动机：做研究 / 论文需要。
本科城市设计专业，毕业论文方向是城市湿地公园周边的发展案例。目标是通过这门课建立起 「能读懂 AI 论文的方法章节、能判断一个模型的设计是否合理」的能力——而不是转行做 AI 工程师。
终局想做出什么：还不确定，先学起来边学边找方向。
起点说明：编程零基础起步，当前正在学 HTML/CSS 前端。日常时间被考研备考占据， 编程相关投入约每周 5 小时。因此本计划刻意做了范围裁剪——只保留"读懂论文"必需的主干， 跳过"做产品"方向的阶段。
- Date: 2026-09-26
- Score: 7/10
- Math & Statistics: 1/2
- Classical ML: 1/2
- Deep Learning: 2/2
- NLP & Transformers: 1/2
- Applied AI: 2/2
- Entry point: Phase 1: Math Foundations
- Pace: ~5 hours/week
入口点为什么从 Phase 7 下调到 Phase 1：
测验的机械映射结果是 Phase 7（6-7 分区间）。但学员在 Math & Statistics 第 1 题 （向量点积）上明确表示"点积是什么"，这是 Phase 1 的第一课内容。7 分中有相当部分 来自选择题干扰项过于明显、可用常识排除法蒙对，属于碎片化常识而非系统掌握。
学员在了解这一矛盾后，主动选择从 Phase 1 从头打地基。此决定由学员本人做出，
本文件如实记录，供后续 learn 会话理解上下文。
| Phase | Name | Status | Est. hours |
|---|---|---|---|
| 0 | Setup & Tooling | Skip | -- |
| 1 | Math Foundations | Do | 23 |
| 2 | ML Fundamentals | Do | 21 |
| 3 | Deep Learning Core | Do | 15 |
| 4 | Computer Vision | Skip | -- |
| 5 | NLP — Foundations to Advanced | Do | 30 |
| 6 | Speech & Audio | Skip | -- |
| 7 | Transformers Deep Dive | Do | 14 |
| 8 | Generative AI | Skip | -- |
| 9 | Reinforcement Learning | Skip | -- |
| 10 | LLMs from Scratch | Skip | -- |
| 11 | LLM Engineering | Skip | -- |
| 12 | Multimodal AI | Skip | -- |
| 13 | Tools & Protocols | Skip | -- |
| 14 | Agent Engineering | Skip | -- |
| 15 | Autonomous Systems | Skip | -- |
| 16 | Multi-Agent & Swarms | Skip | -- |
| 17 | Infrastructure & Production | Skip | -- |
| 18 | Ethics, Safety & Alignment | Skip | -- |
| 19 | Capstone Projects | Skip | -- |
Total: ~103 hours across 5 phases（Phase 1 → 2 → 3 → 5 → 7）
按每周 5 小时计算，约 21 周（5 个月左右）。
关于 Skip 的说明：Phase 4 / 6 / 8-19 标为 Skip，含义是按当前目标（论文够用）主动跳过， 不代表已经掌握。如果将来目标转向"做 AI 产品"，这 15 个阶段需要重新评估， 届时可以用
find-your-level重跑定位，或直接告诉start-learning重新规划。
| 阶段 | 学完你会知道 |
|---|---|
| 1 Math Foundations | 点积、矩阵、梯度、概率、贝叶斯——论文里的数学符号不再是天书 |
| 2 ML Fundamentals | 训练/测试集、过拟合、准确率陷阱、超参数 |
| 3 Deep Learning Core | 神经网络怎么学、反向传播、残差连接 |
| 5 NLP | 词的表示、序列模型、注意力 |
| 7 Transformers | 论文里 90% 的"那个架构"到底怎么运作 |
| Date | Lesson | Quiz | Note |
|---|---|---|---|
| 2026-09-26 | —（完成入学定位） | 7/10 | 入口点定为 Phase 1 |
| 2026-09-26 | Phase 1 / L1: Linear Algebra Intuition（部分） | 未测 | 概念部分讲完；Build It 代码 + 课后测验待续 |
下次从这里继续：Phase 1 / Lesson 1 —— 还没做
Build It（从零写 Vector / Matrix 类） 和课后 3 道测验题。可直接说「继续第一课」。
2026-10-09 回归记录：距上次学习间隔 13 天。当日状态疲惫、有挫败感，判断为情绪性停顿而非知识性问题，
故未推进课程。当天未消耗任何课程进度，Build It 与课后测验仍按上方标记待续。
下次开场建议走低门槛路线：先用她自己的余弦相似度博客当锚点暖场，再回到代码。
第一课的教学调整记录（供后续会话参考）：
- 学员反馈类比堆太多反而更糊涂，要求定义先行（正式定义 + 可加性/齐次性这类规范术语）， 类比只作一句话辅助。后续所有课程按此风格：定义 → 一句话类比 → 避坑。
- 学员已有的知识锚点：做过记忆工具，熟悉余弦相似度（博客
sycophancy-gating-three-judges）， 可直接用它解释点积。 - 第一课难度裁剪：线性无关 / 秩 / 投影 / Gram-Schmidt 对零基础过重，已压缩为「了解有这个概念」。
- 可用作教学锚点的自有项目（2026-10-09 核查公开活动后补充）：
slow-stack/persistbench-sycophancy—— Jupyter，n=200×2 arms + qwen3:8b + LLM-as-judge， 核心机制是 cosine-threshold 记忆门控 → 讲点积/余弦相似度的最佳入口slow-stack/mneme—— 跨会话记忆插件（140 stars），含 embedding 与记忆面板 → 讲向量/嵌入的入口modusensus/laya—— Python，非自回归 System 1 决策引擎，单次前向传播 → 讲矩阵变换/前向传播的入口modusensus/ai-governance-compare—— EU × China AI 与数据法源可溯比对 → 与考研方向、论文方向同域 教学时应优先用这些"她写过的东西"承载抽象概念，再回到课程示例。
（空。learn 会把后续测验中暴露的薄弱点追加到这里。）
定位测验已暴露的待补概念，建议在第一课之前先有印象：
- 向量与点积 —— Math & Statistics Q1 未答出
- 超参数 vs 训练得到的参数 —— Classical ML Q4 答错
- LoRA 低秩适配 —— NLP & Transformers Q8 答错
第一课（2026-09-26）遗留，下次课开头补：
Build It代码 + 课后 3 道测验题 —— 本次未做，没有分数- 秩 / 线性无关的实际计算 —— 课上标为「了解级」，未做练习；Phase 3 讲神经网络时回补