來自 meng shao（@shao__meng）的推文串

[實用路線圖] 30 天從零學習AI：從基礎概念到專案實踐 來自@aigleeson 的分享，針對非技術背景人士（非數學或電腦科學專業）的30 天AI 學習計劃。有別於常見的「囤積連結、刷影片」式淺嚐輒止，這個計畫強調透過概念理解、快速建構、調試和輸出應用來培養直覺和技能，最終讓你能將AI 融入實際工作流程。 核心理念· 問題診斷：許多人學習AI 後只剩“感覺”，缺乏可操作能力。解決方案是“專注的30 天實驗”，透過小步迭代累積“危險級”技能——即理解核心機制、整合模型，並知道下一步深造方向。 · 預期成果：不是成為“AI 專家”，而是能建構實用工具，如工作流程中的智能體或檢索系統。 四周學習路徑計畫分為四周，每週目標明確，結合閱讀、對話、編碼和反思。以下按週拆解： 第1 週：掌握基礎概念（Get fluent in concepts） 目標：搞懂AI 的“底層邏輯”，用簡單語言解釋清楚。 · 學習核心元素：大語言模型（LLM）、Tokens、參數（parameters）、訓練vs. 推理（training vs. inference）、RAG（檢索增強生成）vs. 微調（fine-tuning）。 · 行動：閱讀3 篇精選解釋文（Transformers、RAG、智能體各一篇），並用ChatGPT 或Claude 等模型反覆對話，拆解術語、舉例說明。重點是建構直覺，而非死記硬背。 第2 週：建置小型專案（Build tiny things） 目標：透過「佈線」模型來內化知識。 · 行動：製作3 個簡單項目，例如：針對1 個PDF 的問答智能體、文字重寫內容助理、個人興趣主題的研究助理。優先用無程式碼/低程式碼工具，一天內上線。 · 限制：每個項目不超過100 行程式碼或週末無程式碼時間；整合至少2 種工具（如模型+ 檢索）；必須是自己會用的實用物。 第3 週：深入機制（Go under the hood） 目標：親手拆解系統，培養調試能力。 · 行動：聚焦RAG 實作－瞭解分塊（chunking）、嵌入（embeddings）、向量資料庫（vector DBs）和檢索過程。拿第2 週專案實驗：改塊大小、檢索策略或模型，觀察效果差異。 · 額外：用Python/JS 呼叫LLM API，解析JSON 輸出，記錄延遲和成本。模型從“魔法”轉為“工具”。 第4 週：專注應用與輸出（Specialize + publish） 目標：將知識轉化為可重複使用資產，避免「學而不用」。 · 行動：選一條賽道深挖7 天（如寫作/內容、資料分析、編碼、維運自動化）。建構1 個「展示級」項目：如真實工作流程的智能體、個人知識庫的RAG 系統，或微型SaaS 工具。 · 輸出：教別人－發推文、錄製Loom 影片或寫博客，解釋技術堆疊、前後對比、故障修復。