打开这门课之前，先问自己一个问题：你能不能用几句话把 ChatGPT 讲清楚——它到底在做什么运算，为什么有时候胡编，为什么换个问法结果就变了。如果答不上来，这门科普课就有它的位置；如果你已经能动手微调模型、写过 RAG 流程，那它对你偏浅，该去找更硬的内容。

它补的是哪一块缺口

很多人用 ChatGPT 用了很久，操作很熟练，但对底层的理解是空心的。知道怎么提问，不知道 token 是什么；知道模型有"记忆"，不知道上下文窗口的边界在哪；遇到答非所问，只能反复重试，说不出为什么。这种状态在纯使用场景里问题不大，一旦要评估模型、要给同事解释、要判断某个说法靠不靠谱，就露怯了。

这门课面向的就是这类人：会用，但说不清。老晓的讲法偏科普，不要求你有高等数学或机器学习基础，重点在于把大模型的工作方式和能力边界讲成人话。它不教你训模型，也不承诺让你做出产品，而是帮你把日常使用中那些模糊的直觉替换成准确的描述。

几个值得带着问题去看的点

模型的"预测下一个词"到底意味着什么，这和"理解语义"差在哪一层。
训练、微调、提示词工程分别改动了什么，为什么三者不能互相替代。
幻觉是怎么产生的，它是缺陷还是机制的必然副产品。
上下文里放进去的信息，模型是真的"记住"了，还是每次都在重新读一遍。
同一个任务，换模型、换提示、换温度参数，结果差异从哪来。

这些问题看着基础，但能把它们讲清楚的人并不多。看完之后你未必能推导公式，但应该能对上面每一条给出自己的回答，而不是背诵一句"大模型是基于海量数据训练的"。

怎么配合练习

科普内容最容易变成"听懂了但没留下"。建议边看边做一件事：拿你平时真实要处理的任务去试，比如写周报、整理会议记录、解释一段报错信息。同一个任务换三种问法，记录结果差异，再回头对照课里讲的原理，看能不能解释得通。这比另找题目练习有效得多，因为它连着你的实际场景。

另外可以做一个小记录表，把每次"模型答得离谱"的例子留下来，标注当时给了什么上下文、问法是什么。积累十几条之后，你会对自己的使用习惯有新的认识，也能反过来验证课里的说法。

看完应该能回答的问题

为什么同一段提示词，在不同时间、不同模型上结果不一样。
模型说"我不知道"和它编一个答案，背后有什么区别。
什么任务适合交给大模型，什么任务交给它风险很高。
提示词写得好和写得差，差距本质上来自哪里。
当有人跟你说"大模型就是概率统计，没有真正的智能"时，你能补上哪几句更准确的话。

如果这些问题你目前只能含糊带过，这门课适合当作一次系统的补课；如果你已经能清晰回答，那就不必花时间，直接去啃更偏实现的内容。缺什么补什么，别在已经会的地方反复打转。