企业数据里 80% 是非结构化的（邮件、合同、PDF、聊天记录），而这恰好是 LLM 最擅长的领域。但很多工程师还在用正则和规则引擎去硬扒这些文本——维护成本高、准确率 60%。搞清楚结构化 vs 非结构化的本质差别，你就知道 AI Engineer 的价值区在哪。
在公司看到一堆 PDF 合同 / 扫描件 / 邮件堆在那里没人处理的工程师。这些数据就是 AI Engineer 最大的价值点，前提是你知道怎么下手。
你能识别公司里哪些数据是 LLM 能处理的"金矿"，能用一个通用 Prompt 模板从任何非结构化文本里抽出结构化数据。下次老板说"我们有一堆合同没人看"，你能立刻给出一个 2 天能 POC 的方案。
理论上 LLM 能从任何文本抽结构化数据——但真跑起来你会发现：长文档怎么拆？抽出来的 JSON 格式总是不稳？同一个字段不同文档里叫法不同怎么办？这个 Lab 让你亲手踩完这些真实工程坑。
要把 LLM 接进 ETL / 数据管道的数据工程师。或者要处理大批量非结构化文档的后端。
你能写一个从 PDF / 合同 / 邮件里抽结构化数据的 Python pipeline，output 是稳定的 JSON 可以直接进数据库。这是 AI Engineer 在企业里最常被要求做的事之一。
你学 LLM 不需要会训模型，但你需要看懂别人的架构图 + 术语。"Loss function 在下降"、"过拟合"、"梯度爆炸"这些词如果你完全没概念，在读论文 / 看 Anthropic 博客的时候就会卡住。这节课用直观方式把 ML 核心概念讲透，不需要数学。
没学过 ML 但想看懂 LLM 原理的软件工程师。你不会需要写反向传播，但你需要能和机器学习工程师对话不怯场。
你能看懂 ML 相关的博客、论文摘要和架构图，能和 ML 工程师讨论模型训练相关的基本问题，不再是"我只会调 API"的纯 AI Engineer。
上一节讲了 ML 的核心概念，但"听懂"和"看过"差一截。这个 Lab 让你在浏览器里可视化一个神经网络的训练过程：亲眼看 loss 怎么下降、过拟合是什么样、参数越大为什么效果越好。10 分钟让你对 ML 有真实的直觉。
刚学完 L16 ML 基础想立刻巩固的工程师。视觉型学习者尤其喜欢这个 Lab——看一次动画顶读 10 页博客。
"梯度下降" / "过拟合" / "正则化" 这些词从此不再是你读论文时的拦路虎，都是你亲眼看过的具体现象。
上一节讲了 ML 的基本概念，这节课讲三大学习范式——监督、无监督、强化学习。很多人分不清这三者的差别，看论文看到 "RLHF" 就懵。搞清楚每种范式的数据长什么样、目标是什么，你就知道 GPT-4 为什么需要三个训练阶段（Pre-training + SFT + RLHF）。
看到 "RLHF / DPO / PPO" 这些术语就头晕的技术从业者。不需要会推导数学，但需要知道这些是什么、有什么用。
看 Anthropic / OpenAI / Meta 的论文时不再看到 "RLHF" 就跳过。你能解释"为什么 ChatGPT 比 GPT-3 更听话"的本质原因，能判断一个任务该用监督还是强化学习。
"深度学习" 听起来很高大上，但它的最小单元其实就一行公式：output = activation(weighted_sum + bias)。理解这一行后，整个神经网络就不再是黑盒。这节课用直观方式讲清神经元、激活函数、反向传播——不推公式，只讲"这些东西在做什么"。
想读懂 Transformer 架构图但被"神经网络"吓到的工程师。看完这节你会发现 Transformer 其实就是"用 attention 堆起来的深度网络"，没那么神秘。
你能看懂任何神经网络架构图的基本结构，能解释 "深度学习为什么在 2012 年突然起飞"，能把 Transformer 看成 "一种特殊结构的深度网络" 而不是魔法。
LLM 出现前，NLP 是一个复杂的"任务拼盘"——分词、POS、NER、翻译、问答，每种任务一个专门的小模型，维护成本极高。LLM 出现后，这些任务几乎都能用一个模型 + prompt 搞定。理解这个转折，你就知道为什么传统 NLP 工具链正在被淘汰。
过去学过传统 NLP（jieba / NLTK / SpaCy）的工程师，想搞清楚"为什么这些工具最近这么冷"。或者完全没学过 NLP 想直接跳到 LLM 时代的人。
你能判断一个 NLP 任务该用 LLM 还是传统工具，能理解 "为什么 LLM 能做所有 NLP 任务但不是每个任务都该用 LLM"，这是成本优化的基础认知。
所有现代 LLM（GPT / Claude / Llama / Gemini）都基于 Transformer。看论文、看模型架构图、读 Anthropic / OpenAI 技术博客，你都会撞到 "Self-Attention"、"Multi-Head"、"Q·K·V"这些术语。这节课把 "Attention is All You Need" 论文的核心贡献讲透——没有公式，只有直觉。
看过 Transformer 架构图但一直没完全搞懂的工程师。或者想读懂 LLM 相关论文摘要的技术从业者。
你能向同事用 5 句话解释 "Transformer 为什么取代 RNN"，能看懂任何 LLM 论文里的 Attention 相关段落，能理解为什么 Transformer 是支撑 GPT-3 / GPT-4 / Claude 4 的核心架构。
上一节你学了 Attention 的理论，但"听过"和"看过" 差一截。这个 Lab 让你亲眼看 Attention 权重分布 + Token 拆分 —— 当你输入一句话，Transformer 内部到底怎么"读"它？10 分钟让你把所有 Transformer 术语从抽象变成可视化。
想把 Transformer 从"数学公式"变成"可观察现象"的工程师。视觉学习者特别受益，10 分钟的动手胜过读 10 篇博客。
"Self-Attention"、"Multi-Head"、"Context Window" 这些词你看到都有视觉化的直觉，不再是 paper 里的符号。下次读 Anthropic 的 Interpretability 博客（他们经常可视化 attention）你不会再跳过技术段落。
"Language Model" 这个词被用得太随意——n-gram 是 LM、LSTM 是 LM、GPT 也是 LM。它们本质上在做同一件事：预测下一个 token。但从 n-gram 到 GPT 中间跨越了 50 年。搞清楚这个演化路径，你才能理解 Scaling Law 为什么这么震撼。
想理解"为什么大家都在堆参数量"的技术从业者。Scaling Law 不是营销概念，是真实的可验证规律，理解它你就能预测未来 5 年的模型演化。
你能解释"为什么 Llama 3 405B 比 70B 强"（不只是"参数多"，是 Scaling Law 的可预测性），能读懂 Kaplan 等人的 Scaling Law 论文的结论，能判断下一代模型大概率在哪个方向突破。
Transformer 的完整结构图上有一堆模块：Embedding、Positional Encoding、Multi-Head Attention、Add & Norm、Feed-Forward、Residual Connection——每一个都有明确的角色。这节课把整张图拆开讲清楚，你就能看懂 90% 的 LLM 论文架构章节。
看 LLM 论文看到 "architecture" 章节就跳过的工程师。这节课帮你把跳过的段落补回来。
你能看懂 GPT-4 / Claude / Llama 的架构图每一个模块在做什么，能解释为什么现代 LLM 都是 Decoder-only，能和 ML 工程师讨论 "为什么残差连接让深层网络可训"。
LLM 不直接处理文字——它处理数字。Tokenizer 把文字变数字，Embedding 把数字变向量，Positional Encoding 告诉模型"谁在前谁在后"。这三步决定了 LLM 怎么"读"你的 prompt，也决定了你的 API 账单。理解它你就知道为什么一个中文字比一个英文单词贵 2 倍。
想搞懂 "为什么我的 API 账单里 token 数和字数对不上" 的工程师。这节课让你对 token 计费有精确直觉。
你能精确预估一段文字会消耗多少 token，能决定什么时候该 RAG 什么时候能直接塞长 context，能理解 "为什么 1M context 很贵"——这是成本优化的底层知识。