AGENT SKILL

find-your-level

交互式测验,将你的 AI/ML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。 触发短语:“我应该从哪里开始”、“帮我定位水平”、“我懂什么”、“哪个阶段”、 “评估我的知识”、“分级测试”、“跳过前面内容”,或 "where should I start", "find my level", "what do I know", "which phase", "assess my knowledge", "placement test", "skip ahead"

License 许可
MIT
最近更新
2026-11-12
Stars
★ 1.3k
Forks
195

01 前言 Front Matter

name
find-your-level
tags
[ "assessment", "onboarding", "curriculum", "ai-engineering" ]
version
1.0.0
description
交互式测验,将你的 AI/ML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。 触发短语:“我应该从哪里开始”、“帮我定位水平”、“我懂什么”、“哪个阶段”、 “评估我的知识”、“分级测试”、“跳过前面内容”,或 "where should I start", "find my level", "what do I know", "which phase", "assess my knowledge", "placement test", "skip ahead"

02 资源文件 1

03 SKILL.md 正文

找到你的水平

你正在为 AI Engineering from Scratch 课程(20 个阶段、523 节课)进行分级测验。你的任务是找出学习者应从哪里开始,让他们跳过已掌握的材料,恰好从有挑战的地方起步。适用于任何 agent。

测验结构

共有 5 个知识领域,每个领域 2 道题,共 10 题。每轮展示 2 道题(每个领域一轮)。学习者答完一轮的两题后,为该领域评分再进入下一轮。

评分

每题 1 分(0 = 错误或空白,1 = 正确)。每个领域得分 0-2。总分范围为 0-10。

进行测验

先简短问候学习者,随即进入第 1 轮。环境有结构化问题/选项工具时,每题都使用它;否则用纯文本展示带字母的选项并等待回复。每轮后,先告知该领域得分(例如“数学与统计:2/2”)再进入下一轮。说明保持简短。所有答案解释都留到最后。

答案隔离

答案键特意存放在本测验正文之外的 references/answer-key.md。学习者提交当前轮两题答案之前,不要读取该引用。之后只读取当前轮的答案键、进行评分,并在五轮全部完成前保持解释私密。不要预加载后续轮次。

回复格式示例中绝不放入真实答案字母、可能答案或答案分布。纯文本时必须严格使用中性提示:请按此格式回复:Q1: <letter>, Q2: <letter>。替换当前题号,但两个值均保留为 <letter>。


第 1 轮 —— 数学与统计

Q1. 有两个向量,a = [1, 2, 3] 和 b = [4, 5, 6]。它们的点积是多少?

  • A) 32
  • B) 21
  • C) 15
  • D) 27

Q2. 一枚公平硬币抛掷 3 次。恰好出现 2 次正面的概率是多少?

  • A) 1/4
  • B) 1/2
  • C) 1/8
  • D) 3/8

第 2 轮 —— 经典机器学习

Q3. 在一个含 90% 负样本和 10% 正样本的分类任务中,模型把所有样本都预测为负类。它的准确率是多少?

  • A) 50%
  • B) 90%
  • C) 10%
  • D) 0%

Q4. 下列哪一项是 Random Forest 的超参数?

  • A) 学得的划分阈值
  • B) 叶节点预测值
  • C) 树的数量
  • D) 每个节点的 Gini impurity

第 3 轮 —— 深度学习

Q5. 在反向传播中,链式法则计算什么?

  • A) 每个可训练权重的损失梯度
  • B) 当前优化器的最佳学习率
  • C) 网络所需层数的精确值
  • D) 每个训练步骤使用的 batch size

Q6. ResNet 中的 residual connections(skip connections)主要解决什么问题?

  • A) 小型训练数据集上的泛化不佳
  • B) 从持久化存储加载 batch 很慢
  • C) 模型推理时 activation memory 很高
  • D) 在极深网络中的 gradient flow 太弱

第 4 轮 —— NLP 与 Transformer

Q7. 在 Transformer 架构中,attention mechanism 在什么之间计算?

  • A) 像素和标签
  • B) 仅 Encoder 和 Decoder
  • C) Queries、Keys 和 Values
  • D) 仅 Embeddings 和 positions

Q8. 使用 LoRA(Low-Rank Adaptation)微调大型语言模型的主要益处是什么?

  • A) 从全新随机初始化开始,重新训练基础模型中的每一个参数
  • B) 冻结基础模型权重,只训练低秩 adapters
  • C) 无需带标签的示例或任务专属训练数据
  • D) 复制模型层以提高适应容量

第 5 轮 —— 应用 AI

Q9. 在 RAG(Retrieval-Augmented Generation)系统中,LLM 生成答案之前会发生什么?

  • A) 检索相关文档并加入模型 prompt
  • B) 针对用户当前问题完整重新训练模型
  • C) 用户在每次模型请求前选择所有上下文段落
  • D) 模型只搜索预训练参数值

Q10. 在多 agent 系统中,“coordinator” 或 “orchestrator” agent 的首要职责是什么?

  • A) 用一个通用模型替换所有专用 agent
  • B) 分派任务、路由消息并协调其他 agent
  • C) 最大化每次 agent 交互的 token 用量
  • D) 为系统故障准备一份完全相同的备用模型

五轮全部完成后

展示领域拆分和总分:

数学与统计:           X/2
经典机器学习:         X/2
深度学习:             X/2
NLP 与 Transformer:   X/2
应用 AI:              X/2
----------------------------
总分:                 X/10

分数到起点的映射

总分 起点 含义
0-3 阶段 1:数学基础 从基础开始
4-5 阶段 3:深度学习核心 已有数学和 ML 基础
6-7 阶段 7:Transformer 深入剖析 已懂 DL,该学习 transformer 了
8-9 阶段 11:LLM 工程 基础扎实,可直接进入 LLM 应用
10 阶段 14:Agent 工程 你全都会,开始构建 agent

个性化学习路径

揭示起点后,生成覆盖全部 20 个阶段的 markdown 表格。用分数决定每阶段状态。起点之前的阶段标记为 Skip(学习者已掌握材料);起点及之后标记为 Do。如果学习者在对应可跳过阶段的领域得分为 1/2,则该阶段标记为 Review 而不是 Skip。

用于检测复习项的领域到阶段映射:

  • 数学与统计(1/2) -> 将阶段 1 标为 Review
  • 经典机器学习(1/2) -> 将阶段 2 标为 Review
  • 深度学习(1/2) -> 将阶段 3 标为 Review
  • NLP 与 Transformer(1/2) -> 将阶段 5 和 7 标为 Review
  • 应用 AI(1/2) -> 将阶段 14 标为 Review

从 ROADMAP.md 读取时间估算(规范唯一事实来源)。每个阶段标题都以 (~N hours) 格式包含预计小时数。解析这些值,不能使用硬编码数字,以便学习路径始终随路线图估算更新。仓库未在本地克隆时,从下面地址获取: https://raw.githubusercontent.com/fancyboi999/ai-engineering-from-scratch-zh/main/ROADMAP.md。

输出格式

按此格式生成表格:

| Phase | Name | Status | Est. Hours |
|-------|------|--------|------------|
| 0 | Setup & Tooling | Skip | -- |
| 1 | Math Foundations | Review | 30 |
| 2 | ML Fundamentals | Skip | -- |
| 3 | Deep Learning Core | Do | 20 |
| ... | ... | ... | ... |

表格规则:

  • Skip 阶段的小时数显示 --(不计入总数)。
  • Review 阶段显示完整小时数(学习者应快速复习)。
  • Do 阶段显示完整小时数。
  • 阶段 0(环境设置与工具)无论得分如何都始终为 Skip(它是工具设置,不是知识)。
  • 汇总 Review 与 Do 阶段的小时数,并在底部展示总计。

表格后添加一句总时长:你的个性化路径:约 X 小时,覆盖 Y 个阶段。

接着给出简短建议:从哪一阶段开始,以及基于最弱领域应首先关注什么。

最后给出下一步:/start-learning 会把此次定位保存到持久化的 LEARNING.md 学习计划,/learn 会开始交互式教授第一课。

04 同仓库更多 Skills

fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

write-manual

为一个固定版本的技术主题编写长篇手册,从用途讲到每个请求与响应。 每个示例来自离线运行记录,每个断言追溯到按权威排序的来源,审计必须达到 TOTAL 0。 用于“编写手册”“为某主题写入门手册”“manual.json”“增加手册章节” “构建运行记录工具”“审计手册”“固定规范版本并文档化”。

★ 1.3k
fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

start-learning

AI Engineering from Scratch 课程的一次性入门流程(523 节课、20 个阶段)。访谈学习者、 运行分级测验,并写入由 learn skill 驱动的持久学习计划 LEARNING.md。触发短语: “开始学习”、“设置课程”、“开始课程”、“带我入门”、“创建学习计划”,或 "start learning", "set up the course", "begin the curriculum", "onboard me", "create my learning plan"

★ 1.3k
fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

mcpa-certification

AI Engineering from Scratch 中文版中的 MCPA(Model Context Protocol Associate)AI 原生导师与入门流程。学习者需要备考 MCPA、继续认证路线、 交互式学习下一课、运行并验证实践实验、参加诊断或全真模拟、根据薄弱领域 补弱时使用。适用于 Claude Code、Codex、ChatGPT、Cursor 或其他 agent。

★ 1.3k
fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

lesson-screen

课程导师在终端教学时,在旁边打开浏览器学习屏幕。展示课程已注册的图表、带真实数值的 代码执行过程和可点击的预测题。也可结合课程与宿主已安装的图表技能,为当前课程制作 蓝图、机制图、等距机器或 3D 模型。点击以事件形式返回导师。 触发短语:“打开学习屏幕”、“用图展示”、“用 3D 展示”、“画出架构”、“为这节课制作图表”, 或 "open the lesson screen", "show me this visually", "show this in 3D", "draw the architecture", "visualize this lesson", "build a figure for this lesson", "lesson screen"。

★ 1.3k
fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

learn

AI Engineering from Scratch 课程的交互式课程 tutor。读取 LEARNING.md,获取下一课, 在终端按章节教学,结尾测验并记录进度。可在克隆仓库中或完全通过 raw.githubusercontent.com 工作—— 无需设置。触发短语:“下一课”、“教我”、“继续课程”、“我们来学习”、“继续学习”,或 "next lesson", "teach me", "continue the course", "let's learn", "resume learning"

★ 1.3k
fancyboi999
fancyboi999/ai-engineering-from-scratch-zh

learn-reverse-engineering

从零开始学 AI 工程中逆向工程专项路径的交互导师。学习者希望读取编译后的程序时, 用于开始或继续文件格式、反汇编、控制流、表示提升、证据、等价证明、调用约定、 编译器惯用模式、链接、类型、调试、字节码、差分、符号执行和 AI 辅助分析。 每次调用讲授一课,并将证据记录到 REVERSE-ENGINEERING-LEARNING.md。

★ 1.3k