第20课：零基础术语综合练习

学习目标

• 综合掌握课程核心术语
• 能使用系统类比解释复杂概念
• 完成从“会用AI”到“理解AI产品结构”的阶段性检查

正文

请不用查答案，先自己解释：

AI、ML、DL、LLM、Token、Context、Prompt、API、UI、UX、CPU、GPU、 HTTP、HTTPS、DNS、HTML、CSS、JSON、SQL、Git、RAG、Embedding、Agent。

然后完成三个任务：

1. 用“餐厅”比喻前端、后端、API、数据库。
2. 用“图书馆”比喻 RAG、Embedding、向量数据库。
3. 用“项目经理 + 专业小组”比喻多 Agent 系统。

如果你能向一个完全不懂电脑的人解释清楚，才算真正理解。

1. 本课要建立的整体认识

结业的标准不是记住多少缩写，而是能把概念放到正确层级、解释相互关系，并在真实任务中做出可验证的成果。

2. 把核心概念逐层拆开

2.1 用“英文全称—中文含义—解决的问题—输入输出—例子—风险”六步法解释任何新术语。

用“英文全称—中文含义—解决的问题—输入输出—例子—风险”六步法解释任何新术语。

2.2 能画出用户、前端、API、后端、数据库、知识库、Agent和模型之间的系统图。

能画出用户、前端、API、后端、数据库、知识库、Agent和模型之间的系统图。

2.3 能把一个模糊问题拆成资料检索、分析、生成、核验和交付步骤。

能把一个模糊问题拆成资料检索、分析、生成、核验和交付步骤。

2.4 能说明AI的边界：哪些内容可辅助

能说明AI的边界：哪些内容可辅助，哪些必须人工判断，哪些数据不能上传。

2.5 能保留来源、版本、测试和失败记录

能保留来源、版本、测试和失败记录，让成果可以复查和改进。

3. 把概念串成一条完整流程

结业作品建议包含：15个术语解释、一张AI产品系统图、一个与你专业相关的场景、一套RAG知识库设计、一份结构化Prompt、一组测试结果和一张风险清单。

4. 用真实场景理解

当你能向非技术同学讲清楚系统怎样工作，又能向技术同学说明数据、接口、权限和核验要求，并用实际成果证明流程可运行，就完成了从“会聊天”到“理解AI产品”的第一阶段。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• 用“英文全称—中文含义—解决的问题—输入输出—例子—风险”六步法解释任何新术语。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 能画出用户、前端、API、后端、数据库、知识库、Agent和模型之间的系统图。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 能把一个模糊问题拆成资料检索、分析、生成、核验和交付步骤。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 能说明AI的边界：哪些内容可辅助：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 能保留来源、版本、测试和失败记录：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “完成20课就等于会开发AI系统。”——这是建立共同语言和基础认知。
• “术语越多越专业。”——正确使用和组合才重要。
• “遇到新缩写只能背。”——先查英文全称、所属领域、解决的问题和例子。

小测验

点击题目查看答案。

实践任务