find-your-level · diff
v1.0.0 to v1.0.0
108 added, 102 removed. Audit A to A.
---
name: find-your-level
version: 1.0.0
description: >
- 互动式测验，将你的 AI/ML 知识映射到 AI Engineering from Scratch 课程（20 个阶段、
- 260+ lesson）的合适起点。触发词："where should I start"、"find my level"、
- "what do I know"、"which phase"、"assess my knowledge"、"placement test"、
- "skip ahead"、"我该从哪开始"、"找一下我的水平"、"我会哪些"、"分级测试"、"跳到哪一阶段"
+ 交互式测验，用于将你的 AI/ML 知识水平映射到
+ AI Engineering from Scratch 课程中合适的起点；该课程包含 20 个 Phase、
+ 260 节课。
+ 触发短语："我应该从哪里开始"、"找到我的水平"、"我知道什么"、
+ "哪个 Phase"、"评估我的知识"、"分级测试"、"跳过前面的内容"
tags: [assessment, onboarding, curriculum, ai-engineering]
---
- # Find Your Level
+ # 找到你的水平
- 你正在为 **AI Engineering from Scratch** 课程（20 个阶段，260+ lesson）实施一次
- 入门分级测验。你的任务是判断学习者应该从哪里开始，让他们跳过已经掌握的内容，
- 直接落到真正有挑战的位置。
+ 你正在为 **AI Engineering from Scratch** 课程（20 个 Phase，260+ 节课）
+ 主持一场分级测验。你的任务是判断学习者应该从哪里开始，使他们跳过已经掌握的内容，
+ 并恰好进入挑战开始的地方。
## 测验结构
- 共有 5 个知识领域，每个领域 2 道题，合计 10 道题。按一轮 2 题进行（每个领域一轮）。
- 学习者答完一轮的两道题后，先给出该领域得分，再进入下一轮。
+ 共有 5 个知识领域，每个领域 2 道题，总共 10 道题。按每轮 2 道题呈现
+ （每个领域一轮）。学习者回答完某一轮的两道题后，先给该领域评分，再进入下一轮。
- ## 计分
+ ## 评分
- 每道题 1 分（答错或留空 0 分，答对 1 分）。每个领域得分 0-2 分。总分范围 0 到 10。
+ 每道题 1 分（0 = 错误或空白，1 = 正确）。每个领域得分为 0-2。
+ 总分范围为 0 到 10。
- ## 实施方式
+ ## 主持测验
- 先简短问候学习者，然后直接进入第 1 轮。每道题都使用 **AskUserQuestion** 来提问。
- 每轮结束后，告知学习者该领域的得分（例如 "Math & Statistics: 2/2"），再进入下一轮。
- 讲解尽量简短。在测验全部结束前，不要解释任何答案。
+ 先简短问候学习者，然后直接进入第 1 轮。每道题都使用
+ **AskUserQuestion**。每轮结束后，在进入下一轮之前，告诉学习者该领域的得分
+ （例如："数学与统计：2/2"）。点评保持简短。直到最后才解释答案。
---
- ### Round 1 -- Math & Statistics
+ ### 第 1 轮 -- 数学与统计
- **Q1.** 已有两个向量，a = [1, 2, 3]、b = [4, 5, 6]。它们的 dot product 是多少？
+ **Q1.** 你有两个 Vector，a = [1, 2, 3] 和 b = [4, 5, 6]。它们的
+ dot product 是多少？
- A) 21
- B) 32
- C) 15
- D) 27
- **正确答案：B) 32**（1*4 + 2*5 + 3*6 = 32）
+ **正确：B) 32** (1*4 + 2*5 + 3*6 = 32)
- **Q2.** 一枚均匀硬币抛 3 次。正好出现 2 次正面的概率是多少？
+ **Q2.** 一枚公平硬币被抛 3 次。恰好出现 2 次正面的概率是多少？
- A) 1/4
- B) 3/8
- C) 1/2
- D) 1/8
- **正确答案：B) 3/8**（C(3,2) * (1/2)^3 = 3/8）
+ **正确：B) 3/8** (C(3,2) * (1/2)^3 = 3/8)
---
- ### Round 2 -- Classical ML
+ ### 第 2 轮 -- 经典 ML
- **Q3.** 在一个分类任务中，负样本占 90%、正样本占 10%，模型把所有样本都预测为负，
- 其 accuracy 是多少？
+ **Q3.** 在一个 Classification 任务中，样本有 90% 为负类、10% 为正类，
+ 某个模型将所有样本都预测为负类。它的 accuracy 是多少？
- A) 50%
- B) 10%
- C) 90%
- D) 0%
- **正确答案：C) 90%**（所有负样本预测正确，所有正样本预测错误）
+ **正确：C) 90%**（它把所有负类都预测正确，所有正类都预测错误）
**Q4.** 以下哪一项是 Random Forest 的 hyperparameter？
- - A) 学习得到的 split thresholds
- - B) tree 的数量
- - C) 叶节点的预测值
+ - A) 学到的分裂阈值
+ - B) 树的数量
+ - C) 叶节点预测值
- D) 每个节点的 Gini impurity
- **正确答案：B) tree 的数量**
+ **正确：B) 树的数量**
---
- ### Round 3 -- Deep Learning
+ ### 第 3 轮 -- Deep Learning
**Q5.** 在 backpropagation 过程中，chain rule 计算的是什么？
- A) 最优 learning rate
- - B) loss 对每个 weight 的 gradient
- - C) 所需的 layer 数量
- - D) batch size
+ - B) Loss 相对于每个权重的 Gradient
+ - C) 所需层数
+ - D) Batch size
- **正确答案：B) loss 对每个 weight 的 gradient**
+ **正确：B) Loss 相对于每个权重的 Gradient**
- **Q6.** ResNet 中的 residual connection（skip connection）主要解决了什么问题？
+ **Q6.** ResNet 中的 residual connections（skip connections）主要解决什么问题？
- - A) 在小数据集上的 overfitting
- - B) 深层网络中的 vanishing gradient
+ - A) 小数据集上的 Overfitting
+ - B) 深层 Neural Network 中的 Vanishing gradients
- C) 数据加载缓慢
- - D) 高内存占用
+ - D) 内存使用量高
- **正确答案：B) 深层网络中的 vanishing gradient**
+ **正确：B) 深层 Neural Network 中的 Vanishing gradients**
---
- ### Round 4 -- NLP & Transformers
+ ### 第 4 轮 -- NLP & Transformers
- **Q7.** 在 Transformer 架构中，attention 机制计算的是哪些对象之间的关系？
+ **Q7.** 在 Transformer 架构中，attention 机制在什么之间进行计算？
- - A) 像素和标签
- - B) Queries、Keys、Values
+ - A) Pixels 和 labels
+ - B) Queries、Keys 和 Values
- C) 仅 Encoder 和 Decoder
- D) 仅 Embeddings 和 positions
- **正确答案：B) Queries、Keys、Values**
+ **正确：B) Queries、Keys 和 Values**
- **Q8.** 对大型语言模型做 fine-tuning 时，LoRA（Low-Rank Adaptation）的主要优势是什么？
+ **Q8.** 在 fine-tuning LLM 时，LoRA (Low-Rank Adaptation) 的主要好处是什么？
- - A) 从零开始训练所有参数
- - B) 冻结大部分权重，只训练小的 low-rank 更新矩阵
- - C) 完全不需要训练数据
- - D) 把模型大小翻倍以获得更好效果
+ - A) 它从零开始训练所有 parameters
+ - B) 它冻结大多数 weights，并训练小型 low-rank update matrices
+ - C) 它不再需要任何训练数据
+ - D) 它将模型大小翻倍以获得更好结果
- **正确答案：B) 冻结大部分权重，只训练小的 low-rank 更新矩阵**
+ **正确：B) 它冻结大多数 weights，并训练小型 low-rank update matrices**
---
- ### Round 5 -- Applied AI
+ ### 第 5 轮 -- 应用 AI
- **Q9.** 在 RAG（Retrieval-Augmented Generation）系统中，LLM 生成回答之前会发生什么？
+ **Q9.** 在 RAG (Retrieval-Augmented Generation) 系统中，LLM 生成答案之前会发生什么？
- - A) 用 query 对模型重新训练
- - B) 检索相关文档并注入到 prompt 中
- - C) 由用户手动选择上下文
- - D) 模型在自己的 weights 中进行搜索
+ - A) 模型会在 query 上重新训练
+ - B) 检索相关 documents，并将其注入 prompt
+ - C) 用户手动选择 context
+ - D) 模型搜索自身 weights
- **正确答案：B) 检索相关文档并注入到 prompt 中**
+ **正确：B) 检索相关 documents，并将其注入 prompt**
- **Q10.** 在多 agent 系统中，"coordinator" 或 "orchestrator" agent 的主要作用是什么？
+ **Q10.** 在 multi-agent 系统中，"coordinator" 或 "orchestrator" agent 的主要目的是什么？
- - A) 取代所有其他 agent
- - B) 分配任务、路由消息、管理 agent 之间的协作
- - C) 增加 token 用量
- - D) 充当备用模型
+ - A) 替代所有其他 agents
+ - B) 分配任务、路由消息，并管理 agents 之间的协作
+ - C) 增加 Token 使用量
+ - D) 作为备用模型
- **正确答案：B) 分配任务、路由消息、管理 agent 之间的协作**
+ **正确：B) 分配任务、路由消息，并管理 agents 之间的协作**
---
- ## 5 轮全部结束后
+ ## 完成全部 5 轮后
- 按领域展示明细与总分：
+ 显示各领域得分和总分：
```
- Math & Statistics: X/2
- Classical ML: X/2
- Deep Learning: X/2
- NLP & Transformers: X/2
- Applied AI: X/2
+ 数学与统计： X/2
+ 经典 ML： X/2
+ Deep Learning： X/2
+ NLP & Transformers： X/2
+ 应用 AI： X/2
----------------------------
- Total: X/10
+ 总分： X/10
```
- ## 分数到入门点的映射
+ ## 分数到入门起点的映射
- | 总分 | 入门点 | 含义 |
- |------|--------|------|
- | 0-3 | Phase 1: Math Foundations | 从最基础开始 |
- | 4-5 | Phase 3: Deep Learning Core | 你已有数学和 ML 基础 |
- | 6-7 | Phase 7: Transformers Deep Dive | 你懂 DL，可以攻 transformers |
- | 8-9 | Phase 11: LLM Engineering | 基础扎实，直接进入 LLM 应用 |
- | 10 | Phase 14: Agent Engineering | 全部都会，开始搭建 agent |
+ | 总分 | 入门起点 | 含义 |
+ |-------------|-------------|---------------|
+ | 0-3 | Phase 1: 数学基础 | 从最基础开始 |
+ | 4-5 | Phase 3: Deep Learning 核心 | 你具备数学和 ML 基础 |
+ | 6-7 | Phase 7: Transformers 深入学习 | 你了解 DL，是时候学习 transformers 了 |
+ | 8-9 | Phase 11: LLM Engineering | 基础扎实，直接进入 LLM apps |
+ | 10 | Phase 14: Agent Engineering | 你都懂了，开始构建 agents |
## 个性化学习路径
- 公布入门点之后，生成一张覆盖全部 20 个阶段的 markdown 表格。根据得分判断每个阶段的
- 状态。位于入门点之前的阶段标为 "Skip"（学习者已经会了）。位于入门点及之后的阶段
- 标为 "Do"。如果学习者在某领域得 1/2 分、而该领域映射到的阶段本来要 Skip，则把那个
- 阶段改标为 "Review"。
+ 揭示入门起点后，生成一个覆盖全部 20 个 Phase 的 markdown 表格。
+ 根据分数确定每个 Phase 的状态。入门起点之前的 Phase 标记为 "Skip"
+ （学习者已经掌握该材料）。入门起点及之后的 Phase 标记为 "Do"。
+ 如果学习者在某个领域得分为 1/2，且该领域映射到可跳过的 Phase，
+ 则将该 Phase 标记为 "Review"，而不是 "Skip"。
- 复习判定的领域-阶段映射：
- - Math & Statistics（1/2） -> 把 Phase 1 标为 "Review"
- - Classical ML（1/2） -> 把 Phase 2 标为 "Review"
- - Deep Learning（1/2） -> 把 Phase 3 标为 "Review"
- - NLP & Transformers（1/2） -> 把 Phase 5 和 Phase 7 标为 "Review"
- - Applied AI（1/2） -> 把 Phase 14 标为 "Review"
+ 用于 Review 检测的领域到 Phase 映射：
+ - 数学与统计 (1/2) -> 将 Phase 1 标记为 "Review"
+ - 经典 ML (1/2) -> 将 Phase 2 标记为 "Review"
+ - Deep Learning (1/2) -> 将 Phase 3 标记为 "Review"
+ - NLP & Transformers (1/2) -> 将 Phase 5 和 7 标记为 "Review"
+ - 应用 AI (1/2) -> 将 Phase 14 标记为 "Review"
- 从 ROADMAP.md（事实来源的唯一权威）里读取时间估算。每个阶段标题中以
- `(~N hours)` 的格式标注了预估小时数。解析这些值，而不要使用硬编码数字，确保学习路径
- 能随 roadmap 更新而保持同步。
+ 从 ROADMAP.md（权威事实来源）读取时间估算。每个 Phase 标题都包含
+ `(~N hours)` 格式的预计小时数。解析这些值，而不是使用硬编码数字。
+ 这能确保学习路径在估算更新时与 roadmap 保持同步。
## 输出格式
- 按如下格式生成表格：
+ 按如下方式生成表格：
```markdown
- | Phase | 名称 | 状态 | 预估小时 |
- |-------|------|------|----------|
+ | 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（学习者应快速过一遍）
- - "Do" 阶段显示完整小时数
- - Phase 0（Setup & Tooling）无论得分多少都标为 "Skip"（它属于工具搭建，不是知识）
- - 把 "Review" 和 "Do" 阶段的小时数加起来，并在末尾给出总计
+ - "Skip" 的 Phase 在 hours 中显示 `--`（它们不计入总时长）
+ - "Review" 的 Phase 显示完整 hours（学习者应该快速浏览）
+ - "Do" 的 Phase 显示完整 hours
+ - Phase 0 (Setup & Tooling) 无论得分如何始终为 "Skip"（它是
+ tooling setup，不是知识内容）
+ - 汇总 "Review" 和 "Do" Phase 的 hours，并在底部显示总数
- 表格之后，加一句估算总数的话："你的个性化路径：约 X 小时，覆盖 Y 个阶段。"
+ 表格之后，添加一句预计总量："你的个性化路径：约 X 小时，覆盖 Y 个 Phase。"
- 接着给出一句简短建议：从哪个阶段开始，以及根据最弱的领域应优先关注什么。
+ 然后添加一条简短建议：应该从哪个 Phase 开始，以及根据其最薄弱领域，
+ 首先应该关注什么。