← 返回首頁

AI 編程能力培訓課程目錄

這門課是給大學生和在職青年準備的"AI 實戰訓練"，不是 AI 學科的教科書。我們不講繞口的公式推導，只訓練你真正能用 AI 做事的能力：從看懂 AI 內部在幹什麼，到親手讓它替你完成一個長任務，再到判斷它哪裡會出錯、怎麼修。學完以後，你面對任何一個真實問題，都能拆解成 AI 能執行的步驟，並讓過程可見、可控、可持續。

學完你能做什麼

這不只是一張知識清單，而是一份能力清單。培訓結束以後，你應該能：

• 🗣 說清楚一個 AI 技術到底在解決什麼問題 —— 不是背"Transformer 是注意力機制"，而是"它解決了長距離依賴、並行訓練和信息路由三個具體問題"。
• 🧮 親手走過 AI 的核心計算 —— 哪怕不寫代碼，也能用紙筆推一遍 Embedding、Attention、自迴歸生成、獎勵模型、IAO 編碼。
• 🔍 判斷一個 AI 系統的邊界 —— 它在計算什麼關係、忽略了什麼關係、在什麼情況下會出錯、錯了應該怎麼修。
• 🧱 把任何真實任務拆成 IAO 三段 —— 起因 / 行動 / 結果 —— 再展開成六個具體位置，讓 AI 程序員（LLM / Agent）能照著執行。
• 🚀 做自己的項目 —— 不是"聽懂了"，而是"做出了能用的東西"。每章配一個 Self 任務，必須把所學連接到自己的真實問題。

這門課給誰開

不需要：深度學習基礎（我們會從零補）。需要：每天 1-2 小時、連續 12 周、願意動手做項目。

導師是誰

課程由 徐寧 主講。徐寧是 RelVectors 框架作者，《過程信息論》論文作者，在 AI 工具、AI Agent 應用開發、企業 AI 落地諮詢方向有多年實戰經驗。課程所有 SKILL.md 案例都來自真實業務場景，不是教學 demo。

六個能力階段 · 24 個訓練點

整門課分六個階段。每個階段解決一個核心問題、訓練一組可遷移的能力、產出可驗證的成果。

導論 · 給 AI 裝一個"過程大腦"

現代大模型很強，但它有一個明顯短板：它會"失憶"。你讓它幫你開發一個長任務，它在第一次對話還記得你的目標，到第三次對話就忘了；它以為"我刪了文件" = "文件真的刪了"；它跑偏了、失敗了、繞彎了，過程全丟，最後只給你一個"成功"。

這 14 節導論就是教你看懂這件事：

• 📌 0.1-0.5：什麼是"過程信息"？為什麼狀態信息不夠用？
• 📌 0.6-0.8：現代 AI 已經會什麼、還缺什麼？我們要給 AI 補哪一塊？
• 📌 0.9-0.11：理論、算法、產品三層怎麼分？我學這個能用到什麼程度？
• 📌 0.12-0.14：為什麼這是一門"教程"而不是"論文集"？

第一階段 · 看清 AI 怎麼從 0 走到今天

你不用成為歷史學家，但理解 50 年裡 AI 突破的真實問題，能讓你在未來遇到新概念時不慌。3 個訓練點：

• 🔧 訓練 1 從 0 和 1 到可編程機器 —— 為什麼二進制？為什麼圖靈機是"狀態遷移"而不是"算答案"？
• 🔧 訓練 2 機器第一次"因為經驗改變自己" —— 感知機、反向傳播、AlexNet 的真實故事
• 🔧 訓練 3 Transformer 憑什麼成為今天 AI 的核心 —— 詞向量、Attention 注意力機制的真實起源

第二階段 · 真正理解現代 AI 在算什麼

8 個訓練點，對應現代 AI 系統的 8 大核心模塊。讀完你能在腦中畫出 LLM + Agent 的完整計算圖：

• 🔧 訓練 4 數據、Token、概率 —— AI 怎麼把世界變成數字
• 🔧 訓練 5 神經網絡、反向傳播、Embedding —— AI 怎麼把數字變成"關係"
• 🔧 訓練 6 Attention 與 Transformer —— AI 怎麼動態決定"看哪裡"
• 🔧 訓練 7 預訓練、Scaling、In-context Learning —— AI 怎麼"變大變強"
• 🔧 訓練 8 RLHF 與獎勵模型 —— AI 怎麼"理解人類偏好"
• 🔧 訓練 9 RAG、向量數據庫、MoE、多模態 —— AI 怎麼連接外部世界
• 🔧 訓練 10 Reasoning、Tool Use、Agent —— AI 怎麼"動手做事"
• 🔧 訓練 11 Memory、Skill、長期任務 —— AI 怎麼"不忘記"

第三階段 · 讓 AI 學會"做長任務"

這是課程的核心新增內容。前 11 個訓練點學的是"AI 已經會什麼"，這 5 個訓練點學的是"我們怎麼補它還缺的那一塊"：

• 🔧 訓練 12 Change、Relation、IAO —— 給"變化"一個穩定的描述方式
• 🔧 訓練 13 IAO 的六位置展開 —— 讓 AI 程序員能"對號入座"
• 🔧 訓練 14 Self —— "誰"在經歷這些變化？這是 AI 長期任務的關鍵
• 🔧 訓練 15 三次關係分析與數字表達 —— 把判斷變成可比較的數字
• 🔧 訓練 16 Evidence、Reality、過程判斷 —— 讓 AI 不再說"我做了"等於"做了"

第四階段 · 時間智能 · 過去 / 現在 / 未來

把過去、現在、未來放進同一套 IAO 結構裡，讓 AI 真的能"記住、定位、規劃"：

• 🔧 訓練 17 過去：經驗、重建、Skill —— 把成功經驗壓縮成可複用的"操作手冊"
• 🔧 訓練 18 現在：Frontier、Gap、Next Process —— 知道"現在到底卡在哪"
• 🔧 訓練 19 未來：Planning、MCTS、World Model —— 讓 AI 真的能"看幾步"

第五階段 · 讓系統真的跑起來

學完理論，進工程實操。這一階段講清楚 RelVectors 與既有技術的邊界，不替代 MDP、強化學習、規劃算法、世界模型，而是在它們之上加一層"過程層"：

• 🔧 訓練 20 Process Routing 與 IAO Positioning —— 不是所有問題都要進過程系統
• 🔧 訓練 21 Task Skill 與動態過程 —— 一份完整任務方案的"模板 + 演化"
• 🔧 訓練 22 與 MDP、控制論、因果推斷的比較 —— 我們不重新發明這些，我們補它們

第六階段 · 真的做出一個 Agent 來

從理論到真實代碼，從 demo 到交付。這一階段是你"交作品"的階段：

• 🔧 訓練 23 AI Agent 過程實驗 —— 4 個真實任務實驗：跑偏了怎麼辦 / 局部成功但整體失敗 / 錯了怎麼倒帶 / 之前的項目能複用嗎
• 🔧 訓練 24 Self 教育與研究方法 —— 學完這門課以後怎麼繼續學、怎麼做研究

每個訓練點的固定結構

• 📍 學習目標 —— 學完能做什麼（不是"理解什麼概念"）
• 📖 正文 —— 概念 + 公式 + 真實案例 + 與現有技術的邊界
• ✍️ Self 任務 —— 必須連接到你自己在做的真實問題，完成一次真實行動，不能只讀
• ✅ 本章練習 —— 檢驗你是不是真懂

附錄

• 📖 附錄 A 核心術語表（Data / Token / Embedding / Attention / Transformer / Pretraining / Post-training / RLHF / RAG / Agent / Change / Relation / IAO / I1-I2-A3-A4-O5-O6 / Self / Evidence / Frontier / Gap / Skill / Next Process）
• 📐 附錄 B 公式與符號速查（自迴歸語言模型、損失函數、Attention、IAO、6-bit 組合）
• 📋 附錄 C 綜合課程項目模板（含選題、答辯、互評、評分建議）

學會操控 AI 開發軟件 · 11 個場景開發方案

這是教材的 學習案例庫：用 RelVectors 完整過程骨架（I1→I2→A3→A4→O5→O6）描述 11 個真實業務場景的 Agent 應用開發方案。每個 SKILL.md 都是一份完整的開發方案文檔，可下載、修改、複用為真實項目的起點。

統一特徵：首次生成時 I1、I2、A3、A4、O5、O6 必須完整，不留空位；已實現標 implemented，未實現標 planned；任何真實動作必須有 Evidence；高風險行業（醫療 / 法律 / 金融 / 執法）默認 Human-in-the-loop，Agent 只提供輔助。

查看完整場景索引 → · 查看設計說明 →

培訓結束 · 你能帶著走的 3 件事

1. 🧰 一套可下載的 11 個行業 SKILL.md —— 立刻用在自己公司的真實項目上
2. 🧠 一個"看見 AI 跑偏就修"的能力 —— 別人還在等 demo 出錯，你已經能從 Frontier / Gap 定位問題
3. 👥 一份簡歷加分的項目作品 —— 一份完整的 Task Skill 文檔 + 一個能跑的 AI Agent 案例

如果學完你只是會解釋"IAO 是什麼"，這門課失敗了。如果你能面對一個真實問題，自己確定 Self、拆出 A3、調用工具執行 A4、拿到 O5 的反饋、判斷是否滿足 O6、並在需要時 CHANGE 或 REWIND —— 知識已經變成了你的行動能力。這才是培訓的目標。