SII / 课程主线
课程主线
5 条课程主线，围绕大作业倒推大模型、系统硬件、知识库工作流、具身接口、评测安全与发布。
模块 01
大模型如何产生能力
生成式 AI、自监督学习、Transformer、Token、上下文窗口、指令微调和偏好对齐。学生需要理解大模型不是魔法，而是数据、结构、目标函数和规模共同作用的结果。
主题
- 生成式 AI 与语言建模
- 自监督学习、Transformer 与 Token
- 上下文窗口、指令微调与偏好对齐
- 模型为什么能生成，也为什么会出错
对应实践
- 完成第一次模型调用或 Coze 中的最小 AI 助手
模块 02
大模型为什么需要系统和硬件
模型推理不是无成本魔法，它受到延迟、吞吐、上下文长度、成本、内存、GPU、网络和部署环境影响。学生要理解一次 AI 调用背后的系统约束。
主题
- 数据、模型、框架与云服务
- GPU、内存、网络、延迟与吞吐
- 上下文长度、调用成本、可靠性和能耗
- 一次模型调用背后的资源约束
对应实践
- 记录作品运行时间、失败情况、积分或调用限制
模块 03
从聊天到任务：知识库、工作流与工具
从普通问答走向任务执行，需要资料、上下文、RAG、工作流、插件、工具和代码节点。学生要理解为什么 AI 应用不能只靠一个 Prompt。
主题
- 资料、上下文与 RAG
- Coze 知识库、工作流、插件与工具
- 代码节点、外部 API 与结构化输出
- 从聊天回答到任务处理的系统拆解
对应实践
- 给作品加入知识库、工作流或工具
模块 04
多模态、具身与现实世界接口
具身智能关注状态、环境、动作、反馈和安全。即使没有真实机器人，也可以用任务规划、图片输入、表格、传感器模拟数据或状态机把 AI 连接到现实任务。
主题
- 多模态输入、表格和现实任务资料
- 状态、环境、动作、反馈与失败恢复
- 机器人任务规划与现实任务模拟
- 安全边界和人工审核
对应实践
- 选择机器人任务规划、数据分析、图片理解、状态流程或现实任务模拟中的一种
模块 05
评测、安全与发布
AI 作品必须能被他人使用，也必须知道什么时候会失败。测试样例、失败案例、边界说明和发布链接，是项目展示的一部分。
主题
- 成功样例、边界样例与失败样例
- 幻觉、资料不足、工具限制和上下文污染
- 发布链接、现场体验和展示脚本
- 结果质量、边界说明和下一步迭代
对应实践
- 准备 5—10 个测试样例，发布作品，完成现场展示