1. 第1天先给AI世界画一张全景坐标系做技术的人都明白一个道理学一个新领域最怕的不是知识多而是脑子里没有地图。信息越多越乱今天刷到一个AI短剧将要取代传统影视明天看到一条DeepSeek公布智能体新训练方法后天又被Topaz Video AI修复画质刷屏——每个字都认识连在一起就不知道跟自己有什么关系。这七天的教程我们不用一上来就死磕深度学习公式也不急着写代码。第一步是建立坐标系AI行业经过这几轮爆发已经分成了清晰的几个层面。我习惯把它分成五层基础研究层、模型层、中间件层、应用层和硬件层。技术人多数时间接触的是中间层和应用层但被热搜词轰炸时往往是基础层和应用层的信息混合在一起所以特别容易产生错觉。基础研究层包括模型架构创新、训练方法优化、Agent训练机制等。热搜里DeepSeek公开AI智能体训练新方法就属于这层。这类信息是行业风向标你不需要复现它但要大概知道它在解决什么问题。模型层如GPT系列、Claude、文心一言、通义千问、DeepSeek等大模型。它们提供对话、生成、推理等基础能力。中间件层模型部署工具vLLM、Ollama、LangChain、Dify、数据管道、评测框架、AI编程辅助插件如GitHub Copilot等。这是技术人最能发挥价值的地方也是就业机会最密集的领域。应用层AI聊天软件、AI视频工具、AI建站平台、AI短剧制作工具、AI旅游规划助手等面向终端用户的产品。热搜里的热门AI网站汇总AI一键生成图片都在这层。硬件层GPU、NPU、推理芯片等。技术人了解一下主流趋势就够了比如为什么推理芯片比训练芯片更被频繁提及。建立坐标系后再来判断一条AI资讯对自己的价值就快得多如果消息是应用层出新工具你该关心的是它用什么模型、成本如何、能否集成到你现有系统里如果消息是模型层更新你该关心的是它的上下文长度、推理能力、价格变化以及是否值得迁移。这一天的学习任务看起来是读概念实际上是练习一种分类信息的方式。我建议这一天把最近一个月在收藏夹里吃灰的AI文章翻出来每天花两个小时只用坐标系分类法给每篇文章贴三个标签所属层级、核心主体是谁发布的、相关角色你的岗位能否参与进去。贴完你会发现百分之八十的文章根本不需要细读。2. 第2天把大模型的底层逻辑讲清楚防名词轰炸国庆假期第二天精力最足适合啃硬骨头大模型到底怎么工作的。很多人以为AI聊天AI生成图片是两个完全割裂的功能实际上到2025年这个时间点它们背后的技术路线已经高度统一——都是基于Transformer架构把一切内容文字、图像、音频、视频切分成token最小语义单元然后预测下一个token。理解这一点你就能看穿很多热搜词的真相。AI文本生成的原理给定前面所有token模型根据概率分布预测下一个token逐个输出。所谓思维链推理能力本质上是模型在预测下一个token时生成了更合理的中间推理步骤而不是它真的像人类一样在思考。AI图片生成的原理以扩散模型为主流路线核心思路是从纯噪声开始一步步去噪最终还原为一幅与文本提示词匹配的图像。这个过程的去噪步骤有点像雕刻家从一块原石里逐步凿出雕像。你看到的AI一键生成图片无审核这类产品实际上就是把扩散模型封装成在线服务输入prompt输出图片里面还涉及到负面提示词、采样步数、CFG提示词引导强度这些参数不过在用户端通常被隐藏了。AI视频生成的原理在图片生成基础上多了一个时间维度。业界主流思路分两种一种是把视频当成连续帧序列逐帧生成另一种是先建模整个视频的潜空间一次性生成完整视频。你就理解成视频空间维度的图像时间维度的连续性约束。上下文这个概念也是热搜高频词。简单说上下文是模型单次对话能够看到的信息窗口。早期的模型上下文只有几千token相当于只能记住当前这一页纸现在的模型能做到百万级token的上下文相当于可以翻完一整本书再跟你对话。这也是很多AI软件从你问一句、它答一句变成你可以把我的文件全部丢进去然后问我问题的根本原因。上下文长度影响产品形态而不只是一个性能参数——它能直接改变使用方式。这一天结束前我建议你亲自做一个小实验用一个下午的时间登录任意一个大模型产品不必非得是付费的做三类测试第一组测试让它解释一个你专业领域的概念重点观察专业度和幻觉率。所谓幻觉是指模型一本正经地编造内容。你会发现越专业、越偏门的问题幻觉率越高。第二组测试复制一篇两三千字的文章进去要求它总结并回答五个具体问题感受上下文能力带来的变化。第三组测试让它写一段一万字的资料然后你再追问第一段里的某个细节看它是否还记得。这能帮你直观理解context还不够长的真实体验。做完这三组测试你对大模型怎么工作就有了身体记忆再看AI大模型无限制AI这类热搜词时就能分辨出哪些是技术描述、哪些只是营销包装了。3. 第3天认识AI Agent能干活和只会聊天的分水岭第三天进入今年最热的关键词AI Agent智能体。热搜里有AI Agent怎么扛并发DeepSeek公开AI智能体训练新方法多AI协作AI工作流全都在围绕这个词做文章。我尽量用最朴素的语言解释它。大模型本身是一个大脑但它没有手和脚。你让它帮我订一张去西安的火车票它只能回复你一段文字不能真的打开订票系统完成操作。AI Agent则是给这个大脑接上手脚的架构通过调用外部API、操作软件界面、读写数据库把思考变成行动。一个典型的Agent系统包含四个组成部分大模型引擎负责理解需求、拆解步骤、生成决策。工具集Agent可以调用的一组外部函数或API比如搜索引擎、代码解释器、订票接口。记忆模块存储历史对话、用户偏好、任务状态分为短期记忆和长期记忆。执行循环思考Thought—行动Action—观察Observation的循环Agent在其中不断决策下一步。把Agent拆成这四个部分后你自然会理解下面几个工程问题Agent怎么扛并发答案是它不靠单一大模型扛而是靠任务队列、模型路由和并发控制。多AI协作怎么实现答案是多个Agent各自配备不同的大模型通过消息中间件通信类似微服务架构。这些在工程上都是相对成熟的技术Agent本身的概念创新并没有大家想象的那么大但它确实改变了软件交互方式以前是人操作软件现在是Agent操作软件。我建议第三天专门抽出时间做两个小任务第一个任务研究Agent的传闻与真相。打开浏览器搜索AI Agent你大概率会看到两类文章一类说这是取代程序员的工作革命另一类说Agent只是套壳炒作。两者都对但都不全对。Agent真正的价值是能把一个多步骤的流程自动化比如每天早上去三个数据源拉取行业新闻过滤掉噪音总结成简报发送到指定的钉钉或飞书群。这类任务你敢放心让Agent去做它就有价值你不敢它就只是演示片段。第二个任务上手搭建一个个人知识库Agent。不需要写代码用Dify或Coze这类可视化工具把一个大模型接入知识库文档搭一个问答机器人。虽然网上教程很多但我建议你自己走一遍流程上传几个PDF、配置检索范围、设置提示词模板。这个流程会让你真正理解RAG检索增强生成的实际工作方式用户问题先触发检索把检索到的片段拼接进提示词再交给大模型生成答案。你也许会在网上看到更复杂的Agent框架但核心永远是这四个字检索、生成。到晚上你可以在社区类平台搜一搜AI Agent的真实案例看看踩坑分享。我认为很重要的一点是Agent工程化最大的瓶颈是可靠性和成本一个任务如果每天执行一百次哪怕有1%的概率出错累积下来就是每天都出错。所以在设计Agent任务时一定要做可回滚、可确认的设计尤其是涉及花钱、发消息之类有副作用的操作。4. 第4天用AI写代码提示词、测试与工程化的实战技术人扫盲绕不开一个高频搜索词AI编程。从GitHub Copilot的横空出世到Claude惊艳的编程能力再到Cursor、Windsurf这类AI原生产品的爆发AI编程工具迭代速度快得让人跟不上。第四天的目标不是让你精通某个工具而是建立一条用AI编程的正确工作链路。我在实际项目里这样用AI编程用了一年多效率提升非常明显可以分享给你参考第一步让AI理解项目上下文。绝大多数人用AI编程出错问题出在它不知道你在做什么项目。不要只是粘贴代码片段而是把项目的目录结构、核心模块说明、技术栈选择、甚至自己的编码风格约定做成一个项目说明文档每次新对话时先发一遍。用一句话概括提示词的质量决定AI代码的上限。第二步把大任务拆成小任务再让AI写。直接让AI写一个完整的CRM系统它写出来的代码基本不能用但让AI写给这个文件新增一个搜索框支持关键词查询要符合现有代码风格效果就会好很多。这正是提示词工程Prompt Engineering的基本思想明确定义输入、输出、约束和验收标准。第三步让AI先写测试再写实现。热搜词里有一个AI测试开发很多人以为是AI替代测试岗位实际上更常见的工作方式是先让AI根据需求文档写测试用例确认用例合理后再开发实现。这不是AI测试开发岗位的专属方法论任何做AI编程的技术人都可以复刻先用AI写出的测试倒逼需求量化再让AI写代码去满足这些测试。实测下来这种做法能把开发返工率压得非常低。第四步处理错误和迭代。AI写的代码一定会报错这时候不要直接问AI为什么报错而是把完整的报错堆栈信息、相关代码片段、已经做过的尝试都发给它再加一句请定位根因而不是直接给解决方案。你会发现根因分析和解决方案是两种不同的提示词需求。AI做根因分析比直接给方案往往可靠得多。在第四天的后半段我想跟你聊一些稍微进阶的话题跟人工智能编程工具里的安全与合规有关。你可能会在搜索时看到一些很吸引眼球的词汇比如无限制AIAI无禁词聊天无违禁词AI这类的。我的建议很明确作为技术人千万不要去探索所谓无限制的模型或接口哪怕仅仅出于技术研究的目的。原因有两点第一一个没有对齐、没有合规边界的模型输出结果不可预期你根本不知道它会吐出什么内容用它做研发轻则污染数据集重则惹上麻烦第二你在工作流里引入这种不可控组件一旦出了事故整个责任链条都指向你个人。技术人追求的是确定性和可靠性而不是游走在灰色地带的自由。真正优秀的AI编程实践恰恰是在强约束、强规则之下寻找创造空间这也恰恰是合规模型扎实可用的原因。如果你实在对安全边界好奇正确的路径是了解模型对齐Alignment、红队测试、内容审核模块这些正向技术它们才是工程上可落地、可信赖的能力。第五步版本管理和代码审查。AI生成的代码必须走人工代码审查流程不要因为懒而跳过。你会发现AI生成的代码里常见的问题包括错误处理不完善、对边界条件考虑不足、引入了不必要的依赖。代码审查这个步骤在AI编程时代的地位不是下降了而是上升了——程序员的定位逐渐从写代码的人变成审查AI代码的人。这样跑通一遍AI编程的工作流之后你再回头理解AI编程提示词AI测试开发AI建站这类热词时就会看到它们本质上是同一件事在不同场景下的形态AI建站不过是用AI写HTML/CSS/JavaScript的打包版本AI测试开发不过是先测试后实现的方法论化。工具会一直变但工作流思想短期不会过时。5. 第5天多模态与新工具看懂图片、视频、音频的AI化改造今天进入视觉和听觉的领域。热搜里跟这个方向相关的词特别多AI图片生成原理AI视频AI音视频Topaz Video AI汉化版修复画质AI一键生成图片无审核无限制AI生成视频工具还包括一种比较新兴的内容形态AI漫剧。你会发现里面有几个很值得玩味的现象生成类和修复类是两个方向的技术却在同一个生态里共存。生成类以扩散模型为核心是从无到有修复类以增强和插帧算法为核心是从有到优。Topaz Video AI这种工具走的就是修复路线把低分辨率视频放大到高清把模糊画质锐化顺便补充帧率。它的技术核心不是文本到视频而是超分辨率重建、降噪和光流插帧。关于AI一键生成图片无审核这类表述我不打算展开讨论但想澄清一个技术术语上的原则没有审核机制的视觉生成工具要么是测试版要么是在监管之外的实验项目。在工程实践里负责任的生成式AI服务一定会包含内容审核环节比如NSFW检测、暴力内容过滤、深度伪造标识。作为技术人评估一个图片生成工具时除了看画质和速度还要看它是否保留了审核接口。这是工程健壮性的体现。那么正常的AI图片生成流程是啥样的以主流产品为例用户输入一段提示词系统会经历以下步骤提示词解析把自然语言拆解成关键词权重、模型推理扩散模型去噪生成图像、后处理超分辨率、修脸、调色、审核内容合规检查。提示词写得好不好对成图效果影响极大。这里给你一个通用的提示词公式主体 环境 光线 风格 画质词 负面词。比如一位宇航员站在火星表面远处有沙尘暴金色逆光电影感8K超清细节构图居中无模糊无畸变无水印。AI视频生成则复杂几倍。业界目前的水准在真实感视频上已经很能打了但仍有一个核心问题时间一致性也就是视频前后几帧画面是否稳定连贯。很多工具生成的视频单看每一帧都很美连起来就出现人物脸部闪烁、手臂变形、物体跳动。所以当你评价一个AI视频工具时只看效果大片没用要看连续生成三次同一提示词的稳定性。好工具大概率能保持主体一致差工具次次都不一样。这一天我还建议你特别关注一下AI漫剧这个方向。所谓漫剧是指用AI生成的分镜图像配上配音、字幕、转场特效做成的短剧节奏快、风格化强。它的技术栈是图像生成角色一致性、语音合成TTS、语音克隆给定音色、视频合成与剪辑。互联网上关于AI短剧迟早要出片的讨论很多我判断是趋势判断而非事实判断内容生产的最小单元正在从制作团队降级为一个人 AI工作流。今年做AI产品的一个巨大机会值就在内容生成领域。如果你这一天有兴趣动手建议用半天做一个小项目把你手机里的一段生活视频30秒左右就行用修复类工具提升一下清晰度再用生成类工具给这个视频配一段画外音或字幕转场。你会亲身感受到多模态是怎么把不同AI能力串在一起的。今天最大的收获应该是理解不同工具背后的技术层次而不是盲目追每一个新发布的产品。6. 第6天AI内容创作与工具链从短剧到建站第六天专讲应用落地。这一天我会把热搜词里几个偏产品化的词串成一条线AI短剧、AI漫剧、热门AI网站汇总、AI建站、AI旅游、AI应急方案提醒比如AI打不开的应对。先说结论这些应用背后没有秘密全是大模型 多模态工具 工作流的组合。掌握了这条组合逻辑任何AI应用你都能快速拆解。先拆AI短剧。制作流程已经比较成熟了第一步用大模型生成剧本大纲和分集剧情第二步用文本生成角色设定图和关键场景图需要控制角色一致性常用手段是固定角色参考图第三步用语音合成生成对白配音第四步用剪辑软件把这些素材组合成视频配上字幕和音效。单集成本可以压到几百块甚至更低。刚才提到的AI漫剧逻辑类似但更强调静态分镜 动效转场对视频生成能力要求较低。再拆AI建站。用一个可视化AI建站工具你只需要输入一段产品描述它能自动生成一个完整的响应式网站包括页面结构、文案排版、配图甚至基础SEO。很多技术人觉得这不算建站实际上对非技术创业者来说这个价值非常大。即便对技术人来说AI建站背后的技术也值得学——它实际上是代码生成 页面渲染 内容管理的自动流水线很多公司在内部信息化场景已经在用。再拆AI旅游。它的核心能力是行程规划与信息聚合。比如你想要一份成都五天四晚亲子游攻略AI会结合网上高质量的信息源景点介绍、餐厅推荐、交通路线结合个人偏好给出结构化行程。技术人更应该关注的是其中涉及的数据质量问题和置信度问题任何AI生成的目的地攻略都有时效性问题景点可能暂停营业、餐厅可能搬迁。负责任的做法是让AI在输出中注明重要信息请二次确认。这天最后留给工具选型热门AI网站汇总类文章满天飞学会筛选比收藏更重要。我建议按成本、能力、合规三个维度打分成本免费额度够不够付费价格如何是否会偷偷扣费。能力是否适合你的场景中文好不好上下文长度如何。合规是否提供明确的隐私政策、内容审核能力。我不是说所有人都要按这个标准做选型但如果你是一个想把AI用在自己的工作流程里、而不是只图新鲜尝一口的人选型时必须用工程思维。工具会换、名字会让你眼花缭乱唯有这个评估框架能长期复用。这一天学完你其实已经走完了内容创意—内容生产—内容分发布的AI应用全流程。如果你之前不是做内容的这一天最大的收获应该是观察到一个趋势内容生产的边际成本正在趋近于零接下来比拼的是审美、选题和运营而不是制作能力。这个变化不只是短视频领域也会蔓延到文档写作、教案制作、营销海报等一切内容生产场景。7. 第7天从产品到部署构建完整的AI认知闭环走到第七天你已经有了一张完整的AI概念地图。最后一天的安排偏向两个方向一个是概念层面的产品化另一个是执行层面的部署实践。为什么这么安排因为技术人最容易犯的错是只学名词不碰实操会背AI Agent的定义却不会部署一个开源模型或能画产品原型但不懂模型怎么上线。先说产品端。热搜里有一个词AI产品经理很多人想转这个方向但没想清楚它和前几年的互联网产品经理有什么不同。我的回答是AI产品经理的核心能力不是会写PRD而是能分辨哪些需求适合用AI实现哪些不适合并且能设计出AI失败时系统如何兜底的产品机制。举一个例子一个问答机器人产品用户问的问题AI答不出来怎么办好产品会做转人工触发关键词直接推送RPA流程记录失败样本回流训练等兜底路径。这些能力在AI产品经理岗位描述里很少被写成一条但恰恰是最稀缺的。所以第七天上午的任务找两个AI产品一个你用着觉得好一个你觉得难用每个产品分别列出三个AI应用得聪明和AI应用得蹩脚的具体场景。你的列表做完产品感知力就有了雏形。而从技术人的角度你还需要多写一层如果要你来设计一个AI功能你会怎么拆解需求你需要怎样的输入输出和数据回流这比看懂AI产品往前又推进了一步。再说部署端。AI模型部署热度和AI工程实践这个词持续升温但真正的技术人应该知道部署的核心问题从来不是跑起来而是四个字成本、延迟、并发、准确率。你在网上看到的所有推理部署框架vLLM、TGI、SGLang、TensorRT-LLM都在优化这四件事尤其前两件事。我给非AI方向的技术人一个息壤版实操建议不用去部署几百亿参数的模型找一个小模型比如7B或8B级别的开源模型在自己电脑上用Ollama或llama.cpp跑起来然后做三件事用CPU跑一次测量生成一个500字回答的耗时。用GPU跑一次如果有的话对比耗时差异。用API调一次云端大模型对比响应速度和成本。这个实验的意义不在于展示本地慢、云端快这种常识而在于建立体感你以后阅读任何模型部署优化文章时会自动带入成本和延迟的视角而不是停留在概念层。如果你还有余力可以看看一种叫量化的技术——把模型权重从16位压缩到8位或4位。量化一轮之后精度略有损失但内存占用和推理速度大幅提升。所有的模型压缩概念归根到底都是在这几个维度上做权衡。第7天的下午把自己关在房间里一小时拿出一张白纸画一张七天的知识地图。不要画成我第一天给的五层坐标系而是画成你自己的版本哪些概念你彻底懂了哪些还透着哪些是实践过哪些只是听说过。再在右边列一张接下来要继续深入的清单挑三个方向写下来就够不要多。这叫认知闭环的收尾也是技术人扫盲最基本的工作方法学完一个领域立刻把知识变成行动清单。写在最后关于七天扫盲的几个总体建议按惯例最后分享几个我在这几年市场观察和工程实践中的体会供你参考。第一个体会AI领域的信息会持续爆炸但概念框架会趋于稳定。任何时候开始学习AI优先学的都该是框架性知识例如坐标系、大模型原理、Agent架构、生成流程。框架搭建起来了具体工具名词更新再快你也只是换一层皮。第二个体会所有脱离场景的概念学习都是低效的。我这七天里安排的实操任务每一个都是项目驱动的。建议以后你每天花十五分钟留一个AI行动时间要么用AI解决一个很小的实际问题要么用一个新工具替代旧流程。积少成多比任何填鸭式啃文档都管用。第三个体会对技术人来说AI的危险不在技术本身而在什么都想追什么都没追透的注意力涣散。建议你给自己设一个过滤器看到一条AI资讯先问一句我的知识地图里有没有它的位置。如果没有要么花十分钟把它塞进框架要么直接划走。用这种策略节省下来的精力远大于错过的热点而你的长期竞争力恰恰来自少而深的积累。好了七天工作坊到此结束祝你把这几天的理解转化成自己手里长时间管用的能力。
