我的 AI 学习记录

为什么要记录 AI 学习

AI 的学习曲线很容易变成“看了很多概念，但项目里用不上”。我开始把每次学习拆成三个问题：

• 这个概念能解决什么实际问题？
• 它在项目里需要哪些输入、输出和评估方式？
• 如果失败，最可能失败在哪个环节？

这样的记录方式让我从单纯追新，转向建立可复用的工程判断。

我的当前路线

我把 AI 学习分成四个小循环：提示词实验、检索增强、评测指标、产品界面。每个循环都要有一个可以展示的最小项目。

type LearningLoop = {
  topic: string;
  artifact: string;
  metric: string;
};

const loops: LearningLoop[] = [
  { topic: 'Prompt', artifact: '对话脚本', metric: '稳定性' },
  { topic: 'RAG', artifact: '知识库问答', metric: '召回率' },
  { topic: 'Evaluation', artifact: '评测表', metric: '可复现' },
];

一个简单的评估公式

我会把一次实验的有效性粗略写成：

$$Score = 0.4 \times Accuracy + 0.3 \times Stability + 0.3 \times Usability$$

这个公式并不追求学术严谨，而是帮助我避免只看模型输出“看起来聪明”，却忽略稳定性和用户体验。

下一步

接下来我会继续把 AI 学习记录和项目实践合并：每一篇笔记都尽量对应一个 demo、一个失败案例、一个可复用模板。