目录

第1章和AI交个朋友1

1.1你好，AI： 第一次对话1

1.1.1AI的“理解”和人的理解不完全一样2

1.1.2Token： AI眼中的文字单位2

1.2AI能做什么： 理解、生成与推理3

1.2.1理解： 把文字变成可以计算的表示3

1.2.2生成： 根据上下文继续写下去5

1.2.3推理： 像在推理，但仍需要检验6

1.3AI做不到什么： 认识智能的边界6

1.3.1AI的“自信”和“准确”不是一回事6

1.3.2Temperature： 控制生成随机性的参数7

1.4生成不等于创造8

1.5本章小结8

1.6练习与思考9

第2章让AI更懂你： 提示工程10

2.1提问的艺术： 为什么提问方式决定答案质量10

2.1.1对比实验： 同一需求的3种问法10

2.1.2AI只能根据你提供的信息作答11

2.1.3上下文窗口11

2.2提示词设计三原则： 说清楚、说完整、说到位12

2.2.1原则一： 说清楚——明确任务类型12

2.2.2原则二： 说完整——给背景、给约束、给格式12

2.2.3原则三： 说到位——用示例展示你想要的效果13

2.2.4系统化框架： CRISPE13

2.2.5系统提示 vs. 用户提示15

2.2.6多模态提示： 不只输入文字15

2.3提示词进阶： 少样本学习、思维链与角色扮演15

2.3.1技巧一： 少样本学习——用示例教会 AI15

2.3.2技巧二： 结构化推理——让步骤可检查16

2.3.3进阶了解： SelfConsistency与Tree of Thought18

2.3.4技巧三： 角色设定——让AI调整回答视角18

2.3.5元提示： 让AI帮你改提示词19

2.3.6结构化输出： 让AI的回答方便被程序读取20

2.3.7采样参数20

2.4提示词评估与迭代： 好的提示词是改出来的21

2.4.1迭代四步法21

2.4.2实战案例： 总结论文22

2.4.3提示词评估的量化方法22

2.4.4A/B测试思维23

2.5选择AI平台： 按需求比较23

2.6AI安全初步： 认识提示注入攻击24

2.6.1什么是提示注入24

2.6.2直接注入与间接注入24

2.6.3防御策略24

2.7本章小结25

2.8练习与思考26

第3章像计算机一样思考： 计算思维与计算基础27

3.1计算思维27

3.1.1分解： 将复杂问题拆分为子问题27

3.1.2模式识别： 在问题中发现规律28

3.1.3抽象： 忽略无关细节，把握问题本质28

3.1.4算法设计： 制定有序的解决方案29

3.1.5算法效率： 不同算法的性能差距30

3.1.6计算思维与其他思维的关系31

3.2信息数字化： 二进制与编码31

3.2.1为什么计算机只用0和132

3.2.2文字怎么变数字： 从ASCII到Unicode34

3.2.3图片和声音怎么变数字37

3.2.4数字也有坑： 补码与浮点数的精度陷阱40

3.2.5万物皆数据： AI眼中的世界43

3.3计算机硬件： 从CPU到AI芯片45

3.3.1计算机系统： 从五大部件到完整系统45

3.3.2CPU与内存： 计算机的“大脑”与“工作台”48

3.3.3操作系统： 幕后的管家49

3.3.4从CPU到GPU： AI的算力引擎51

3.3.5互联网： 数据如何旅行52

3.3.6云计算： 算力的“插座”52

3.3.7物联网与边缘AI53

3.4本章小结54

3.5练习与思考55

第4章写出第一段程序： Python编程入门56

4.1Python环境搭建与基础语法56

4.1.1Python简介与版本选择56

4.1.2安装Python解释器57

4.1.3配置开发环境57

4.1.4编译型语言与解释型语言58

4.1.5Python 的解释器58

4.1.6虚拟环境： 项目的独立空间59

4.1.7Python基础语法规则59

4.1.8第一个Python程序61

4.2变量、数据类型与运算61

4.2.1变量与赋值62

4.2.2基本数据类型62

4.2.3运算符与表达式65

4.2.4类型转换66

4.2.5输入与输出67

4.2.6综合练习： 个人信息卡片69

4.3程序控制： 条件判断与循环70

4.3.1条件判断： if/elif/else70

4.3.2三元运算符与链式比较71

4.3.3for循环与range72

4.3.4while循环73

4.3.5循环控制： break与continue74

4.3.6列表推导式： 更优雅的循环写法74

4.4函数定义与模块化编程75

4.4.1函数的定义与调用75

4.4.2函数的返回值76

4.4.3参数类型76

4.4.4返回多个值77

4.4.5变量作用域78

4.4.6lambda函数与sorted78

4.4.7函数设计原则79

4.4.8模块与标准库79

4.4.9自定义模块80

4.5调试思维与异常处理81

4.5.1五步调试法与常见错误81

4.5.2tryexcept异常处理82

4.5.3用print()调试的实用技巧83

4.6本章小结84

4.7练习与思考84

第5章让数据变得可用： 数据处理与文件操作86

5.1数据结构： 列表、字典与集合86

5.1.1列表： 有序的可变数据容器86

5.1.2字典： 键值映射的数据容器91

5.1.3集合： 去重与集合运算94

5.1.4三种数据结构的对比与选择95

5.2文件读写操作96

5.2.1文本文件读写96

5.2.2CSV文件读写98

5.2.3JSON文件读写99

5.3数据清洗基础： 从脏数据到可用数据100

5.3.1数据质量底线： 垃圾输入，垃圾输出101

5.3.2脏数据的识别与修复102

5.3.3数据清洗实战： 六步流程105

5.4为AI准备数据集110

5.4.1NumPy： 向量化运算引擎110

5.4.2Pandas： 数据清洗的专业工具112

5.4.3异常值的统计检测115

5.4.4从清洗到训练： 数据集的规范整理116

5.5本章小结118

5.6练习与思考118

第6章从规则到学习： 机器怎么变聪明120

6.1规则驱动的困境120

6.1.1从一个实验说起120

6.1.2规则驱动的三大根本局限121

6.1.3机器学习的诞生122

6.2数据驱动范式123

6.2.1从“人写规则”到“机器学规则”123

6.2.2数据质量与模型质量123

6.3机器学习的基本范式123

6.3.1监督学习123

6.3.2无监督学习125

6.3.3强化学习125

6.3.4半监督学习与自监督学习126

6.3.5范式对比126

6.4特征表示与损失函数126

6.4.1特征与特征工程126

6.4.2特征缩放127

6.4.3损失函数129

6.5梯度下降与模型训练131

6.5.1梯度下降131

6.5.2学习率与收敛性131

6.5.3线性回归： 梯度下降的具体载体133

6.5.4完整训练流程134

6.5.5偏差方差权衡137

6.5.6动手实践： 规则驱动与数据驱动的对比138

6.6本章小结140

6.7练习与思考140

第7章从神经网络到大模型： 深度学习与大模型142

7.1从生物神经元到人工神经元142

7.1.1生物神经元的简化模型142

7.1.2感知机143

7.2多层神经网络145

7.2.1多层网络解决XOR问题145

7.2.2隐藏层的逐层抽象146

7.2.3反向传播算法146

7.3深度学习148

7.3.1深度与宽度的权衡148

7.3.2激活函数149

7.3.3梯度消失与梯度爆炸150

7.3.4卷积神经网络150

7.3.5注意力机制151

7.3.6Transformer架构153

7.4大语言模型154

7.4.1规模定律与涌现能力155

7.4.2自回归生成156

7.4.3预训练的两种自监督机制156

7.4.4大模型训练三阶段157

7.4.5多模态大模型157

7.5大模型应用158

7.5.1推理模型158

7.5.2模型微调158

7.5.3检索增强生成159

7.5.4AI能力的边界161

7.6本章小结161

7.7练习与思考162

第8章把AI做成应用： AI应用开发实战163

8.1AI API调用与集成163

8.1.1API的含义163

8.1.2最小API调用164

8.1.3API key的安全边界165

8.1.4常见错误与排查165

8.2Prompt链与工作流设计166

8.2.1多轮上下文166

8.2.2上下文管理167

8.2.3结构化输出167

8.2.4Token与费用168

8.2.5Prompt链的作用168

8.2.6工作流的基本结构169

8.2.7可复用 Prompt 模板169

8.2.8工作流中的错误处理169

8.3智能体开发基础170

8.3.1智能体的基本概念与总体架构170

8.3.2从生成文本到调用工具171

8.3.3智能体的基本组成171

8.3.4智能体的风险边界172

8.3.5Skill的概念172

8.3.6Skill与Prompt模板的区别173

8.3.7MCP的基本思想173

8.3.8MCP与普通API 的关系174

8.3.9MCP的安全要求175

8.3.10常用智能体工具导入175

8.4项目开发： 从需求到原型176

8.4.1场景说明176

8.4.2需求说明176

8.4.3推荐工作流177

8.4.4验收标准177

8.4.5好作品的起点不是技术177

8.4.6需求分析： 把模糊想法说清楚177

8.4.7MVP： 先做最小可运行版本178

8.4.8能力选择： 何时使用Prompt、API、Skill或MCP179

8.4.9原型开发模板180

8.4.10案例一： 深圳天气温度图181

8.4.11案例二： Word简历自动化182

8.4.12项目迭代与验收183

8.4.13项目案例与综合实践186

8.5本章小结188

8.6练习与思考188

第9章会用还要会判断： AI安全、伦理与责任189

9.1AI幻觉识别与事实核查189

9.1.1含义与类型190

9.1.2技术成因191

9.1.3控制与测试192

9.2算法偏见与公平性评估193

9.2.1来源与案例194

9.2.2公平性指标194

9.2.3治理实践195

9.3数据隐私与安全保护196

9.3.1风险类型196

9.3.2防护原则197

9.3.3隐私计算技术198

9.4知识产权与责任199

9.4.1训练数据争议199

9.4.2生成内容归属200

9.4.3责任链条200

9.5深度伪造201

9.5.1技术与威胁201

9.5.2识别与治理201

9.6负责任使用202

9.6.1个人规范202

9.6.2组织治理203

9.6.3社会监管204

9.7长期议题204

9.7.1就业205

9.7.2对齐205

9.7.3可解释性206

9.8本章小结206

9.9练习与思考207

第10章综合实践： 用AI讲好数据故事208

10.1提出问题： 直觉需要数据检验208

10.2数据准备： 从读取到清洗210

10.3逐步分析： 四层递进揭示真相213

10.3.1第一层： 双变量对比——直觉被温和翻转213

10.3.2第二层： 分组分析——出勤率是学习时间的前提214

10.3.3第三层： 极端对比——直觉被彻底翻转216

10.3.4第四层： 全因素排序——排除替代解释217

10.4从描述到预测： 让模型说话218

10.5AI辅助叙事： 从分析结果到数据故事220

10.5.1第一步： 构建证据清单220

10.5.2第二步： 生成课堂展示叙事220

10.5.3第三步： 生成海报导语221

10.5.4第四步： 人工核对222

10.6项目协作与成果展示222

10.6.1小组协作分工222

10.6.2版本管理与可复现性223

10.6.3成果展示与项目反思223

10.6.4最终交付物与提交要求224

10.6.5局限与边界224

10.7本章小结225

10.8练习与思考225

参考文献226