0.1 30 分钟 AI 工程体验

**先感受闭环：**输入 -> 模型 -> 输出 -> 检查。现在不用背术语。

面向就业/转型时，第一个习惯不是“被 AI 震撼”，而是改一个条件、比较输出，并记录别人也能检查的证据。

最快无代码体验

打开你能访问的任意 AI 聊天或图像工具，输入：

用一个比喻给新手解释 RAG。

再把“新手”改成“开发者”，比较两次输出有什么不同。目标不是判断 AI 聪不聪明，而是观察一个小小的输入变化，怎样改变结构、用词、例子和自信程度。

改什么	看什么
读者：新手 -> 开发者	例子和词汇有没有变化
约束：加上80 字以内	模型是否遵守长度和重点
格式：加上给 3 条要点	输出是否更容易扫读
证据：加上包含一个局限	它是否说明答案不能保证什么

这个小比较，是整门课的第一个习惯：不要只看一次输出。改一个条件、做比较、留下更好的结果，并写清楚它为什么更好。

可选 Colab 体验

打开 Google Colab，新建 Notebook，运行：

!pip install transformers torch pillow requests -q

from transformers import pipeline
from PIL import Image
import io
import requests

classifier = pipeline(
    "image-classification",
    model="google/vit-base-patch16-224",
    use_fast=True,
)

image_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.png"
response = requests.get(image_url, headers={"User-Agent": "Mozilla/5.0"}, timeout=20)
response.raise_for_status()

content_type = response.headers.get("Content-Type", "")
if "image" not in content_type:
    raise ValueError(f"Expected an image response, got {content_type}: {response.text[:120]}")

image = Image.open(io.BytesIO(response.content)).convert("RGB")

for row in classifier(image)[:3]:
    print(f"{row['label']:30s} {row['score']:.1%}")

预期形状：

tabby, tabby cat                27.4%
tiger cat                       27.2%
Egyptian cat                    14.0%

你的数字可能不同。重要的是输出形状：按分数排序的标签列表。 这里先检查 HTTP 状态和 Content-Type。如果 URL 返回 HTML 或错误页，会给出清楚提示，而不是 PIL 的 UnidentifiedImageError。

读懂结果

新人问题	实用回答	更深一层信号
输入是什么	一个来自 URL 的图片	真实系统要检查文件类型、大小、来源和隐私
模型是什么	一个预训练图像分类器	它只认识训练设定里的标签
输出是什么	前几名标签和分数	高分不是事实证明，只是模型置信度
会在哪里失败	下载、安装或模型加载可能失败	可靠 AI 工作需要日志、备用路径和可复现环境

如果 Colab 失败，不要花一整天卡在这里。保存报错信息，先完成无代码体验，学完第 1 章的终端、Python 和环境后再回来。

留下一条工程笔记

新建一条短笔记，写五行：

产物名称：
试过的输入：
观察到的输出：
控制变量：
证据价值：

这里的 AI 不神秘：你给输入，训练好的模型处理它，你检查输出。有经验的学习者还要注意隐藏的工程工作：依赖安装耗时、模型下载、输入验证、模型边界、输出格式，以及证据怎样被记录。下一步去准备最小环境。

留下的证据

学完这一页，至少保留这张证据卡：

迷你应用

完成的最小可运行 AI 或自动化演示

输入输出

样本输入、打印输出、截图或日志

对比记录

一个输入变化，以及它造成的输出差异

概念链接

后面哪一章解释隐藏机制

失败检查

API key、依赖、网络、Prompt 或输出格式问题

期望产出

一条很小但可检查的 AI 行为记录