先看懂软件怎样运行，
再看懂大模型怎样工作
ict985 是面向 AI 初学者的交互式学习平台。课程从传统软件、机器学习和深度学习开始，再进入 Transformer、预训练、后训练与推理，最后把 Prompt、RAG 和 Agent 放回完整工程系统中。
从“会使用工具”走向“能解释完整因果链”
AI 产品变化很快，但指令、数据、参数、训练、推理、评测和系统边界相对稳定。ict985 不把提示词技巧当作全部 AI 教育，而是先建立基础原理，再解释大模型为何能生成与遵循指令，最后学习怎样把它安全接入真实业务。
三层八课，由浅入深
基础原理
从传统软件的指令、算法、数据和状态出发，进入机器学习的样本、Loss、梯度与泛化，再理解神经网络为什么需要多层表示。
大模型原理
沿 Token、Embedding、Attention 和 Transformer 追踪一次计算，再拆开预训练、后训练、推理、KV Cache 与部署服务。
使用与工程
学习 Prompt、模型 API、RAG、工具和受控 Agent，并用 Eval、权限、Trace、发布门禁和回滚形成完整闭环。
我们的四个教学原则
先原理，再使用
先说明对象、内部变化和训练或推理边界，再讨论工具和应用方案。
动画展示机制
每个步骤用独立三帧动画解释一条因果关系，不把装饰性播放当作学习完成。
交互建立直觉
学习者先预测，再改变数据、顺序或参数，观察矩阵、Loss、概率、内存或延迟怎样变化。
实验留下证据
每门课固定 16 步、4 个阶段；失败必须允许重试，掌握要由实验、迁移任务和评测证明。
内容说明与可信边界
课程明确区分两条链：只有 Loss、Backward 和 Optimizer Step 会更新参数；Prompt、RAG、聊天历史和 KV Cache 通常只影响本次推理。
动画和固定题设属于教学模拟；课程 08 的 SHA-256、Softmax 小模型和部分评测会在浏览器真实执行，但 Tiny 模型不是 LLM。
站内进度只表示互动导览完成情况，不等同于学历、职业资格或工程能力认证。
课程内 AI 助手用于解释当前内容，回答仍可能存在错误；关键事实和工程结论应通过资料、代码与测试复核。
当课程内容发生实质变化时更新页面日期；不通过只改日期或堆叠关键词制造虚假新鲜度。
课程内容如何维护
- 1定义学习目标
每个步骤先明确学习者应能解释或完成什么。
- 2核对公开资料
基础原理优先参考论文、标准和官方技术文档。
- 3构建可复现实验
交互结果应由明确规则产生，避免把随机动画当作真实模型行为。
- 4验证页面与代码
发布前检查内容一致性、交互流程、移动端体验和自动化测试。
发现内容问题，欢迎告诉我们
已注册学习者可以在站内留言板提交内容纠错、功能建议或问题反馈。我们会根据可复现证据核对并更新课程。