生成式人工智能

默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。

1. 1

   Introduction to Generative AI

   ### 🤖 核心知识点：生成式 AI 概述 本周介绍生成式 AI 的全景：从 GPT 到 DALL-E，从代码生成到文档自动化。这门新课反映了 AI 时代对 CS 学生的新要求。 - **核心概念**: Generative AI vs Discriminative AI, foundation models overview (GPT, Claude, Gemini, DALL-E, Stable Diffusion), transformer architecture (概念), tokens and tokenization, AI in computing landscape ⏰ **本周节奏**: 难度 ⭐⭐ | 预计投入 7h（Lecture 2h + Practical 2h + 自学 2h + 工具体验 1h） 🎯 **考试关联**: Final Exam 会考 foundation models 的分类和基本特征 🧪 **Practical**: 体验不同 AI 工具（ChatGPT, Claude, GitHub Copilot），记录各自的能力边界 📌 **作业关联**: Assignment 1 通常要求系统使用一个 AI 工具完成指定任务 ⚠️ **易错点**: 生成式 AI ≠ AGI；当前模型是统计模式匹配，不是 "理解"；hallucination 是固有局限

   Ge
2. 2

   Foundations of Large Language Models

   ### 🧠 核心知识点：大语言模型基础 本周深入 LLM 的工作原理。不需要写数学公式，但要理解 transformer、attention mechanism 和训练过程的直觉。 - **核心概念**: Transformer architecture (encoder-decoder), attention mechanism (概念直觉), pre-training vs fine-tuning, RLHF (Reinforcement Learning from Human Feedback), context window, temperature / top-p sampling ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 3h + 阅读论文 1h） 🎯 **考试关联**: Transformer 的基本架构和 attention 的直觉解释是 Final 考点 🧪 **Practical**: 用 API 测试不同 temperature 和 top-p 参数对生成结果的影响 📌 **作业关联**: 理解 LLM 参数对输出的影响是后续 prompt engineering 的基础 ⚠️ **易错点**: Temperature=0 不代表 "确定性输出"（某些 API 实现会有轻微随机）；context window ≠ "记忆"

   Tra
3. 3

   Prompt Engineering Fundamentals

   ### ✍️ 核心知识点：Prompt 工程基础 本周学习 prompt engineering 的核心技术。好的 prompt 是与 AI 有效协作的关键技能。 - **核心概念**: Zero-shot vs few-shot prompting, system/user/assistant roles, instruction clarity, output format control (JSON, markdown, structured), prompt templates, role-playing technique ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 2h + Prompt 实验 2h） 🎯 **考试关联**: Prompt 技术分类和使用场景是 Final 考试重点之一 🧪 **Practical**: 对同一任务设计 zero-shot、few-shot 和 CoT prompt，对比输出质量 📌 **作业关联**: Assignment 1 要求展示系统化的 prompt engineering 方法 ⚠️ **易错点**: Few-shot examples 质量差会误导模型；prompt 过长超过 context window 会丢失信息

   Zero-shot vs few-shot prompti
4. 4

   Advanced Prompt Techniques

   ### ✍️ 核心知识点：高级 Prompt 技术 本周深入高级 prompt 技巧：Chain-of-Thought、Self-Consistency、Tree-of-Thought 等。这些技术显著提升 AI 在复杂推理任务上的表现。 - **核心概念**: Chain-of-Thought (CoT) prompting, Self-Consistency, Tree-of-Thought, ReAct (Reasoning + Acting), prompt chaining, meta-prompting, adversarial prompting (了解攻击方式以防御) ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 2h + Practical 2h + 自学 3h + 实验 2h） 🎯 **考试关联**: CoT 和 ReAct 的原理与使用场景是考试高频考点 🧪 **Practical**: 用 CoT 解数学/逻辑题，比较有无 CoT 的准确率差异 📌 **作业关联**: Assignment 中需要展示使用高级 prompt 技术解决复杂问题 ⚠️ **易错点**: CoT 对简单任务可能降低效果（增加 token 浪费）；Self-Consistency 需要多次采样，成本高

   Chai
5. 5

   AI-Assisted Code Generation

   ### 💻 核心知识点：AI 辅助代码生成 本周聚焦 AI 在代码生成领域的应用。学会高效使用 Copilot/Claude 等工具，同时理解其局限性。 - **核心概念**: GitHub Copilot, Claude/ChatGPT for coding, code completion vs code generation, test generation, code review with AI, debugging with AI, refactoring assistance, code documentation generation ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 2h + 编程实验 2h） 🎯 **考试关联**: AI code generation 的能力边界和最佳实践是考试内容 🧪 **Practical**: 用 AI 辅助完成一个编程任务（Python/JS），记录 AI 的正确率、需要修正的部分、效率提升 📌 **作业关联**: Assignment 2 可能要求使用 AI 辅助开发并记录过程 ⚠️ **易错点**: 盲目复制 AI 代码不审查 = 引入 bug 和安全漏洞；AI 生成的代码可能用已废弃的 API

   GitHub CopilotClaude/ChatGPT for codi
6. 6

   Image & Multi-modal Generation

   ### 🎨 核心知识点：图像与多模态生成 本周学习图像生成模型（Stable Diffusion, DALL-E, Midjourney）和多模态 AI。从文本到图像、从图像到文本的跨模态能力。 - **核心概念**: Diffusion models (概念), text-to-image generation, image-to-text (captioning), prompt engineering for images (style, composition, negative prompts), multi-modal models (GPT-4V, Gemini), inpainting/outpainting ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 2h + 创作实验 2h） 🎯 **考试关联**: Diffusion model 的工作原理（概念级）和图像 prompt 技术是考点 🧪 **Practical**: 用 DALL-E/Stable Diffusion 生成指定风格图像，对比不同 prompt 效果 📌 **作业关联**: 项目中可能涉及多模态内容生成 ⚠️ **易错点**: 图像生成有版权和伦理风险；"写实风格" prompt 可能生成 deepfake 内容

   Diffusio
7. 7

   AI Ethics & Responsible Use

   ### ⚖️ 核心知识点：AI 伦理与负责任使用 本周是课程的伦理核心模块。讨论 AI 的偏见、公平性、透明性和社会影响。 - **核心概念**: AI bias (training data bias, algorithmic bias), fairness metrics, transparency & explainability, AI hallucination risks, copyright issues (training data), academic integrity in AI era, responsible AI frameworks (EU AI Act, Australian AI Ethics Principles) ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 2h + 论文阅读 2h） 🎯 **考试关联**: AI 伦理原则和具体案例分析是 Final 的必考内容 🧪 **Practical**: 分析 AI 偏见案例（如招聘 AI、贷款审批），讨论如何识别和缓解偏见 📌 **作业关联**: 所有 assignment 都需要包含 ethical considerations section ⚠️ **易错点**: "AI 没有偏见因为是数学" — 这是错误认知；训练数据反映社会偏见，模型会放大

   AI bias (trai
8. 8

   AI Workflow Integration & Automation

   ### 🔧 核心知识点：AI 工作流集成与自动化 本周学习如何将 AI 工具集成到实际软件开发工作流中。从 API 调用到 CI/CD pipeline 中的 AI。 - **核心概念**: OpenAI/Anthropic API usage, LangChain basics, prompt templates in code, AI in CI/CD (automated code review, test generation), document automation, API rate limiting and cost management ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 10h（Lecture 2h + Practical 2h + 自学 3h + 编程实践 3h）🔥 实战周 🎯 **考试关联**: API 集成模式和工作流设计是考试内容 🧪 **Practical**: 用 Python + OpenAI API 构建一个自动化文档生成工具 📌 **作业关联**: Assignment 项目需要展示 AI 工作流集成能力 ⚠️ **易错点**: API 调用费用控制（忘记设 max_tokens 导致账单爆炸）；API key 暴露在代码中是安全隐患

   Ope
9. 9

   RAG & Knowledge-Augmented Generation

   ### 📚 核心知识点：RAG 与知识增强生成 本周学习 Retrieval-Augmented Generation (RAG) — 解决 LLM 知识过时和幻觉问题的关键技术。 - **核心概念**: RAG architecture (Retrieve → Augment → Generate), vector embeddings, vector databases (概念), semantic search vs keyword search, chunking strategies, context injection, grounding ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 10h（Lecture 2h + Practical 2h + 自学 3h + RAG 实验 3h） 🎯 **考试关联**: RAG 的架构和工作原理是 Final 的重要考点 🧪 **Practical**: 构建一个简单的 RAG 系统：上传文档 → 向量化 → 基于文档回答问题 📌 **作业关联**: 高级 assignment 可能要求实现 RAG 功能 ⚠️ **易错点**: Chunk 大小影响检索质量（太大丢失精度，太小缺少上下文）；embedding 模型选择影响语义匹配质量

   RAG architecture (Retrieve → Augme
10. 10

    AI Agents & Tool Use

    ### 🤖 核心知识点：AI Agent 与工具调用 本周探索 AI Agent — 能自主规划、执行和反思的 AI 系统。理解从简单 chatbot 到 autonomous agent 的演进。 - **核心概念**: AI Agents (plan → act → observe → reflect), function calling / tool use, ReAct pattern in practice, multi-step reasoning, agent frameworks (LangChain agents, CrewAI 概念), safety guardrails ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 10h（Lecture 2h + Practical 2h + 自学 3h + Agent 实验 3h） 🎯 **考试关联**: Agent 的架构模式和 tool use 机制是重要考点 🧪 **Practical**: 用 LangChain 构建一个简单的 AI Agent（能搜索网络 + 计算 + 生成报告） 📌 **作业关联**: 最终项目可能要求实现 agent-based 功能 ⚠️ **易错点**: Agent 可能陷入无限循环（需要设定 max iterations）；工具返回结果的格式需要与 prompt 匹配

    AI Age
11. 11

    Evaluation & Critical Analysis of AI Outputs

    ### 🔍 核心知识点：AI 输出评估与批判性分析 本周学习如何系统评估 AI 生成内容的质量。作为 AI-enhanced developer，批判性思维是区分优秀和平庸的关键。 - **核心概念**: Output evaluation metrics (BLEU, ROUGE, human evaluation), hallucination detection, fact-checking strategies, A/B testing AI outputs, benchmark evaluation, red-teaming, adversarial testing ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 2h + Practical 2h + 自学 2h + 项目完善 2h） 🎯 **考试关联**: 评估方法的选择和 hallucination 检测策略是 Final 考点 🧪 **Practical**: 设计评估框架对 AI 生成的代码/文本进行质量评分，识别 hallucination 📌 **作业关联**: 最终 assignment 需要包含对 AI 输出的评估分析 ⚠️ **易错点**: 自动评估指标（BLEU/ROUGE）不等于真实质量；AI 输出看起来很流畅但可能完全错误

    Output evaluatio
12. 12

    Future of AI & Exam Preparation

    ### 🔮 核心知识点：AI 前沿趋势与考试准备 最后一周展望 AI 的发展趋势，并系统复习全课程内容为 Final Exam 做准备。 - **核心概念**: AI trends (multimodal models, smaller efficient models, on-device AI, AI regulation), job market impact, human-AI collaboration future, course content comprehensive review ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 10h（Lecture 2h + Practical 2h + 复习 6h）📝 复习周 🎯 **考试关联**: Final Exam 覆盖全部 12 周内容。重点：LLM 原理、prompt 技术分类、RAG 架构、AI 伦理、代码生成最佳实践、Agent 架构 🧪 **Practical**: 模拟考题练习，重点复习概念辨析和案例分析题型 📌 **作业关联**: 所有 assignments 在考前提交完毕 ⚠️ **易错点**: 这门课不只考技术，还考伦理判断和批判性分析。不要只刷技术题而忽略 ethics 模块

    AI tre