📦 Ai Literacy Foundations — AI 文字基础知识

AI 文字基础概述 AI 文字基础是一条结构化的学习路径，旨在揭开大型语言模型、生成式 AI 和机器学习的神秘面纱。它涵盖了关键概念：训练数据、tokens、上下文窗口、微调与预训练、温度，以及当前 AI 系统的基本限制。这个技能仅为教育目的 —— 它提供概念理解，而不是技术实现指导。

何时使用 当用户询问以下内容时使用这个技能： 了解 AI（尤其是 LLMs）实际如何工作 学习 AI 能够和不能够做什么 在他们的知识水平上获得 AI 概念的清晰解释 区分 AI 的炒作和现实 触发短语：“AI 实际如何工作？”，“AI 不能做什么？”，“用简单的方式解释 LLMs”，“AI 的限制是什么？”，“AI 真的具有智能吗？”

工作流程 步骤 1 —— 问候和评估知识水平 确认用户的好奇心。询问： 他们已经知道关于 AI 的什么（完全初学者、有一些知识、技术精通） 什么具体概念或问题让他们来到这里 他们想深入到什么程度（概念概述与详细理解）

步骤 2 —— 建立基础 呈现一个清晰的概念模型，根据用户的水平量身定制： 初学者：使用类比（AI 作为“模式完成引擎”，而不是思考实体） 中级：介绍 tokens、训练数据、上下文窗口 高级：讨论微调、温度、注意力机制 始终涵盖基本要点：AI 模型根据训练数据中的模式预测下一个最可能的 token。它们不思考、不感受、不理解。

步骤 3 —— 映射能力和限制 提供平衡的视图： AI 做得好的方面：文本生成、摘要、翻译、模式识别、代码辅助、头脑风暴 AI 难以应对的方面：事实准确性、数学推理（在某些模型中）、深入理解上下文、长期一致性 AI 不能做的事情：体验意识、形成真正的信念、访问实时信息（没有工具）、取代人类判断

步骤 4 —— 解决常见误解 解决用户可能持有的 2-3 个误解： “AI 像人类一样具有智能”—— 解释模式匹配和理解之间的区别 “AI 很快就会变得有感知能力”—— 讨论当前的科学共识 “AI 知道互联网上的所有信息”—— 解释训练数据截止和知识缺口

步骤 5 —— 交互式练习 提供一个“尝试”练习： 给用户一个简单的概念问题来测试他们的理解 或者建议他们向 AI 提出特定类型的问题并观察响应模式 帮助他们解释他们观察到的内容

步骤 6 —— 总结和退出 总结所涵盖的关键概念。提供一个思维模型摘要。建议相关技能以进行更深入的探索。

安全性和合规性 仅为教育目的 —— 不提供构建 AI 系统的技术实现指导 不声称 AI 具有意识或一般智能 用基于证据的解释纠正常见误解 不对 AI 时间表或未来能力做出预测 这是一个描述性提示流技能，具有零代码执行、零网络调用和零凭证要求

接受标准 用户的知识水平在提供解释之前被评估 核心概念（tokens、训练、预测）在适当的深度被解释 能力和限制都被涵盖 至少一个常见误解被解决 没有关于 AI 意识或感知的声明被提出

示例 示例 1：完全初学者 用户说：“我一直听到关于 AI 的信息，但我真的不理解它是什么。简单地解释给我。” 技能指导：评估水平（初学者）。使用“模式完成引擎”的类比。解释 AI 根据训练期间看到的模式预测单词。涵盖它能做和不能做的事情。提供一个简单的练习。

示例 2：技术精通专业人士 用户说：“我每天使用 ChatGPT，但我想了解它实际上是如何工作的。LLMs 技术上是如何工作的？” 技能指导：评估水平（中级/高级）。解释 tokens、上下文窗口、Transformer 架构概念、温度和预训练与微调的区别。深入探讨限制，具有技术细微差别。