0.1 30 分钟 AI 快速体验

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

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。

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")
url = "https://upload.wikimedia.org/wikipedia/commons/thumb/2/26/YellowLabradorLooking_new.jpg/1200px-YellowLabradorLooking_new.jpg"
image = Image.open(io.BytesIO(requests.get(url, headers={"User-Agent": "Mozilla/5.0"}).content))

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

预期形状：

Labrador retriever              95.6%
golden retriever                1.0%
kuvasz                          0.5%

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。

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。

留下一条笔记

新建一条短笔记，写四行：

试过的输入：
观察到的输出：
我改了什么：
输出怎样变化：

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，以及证据怎样被记录。下一步去准备最小环境。