- 01 120 分钟
AI 发展史与能力地图
从专家系统到智能体，理解技术范式如何变化，并用生成、检索、推理、行动四类能力判断科研任务需要什么。
本单元结束时，学员能够
- 用通俗语言说明专家系统、统计机器学习、深度学习、Transformer、生成式 AI、检索系统与智能体的关系
- 把一个真实科研任务拆成生成、检索、推理、行动四类能力，并识别必须由人负责的判断
- 02 120 分钟
大语言模型的实用心智模型
理解 token、上下文、概率生成、温度、幻觉、知识边界、推理模型、检索增强与引用核验，学会按风险审查回答。
本单元结束时，学员能够
- 用 token、上下文和概率生成解释模型为什么能写得流畅，也为什么会在事实与引用上出错
- 识别化学命名、反应条件、数值和文献引用中的高风险回答，并选择相称的核验动作
- 03 120 分钟
任务、提示、上下文与验收
把模糊愿望改写成包含目标、材料、约束、示例、输出格式和验收标准的科研任务说明。
本单元结束时，学员能够
- 区分任务目标、输入材料、约束、示例和输出格式，写出可被人或工具重复执行的任务简报
- 为文献、实验、写作、数据与教学任务定义可操作的验收标准和人工复核点
- 04 120 分钟
网络、API、文件、成本与安全
从一次请求的数据路径出发，理解客户端、服务器、API、命令行、文件权限、费用边界与科研数据安全。
本单元结束时，学员能够
- 画出一次 AI 请求从本机到服务端再返回的主要路径，并标出凭据与数据经过的位置
- 在 Windows 主路径下配置凭据、工作目录和最小权限，并能说明 macOS 的关键差异
- 用成本、速率、隐私、版权和机构政策五类约束判断一个工具是否适合真实科研任务
- 05 120 分钟
从聊天到可控智能体
用计划、权限、命令、日志、人工确认、执行循环和 Git 检查点，把智能体行动变成可观察、可停止、可恢复的协作过程。
本单元结束时，学员能够
- 区分聊天回答与能够读取文件、调用工具、执行命令的智能体任务
- 为智能体设置计划、权限边界、人工确认点、日志和停止条件
- 完成一次带 Git 检查点的计划—执行—验证闭环，并依据证据决定接受或回退
- 06 120 分钟
科研工作流设计工坊
围绕一个真实任务，设计输入、工具、AI 输出、人工复核、存储与复用的完整链路，并用可观察标准完成答辩。
本单元结束时，学员能够
- 把真实科研任务拆成输入、处理、输出、人工复核、存储与复用六个可检查环节
- 为文献、写作、数据、教学或项目申请流程选择合适工具，并说明不用 AI 的环节
- 用统一 rubric 评审工作流的正确性、可追溯性、安全性、可恢复性与复用价值
课程辅助材料 · Schedule
12 小时授课安排
六个 120 分钟单元。每个单元都由解释、示例、动手练习和验收组成，可按两天、三天或六次课实施。