内容板块
进阶 vibe coding
理解模型、上下文与 Agent，实践任务表达、反馈、人的参与、MCP、Skills 和插件；基于成熟 Harness 从最小版本完成一个完整 Agent。小说写作及小说工作台作为综合练习用例，各专题教授可迁移的 AI 能力，再按需拓展其他应用方向。
01 从完整任务看懂 AI 应用 · 第 1 节
看懂一个完整 Agent 怎样完成任务
沿一项客户工单分析任务，看清上下文、检索、工具与 Agent 如何协作，人的判断怎样改变过程，以及 Harness、Skills 和插件各自的作用；再认识课程主线、应用选读和小说创作练习的位置。
02 理解模型怎样生成回答 · 第 2 节
模型先把文本变成 token
从真实切分结果理解 token、词表与编号，比较千问和 DeepSeek 的分词规则，并区分文本长度与完整请求用量。
02 理解模型怎样生成回答 · 第 3 节
向量用一组数字表示信息
从 token 查表到向量关系，理解余弦、点积与距离，并区分模型内部表示和检索用文本向量。
02 理解模型怎样生成回答 · 第 4 节
生成回答是在逐步选择下一个 token
从前文、候选得分与选择理解逐 token 生成，用实际教学计算区分结束标记和长度截断，再分清训练参数与日常推理，判断流畅回答和任务完成。
02 理解模型怎样生成回答 · 第 5 节
注意力让模型结合相关内容
从指代关系进入 Q、K、V，以三位置人工实验走完匹配、缩放、权重与向量汇总。通过改变查询和只改 V 的对照，分清比例、内容与事实依据，再认识多头注意力。
02 理解模型怎样生成回答 · 第 6 节
Transformer 把这些计算接起来
从输入到下一枚 token，理解位置、注意力、FFN、残差和归一化的分工，以及因果遮罩对读取范围的限制，并认识模型说明中的常见结构名称。
02 理解模型怎样生成回答 · 第 7 节
生成参数怎样影响回答
区分推理投入、输出上限与采样的作用，用固定得分和实际抽样解释温度、top-p 与三类概率，再通过有明确约束的任务比较质量、等待和消耗。
03 让模型用好上下文与记忆 · 第 8 节
一次请求里实际装了什么
从追问答不上来的困惑，区分页面记录、保存历史与本次输入；用同一追问的三组实测，检查规则、历史和工具事实，并迁移到小说续写与独立校对。
03 让模型用好上下文与记忆 · 第 9 节
上下文装得下，不等于用得好
用《凡人修仙传》的实际修为与误认药名，比较短材料和三种长材料位置；通过四组完整真实回答，核对事实与引用，再按具体问题整理上下文。
04 说清任务，并判断 AI 做得怎样 · 第 14 节
把任务目标写成可检查的结果
从“写好一点”的模糊期待出发，推导一章改写的阅读效果、事实边界与具体要求，再用真实课堂返回分析要求怎样落实，并迁移到资料交接任务。
05 理解工具、工作流与 Agent · 第 19 节
让 AI 通过工具获取信息和执行操作
理解模型请求、程序执行与结果回传的协作机制；从实际任务出发，设计工具的职责、粒度、参数与返回内容，学习操作约束和工具集组织，并通过真实调用记录检验工具设计。
05 理解工具、工作流与 Agent · 第 20 节
工具结果怎样让 Agent 继续行动
理解工具结果怎样进入下一轮请求，并根据新信息判断剩余缺口、选择行动；通过真实读取、保存与读回，核对反馈与后续操作之间的联系。