自测题

每章 3-5 道题，检验你的理解。答案在对应章节笔记中。

Ch01 AI 简史

1. AI 的三次浪潮分别是什么？每次浪潮的核心技术是什么？
2. 符号主义和连接主义的核心区别是什么？
3. 2026 年 AI 格局与 2023 年比有什么关键变化？

→ 第1章 · AI简史与必知过时技术

Ch02 Python 与数据科学

1. pip 和 conda 的区别是什么？什么时候用哪个？
2. 零基础最需要的 5 个 Python 库是哪些？
3. Jupyter Notebook 和普通 Python 脚本有什么区别？

→ 第2章 · Python 与数据科学生态

Ch03 AI 数学

1. 线性代数中的向量和矩阵分别对应 AI 中的什么？
2. 概率统计在 AI 中的三个核心应用是什么？
3. 2026 年，你需要多少数学才能入门 AI？

→ 第3章 · AI 需要的数学

Ch04 机器学习

1. 监督学习、无监督学习、强化学习的核心区别是什么？
2. 五个必知机器学习算法分别是什么？各适用于什么场景？
3. 过拟合和欠拟合分别是什么？怎么解决？

→ 第4章 · 机器学习核心算法

Ch05 模型评估

1. 混淆矩阵的四个格子分别代表什么？
2. 精确率和召回率的区别是什么？什么时候更关注精确率？
3. 交叉验证解决了什么问题？

→ 第5章 · 模型评估与特征工程

Ch06 神经网络

1. 感知机是什么？它和现代神经网络的关系是什么？
2. 激活函数为什么不能全是线性的？
3. 前向传播和反向传播分别做什么？
4. 学习率太大或太小分别会有什么问题？

→ 第6章 · 神经网络基础

Ch07 CNN

1. 卷积操作的核心思想是什么？为什么比全连接更适合图像？
2. 池化层的作用是什么？
3. CNN 和 ViT 的核心区别是什么？2026 年该选哪个？

→ 第7章 · CNN 与计算机视觉

Ch08 RNN

1. RNN 的”记忆”是怎么实现的？它有什么根本问题？
2. LSTM 是怎么解决 RNN 的梯度消失问题的？
3. Seq2Seq 架构用在什么场景？

→ 第8章 · RNN 与序列模型

Ch09 Transformer

1. 自注意力机制的核心公式是什么？Q、K、V 分别代表什么？
2. 为什么需要除以 √d_k？
3. 多头注意力为什么比单头好？
4. 为什么现代 LLM 只用 Decoder，不用 Encoder？

→ 第9章 · Transformer 架构精讲

Ch10 LLM 架构

1. 什么是 LLM？它和传统 NLP 模型的本质区别是什么？
2. Scaling Law 告诉我们什么？
3. MoE（混合专家）的核心思想是什么？
4. 上下文窗口从 4K 到 128K+ 的扩展带来了什么变化？

→ 第10章 · LLM 原理与架构演进

Ch11 模型微调

1. 全量微调和 LoRA 的核心区别是什么？各有什么优缺点？
2. QLoRA 在 LoRA 基础上加了什么？
3. DPO 和 RLHF 的区别是什么？为什么 DPO 更流行？
4. 微调、RAG、Prompt 三种方案分别适用于什么场景？

→ 第11章 · 模型微调

Ch12 Prompt 工程

1. Zero-shot、Few-shot、Chain-of-Thought 三种问法的区别是什么？
2. 系统提示词和用户提示词的区别是什么？
3. 提示词的三个核心局限是什么？
4. Prompt 工程 → 上下文工程 → Harness 工程 → Loop 工程的演变逻辑是什么？

→ 第12章 · 提示词工程

Ch13 RAG

1. RAG 解决了 LLM 的哪三个问题？
2. RAG 的五代演化分别是什么？每代的核心改进是什么？
3. 分块策略为什么重要？分块太大或太小分别有什么问题？
4. 重排序在 RAG 中起什么作用？

→ 第13章 · RAG 进化树

Ch14 Agent

1. Agent 和普通 AI 对话的本质区别是什么？
2. ReAct 循环的三个步骤是什么？
3. Agent 的三种工具使用模式是什么？
4. 什么时候该用 Agent，什么时候用普通对话就够了？

→ 第14章 · Agent 是怎么工作的

Ch15 Agent 通信协议

1. MCP 和 A2A 分别解决什么问题？
2. MCP 和传统 API 调用的区别是什么？
3. MCP + A2A 的组合解决了什么场景？

→ 第15章 · Agent 之间的通信协议

Ch16 多 Agent 协作

1. 多 Agent 的四种协作模式是什么？
2. Agent 之间怎么避免”扯皮”？
3. 什么时候用单 Agent，什么时候用多 Agent？

→ 第16章 · 多个 AI 怎么配合工作

Ch17 多模态 AI

1. 什么叫多模态？多模态的核心挑战是什么？
2. CLIP 是怎么让 AI 理解图片的？
3. VLM（视觉语言模型）和传统 CV 模型的核心区别是什么？

→ 第17章 . 多模态 AI

Ch18 AI 创作

1. AI 创作从 2023 到 2026 经历了哪三个阶段？
2. AI 创作的核心争议是什么？
3. 2026 年 AI 创作的工作流有什么变化？

→ 第18章 · AI 创作这三年

Ch19 多模态深度原理

1. CLIP 的双塔架构是什么？为什么有效？
2. 扩散模型是怎么从噪声生成图像的？
3. ViT 是怎么把 Transformer 用在图像上的？

→ 第19章 · 多模态深度原理

Ch20 推理部署

1. 为什么 AI 模型”太大”是个问题？有哪些解决方案？
2. 量化（Quantization）的核心原理是什么？
3. AWQ 和 GPTQ 的区别是什么？
4. vLLM 和 Ollama 分别适用于什么场景？

→ 第20章 · 模型推理部署

Ch21 MLOps

1. MLOps 和传统 DevOps 的区别是什么？
2. MLOps 成熟度模型的四个阶段是什么？
3. 小型团队 MLOps 的最低可行方案是什么？

→ 第21章 . MLOps 基础

Ch22 技术全景

1. 2026 年 AI 全栈架构包含哪些层次？
2. Agent 框架选型的核心考量是什么？
3. 微调技术从 SFT → LoRA → DPO 的演进逻辑是什么？

→ 第22章 · 2026 AI 技术全景

相关笔记

• 阅读指南 — 学习路径
• AI 应用层知识图谱 — 知识全景图
• 术语对照表 — 英文术语中文对照