你可能收藏过一份又一份“AI 阅读清单”：论文、博客、开源项目说明，越攒越多，读的时候点头，读完却说不清自己会了什么。这份清单本身没有错，错的是它停在“知道”这一层——看得懂 Transformer 结构图，不等于能写出一个能跑的检索问答；说得出 RAG 的流程，不等于知道切分长度、召回数量、重排顺序怎么调。这门课要处理的，正是清单和动手之间那段空缺。

先看清自己的缺口在哪

读 AI 相关内容的人，卡点通常集中在几处：其一，概念能背，但一串起来就不清楚数据从哪进、到哪出；其二，能跑通别人的示例代码，换个场景就无从下手；其三，对效果好坏没有判断标准，模型答错了也不知道该改哪一环。这些不是“基础不牢”四个字能概括的，而是缺少把阅读所得落到一次完整实现上的经验。课程围绕这条缺口组织内容，重点放在把清单里的名词、方法，变成你手上可验证的一步步操作。

清单怎么变成项目

转化的关键不在多读，而在选读和拆解。面对一份清单，先分辨哪些是必须动手的骨架——比如调用模型接口、组织提示词、接入外部知识、评估输出质量；哪些是知道即可的背景。课程会带着做这种取舍，并把每个骨架环节配成可执行的小任务：从最小可运行的调用开始，逐步加上上下文、检索、结果校验，让一个真实问题的解决过程完整走一遍。中间出现的报错、效果不理想的输出、参数改了之后的变化，都是要盯住的部分，而不是绕过去的部分。

配套练习怎么用

每个环节留可动手的任务，建议先自己写一版，再看讲解，差在哪里往往比正确答案更有价值。
练习以“改得动”为目标：换数据、换问题、换约束，看系统行为怎么变，而不是照抄参数。
对同一问题保留多个版本的结果，对比之后再决定取舍，别急着删掉失败的那一版。
遇到读不懂的术语，回到清单原文查一遍再回来，这个过程本身就是阅读与实战的往返。

看完应能回答的问题

给你一份 AI 阅读清单，你怎么判断哪些条目值得动手、哪些可以先跳过？
一个基于外部知识的问答流程，从输入到输出中间有哪几个必须自己把控的环节？
输出质量不达标时，你按什么顺序排查：数据、切分、召回、提示词还是模型本身？
怎么用一组固定问题衡量改动是否真的有效，而不是凭单次观感下结论？
把清单里的一项方法迁移到自己的工作场景，第一步该做什么？

适合谁，以及先准备什么

如果你已经读过一些 AI 入门材料，却在“下一步做什么”上停住，这门课对得上。它不假设你什么都会，但也不打算从零讲起，需要你能看懂基本代码结构、愿意动手改东西。开始前不妨先翻出自己那份一直没读完的清单，挑三五个最想搞明白的条目，带着它们进来——课程结束后，你应该能把其中至少一个做成能跑、能讲清楚、能改动的样子。读过的清单如果没有变成做过的事，就还只是清单。