Python 编程基础 — 基本语法、数据操作、脚本调试
RESTful API — CRUD API 搭建（Python / JS / .NET 均可）
Git 版本控制 — branch、Pull Request、rebase 解决 conflicts
AWS EC2 & Bedrock — 了解 EC2 配置和 Bedrock 模型推理
Azure ML — 了解 Azure AI 服务基础操作
Google Colab — 代码运行和环境配置
Python 3.10+ 环境
OpenAI API Key
AWS / Azure 账号
Google Colab 访问
Git + GitHub 账号
IDE 配置（VS Code + Python 插件）
虚拟环境管理（venv / conda）
API Key 安全管理（.env 文件）
配置本地开发环境
测试 OpenAI API 连通性
运行第一个 LLM 调用脚本
本地环境可正常调用 OpenAI API
GitHub 仓库已创建并推送初始代码
GenAI 全景图：LLM 产业链、API Provider 生态、开源 vs 闭源模型对比
AI Engineer vs ML Engineer vs Data Scientist — 角色区分和技术栈差异
LLM Ops 概念：模型选择 → 部署 → 监控 → 评估 → 优化的完整生命周期
动手调用 3 个不同 LLM Provider 的 API
对比同一个 Prompt 在 GPT-4o / Claude / DeepSeek / Qwen / Bedrock 上的输出差异
记录 latency、token 用量、cost 对比
GenAI Capstone Project 启动：定义你的 Intelligent Study Assistant (ISA) 项目
写 ISA 项目 proposal：目标用户、核心功能、选用的 LLM、预期 Phase 1 产出
课程结构详解：4 Phase、7 Project、评估方式
学习方法论：直播 + 录播 + Lab 自学 + P3 项目的节奏
ISA Capstone Project 详细说明和评分标准
学员自我介绍和背景分享
分组：按技术背景分配 P3 团队
确认每组的 ISA 方向
明确 12 周学习计划
加入 P3 团队
ISA 项目 GitHub 仓库创建
Transformer 架构：Self-Attention、Multi-Head Attention、Positional Encoding
Input Embeddings：Token → Vector 的过程、词向量空间可视化
API 实操：OpenAI Chat Completions API 参数详解 — temperature、top_p、max_tokens、stop sequences
可视化 Attention Matrix — 输入一段文本，观察 token 间的注意力分布
API 参数调优实验：固定 Prompt，调整 temperature (0 → 2.0)，对比输出差异
Token 计数和成本估算脚本
用 Python 实现一个简单的 LLM API 封装类
支持：模型切换、重试逻辑、Token 计数、Cost tracking
这个封装类会在后续项目中复用
AI 应用的四大构建模式：
1. Prompting — 直接提示词工程
2. RAG — 检索增强生成
3. Fine-Tuning — 模型微调
4. Agents — 自主决策
何时用哪种？决策矩阵：数据量 × 任务复杂度 × 成本 × 延迟
同一个任务（客服 Q&A），分别用四种模式的最简版本实现
对比：准确率、延迟、成本、开发时间
Define Success Criteria — 设定 AI 应用的评估指标
为 ISA 项目选择最合适的构建模式，写出技术选型文档
包含：为什么选这个模式、替代方案的 trade-off、预期 metrics
Context Engineering 定义：不只是写 Prompt，而是设计整个 LLM 信息输入架构。Gartner 2026 数据显示 57% 的 Agent 失败源于上下文设计失败
四层上下文设计：System Context（角色/规则）→ Retrieved Context（RAG/搜索结果）→ Memory Context（对话历史/长期记忆）→ Task Context（当前任务指令）
Prompt Engineering 作为子集：Clear instructions、Structured output、Few-shot examples、Chain-of-Thought — 这些技术在四层架构中各归其位
Context Window 管理：1M+ token 时代的信息筛选和优先级策略，什么该放、什么该丢、什么动态加载
4 层上下文架构设计实验：
给同一个任务，对比纯 Prompt vs 完整 Context Engineering 的效果差异
量化对比：准确率、一致性、幻觉率
记录每一层上下文的具体内容和设计决策
为 ISA 项目设计完整的 Context Engineering 方案：System Prompt + 检索策略 + 记忆管理 + 输出控制
提交 Context 版本历史（至少 3 个版本 + 改进原因和量化效果）
Vibe Coding 工作流：用 AI 编程工具加速开发，不是替代编程能力
三大工具对比：Cursor（inline edit + composer）vs Claude Code（terminal agent + MCP）vs GitHub Copilot（autocomplete + chat）
项目级 AI 配置：CLAUDE.md / .cursorrules / Copilot instructions — 告诉 AI 你的项目规范和约束
Context Engineering 在 Vibe Coding 中的应用：怎么给 AI 编程工具提供最优上下文
常见陷阱：过度依赖 AI 生成、不 review 代码、忽略测试
用 Cursor + Claude Code 分别完成同一个 Python 项目搭建
配置项目级 AI 指令文件（.cursorrules / CLAUDE.md）
对比两个工具的开发效率和代码质量
Project: Context-Driven App
用 Vibe Coding 构建一个 Context Engineering 驱动的 AI 应用
要求：有 System Context 设计、Few-shot examples、输出格式控制
用 Cursor 或 Claude Code 开发，提交 AI 交互记录