Learn
Four levels of AI literacy
共 28 篇知识条目，按一个人理解和驾驭 AI 的能力递进组织。不要求你从头开始——找一个你卡住的层级，从那里进入。
01 / UNDERSTAND
理解 AI
建立正确的认知模型。
这一层不教你怎么用某个产品，而是给你一套不会随着模型版本更新而作废的底层认知：AI 是什么、模型在做什么、它为什么会有幻觉。
学完之后 能用一句话解释 LLM 的工作原理，并判断一个 AI 说法是否可信。
01What is AI? AI 是「让机器完成需要智能的任务」这一目标的总称，它包含机器学习，但不等于机器学习。 02Machine Learning 不写规则，而是给机器大量例子，让它自己总结出输入到输出的映射。 03Neural Network 由大量可调数值（参数）组成的多层函数，通过反向传播从错误中调整自己。 04Transformer 用注意力机制并行处理整个序列的神经网络结构，是今天所有大模型的地基。 05Large Language Model 在海量文本上训练、以预测下一个 token 为目标的模型，是当前 AI 能力的通用底座。 06Multimodal 模型同时处理文本、图像、音频、视频等多种形态的信息，而不只是文字。 07AGI 一个假想中的系统，能在绝大多数认知任务上达到或超过受过训练的人类水平。
02 / USE
使用 AI
把 AI 变成生产力工具。
从「会聊天」到「会交付」。这一层关注上下文、任务拆解、研究工作流与个人知识管理，目标是把 AI 嵌进你已有的工作方式里。
学完之后 能独立设计一套可复用的 AI 工作流，并稳定产出可用结果。
01Prompting 通过组织输入来引导模型输出。它是基本功，但只是上下文工程的一个子集。 02Context Engineering 决定模型看到什么、以什么顺序看到、以及看不到什么的工程。它比提示措辞重要一个量级。 03Research Workflow 用 AI 做调研的正确姿势：把「搜、读、判、写」拆开，每一步都留可核查的痕迹。 04AI Coding 目前投入产出比最高的 AI 应用场景，因为它有可自动验证的对错标准。 05Knowledge Management 让 AI 的产出沉淀成可检索、可复用、可被 Agent 读取的资产，而不是散落的聊天记录。 06AI Workflows 把一次性的对话变成固定流程：有输入、有步骤、有输出格式、有质量检查。
03 / BUILD
构建 AI
开始理解 AI Software。
模型之外的工程。API、工具调用、检索、协议、技能、运行时——这些才是把模型变成产品的地方，也是 AI 工程与普通后端最不同的部分。
学完之后 能画出并实现一个 Agent 系统的完整架构图。
01LLM API 从聊天窗口走到 HTTP 请求。理解无状态、流式输出与采样参数，是构建一切 AI 软件的第一步。 02Tool Calling 模型不再只输出文本，而是输出「请调用这个函数、参数是这些」，由你的程序真正执行。 03Embeddings 把文本映射成向量，让「语义相似」变成可以计算的「距离相近」。 04RAG 先检索资料，再让模型基于资料作答，用外部知识替代参数记忆。 05MCP 一套开放协议，把「模型连工具」从 N×M 次适配变成 N+M 个实现。 06Skills 把流程、知识与脚本封装成可复用的能力单元，让 Agent 按需加载而不是全部塞进上下文。 07Agent 模型 + 工具 + 循环。能根据中间结果决定下一步，直到任务完成或主动放弃。 08Agent Harness 承载 Agent 循环、工具注册、权限与状态管理的运行环境。它决定可靠性的下限。 09Evals 用固定任务集和明确标准衡量 AI 系统表现的方法。没有它，所有改进都只是感觉。 10AI-Powered Software 代码掌握控制流，模型只回答窄而类型化的判断。这是与 Agent 并列的另一条架构路线。
04 / THINK
思考 AI
理解 AI 对软件与组织的影响。
技术变化最终会落到软件形态、组织结构和商业模式上。这一层讨论那些几年后仍然重要、但现在还没有标准答案的问题。
学完之后 能对「AI 会怎样改变我的行业」给出有依据的判断。
NEXT
Pick a level.
Start anywhere.
四个层级之间没有严格的先后顺序。真正的顺序是：从你当前最困惑的问题开始。
看完整知识地图 →