# 怎样阅读这套学习资料

V2.0 的 16 章构成一个独立完整版本。先用 [首页](<index.html>) 找到章节，再按自己的目标选择学习稿或演示。每章的学习稿讲清原理、案例、练习及来源；演示提炼关键关系，方便复习和讲解。

## 第一次系统学习

依次读完下面五段路线。章节编号用于定位，不表示不同版本或按周交付。

| 学习阶段 | 阅读章节 | 完成后应能做什么 |
|---|---|---|
| 理解计算与任务 | [LLM-01](<学习成果/LLM/LLM-01_LLM怎样理解输入并生成输出.md>) → [LLM-02](<学习成果/LLM/LLM-02_训练推理与能力边界.md>) → [AG-01](<学习成果/Agent/AG-01_Agent基本工作循环.md>) → [AG-02](<学习成果/Agent/AG-02_Agent怎样理解项目并验证结果.md>) | 区分生成、执行与验证，为任务提供足够的事实 |
| 学会编程工具 | [CC-01](<学习成果/ClaudeCode/CC-01_官方入门与任务流程.md>) → [CC-02](<学习成果/ClaudeCode/CC-02_项目上下文与扩展.md>) → [CC-03](<学习成果/ClaudeCode/CC-03_调试测试与评审.md>) | 用项目规则和反馈，把需求变为可检查的改动 |
| 阅读人物实践 | [KP-01](<学习成果/Karpathy/KP-01_AI学习与使用方法.md>) → [LR-01](<学习成果/Lauren/LR-01_Agent开发实践.md>) | 提炼适合自己的方法，并说清作者经验的适用条件 |
| 分析真实项目 | [PCG-01](<学习成果/Aipcg/PCG-01_让Agent学习已有项目.md>) → [PCG-02](<学习成果/Aipcg/PCG-02_Agent辅助TA开发案例.md>) → [CY-01](<学习成果/Cindy/CY-01_文档与软件结构.md>) → [CY-02](<学习成果/Cindy/CY-02_Agent使用与开发过程.md>) → [CY-03](<学习成果/Cindy/CY-03_工程原则与迁移.md>) | 追踪入口、数据、状态与验收，把项目经验转为自己的约束 |
| 判断能力与进展 | [CAP-01](<学习成果/AI能力/CAP-01_当前AI能力与TA场景.md>) → [X-01](<学习成果/近期文章/X-01_近一个月AI与Agent文章精选.md>) | 为具体任务选能力，分开官方声明、作者观点与实测证据 |

建议每读一章完成三件事：用自己的话解释一张图；复查一个例子或来源；写出能用于自己项目的一条操作。练习应保留输入、输出、版本和检查结果，而不只保存一段看似完整的回答。

## 以 TA 工作为目标

如果已有编程基础，先读 AG-02 与 CC-03，再读 PCG-01／PCG-02。重点追踪资产、字段、坐标、算法和引擎结果。遇到 Token 或推理概念时回到 LLM 两章；需要选择图像、3D 或视觉能力时读 CAP-01。

实际任务可以从 [Aipcg 项目导读](<模板/Aipcg项目导读.md>) 开始，把入口、数据格式、环境依赖和完成条件写清。纯 Python 检查通过与 Unreal 中场景可用需要各自的证据，不能互相替代。

## 以 Agent 产品或开发流程为目标

先读 AG-01／AG-02，随后读 LR-01 和 Cindy 三章。重点观察任务接受与完成的区别、状态归属、工具反馈、配置默认值，以及进程结束后怎样交接。CC-02 帮助选择扩展方式，CC-03 提供最小复现和评审方法。

把阅读结果写成“问题—做法—证据—适用条件—本项目应用”，再用 [任务模板](<模板/README.md>) 定义一次小范围实验。效率记录应包含人工评审和返工；本书没有实测的吞吐量或成本，不应替自己的方案填上估计收益。

## 只做复习或讲解

在首页打开相应章节的演示。先看架构图理解关系，再看思维导图回忆概念；需要步骤、代码、数值和出处时切回学习稿。每份演示的封面和来源页均计入页数，独立一章不超过 20 页。

## 回查来源和视频

陌生术语可从 [术语表](<术语表.md>) 回到主讲章节。章节的来源编号与链接连接到 [来源索引](<来源索引.csv>)，不同证据的读法见 [来源说明](<资料记录/来源说明.md>)。原文无法本次在线复核时，材料明确说明使用本地副本。

视频工具、处理范围和公开出处见[字幕精选案例](cases/subtitles.html)。本网站不转载完整字幕；机器翻译结果仍需校对。相同音轨的两个文件只构成一份内容证据。

## 先做一个可复现的小实验

从项目根目录运行下面的教学脚本：

```powershell
python V2.0/示例/学习实验/lab.py
```

阅读 [实验说明](<示例/学习实验/README.md>) 与 [已有结果](<检查记录/学习实验结果.json>)，解释资产 CSV 中的四项问题、温度示意分布和缺失性能值的处理。它是确定性教学实验，不是一场已执行的模型或 Agent 效果对比。

接着可按 CC-03 复查资产工作流示例；使用自己的模型开展对比时，另存完整输入、响应和判分记录。最后查看 [交付与验收](<sources.html#ref-d9884637550ba1>)，了解本版本实际检查了哪些内容。