行动作）、Eval（质量保证）。这三者是把大模型从”聊天工具”变成”业务系统”的关键。
自测方法：用你自己的话，向一个完全不懂技术的人解释大模型是怎么工作的。如果他能听懂，并且理解为什么大模型会产生幻觉，说明你真的懂了。
三、Prompt 体系复盘
第三天学的 Prompt 工程，是和大模型沟通的核心技能。
复盘要点：
Prompt 的作用和局限。Prompt 是和大模型沟通的桥梁，但它不能改变模型的能力边界、不能保证输出稳定、不能替代外部知识、不能执行动作、不能自我验证。理解这些局限，才能在正确的范围内使用 Prompt。
System Prompt 和 User Prompt。System 定义”你是谁、你怎么工作”，User 定义”你现在要做什么”。两者配合产生高质量输出。
四要素框架。Role（角色）、Task（任务）、Context（上下文）、Constraint（约束）。一个完整的企业级 Prompt 通常四者兼备。
Few-shot Prompting。通过提供示例来引导模型学习输入输出模式。示例质量比数量重要。
Prompt Contract 思维。把 Prompt 看作契约——输入约定、输出约定、边界约定。Contract 思维是从”随便写写”进化到”结构化管理”的关键。
企业级 Prompt 结构。不只是文字，而是包含元数据、输入定义、模板、示例、质量标准、测试用例、变更记录的完整文档。
版本管理。Prompt 是需要迭代的，需要版本管理来支持回滚、评估、协作和复现。
自测方法：不看任何参考资料，设计一个行业分析 Prompt。要求包含完整的 Role-Task-Context-Constraint 四要素。写完后对照第三天的 Prompt Contract 模板，检查是否遗漏了关键部分。
四、结构化输出复盘
第四天学的结构化输出，是大模型能力和工程系统之间的桥梁。
复盘要点：
为什么需要结构化输出。自然语言输出无法被程序可靠处理——解析困难、格式不稳定、信息遗漏、边界模糊。结构化输出通过预定义的数据格式解决了这些问题。
JSON Schema。定义 JSON 输出结构的规范语言。它把”期望的输出格式”从自然语言描述变成了机器可读的规范。可以校验字段类型、必填性、值范围、枚举值等。
Pydantic。Python 的数据校验库。用类型注解定义数据结构，自动生成 JSON Schema，自动校验数据。与 FastAPI 等框架深度集成。
失败处理。模型输出可能格式不合法、结构不符合、内容不达标、输出截断。处理方式包括格式修复、重试机制、降级处理、错误记录和人工介入。
下游衔接。结构化输出的最终目的是与下游系统（数据库、前端、API、报告生成器）衔接。设计 Schema 时要从下游需求出发。
自测方法：为”半导体良率分析报告”设计一个 JSON Schema。至少包含：分析时间、产品型号、良率数据、异常因素列表、改进建议。写完后检查：字段类型是否合理？约束是否足够？下游系统能直接使用吗？
五、应用类型复盘
第六天学的 AI 应用类型地图，是从技术到商业的桥梁。
复盘要点：
12 类应用。Chatbot、RAG 知识库、文档分析系统、数据分析助手、内容生成系统、Workflow 自动化、Agent 系统、Multi-Agent 系统、AI Copilot、AI 搜索、AI 报告生成系统、AI Native SaaS。
每类应用的画像。适用场景、输入、输出、核心技术、难点、商业价值。不是要你死记硬背，而是要你理解每类应用的”性格”——它适合做什么、不适合做什么。
架构选择的依据。任务复杂度（简单还是复杂？）、流程确定性（固定流程还是需要灵活决策？）、可控性要求（需要严格管控还是可以给 AI 自由度？）。
个人方向选择。基于市场需求、个人优势、技术可行性和商业化潜力，选出自己重点发展的方向。这个选择会影响你后续七周的学习重心。
自测方法：给出 5 个具体的业务需求（比如”让工程师能快速查找工艺规范”、“自动生成每月的经营分析报告”等），判断每个需求适合用哪种 AI 应用类型。如果判断速度慢或判断不准，说明对应用类型的理解还需要加强。
六、半导体 AI 场景复盘
半导体场景是贯穿整周的行业练习场景。回顾一下你在半导体场景上做了哪些思考。
Day 1：用半导体场景解释 AI 如何嵌入业务流程。你列出了哪些场景？每个场景适合什么架构？
Day 2：用半导体良率分析场景解释大模型边界。大模型能做什么？不能做什么？
Day 3：你为半导体场景设计了什么 Prompt？是工艺分析？是良率报告？
Day 4：你为半导体场景设计了什么 JSON Schema？是良率数据的结构化输出？
Day 5：半导体 AI 场景需要哪些模型？Embedding 做文档检索、通用模型做分析、多模态做缺陷图片识别？
Day 6：半导体企业的 AI 需求适合用哪种应用类型？RAG 知识库做工艺文档检索？报告生成做良率分析报告？Agent 做异常自动排查？
把这些天的思考串联起来，你应该能形成一个比较完整的”半导体 AI 提效方案”的雏形。这个方案应该包含：半导体企业的核心痛点、每个痛点对应的 AI 解决方案、方案的架构选择、需要的技术栈、成本估算。
具体来说，一份合格的半导体 AI 提效方案雏形应该覆盖以下内容：
核心痛点列表。半导体企业在生产环节面临的主要痛点包括：良率波动难以快速定位根因、工艺参数调整依赖工程师经验、设备异常预警不及时、质量异常溯源效率低、工程师知识传承困难（老工程师离职后经验流失）。这些痛点不是泛泛的”效率不高”，而是具体到某个环节、某个岗位、某个具体动作。
痛点到方案的映射。良率波动问题适合用数据分析助手 + Workflow 自动化——自动采集良率数据、按预设规则分析波动原因、生成异常报告。工艺参数调整问题适合用 RAG 知识库——把历史工艺参数和对应效果整理成知识库，工程师输入当前情况，系统检索相似历史案例给出参考。设备异常预警需要 Agent 系统——Agent 持续监控设备数据，发现异常后自动排查可能原因、调取相关文档、通知相关工程师。知识传承问题适合用 RAG + 文档分析系统——把工程师的经验记录、故障案例、解决方案全部入库，新工程师可以随时查询。
技术栈选择。Embedding 模型用于文档向量化（处理工艺文档、故障案例），通用对话模型用于分析和生成（生成报告、回答问题），多模态模型用于缺陷图片识别（芯片表面的缺陷检测），Reranker 模型用于检索结果优化。根据 Day 5 学的模型路由策略，简单查询用小模型，深度分析用大模型，控制总成本。
成本估算框架。以一个月 1000 次调用为基准，估算每次调用需要的 Token 数量、选择的模型级别、对应的费用。区分低成本模式（小模型 + 简单检索）和高质量模式（大模型 + Reranker + 深度分析），给客户两个档位的选择。
实战分析
闭卷回答 20 个问题
找一张白纸或者一个空白文档，不看任何笔记，回答以下 20 个问题。每个问题用 2-3 句话回答。答完后对照笔记给自己打分，每个问题 5 分，总分 100 分。
这 20 个问题覆盖了 Week 1 的所有核心知识点。如果你能答出 80 分以上，说明你对 Week 1 的内容有了扎实的理解。如果低于 60 分，建议花一天时间重新学习得分最低的板块。
录制 5 分钟口述
找一台手机或电脑，录制一段 5 分钟的视频或音频，向一个不懂 AI 的企业管理者解释：
第一分钟：什么是 AI 应用开发？它和”用 ChatGPT”有什么区别？
第二分钟：大模型是怎么工作的？它为什么会出错？
第三分钟：企业为什么不能只靠 Prompt？还需要什么？
第四分钟：AI 应用有哪些类型？给企业推荐哪种？
第五分钟：如果你是企业的 AI 顾问，你能帮企业做什么？
口述的目的是检验你是否真正内化了这些知识。写笔记的时候你有很多时间思考和组织语言，但口述要求你即时表达——真正理解的知识你能随口说出来，没理解的知识你会卡壳。
录完后自己听一遍。评判标准：逻辑是否清晰？语言是否通俗（没有堆砌术语）？5 分钟内是否讲清了核心要点？如果能让一个不懂 AI 的老板听懂并产生兴趣，就是成功的。
生成 Week 1 总结文档
写一份 Week 1 的学习总结，不是简单罗列学过的内容，而是：
关键收获。这一周你学到的最重要的三个认知是什么？为什么重要？
认知变化。学习之前你对 AI 应用开发有什么误解？现在怎么理解？
知识漏洞。哪些内容你觉得还没有完全掌握？打算怎么补？
下一步计划。基于 Week 1 的学习，你对接下来的 Week 2-8 有什么新的期待或调整？
完成一篇对外内容
写一篇面向外部读者的文章，主题是”为什么普通人学 AI 停留在问答阶段”。
这篇文章的目标读者是对 AI 感兴趣但没有技术背景的普通用户或企业管理者。文章要回答：为什么大多数人用 AI 只是问答？问答之外还有哪些可能性？真正的 AI 应用长什么样？企业应该怎么规划 AI 化路径？
写作要求：不用专业术语（如果必须用就要解释）、有具体的例子、有自己的观点和判断、字数 1500-2000 字。
当日产物说明
《Week 1 学习总结》
一份个人化的学习总结文档，不是知识点的复述，而是你对知识的消化和反思。包含关键收获、认知变化、知识漏洞、下一步计划四个部分。质量标准：体现真实的思考，不是空洞的套话。
《AI 应用开发 5 分钟口述稿》
一份 5 分钟的口述文稿，面向不懂 AI 的企业管理者，解释 AI 应用开发的核心概念。质量标准：逻辑清晰、语言通俗、不堆砌术语、5 分钟能讲完。可以先写稿再录制，也可以先自由口述再整理成文。
《Day1-Day7 核心概念表》
一份包含 Week 1 所有核心术语的表格。每个术语包含：中文名称、英文名称、一句话定义、首次出现的日期。建议按主题分组（基础概念、模型原理、Prompt 工程、结构化输出、模型选择、应用类型）。质量标准：覆盖 Week 1 的所有核心术语，定义准确简洁。
《为什么普通人学 AI 停留在问答》
一篇面向外部读者的科普文章。质量标准：非技术人员能看懂、有具体例子、有个人观点、1500-2000 字。这篇文章也可以作为你后续内容获客的素材。
常见误区与避坑
误区一：复盘就是再看一遍笔记
被动地重读笔记效果很差。有效的复盘是主动的——不看笔记先回忆，能想起来的就是真正掌握的，想不起来的就是需要加强的。20 个闭卷问题就是为此设计的。
误区二：跳过口述环节
口述看起来简单，实际上是对理解深度的最强检验。写作时你有时间思考和组织，口述时你必须即时表达。如果你在口述时频繁卡壳、逻辑混乱、堆砌术语说不到重点，说明你的理解还停留在表面。
误区三：只关注得分，不关注原因
闭卷测试的得分不重要，答错的原因才重要。是因为概念混淆？是因为没记住？还是因为压根没理解？不同的原因对应不同的补救方式。混淆的概念需要对比学习，没记住的需要强化记忆，没理解的需要回到原始材料重新学习。
误区四：忽视知识漏洞
复盘时发现的”好像还不太清楚”的知识点，不要跳过。Week 1 是后面七周的地基。如果地基有裂缝，后面构建的内容都会不稳。花时间把漏洞补上，比急着进入 Week 2 更重要。
误区五：对外内容不敢发表
很多人写了对外内容但不发布。其实发布出去才能得到真实的反馈。你的理解是否准确？表达是否清晰？观点是否有价值？这些只有外部读者能告诉你。不要追求完美，先发布再迭代。
误区六：把复盘当成终点
有些人觉得做完 Week 1 的复盘，第一周就”结束”了，可以头也不回地冲向 Week 2。但复盘的真正价值在于持续参考。在后续学习过程中，当你遇到某个概念感觉”好像在哪里见过但想不起来了”，应该回到 Week 1 的笔记中查找。Week 1 的全景图是贯穿整个学习周期的参考框架，不是用完就扔的一次性文档。建议在每周的开始，花 10 分钟快速浏览上一周的复盘笔记，保持知识的连续性。
误区七：闭卷测试时自我放水
有些人做闭卷测试时，遇到想不起来的问题就偷看笔记，然后安慰自己”其实我是知道的，只是暂时忘了”。“暂时忘了”就是没记住，没记住就是没掌握。闭卷测试的价值就在于它帮你在安全的环境中发现知识漏洞。在真实场景中（比如和客户沟通时），你偷看不了笔记。所以请严格闭卷，诚实面对自己的掌握程度。答错的题目标注出来，这些就是你需要重点复习的知识点。
延伸思考
Week 1 的复盘不只是回顾过去，更是为未来做准备。
Week 2 将进入更实操的阶段——API 调用、结构化输出工程实践、Function Calling、Prompt 模板库建设、后端架构设计。这些内容需要 Week 1 的理论基础。如果 Prompt 的四要素框架（Role-Task-Context-Constraint）你不清楚，Week 2 设计 Prompt 模板时就会无从下手。如果 JSON Schema 的概念你没理解，Week 2 做结构化输出实践时就会一头雾水。
从学习曲线来看，Week 1 是”认知建设”阶段，重点在于建立正确的理解框架。Week 2-4 是”动手实践”阶段，重点在于把认知转化为实际的工程能力。Week 5 是”工程化”阶段，重点在于让 Demo 变成可交付的系统。Week 6-8 是”商业化”阶段，重点在于把技术能力转化为可销售的服务。
站在 Week 1 的结尾，你应该已经能回答这个问题了：“AI 应用开发到底是什么？“如果你的答案是”就是写 Prompt 跟 ChatGPT 聊天”，那这一周你需要重新来过。如果你的答案是”是把大模型的能力封装到一个工程系统里，让系统能够稳定、可重复、规模化地解决业务问题的系统工程”，恭喜你，你已经建立了正确的认知框架。
接下来的 49 天，就是在这个框架上不断填充细节、提升能力、做出成果的过程。
还有一点值得深思：Week 1 的学习方式（理解概念、建立框架、行业映射）和后续几周的学习方式（写代码、搭系统、做 Demo）有本质区别。Week 1 是”想清楚”，后面是”做出来”。很多人喜欢直接跳到”做”，因为写代码有即时反馈，看起来更有成就感。但如果你没想清楚就动手做，最终做出来的东西要么方向错了，要么架构错了，返工的成本远高于先花时间想清楚。
Week 1 的另一个隐性收获是”建立了正确的 AI 心智模型”。所谓心智模型，就是你遇到 AI 相关问题时的第一反应。如果有人问你”能不能让 AI 帮我自动处理客户邮件”，你的第一反应不应该是”可以，我写个 Prompt 试试”，而应该是：“这个任务需要理解邮件内容、判断意图、决定处理方式——这是 Agent 级别的需求。需要 RAG 来获取产品信息和客户历史，需要工具来调用邮件系统和 CRM，需要人工审核节点来处理高风险情况。“这种系统化的思考方式，就是 Week 1 要训练的核心能力。
从知识管理的角度看，Week 1 建立的概念框架也是你后续学习的”索引”。当你遇到一个新技术或新概念时，你可以快速把它归类到框架中的某个位置——这是模型层的优化、这是知识层的新方法、这是评估层的新工具。有索引的学习比无索引的学习效率高得多。
自测问题（闭卷测试 20 题）
以下 20 个问题覆盖 Week 1 的全部核心内容。请闭卷作答，每个问题用 2-3 句话回答。
-
AI、机器学习、深度学习、大语言模型、Agent 之间是什么关系？
-
AI 应用系统的九大模块分别是什么？（至少列出 7 个）
-
为什么说 Prompt 不是 AI 应用的全部？给出三个理由。
-
大模型的本质是什么？为什么说它不是数据库也不是搜索引擎？
-
什么是 Token？它和”词”有什么区别？
-
什么是 Context Window？它对 AI 应用设计有什么影响？
-
幻觉是什么？它的根本原因是什么？能完全消除吗？
-
企业应用为什么需要 RAG、Tool Calling 和 Eval？
-
System Prompt 和 User Prompt 各自承担什么角色？
-
Role-Task-Context-Constraint 框架中，每个要素的作用是什么？
-
什么是 Few-shot Prompting？它解决什么问题？
-
Prompt Contract 思维和普通 Prompt 写法有什么本质区别？
-
企业级 Prompt 应该包含哪些部分？（至少列出 5 个）
-
为什么自然语言输出在企业应用中不够用？
-
JSON Schema 解决什么问题？它和”在 Prompt 里要求输出 JSON”有什么区别？
-
当模型的 JSON 输出格式错误时，应该怎么处理？
-
通用对话模型和推理模型的核心区别是什么？
-
什么是模型路由？为什么一个应用可能需要多个模型？
-
RAG 知识库和 Chatbot 的核心区别是什么？
-
Workflow 和 Agent 的核心区别是什么？各适合什么场景？
关键词（Week 1 全部核心术语）
基础概念
- AI：让机器表现出智能行为的技术总称
- ML（机器学习）：让机器从数据中自动学习规律的方法
- DL（深度学习）：使用多层神经网络学习复杂数据模式的技术
- LLM（大语言模型）：用海量文本训练的超大规模语言模型
模型原理
- Token：模型处理文本的最小单位
- Context Window：模型单次能处理的最大 Token 数量
- Embedding：把文本转换为数学向量的技术
- Attention：让模型理解词语间关系的机制
- Transformer：大模型的底层架构
- Pretraining：在海量文本上预训练的阶段
- Instruction Tuning：用指令-回答对微调的阶段
- RLHF：基于人类反馈的强化学习
- Temperature：控制输出随机性的参数
- Hallucination：模型编造错误信息的现象
Prompt 工程
- System Prompt：系统级固定指令
- User Prompt：用户级具体任务输入
- Role/Task/Context/Constraint：Prompt 四要素框架
- Few-shot Prompting：通过示例引导模型的技术
- Prompt Contract：把 Prompt 当契约设计的思维方式
结构化输出
- JSON：轻量级数据交换格式
- JSON Schema：定义 JSON 结构的规范语言
- Pydantic：Python 数据校验库
模型选择
- 通用对话模型：处理多种任务的通用模型
- 推理模型：专门优化推理能力的模型
- Embedding 模型：专门做文本向量化的模型
- Reranker 模型：对检索结果重排序的模型
- 模型路由：根据任务自动选择模型的机制
应用类型
- Chatbot：基础对话式 AI 应用
- RAG：检索增强生成的知识库系统
- Workflow：固定流程的自动化系统
- Agent：能自主规划和执行的系统
- Multi-Agent：多 Agent 协作的系统
- Copilot：嵌入工作流程的辅助工具
- AI Native SaaS：以 AI 为核心的软件服务