每天拿真实需求、缺陷和重构练手，质量责任仍然在人。
越理解现场任务，AI 方案越容易成为可交付价值。
把告警、响应、推荐、测试、运维串成智能流程。
架构、代码、测试和质量意识会被 AI 放大。
学习路径
四个阶段，逐步逼近可交付能力
从“知道 AI 怎么生成”到“能设计 AI 工作流”，每一课都配有练习和验收标准。
原理图谱
AI 不是魔法，是一组可控的工程变量
掌握这些变量，你就知道什么时候该补上下文，什么时候该加工具，什么时候必须验证。
模型内部
从训练到生成，看懂大模型到底在做什么
先把“训练”和“推理”分清，再看 token、embedding、Transformer、attention 和采样如何连成一次回答。
01
训练不是记答案，推理不是查资料
训练阶段用大量文本调整参数，让模型学会语言、知识和模式；推理阶段固定参数，根据当前上下文一步步生成下一个 token。
数据文本、代码、对话
预训练预测下一个 token
对齐偏好、安全、指令
推理上下文内生成
反馈评估与迭代
一次回答，是很多次“下一个 token”
模型每一步都会给所有候选 token 打分，采样策略决定选哪个 token；这就是它既能创造，也可能编错的根源。
Attention 决定当前词该看谁
自注意力会给上下文里的 token 分配权重。重要约束写得越清楚、越靠近任务，模型越容易在生成时“看见”。
RAG 是先找资料，再基于资料回答
RAG 不会自动保证正确。切片、召回、排序、引用和拒答规则，决定它是在补知识，还是把错误资料放大。
Agent 是带工具的循环，不是更会聊天
真正可用的 agent 必须有权限边界、操作日志、失败兜底和人工审核点，否则自动化会把错误扩散得更快。
认知升级
从聊天窗口，升级为工程协作
低效用法
把 AI 当问答机
问题模糊、上下文缺失、一次性生成、凭感觉验收，最后还是人返工。
目标用法
把 AI 放进 Harness
目标清楚、上下文完整、边界明确、工具可用、测试闭环，输出可追踪可复盘。
训练台
把真实工作转成 AI 能执行的工程任务
好的 prompt 本质是一个小型任务规格：目标、场景、上下文、边界、验证和复盘。
场景训练
把 AI 放进真实研发和业务现场
问题到底帮谁完成什么任务？
先问客户场景，再写提示词。没有客户任务，AI 只会帮你生成看似完整的空方案。
输出如何被验证和回滚？
每个 AI 方案都需要测试、日志、监控、人工审核和失败兜底。
哪些步骤能被 AI 串起来？
从告警研判、事件响应、策略推荐、测试生成到运维交付，寻找连续流程。
术语表
把抽象词变成工程动作
检查题