Bonus HW：生成式 AI 进阶实践 —— 从基础到创新的加分挑战

在掌握生成式 AI 基础后，加分项目（Bonus HW）更像是一次 “实战演练”—— 它不局限于简单的概念记忆或步骤复刻，而是鼓励大家把基础知识点转化为解决问题的能力，甚至尝试小小的创新。这份作业的核心不是 “难”，而是 “活”，无论是结合热门的 AI Agent 设计，还是针对模型局限做优化，都能帮你在巩固知识的同时，提前接触生成式 AI 的进阶应用场景。

一、Bonus HW 的核心定位：不止是 “加分”，更是 “深化”

为什么要做 Bonus HW？它的价值远不止提升分数，更重要的是帮你突破 “只懂理论不会用” 的瓶颈，具体有三个核心目标：

1. 衔接基础与进阶：把基础作业里的 Token、自回归、Transformer 等概念，落地到更复杂的场景中（比如设计简单的 AI 助手），理解 “原理如何支撑实际功能”；
2. 培养问题解决思维：不直接给 “标准答案路径”，而是抛出开放性问题（比如 “如何减少模型的幻觉输出”），让你主动查资料、试方法，模拟真实的 AI 应用开发过程；
3. 接触前沿方向：融入当下热门的 AI Agent、知识增强等方向的基础实践，帮你建立 “技术敏感度”，比如试着让 AI 自动规划学习任务，提前感受 AI 的 “自主决策” 能力。

二、典型题型拆解：从 “应用” 到 “创新” 的 3 类核心任务

Bonus HW 的题型更侧重 “实践 + 思考”，没有固定的 “标准答案”，但有清晰的 “评估维度”（比如功能完整性、逻辑合理性、创新点）。以下是三类典型题型的解题思路，帮你找到切入方向：

1. 题型一：AI Agent 基础设计 —— 让 AI “自主完成任务”

AI Agent 的核心是 “能理解目标、规划步骤、执行并调整”，这类题目会让你设计一个简单的 Agent，比如 “学习规划 Agent”“日常提醒 Agent”，不要求复杂代码，重点是梳理逻辑流程。

• 典型任务：设计一个 “AI 学习规划助手”，要求它能根据用户输入的 “学习目标”（如 “一周掌握 Tokenization”），自动生成每日学习计划，且能根据用户反馈（如 “今天没学完”）调整次日计划。
• 解题关键步骤：
  • 第一步：拆解任务目标。把 “生成学习计划” 拆成小步骤 —— 先识别用户目标的 “核心知识点”（比如 Tokenization 的 BPE 算法、工具使用）、估算所需时间（按基础 / 实操 / 复盘拆分）、分配到每天；
  • 第二步：设计交互逻辑。明确 “用户输入→AI 处理→AI 输出→用户反馈→AI 调整” 的闭环，比如用户说 “今天 BPE 算法没懂”，AI 需要在次日计划中增加 “BPE 手动拆分练习”；
  • 第三步：验证逻辑合理性。用具体例子测试（比如输入 “3 天学完自回归生成”），检查 AI 生成的计划是否符合 “由易到难”（先理解步骤，再用工具验证），反馈调整是否灵活（比如延迟 1 天后是否会压缩后续非核心内容）。
• 小贴士：不用写复杂的代码，用 “流程图 + 文字描述” 梳理逻辑即可，重点体现 AI 的 “自主规划” 能力，而不是简单的文本生成。

2. 题型二：模型输出优化 —— 解决基础作业中遇到的 “小问题”

这类题目会围绕基础作业中发现的模型局限（比如幻觉、推理冗余）展开，让你尝试用学到的方法做优化，培养 “发现问题→解决问题” 的闭环思维。

• 典型任务：针对基础作业中模型生成的 “事实错误句子”（如 “水的沸点是 50℃”），设计 2 种方法减少这类幻觉输出，并对比优化效果（可借助 JudgeBoi 评估）。
• 解题关键步骤：
  • 第一步：分析幻觉原因。结合基础知识点，判断错误是 “世界知识不足”（模型没记住正确事实）还是 “推理逻辑混乱”（知道事实但输出时出错）；
  • 第二步：设计优化方法。比如：
    • 方法 1：提示词优化 —— 在指令中加入 “引用明确事实，不确定时说明‘无法确定’”，强制模型关注事实准确性；
    • 方法 2：知识补充 —— 在输入中加入 “背景事实”（如 “已知：标准大气压下，水的沸点是 100℃”），给模型提供准确参考；
  • 第三步：对比验证。用同一问题测试优化前后的模型输出，用 JudgeBoi 的 “正确性”“事实一致性” 维度打分，记录分数变化，分析哪种方法更有效。
• 小贴士：优化效果不一定追求 “100% 正确”，重点是能清晰说明 “方法→效果” 的关联，比如 “加入背景事实后，正确性得分从 5 分提升到 8 分”。

3. 题型三：跨场景应用实践 —— 把生成式 AI 用到具体领域

这类题目鼓励你结合自己熟悉的领域（如学习、生活、兴趣），设计生成式 AI 的应用场景，感受技术的实际价值，比如教育、日常工具、兴趣创作等。

• 典型任务：设计一个 “AI 编程错题助手”，针对高中 Python 编程题的错误答案，让 AI 自动分析错误类型（如语法错误、逻辑错误），并给出修改建议和同类练习。
• 解题关键步骤：
  • 第一步：明确场景需求。高中生编程常犯的错误有 “缩进错误”“变量未定义”“循环逻辑错误”，助手需要先能识别这些错误；
  • 第二步：设计输入输出格式。输入为 “题目要求 + 学生错误代码”，输出需包含 “错误类型”（如 “缩进错误：for 循环内代码未缩进”）、“修改建议”（如 “在 print 语句前加 4 个空格”）、“同类练习”（如 “写一个计算 1-10 求和的 for 循环，注意缩进”）；
  • 第三步：测试应用效果。用 3-5 个真实的学生错题案例测试，检查 AI 是否能准确识别错误、建议是否易懂、练习是否匹配错误类型。
• 小贴士：场景选择越贴近自己的经历越好（比如你喜欢画画，可设计 “AI 绘画提示词优化助手”），这样更容易理解需求，也能让实践更有成就感。

三、完成 Bonus HW 的 3 个实用建议

相比基础作业，Bonus HW 更开放，容易让人觉得 “无从下手”，这三个建议能帮你高效推进：

1. 先 “小而具体”，再 “大而复杂”

不要一开始就追求 “做一个完整的 AI 助手”，可以先从 “一个小功能” 切入。比如设计 AI 学习规划助手时，先实现 “生成单天计划”，再优化 “根据反馈调整”；优化模型幻觉时，先测试 1 种提示词方法，再尝试第二种。小功能落地后，再逐步扩展，避免因目标太大而放弃。

2. 善用 “工具 + 资料”，不闭门造车

遇到不懂的问题（比如 “AI Agent 的规划逻辑怎么设计”），可以查基础课程中提到的资料（如 Transformer 的注意力机制如何辅助决策），或用简单的工具验证（如用基础模型生成 “学习计划”，再分析它的逻辑）。比如设计编程错题助手时，可先让基础模型分析一段错误代码，看看它的输出结构，再模仿优化，这也是真实开发中的常用思路。

3. 记录 “过程与反思”，比结果更重要

Bonus HW 的评估不仅看 “最终成果”，也看 “思考过程”。建议你记录下：

• 最初的想法是什么？
• 遇到了什么问题（比如 “模型不理解用户反馈”）？
• 尝试了哪些方法（比如 “修改提示词格式”“补充反馈示例”）？
• 为什么最终选择这个方案？这些记录不仅能帮你复盘，也能让评估者看到你的思考深度，比如 “虽然模型还不能完全准确调整计划，但尝试了 3 种反馈处理方法，且能分析每种方法的不足”。

四、知识联动：Bonus HW 如何衔接后续进阶内容

Bonus HW 的内容不是孤立的，它其实是后续进阶学习的 “预热”，比如：

• AI Agent 设计会帮你理解后续 “多智能体协作”“Agent 的记忆机制” 等内容，现在的简单规划逻辑，未来会扩展为 “长期记忆 + 实时决策”；
• 模型输出优化会衔接 “知识增强”“RLHF（强化学习人类反馈）” 等进阶技术，现在的提示词优化、知识补充，本质是更复杂优化方法的基础；
• 跨场景应用实践会让你更容易理解 “大模型在不同行业的落地逻辑”，比如教育领域的 “错题分析”、医疗领域的 “报告生成”，核心都是 “场景需求→技术适配”。

完成后，建议你把 Bonus HW 中遇到的 “未解决问题” 记下来（比如 “如何让 AI 更准确识别编程逻辑错误”），后续学习到相关知识点时，回头再尝试解决，形成 “发现问题→学习知识→解决问题” 的良性循环。