第3章 和 AI 一起学习：大模型协同学习环境的搭建与验证
本章导读
很多学习者第一次接触大模型时，最直观的体验是打开一个聊天窗口，然后输入问题。这当然是最容易入门的方式，但如果把人工智能学习长期停留在聊天窗口里，就会很快遇到问题：提示词散在聊天记录里，资料散在文件夹里，运行结果不知道保存在哪里，模型到底在本地运行还是在云端运行也说不清楚。等到后面要做数据实验、知识库问答、工具调用、智能体流程和物理 AI 作品时，学习过程就会变得混乱。
所以，本章不只是让你装一个软件或问出第一句话，而是要建立一种新的学习方式：把大模型接入一个可记录、可运行、可复核的工作区。这个工作区至少包括四类东西：用来组织文件的 VS Code，用来保存文字说明和运行结果的 Notebook，用来提供智能能力的本地或云端大模型服务，以及用来进行人工确认和复核的学习记录。
这一章的核心问题可以概括为一句话：
怎样把零散的 AI 聊天能力，整理成一个能持续学习、能留下证据、能安全协作的 AI 学习环境？
这件事看似只是环境准备，实际上会影响后续学习。第4章的数据实验、第6章的提示词对照、第8章的知识库问答、第10章的工具调用、第11章的智能体流程和第13—14章的物理 AI 作品，都需要回到同一条底线：AI 先说明，人再确认，最后由人执行或允许执行；提示词、输出和复核结果必须留下记录。
陆游写过：山重水复疑无路，柳暗花明又一村。 技术学习中遇到卡点很正常。把现象记录下来，再一步一步排查，常常就能找到继续前进的路。
学习目标
- 知识目标：
- 能用通俗语言说明 VS Code、Notebook、AI 协同入口、本地大模型服务在学习环境中的分工。
- 能用通俗语言解释 CPU、GPU、NPU、内存、显存、模型参数规模和量化之间的基本关系，并能说明为什么不同电脑运行本地模型会有明显差异。
- 能区分本地大模型服务、云端大模型服务和课程环境包三种学习路径，理解它们不是谁替代谁，而是按条件协同使用。
- 能力目标：
- 能在课程统一配置的环境中完成一次最小 AI 协同学习闭环：打开 Notebook、连接模型、发出提示词、获得回答、人工复核、保存记录。
- 能填写一份环境基线记录，说明本机或课程环境是否可用，出现问题时能记录症状并提出基本排查方向。
- 能根据设备条件选择合适的学习路径，例如本地小模型、课程机房环境或云端辅助服务。
- 素养目标：
- 建立 AI 是学习助手，不是自动替你负责的人的基本判断，所有文件创建、代码运行、内容提交都应由人确认。
- 养成可复现、可追溯、可交接的学习习惯，知道提示词、模型回答、运行结果和人工复核记录都是过程性评价证据。
- 树立数据安全意识，不向模型输入真实隐私、真实账号、API 密钥和未经授权的资料。
先修要求与环境清单
- 先修知识：会打开文件夹，能在电脑上启动常见软件，能按课程要求打开课程项目目录。已经了解大模型可以根据提示词生成回答这一基本现象。
- 软件环境：
- 课程统一配置的 AI 学习工作区，包含 VS Code、Jupyter 插件、AI 协同入口、课程 Notebook。
- 课程统一配置或课程环境包提供的本地大模型服务。学习时不需要绑定某一个运行工具名称，重点是理解本地服务怎样接入工作区。
- 可选：云端大模型服务或网页版生成式 AI 工具，用于对比体验和能力补充。涉及账号和密钥时，必须先确认安全规范。
- 配套资源：
notebooks/ch03_environment_check.ipynb：第3章环境验证 Notebook。records/ch03_baseline_template.md：环境基线记录模板。records/ch03_review_table.md：人工复核记录表。records/ch03_ai_output.md：AI 回答保存文件。
- 本章要求：第3章只做环境验证，不做真实业务操作；不输入个人隐私、不连接真实账号、不公开密钥、不让 AI 自动删除、覆盖或外发任何内容。
知识准备：先认识这些词
- VS Code
- 一句话说明：AI 学习工作台，用来打开课程目录、Notebook、提示词和记录文件。
- 工程要点：不是所有 AI 学习都必须用 VS Code，但用统一工作区能让材料、代码、结果和记录放在一起，便于复现和交接。
- Notebook
- 一句话说明：一种把文字说明、提示词、运行单元格和运行结果放在同一个文件里的学习文件，通常后缀是
.ipynb。 - 学习价值：它像可运行的实验记录本，既能读说明，也能看结果，适合用来保存 AI 实践过程。
- 一句话说明：一种把文字说明、提示词、运行单元格和运行结果放在同一个文件里的学习文件，通常后缀是
- AI 协同入口
- 一句话说明：集成在课程工作区中的 AI 助手入口，负责把你的提示词发送给模型，并把模型结果带回工作区。
- 工程底线：插件可以辅助生成和修改内容，但必须先说明准备做什么，得到人确认后再执行。
- 本地大模型服务
- 一句话说明：运行在本机或局域网中的模型服务，为 Notebook 和 AI 协同入口提供回答能力。
- 工程要点：这里统一称为本地大模型服务或课程环境包，不把某一个运行工具品牌作为必须掌握的知识点。
- 云端大模型服务
- 一句话说明：模型运行在服务商服务器上，用户通过网页或接口发出请求并得到回答。
- 适用场景：本地设备能力不足、需要更强模型能力、需要快速完成复杂文本任务时，可在许可范围和安全规范下使用。
- CPU、GPU 与 NPU
- 一句话说明：CPU 擅长复杂调度，GPU 擅长大量并行计算，NPU 面向神经网络推理做专门优化。
- 学习重点：大模型运行不是电脑能开机就行，它需要合适的计算设备和足够的工作空间。
- 内存与显存
- 一句话说明：内存是系统运行的公共工作区，显存是显卡高速计算时使用的专用工作区。
- 工程要点：本地模型能不能流畅运行，常常首先看显存或内存是否够用。硬盘空间够，不代表模型运行空间够。
- 参数规模与量化
- 一句话说明：参数规模大，模型通常更强但更吃资源；量化是降低参数表示精度，让模型更省空间、更容易在普通电脑上运行。
- 误区提醒：量化不是把知识简单删掉，也不是无损压缩；它更像在可接受损失下降低参数表示精度。它可以降低资源占用，也可能带来部分精度或回答质量下降。入门阶段首先追求稳定可用，不追求一开始就运行最大模型。
- 环境基线记录
- 一句话说明：把本机环境、模型名称、服务地址、测试结果、问题现象和复核意见记录下来。
- 工程价值：没有基线记录，后续出问题时很难知道是 Notebook 错、模型服务错、插件配置错，还是设备能力不足。
3.1 问题与现象：为什么只会聊天，还不算真正的 AI 学习环境？
3.1.1 三种看起来都会用 AI 的学习方式
开课第一天，课程任务要求完成同一个练习：请 AI 用通俗语言解释模型量化，并保存一份学习记录。
学习方式 A：只在网页聊天框里提问。 他输入解释一下量化，AI 很快给出一段回答。回答看起来不错，但他没有保存提示词，也没有记录模型名称，第二天想复现时已经找不到原来的上下文。
学习方式 B：在 VS Code 里打开 Notebook，但没有检查模型连接。 他打开了课程文件，也看到了 Notebook，可运行时一直没有输出。后来发现本地大模型服务没有启动，Notebook 其实找不到模型。
学习方式 C：使用课程工作区完成了完整闭环。 他打开第3章 Notebook，运行连通测试，向模型发送提示词，保存模型回答，在复核表里写下回答基本正确，但还需要查证量化是否一定提升速度。最后，他把操作系统、模型名称、Notebook 文件名和遇到的问题写入环境基线记录。
这三个人都用过 AI，但只有第三个人真正建立了可持续学习环境。区别不在于谁的问题更高级，而在于谁能把学习过程组织起来。
【思考 1】 为什么不建议只使用网页聊天窗口完成所有实践？请至少从资料保存、结果复现、人工复核、安全边界四个角度中选择两个说明。
思考提示：网页聊天窗口适合快速体验，但不适合长期课程实践。课程需要保存提示词、运行结果、复核记录和错误现场；后续还要运行 Notebook、调用模型服务、管理文件和证据，因此需要统一工作区。
3.1.2 本章要解决的不是装什么，而是怎样协同
第一次环境实践最容易变成安装清单：下载软件、安装插件、启动模型、测试接口。这样当然有必要，但如果只停留在安装步骤，就容易误以为人工智能学习只是装工具。
本章更重要的目标，是建立一条协同主链路：
学习者提出任务
→ Notebook 给出步骤和提示词
→ AI 协同入口或 Notebook 调用本地大模型服务
→ 模型返回解释或建议
→ 学习者人工复核
→ 保存提示词、回答、运行结果和复核意见这条链路看起来朴素，却是后续所有章节的底座。第4章的数据实验要保存观察表，第6章的提示词实验要保存版本对比，第8章的 RAG 实验要保存资料来源，第10章的工具调用实验要保存审计日志。如果本章没有立好记录和复核的规矩，后续章节就会越学越散。
3.1.3 学习环境的危险动作分级
第3章虽然不做真实业务操作，但从第一天起就要分清哪些动作可以放心做，哪些动作必须停下来确认。
相关内容见表3-1。
表3-1 动作风险等级与处理方式记录表
| 等级 | 动作例子 | 风险特点 | 第3章处理方式 |
|---|---|---|---|
| 低风险：安全观察 | 让 AI 解释概念、总结本章要点 | 不改变文件，不影响外部系统 | 可以直接完成，但仍要人工判断是否正确 |
| 低风险：学习记录 | 在课程工作区中新建学习记录 | 只影响课程目录，容易撤回 | 先说明路径和内容，再确认执行 |
| 中风险：谨慎修改 | 修改 Notebook、修改配置文件 | 可能导致环境不可用 | 保留原文件，确认后再改 |
| 高风险：禁止自动执行 | 删除、覆盖、批量改动文件 | 可能丢失学习资料或配置 | 第3章不允许 AI 自动执行 |
| 禁止：真实系统外联 | 接入真实账号、公开密钥、发送外部消息 | 涉及隐私、费用、法律责任 | 禁止在本章实践中出现 |
工程规则很简单：等级越高，越需要人工确认；凡是删除、覆盖、外发和接入真实账号，都不属于本章安全实验范围。
3.2 原理与分析：大模型学习环境到底由什么组成？
相关对比如图3-1所示。图中重点不是软件安装步骤，而是从一次临时聊天转向一份可复核学习证据的过程。
3.2.1 完整的学习环境图景
一个合格的 AI 协同学习环境，不是单一软件，而是一组角色分工：
课程目录
├─ 学习说明：说明学什么、为什么学
├─ Notebook：组织实验步骤、提示词、运行结果
├─ AI 协同入口：把工作区上下文交给模型
├─ 本地 / 云端大模型服务：提供回答和生成能力
└─ 复核记录：保存人的判断、风险提醒和改进意见这套环境的关键不是工具数量，而是动作顺序。模型不能直接变成替你负责的人。它提供解释、草稿、代码建议或操作计划；真正决定是否执行、是否采纳、是否提交的人，仍然是学习者。
因此，第3章要建立一个基本判断：
AI 是提议者，Notebook 是记录本，VS Code 是工作台，本地模型服务是能力来源，人是负责人。
3.2.2 本地模型与云端模型：不是二选一，而是按任务分工
许多学习者一开始会问：到底应该用本地模型，还是用云端模型？这个问题没有绝对答案，应该看任务目标、设备条件、安全要求和时间成本。
相关内容见表3-2。
表3-2 本地模型、云端模型与课程统一环境对比表
| 路径 | 优势 | 局限 | 适合场景 |
|---|---|---|---|
| 本地大模型服务 | 过程可观察，资料主要留在本地，适合反复练习 | 受设备性能限制，模型能力可能较弱 | 环境验证、基础实验、隐私敏感资料演示 |
| 云端大模型服务 | 能力强，部署门槛低，适合复杂文本和跨领域任务 | 依赖网络、账号和合规授权，可能产生费用 | 高质量写作、复杂推理、对比体验 |
| 课程统一环境 | 步骤统一，便于统一维护 | 灵活性较低，依赖统一机房或课程设备配置 | 主线实践 |
本章优先使用课程统一配置的本地大模型服务或课程环境包，这样每个人都有一个共同起点。后续需要更强能力时，可以在合规前提下进行云端对比或拓展任务。
3.2.3 为什么不同电脑运行模型差异很大
大模型不是魔法，它需要真实的计算资源。
CPU 负责复杂调度和通用计算。它像一个经验丰富的总调度员，能处理很多不同类型的任务，但当任务变成大量重复的矩阵计算时，单靠 CPU 通常会慢。
GPU 擅长并行计算。大模型推理中有大量重复计算，GPU 可以让许多小计算同时进行，所以带独立显卡的电脑运行本地模型通常更快。
NPU 是面向神经网络推理优化的专用计算单元。许多新手机和新电脑里已经出现 NPU，它强调能效，适合端侧 AI 任务。
内存（RAM） 是系统工作空间，显存（VRAM） 是显卡计算使用的高速专用空间。模型文件下载到硬盘，只说明它存得下；模型运行时还要加载到内存或显存里，才能真正计算。很多“模型加载失败”“模型特别慢”“电脑卡死”的问题，都与内存或显存不足有关。
这里要记住一个拓展学习阶段很重要的工程判断：本地模型运行体验，常常首先受显存或内存限制，而不是只看电脑是不是新。
3.2.4 参数规模与量化：为什么先用小模型更适合入门
模型参数规模通常用 B 表示，7B 就是约 70 亿参数。参数越多，模型通常有更强表达能力，但也需要更多内存、显存和等待时间。
如果用较高精度保存和运行模型，一个 7B 模型通常会占用较多内存或显存，可能超过普通电脑的可用资源。为了让普通电脑也能运行模型，工程上常使用量化。量化可以粗略理解为：用更节省空间的数字形式保存模型参数，在可接受的效果损失下减少模型体积和运行资源，但也可能带来部分精度或回答质量下降。
相关内容见表3-3。
表3-3 模型选择与运行体验对比表
| 选择 | 可能效果 | 使用建议 |
|---|---|---|
| 大模型 + 高精度 | 能力可能更强，但硬件压力大 | 不适合作为全班统一入门起点 |
| 小模型 + 量化 | 能力有限，但更容易跑通 | 适合作为第3章连通验证 |
| 云端强模型 | 能力强，响应稳定 | 适合作为对比或合规拓展 |
本章不追求运行最大模型，而追求稳定跑通最小闭环。能稳定运行的小模型，比卡死在启动界面的大模型更有学习价值。
相关原理可用图3-2辅助理解。
图3-2要表达的重点是：模型不是“下载下来就一定跑得动”。模型运行时需要进入内存或显存这个“工作空间”；模型越大，占用空间越大；量化后的模型更容易放进普通设备，但可能牺牲部分精度。因此，入门阶段应先追求稳定跑通，再比较模型能力。
3.2.5 可用、可复现、可确认：本章的三条底线
可用：环境至少能完成一次最小问答。Notebook 能打开，本地模型服务能响应，AI 协同入口能得到回答。
可复现：别人按照你的记录，能知道你用了哪个 Notebook、哪个模型、哪条提示词、得到什么回答、出现什么问题。
可确认：凡是 AI 要创建文件、修改文件、运行单元格或生成配置，都必须先说明计划，等待人确认后再执行。
这三条不是形式主义，而是后续章节能否顺利推进的基础。如果第3章没有环境基线，第4章运行失败时就不知道是数据文件问题、Notebook 问题还是模型服务问题；如果没有人工复核，第6章生成提示词模板时就容易直接照搬错误结果；如果没有可确认机制，第10章工具调用时就可能出现越权风险。
【思考 2】 有人说：我只要能问 AI 问题就行，不用保存提示词和复核记录。请从可复现和过程性评价两个角度回应。
思考提示：如果没有提示词和复核记录，别人无法知道模型为何这样回答，也无法判断这次学习是否真正完成。学校的 AI 学习不仅看最终答案，还看工具使用、问题解决过程和风险意识。
AI 协同实践：完成一次最小学习闭环
实践目标：在课程统一配置的环境中，用第3章 Notebook 完成一次打开环境 → 调用模型 → 记录回答 → 人工复核 → 保存基线的最小闭环。
预计时间：25—30 分钟。
本节要求：只使用课程目录和 Notebook 提供的安全任务，不接真实账号，不输入隐私数据，不让 AI 自动删除或覆盖文件。
第 1 步：打开课程工作区
在 VS Code 中打开课程提供的目录。先检查三件事：
- 左侧文件列表能看到课程目录。
- 能找到
notebooks/文件夹。 - 能打开
ch03_environment_check.ipynb。
如果只看到一堆看不懂的 JSON 文本，通常说明 Notebook 没有以正确方式打开，或 Jupyter 插件未启用。此时不要继续运行，先记录问题现象。
第 2 步：检查本地大模型服务是否可用
运行 Notebook 中的模型服务连通测试单元格。你要观察的不是模型回答得多漂亮，而是四个状态：
相关内容见表3-4。
表3-4 模型服务连通测试记录表
| 检查项 | 成功标志 | 失败时先记录什么 |
|---|---|---|
| 服务地址 | Notebook 能访问课程环境清单中的地址 | 地址是否为空、端口是否错误 |
| 模型名称 | 返回内容中能看到当前模型 | 模型名称是否与课程提供信息一致 |
| 响应结果 | 能得到一段短回答 | 是无响应、超时，还是报错 |
| 保存记录 | Notebook 自动生成一条测试记录 | 记录路径是否存在 |
如果失败，不要急着重装软件。第3章真正要训练的是：看见失败，先保留现场，再排查。
第 3 步：发送第一条伴学提示词
把下面提示词发给课程 AI 伴学助手：
你是本课程的 AI 伴学助手。请用读者能理解的语言回答问题。每次回答请包含：一句话结论、分步解释、需要我自己核验的地方。遇到不确定事实时，请明确提醒我查证。不要替我完成需要诚信提交的个人作业。观察 AI 的回答，并填写：
相关内容见表3-5。
表3-5 伴学规则观察表
| 观察项 | 你的记录 |
|---|---|
| AI 是否按一句话结论、分步解释、核验点回答 | |
| AI 是否提醒不确定事实需要查证 | |
| AI 是否承诺不替代诚信作业 | |
| 你认为这条规则还缺什么 |
第 4 步：用一个小问题验证硬件直觉
继续输入提示词：
请用 150 字以内解释：为什么同一个本地大模型，在有独立显卡的电脑上可能更快，在普通轻薄本上可能更慢？请同时提到 CPU、GPU、内存或显存。不要只看回答是否流畅，而要检查它是否包含三个要点：
- 是否说明 CPU 和 GPU 分工不同。
- 是否说明显存或内存会限制模型加载。
- 是否提醒模型越大越吃资源，不是越大越适合当前练习。
把回答保存到
records/ch03_ai_output.md，并写下人工复核意见。复核意见可以很短，例如：
复核意见：回答提到了 GPU 和显存，但没有说明 NPU。作为第3章最小验证可接受；后续阅读正文第2节补充。第 5 步：生成环境基线记录
在 Notebook 中打开
records/ch03_baseline_template.md，填写以下信息：
相关内容见表3-6。
表3-6 环境基线记录表
| 项目 | 记录内容 |
|---|---|
| 操作系统 | 例如 Windows 11 / 课程机房统一环境 |
| 使用的课程目录 | 课程项目文件夹名称 |
| Notebook 文件 | notebooks/ch03_environment_check.ipynb |
| 本地模型服务状态 | 成功 / 失败 / 部分成功 |
| 模型名称 | 以课程环境显示为准 |
| AI 协同入口状态 | 可用 / 不可用 / 未测试 |
| 本次最小问答是否完成 | 是 / 否 |
| 出现的问题 | 例如超时、无响应、Notebook 无法打开 |
| 下一步改进 | 例如联系课程支持人员、换课程电脑、换小模型 |
这份记录不是形式材料，而是后续学习的技术身份证。以后某一章运行失败时，先看第3章基线是否可靠。
第 6 步（拓展任务）：观察模型大小与响应体验
如果课程环境允许，可以在课程许可范围内切换不同大小的模型，做一次简单观察。不要追求复杂统计，只记录体感差异：
相关内容见表3-7。
表3-7 模型大小与响应体验观察表
| 模型或环境 | 是否成功响应 | 首次响应时间（体感） | 回答质量主观评价 | 备注 |
|---|---|---|---|---|
| 小模型 / 量化模型 | ||||
| 较大模型 | ||||
| 云端模型（如课程允许） |
重要提醒：这一步不是比较谁的电脑贵，也不是追求大模型崇拜，而是理解工程取舍：速度、成本、能力、安全和隐私从来都要一起看。
验证与证据：把能用变成可证明
环境可用性检查表
相关内容见表3-8。
表3-8 环境可用性证据表
| 检查项 | 是 / 否 | 证据位置 | 备注 |
|---|---|---|---|
| VS Code 能打开课程目录 | |||
| Notebook 能正常显示 | |||
| 本地模型服务能响应 | |||
| AI 协同入口或 Notebook 能发送提示词 | |||
| 模型回答已保存 | |||
| 人工复核意见已填写 |
常见问题排查表
相关内容见表3-9。
表3-9 常见问题排查表
| 问题现象 | 可能原因 | 优先处理动作 |
|---|---|---|
| Notebook 打不开，只显示一堆符号 | Jupyter 插件未启用或打开方式错误 | 检查插件，换用 Notebook 方式打开 |
| 模型无响应 | 本地模型服务未启动或模型未加载 | 检查课程环境清单，重新启动服务 |
| 回答很慢 | 模型较大、设备资源不足、CPU 推理 | 换小模型、使用课程机房或等待完成 |
| AI 协同入口找不到模型 | 服务地址或模型名称不一致 | 对照课程提供的地址和模型名 |
| 回答看起来像编的 | 提示词不够明确或模型知识不足 | 要求给出依据，人工查证 |
最小复核记录
请围绕下面三点写 150—200 字：
- 本章环境是否已经可用？你凭什么判断？
- AI 的回答中有哪些内容需要人工核验？
- 后续章节如果运行失败，你会先回看哪一项环境基线？
本章原理小结
第3章的理论不在于记住某个工具名称，而在于理解 AI 学习环境的基本结构：模型服务提供能力，VS Code 组织文件，Notebook 保存实验，AI 协同入口连接模型，人负责确认与复核。硬件方面，CPU、GPU、NPU、内存和显存决定了本地模型运行体验；模型大小和量化决定了能不能在普通设备上稳定运行。工程方面，本章要建立可用、可复现、可确认三条底线。只要这三条底线成立，后续章节就可以围绕同一环境持续迭代。
伦理、安全与边界
第一条底线：不输入真实隐私
第3章所有练习都使用虚拟问题或课程样例，不输入身份证号、家庭住址、真实成绩单、真实账号、未公开企业资料等内容。即使模型服务在本地运行，也要形成最小暴露习惯。
第二条底线：不公开密钥和服务信息
如果课程环境包含访问密钥、服务地址、账号或令牌，不要截图传播，不要写进公开文档，不要上传到公共代码仓库。提交截图时应遮挡敏感字段；如果不确定某一字段是否敏感，应先向课程负责人确认。
第三条底线：不让 AI 自动接管电脑
AI 协同入口可以辅助创建文件、整理内容、解释报错，但不能获得无限权限。凡是涉及删除、覆盖、批量修改、读取无关目录、接入真实账号、发送外部消息的动作，本章一律拒绝或暂停处理。
第四条底线：不把模型回答当事实
模型回答得流畅，不等于事实正确。第3章建立伴学规则，就是为了让 AI 每次都提醒哪些地方需要核验。后续章节中，无论模型生成报告、图表、代码还是建议，都要回到证据和人工复核。
四条职业底线
- 不把工具名称当能力本身：会启动某个工具，不等于理解 AI 学习环境。
- 不把能回答当作能负责：模型可以辅助解释，但最终判断由人承担。
- 不省记录：没有提示词、输出和复核，就无法证明学习过程。
- 不在真实系统里试错：第3章只在课程环境和安全样例中验证。
【思考 3】 如果有人把真实 API 密钥写进截图并发到公开群组里，这件事为什么不是小问题？应该如何补救？
思考提示：密钥相当于调用服务的通行证，泄露后可能导致费用损失、越权调用和数据风险。补救时应立即撤回截图、通知课程负责人或平台管理员、废止旧密钥、重新生成密钥，并在后续提交中遮挡敏感信息。
总结与思考
本章核心判断
- AI 学习环境不是一个聊天窗口，而是由工作区、Notebook、模型服务、AI 协同入口和复核记录共同组成。
- 本地模型与云端模型不是绝对替代关系，要根据能力、成本、安全和设备条件选择。
- 模型运行需要真实硬件资源，CPU、GPU、NPU、内存、显存、模型规模和量化都会影响体验。
- 本章不追求最大模型，而是追求最小闭环稳定可用。
- 可用、可复现、可确认 是贯穿后续学习的底线。
- AI 先说明，人再确认，最后由人执行或允许执行 是后续所有 AI 协同任务的基本规则。
基础题（理解层面）
- 用自己的话解释 VS Code、Notebook、AI 协同入口、本地大模型服务分别承担什么作用。
- 为什么同一个模型在不同电脑上运行速度可能差异很大？请至少提到 CPU、GPU、内存或显存中的两个。
- 什么是环境基线记录？为什么第3章就要保存它？
迁移题（学习场景）
- 如果你的本地模型运行很慢，你会优先采取哪三项措施？请按先低风险、后复杂调整的顺序写出。
- 请为本小组设计一份《AI 学习环境交接说明》，至少包括课程目录、Notebook 文件、模型名称、服务状态、注意事项。
- 如果只能使用网页版 AI 工具，怎样尽量补足记录、复核、可复现的不足？
风险题（伦理与边界）
- 有人让 AI 协同入口把当前目录里没用的文件都删掉，这条提示词有什么风险？应怎样改写成安全请求？
- 为什么模型运行在本地不等于可以随便输入隐私资料？
- 如果 AI 回答的硬件解释看起来很专业，但你不确定是否正确，你应该如何复核？
补充题（自测层面）
- 什么叫 AI 先说明、人再确认、最后再执行？请举一个文件创建场景说明。
- 量化模型为什么适合入门练习？它可能带来什么代价？
- 第3章的最小学习闭环包括哪几个动作？
本章交付物
请提交第3章过程证据包：
完成本章后，应把环境基线、提示词记录和人工复核意见作为后续实践的起点。后续数据实验、提示词实验、RAG 实验、工具调用实验和智能体实验，都要回到“可用、可复现、可确认”这三条底线。