AI 基础入门教程

人工智能（Artificial Intelligence，简称 AI）是一类让机器具备“感知、理解、推理、生成、决策”能力的技术。它不是某一个单独的软件，也不是某一种固定算法，而是一整套方法、模型、数据、工程系统和应用场景的集合。

这篇文档面向零基础学习者，目标是帮你建立 AI 的基础认知，知道 AI 在解决什么问题、核心概念是什么、常见技术路线有哪些，以及应该如何从入门走向实践。

一、AI 到底是什么

最简单的理解：

AI 是让计算机完成过去通常需要人类智能才能完成的任务。

这些任务包括：

看懂图片：识别猫、车牌、人脸、医学影像。
听懂声音：语音识别、语音转文字、会议纪要。
理解文本：翻译、摘要、分类、问答、代码解释。
生成内容：写文章、画图、生成视频、生成音乐、写代码。
做出决策：推荐商品、识别风险、规划路线、自动驾驶辅助。

AI 的核心不是“像人一样思考”，而是通过数据、模型和算法，在特定任务上表现出接近或超过人工的能力。

二、AI、机器学习、深度学习、生成式 AI 的关系

这几个词经常一起出现，但层级不同。

概念	英文	解释	例子
人工智能	AI	最大概念，让机器表现出智能能力	智能客服、自动驾驶、图像识别
机器学习	Machine Learning	AI 的重要方法，让机器从数据中学习规律	垃圾邮件分类、商品推荐
深度学习	Deep Learning	机器学习的一个分支，使用多层神经网络	人脸识别、语音识别、大语言模型
生成式 AI	Generative AI	能生成文本、图片、音频、视频、代码的 AI	ChatGPT、AI 绘画、AI 视频
大语言模型	LLM	专门处理和生成语言的大模型	问答、写作、翻译、代码生成

可以这样理解：

人工智能
  └── 机器学习
        └── 深度学习
              └── 生成式 AI
                    └── 大语言模型

三、AI 系统的基本组成

一个完整的 AI 系统通常包括 5 个部分：

部分	作用
数据	AI 学习和判断的基础
模型	从数据中学习规律，并对新输入做预测或生成
算法	训练模型、优化模型的方法
算力	运行训练和推理所需的计算资源
应用	把模型能力封装到真实业务场景里

例如一个“智能客服”系统：

这里既有语言模型，也有知识库、搜索、权限、日志、审核、反馈等工程模块。真正可用的 AI 应用，通常不只是一个模型。

四、必须掌握的核心概念

1. 数据

数据是 AI 的燃料。数据可以是文本、图片、音频、视频、表格、日志、传感器数据等。

高质量数据通常具备这些特征：

准确：没有大量错误。
相关：和任务目标有关。
完整：覆盖足够多的场景。
多样：避免只覆盖少数情况。
合规：来源合法，隐私和版权可控。

2. 模型

模型可以理解为“学到规律的程序”。传统程序是人写规则，AI 模型是从数据中学习规则。

传统程序：

AI 模型：

3. 训练

训练是让模型从数据中学习的过程。

训练过程大致是：

训练越大规模，通常需要的数据、算力和工程成本越高。

4. 推理

推理是模型训练好之后，接收新输入并输出结果的过程。

例如：

输入：帮我总结这篇文章
模型推理：理解文章内容并生成摘要
输出：一段摘要文本

日常使用 AI 工具时，大多数时候是在使用模型推理能力。

5. 参数

参数是模型内部用于表达规律的数值。大模型通常有非常多参数，因此能学习更复杂的语言、图像和知识模式。

但参数多不等于一定更好。模型效果还取决于：

数据质量；
训练方法；
对齐方式；
推理成本；
场景匹配度；
工程系统设计。

6. Token

Token 是大语言模型处理文本的基本单位，可以近似理解为“文字片段”。

模型不是直接按完整句子理解，而是把输入拆成 token 再处理。

示例：

输入：人工智能很重要
可能拆分为：人工 / 智能 / 很 / 重要

实际拆分方式由模型的分词器决定。

Token 会影响：

输入长度；
输出长度；
成本；
响应速度；
上下文能放多少内容。

7. 上下文窗口

上下文窗口是模型一次能读取和处理的信息范围。

如果你把一本很长的书直接丢给模型，超过上下文窗口的部分可能无法被模型完整处理。因此长文档问答通常需要切片、检索和分段总结。

8. 向量和 Embedding

Embedding 是把文本、图片等内容转换成一组数字向量，用来表示语义。

例如：

“苹果手机”和“iPhone”语义接近
“苹果手机”和“香蕉”语义较远

Embedding 常用于：

相似文本搜索；
知识库问答；
推荐系统；
去重；
聚类；
RAG 检索。

五、常见 AI 任务类型

1. 分类

判断输入属于哪一类。

例子：

判断邮件是不是垃圾邮件；
判断评论是正面还是负面；
判断图片中是不是有猫；
判断客户工单属于哪个部门。

2. 回归

预测一个连续数值。

例子：

预测房价；
预测销量；
预测温度；
预测用户流失概率。

3. 聚类

把相似的数据自动分组。

例子：

用户分群；
文档主题聚类；
商品相似度分组。

4. 检索

从大量信息中找到最相关的内容。

例子：

搜索引擎；
企业知识库；
文档问答；
相似图片查找。

5. 生成

根据输入生成新的内容。

例子：

生成文章；
生成图片；
生成视频；
生成代码；
生成 PPT 大纲。

六、大语言模型入门

大语言模型（Large Language Model，LLM）是当前最常见的生成式 AI 类型之一。它擅长处理文本，也可以结合图片、音频、视频等输入，形成多模态能力。

LLM 常见能力：

问答；
翻译；
摘要；
写作；
代码生成；
数据分析；
信息抽取；
角色扮演；
规划任务；
调用工具。

但大语言模型也有局限：

可能生成错误信息；
可能编造不存在的来源；
对最新信息不一定了解；
对专业领域问题需要额外知识；
对复杂任务需要拆解和验证；
对隐私、版权、合规问题需要人工把关。

使用大模型时，要把它当成“强大的协作助手”，而不是永远正确的答案机器。

七、提示词 Prompt 基础

提示词是你给 AI 的任务说明。提示词越清楚，输出通常越稳定。

一个好提示词通常包含：

模块	说明
角色	让 AI 以什么身份工作
任务	明确要做什么
背景	提供必要上下文
输入	给出要处理的内容
输出格式	指定结果结构
约束	说明不要做什么
示例	给出参考样例

通用模板：

你是一名{角色}。
任务：请帮我{具体任务}。
背景：{业务背景或使用场景}。
输入：{需要处理的内容}。
要求：
1. {要求一}
2. {要求二}
3. {要求三}
输出格式：{Markdown 表格 / JSON / 分点说明 / 代码块}

例子：

你是一名 AI 入门课程老师。
任务：请用零基础能听懂的方式解释“机器学习”。
要求：
1. 不使用复杂数学公式。
2. 用一个生活例子说明。
3. 最后给出 3 个学习建议。
输出格式：先解释概念，再给例子，最后列出建议。

八、提示词优化技巧

1. 把大任务拆成小任务

弱提示：

帮我写一篇 AI 教程。

更好：

先帮我设计一篇 AI 入门教程的大纲，目标读者是零基础程序员。
要求包含：AI 概念、机器学习、深度学习、大语言模型、提示词、实战项目。
每个章节给 3 个要点。

2. 指定输出格式

如果你想要表格，就明确说表格。如果你想要 JSON，就明确给字段。

请用 Markdown 表格输出，字段包括：概念、解释、例子、学习重点。

3. 给出示例

模型很擅长模仿结构。给一个例子，通常比描述很多规则更有效。

请按下面格式输出：

概念：机器学习
解释：让机器从数据中学习规律。
例子：根据历史房价数据预测新房价格。

4. 说明边界

不要讨论数学推导，不要推荐付费课程，不要使用过于学术的表达。

5. 让模型先提问

当需求不清楚时，可以让模型先问问题。

在回答前，请先列出你还需要确认的 5 个问题。

6. 让模型自检

回答完成后，请检查是否存在概念混淆、遗漏步骤或不适合零基础读者的表达，并给出修订版。

九、RAG、微调、Agent 怎么区分

这是 AI 应用落地时最容易混淆的三个概念。

技术	解决什么问题	适合场景	简单理解
RAG	让模型回答时参考外部知识	企业知识库、文档问答、客服	先查资料，再回答
微调	让模型学习特定风格或任务	固定格式输出、行业术语、分类任务	给模型做专项训练
Agent	让模型规划任务并调用工具	自动办公、数据分析、运维助手	模型不仅回答，还能行动

1. RAG

RAG 的完整名称是 Retrieval-Augmented Generation，意思是“检索增强生成”。

基本流程：

适合：

公司制度问答；
产品文档问答；
法律条文检索；
技术知识库；
客服机器人。

2. 微调

微调是用特定数据继续训练模型，让模型更适合某类任务。

适合：

固定格式的信息抽取；
特定行业话术；
分类任务；
代码风格迁移；
小模型专项优化。

不适合：

频繁变化的知识；
只想让模型记住几篇文档；
没有高质量训练数据的场景。

频繁变化的知识，更适合 RAG，而不是微调。

3. Agent

Agent 是让模型具备“规划、调用工具、观察结果、继续执行”的能力。

示例：

用户：帮我分析这个网站最近 7 天的访问情况，并生成报告。

Agent：
调用数据接口获取访问数据。
分析 PV、UV、来源、转化率。
生成图表。
输出报告。
给出优化建议。

Agent 的关键不是“说得更像人”，而是能调用工具完成任务。

十、AI 应用的基本架构

一个常见的大模型应用架构：

如果是更复杂的系统，还会加入：

用户系统；
文件解析；
向量数据库；
任务队列；
缓存；
内容审核；
成本统计；
监控告警；
人工审核后台。

十一、学习 AI 的推荐路线

建议按“先建立认知、再熟练使用、然后理解原理、最后完成项目”的顺序推进：

阶段 1：建立基础概念

目标：知道 AI 在做什么。

学习内容：

AI、机器学习、深度学习的区别；
分类、回归、聚类、生成任务；
数据、模型、训练、推理；
大语言模型和提示词基础。

建议产出：

用自己的话解释 AI；
写 10 个常见 AI 应用例子；
能看懂基础 AI 文章。

阶段 2：学会使用 AI 工具

目标：能用 AI 提高效率。

练习任务：

用 AI 总结文章；
用 AI 写学习计划；
用 AI 生成代码注释；
用 AI 做 Excel 数据分析思路；
用 AI 生成图片提示词；
用 AI 改写简历或文案。

重点不是“问一句”，而是学会拆任务、给背景、指定格式、检查结果。

阶段 3：理解技术原理

目标：能理解 AI 项目的基本实现方式。

学习内容：

Python 基础；
数据处理；
机器学习基础；
神经网络基础；
Embedding；
向量检索；
API 调用；
RAG 应用。

阶段 4：做一个完整项目

目标：把 AI 能力落到真实场景。

推荐项目：

文章总结助手；
PDF 知识库问答；
智能客服机器人；
AI 简历优化工具；
AI 代码解释器；
商品评论分析工具；
AI 图片提示词生成器；
自动生成周报工具。

十二、零基础实战项目：文章总结助手

这是最适合入门的第一个 AI 项目。

1. 功能目标

输入一篇文章，输出：

100 字摘要；
关键观点；
重要术语；
行动建议；
适合发朋友圈或公众号的标题。

2. Prompt 示例

你是一名内容编辑。
请阅读下面文章，并输出结构化总结。

要求：
1. 用 100 字以内总结文章核心内容。
2. 提炼 5 个关键观点。
3. 解释 3 个重要术语。
4. 给出 3 条行动建议。
5. 生成 5 个中文标题。

输出格式：
## 摘要
## 关键观点
## 重要术语
## 行动建议
## 标题建议

文章内容：
{article}

3. 进阶优化

可以继续加入：

长文章分段总结；
输出 Markdown；
输出 JSON；
保存历史记录；
支持文件上传；
接入知识库；
增加事实核查；
增加人工编辑流程。

十三、AI 项目常见风险

1. 幻觉

幻觉是指模型生成看起来合理但实际错误的信息。

降低方法：

要求模型引用依据；
接入可信知识库；
对关键事实做人工审核；
对输出做规则校验；
不让模型凭空编造数据。

2. 隐私泄露

不要随意把敏感信息发给外部模型。

敏感信息包括：

身份证号；
手机号；
地址；
合同；
源代码；
用户数据；
财务数据；
公司内部资料。

3. 版权问题

AI 生成内容可能涉及训练数据、输入素材、输出内容的版权争议。

商业使用前要检查：

素材来源；
工具使用条款；
是否模仿特定艺术家或品牌；
是否使用未授权人物肖像；
是否生成了受保护的商标或作品。

4. 过度自动化

AI 很适合辅助，但不应该在高风险场景中完全替代人工判断。

高风险场景包括：

医疗；
法律；
金融投资；
招聘录用；
信贷审批；
公共安全；
教育评价。

十四、常见误区

1. AI 等于 ChatGPT

ChatGPT 是 AI 应用的一种，但 AI 范围更大，还包括图像识别、推荐系统、语音识别、自动驾驶、机器人等。

2. 会写提示词就等于懂 AI

提示词很重要，但 AI 工程还包括数据、模型、评估、部署、安全、成本和产品设计。

3. 大模型越大越好

不一定。小模型在成本、速度、私有化部署和特定任务上可能更合适。

4. AI 输出可以直接发布

不建议。AI 输出需要检查事实、语气、版权、隐私和业务适配。

5. 学 AI 必须先学很深的数学

如果目标是使用 AI 或开发 AI 应用，可以先从工具、API、Prompt、RAG 和项目实践开始。数学很重要，但不必成为入门第一关。

十五、学习检查清单

学完这篇文档后，你应该能回答：

AI、机器学习、深度学习有什么区别？
什么是训练，什么是推理？
什么是 token 和上下文窗口？
大语言模型擅长什么，不擅长什么？
一个好提示词应该包含哪些要素？
RAG、微调、Agent 分别解决什么问题？
做 AI 应用时为什么需要安全审核？
从零开始可以做哪些 AI 小项目？

十六、下一步怎么学

建议按这个顺序继续：

每天用 AI 完成一个真实任务，例如总结、翻译、写作、生成代码。
整理自己的提示词模板库。
学习 Python 基础和 API 调用。
做一个文章总结助手。
做一个本地文档问答系统。
学习向量数据库和 RAG。
学习模型评估、成本控制和安全审核。
再根据兴趣深入机器学习、深度学习或大模型工程。

总结

AI 入门最重要的不是记住所有名词，而是建立一张清晰地图：

对普通学习者来说，最好的路径是先会用，再理解原理，最后做项目。只要能把 AI 用到真实问题里，学习就会变得非常具体，也更容易坚持下去。

一、AI 到底是什么​

二、AI、机器学习、深度学习、生成式 AI 的关系​

三、AI 系统的基本组成​

四、必须掌握的核心概念​

1. 数据​

2. 模型​

3. 训练​

4. 推理​

5. 参数​

6. Token​

7. 上下文窗口​

8. 向量和 Embedding​

五、常见 AI 任务类型​

1. 分类​

2. 回归​

3. 聚类​

4. 检索​

5. 生成​

六、大语言模型入门​

七、提示词 Prompt 基础​

八、提示词优化技巧​

1. 把大任务拆成小任务​

2. 指定输出格式​

3. 给出示例​

4. 说明边界​

5. 让模型先提问​

6. 让模型自检​

九、RAG、微调、Agent 怎么区分​

1. RAG​

2. 微调​

3. Agent​

十、AI 应用的基本架构​

十一、学习 AI 的推荐路线​

阶段 1：建立基础概念​

阶段 2：学会使用 AI 工具​

阶段 3：理解技术原理​

阶段 4：做一个完整项目​

十二、零基础实战项目：文章总结助手​

1. 功能目标​

2. Prompt 示例​

3. 进阶优化​

十三、AI 项目常见风险​

1. 幻觉​

2. 隐私泄露​

3. 版权问题​

4. 过度自动化​

十四、常见误区​

1. AI 等于 ChatGPT​

2. 会写提示词就等于懂 AI​

3. 大模型越大越好​

4. AI 输出可以直接发布​

5. 学 AI 必须先学很深的数学​

十五、学习检查清单​

十六、下一步怎么学​

总结​