AI 基础
AI 基础教程
AI 基础教程面向中文初学者和跨职能团队，解释大模型、Token、上下文、Prompt、Embedding、RAG、评估和人工复核。
AI 基础教程帮助你先建立共同语言，再进入提示词、AI 办公、AI 编程、AI 生图、 API 接入和自动化工作流。它不是术语表，也不是厂商功能清单，而是解释普通 用户和团队真正需要理解的几件事：AI 能做什么、为什么会出错、输入应该怎么 写、输出应该怎么检查。
如果你刚开始学习 AI，可以先读这一页，再进入 Prompt 模板中心、 AI 办公 或 快速开始。如果你已经在开发项目， 这一页也能帮助产品、设计、运营和工程团队用同一套概念讨论需求。
| 项目 | 说明 |
|---|---|
| 阅读时间 | 约 7 分钟 |
| 更新时间 | 2026-07-03 |
| 适合人群 | AI 初学者、学生、老师、产品经理、设计师、运营、办公人群、开发者和团队负责人 |
| 核心收益 | 用同一套概念理解大模型、Token、上下文、Prompt、Embedding、RAG 和评估，避免把 AI 当成万能答案机 |
| 你会得到 | 核心概念表、AI 基础流程图、初学者学习路线、常见误区速查、角色学习路径、安全边界和后续阅读入口 |
| 不适合做什么 | 不适合替代某个产品的官方文档、模型能力清单、价格说明或严肃决策依据 |
| 主题 | 一句话解释 | 读完能判断什么 |
|---|---|---|
| 大模型 | 通过大量数据学习语言、图像、代码和结构规律的生成系统。 | 哪些任务适合让 AI 辅助，哪些任务必须人工确认。 |
| Token | 模型处理文本时使用的基本片段，接近“字词单位”，但不等同于中文汉字。 | 为什么长文会截断、为什么上下文和成本需要控制。 |
| 上下文 | 你给模型的全部输入，包括指令、材料、历史对话和工具返回。 | 为什么同一个问题，换一段材料会得到完全不同的结果。 |
| Prompt | 给模型的任务说明，包含目标、背景、约束、格式和复核要求。 | 为什么“帮我写一下”不稳定，结构化输入更可靠。 |
| Embedding | 把文本、图片或其他内容转成可比较的向量表示。 | 为什么知识库搜索、相似问题匹配和 RAG 需要向量。 |
| 评估 | 用人工规则、样例、测试或指标检查 AI 输出是否可用。 | 什么时候可以采用，什么时候需要重写或退回人工处理。 |
初学者学习路线
Section titled “初学者学习路线”AI 学习不需要从所有术语开始。更稳的顺序是：先选一个真实任务，再补足完成 任务需要的概念。这样学到的知识会落在写作、办公、学习、创作或开发工作里。
| 阶段 | 要解决的问题 | 建议练习 | 常见产出 |
|---|---|---|---|
| 任务识别 | 哪些事情适合交给 AI 辅助？ | 拿一份会议记录、文章草稿或学习资料做整理 | 任务清单、风险边界 |
| 材料准备 | AI 能依据哪些事实回答？ | 把资料分成事实、观点、限制和待确认信息 | 来源标签、材料包 |
| Prompt 结构 | 怎么让输出可检查？ | 用任务、背景、材料、约束、格式和复核要求写提示词 | 提纲、表格、检查清单 |
| 输出复核 | 怎么判断结果能不能用？ | 对照材料检查事实、遗漏、格式和风险 | 修改建议、人工判断 |
| 流程沉淀 | 哪些任务值得重复使用？ | 把稳定任务整理成模板、FAQ 或自动化脚本 | Prompt 模板、工作流 |
如果你是普通用户，可以从 AI 办公 和 Prompt 模板中心 开始；如果你要接入项目，再读 快速开始 和 Cookbook。
AI 是什么，不是什么
Section titled “AI 是什么，不是什么”这里说的 AI，通常指能够生成文本、代码、图片、摘要、表格结构或操作计划的 模型系统。它很擅长根据上下文生成“看起来合理”的内容，也能帮助你整理信息、 改写文本、解释代码、提出方案和发现遗漏。
但 AI 不是事实数据库，也不是永远正确的同事。它可能误读材料、补全不存在的 信息、忽略限制，或者把不确定内容写得很肯定。因此，越是涉及法律、财务、 医疗、学术引用、客户承诺、生产代码和真实数据的任务，越需要人工复核。
更实用的理解方式是：AI 不是替你承担责任，而是帮你更快得到可检查的初稿。
大模型如何影响结果
Section titled “大模型如何影响结果”同一个 Prompt 在不同模型上可能表现不同。差异通常来自几个方面：上下文长度、 中文表达、代码能力、图像理解、工具调用、推理稳定性、输出格式遵循能力。
这也是为什么教程不应该把某个模型名当成永久答案。更稳妥的做法是把模型名 放进环境变量或配置项里，然后用一组固定样例测试它是否适合当前任务。涉及 OfApp.cn 时，具体可用模型、能力和价格请以 OfApp.cn 控制台或官方文档为准。
Token 和上下文怎么理解
Section titled “Token 和上下文怎么理解”Token 可以理解为模型读写文本时的计量单位。中文、英文、符号、代码、表格和 JSON 都会被拆成 Token。Token 会影响三件事：
- 上下文容量：材料太长时，模型可能无法一次读完。
- 输出长度：回答越长，消耗的 Token 越多，也越容易偏离重点。
- 成本和速度：大量长文、日志、表格和多轮对话会增加调用成本和等待时间。
处理长材料时，不要把所有内容直接粘贴进去。更可靠的流程是分段摘要、保留 来源、提取关键字段，再让模型在整理后的上下文中完成任务。你可以参考 AI 整理资料 和 context length exceeded。
Prompt 为什么要结构化
Section titled “Prompt 为什么要结构化”Prompt 的目标不是写得玄，而是让模型知道任务边界。一个稳定的 Prompt 至少 应该包含这些信息：
任务：要完成什么背景：谁会使用结果，为什么需要它材料：模型可以依据哪些内容约束：不能编造、不能越权、不能泄露什么格式：用表格、清单、Markdown、JSON 还是固定段落复核：输出后哪些内容需要人工检查对比两个写法：
| 写法 | 可能结果 |
|---|---|
| 帮我总结这份报告。 | 可能遗漏关键数字，也可能不知道你要摘要还是行动建议。 |
| 请把这份报告整理成面向产品经理的 5 条结论，保留关键数字，标注不确定信息，并列出需要人工复核的引用。 | 输出更容易检查，也更适合进入工作流。 |
更多可复制写法见 Prompt 模板中心。
Embedding 和 RAG 是什么
Section titled “Embedding 和 RAG 是什么”Embedding 是把内容转成向量表示的方法。向量之间可以比较相似度，所以它常用 于语义搜索、知识库问答、相似问题匹配、资料聚类和推荐系统。
RAG 是检索增强生成。它的基本思路是：先从资料库中检索相关片段，再把这些 片段交给模型回答问题。这样做可以减少纯靠模型记忆带来的错误，但它仍然不 保证答案天然正确。检索结果质量、资料时效性、切片方式、引用保留和复核规则 都会影响最终输出。
开发者可以继续阅读 Embeddings 示例。普通用户只需要 先记住：如果答案必须基于公司文档、课堂资料、论文或项目规范，就不要只问 模型“你知道吗”，而要把可追溯材料放进上下文或检索流程里。
如何评估 AI 输出
Section titled “如何评估 AI 输出”判断 AI 输出是否可用，不能只看它是否流畅。可以从这几类问题检查：
| 检查项 | 应该看什么 |
|---|---|
| 事实 | 数字、人名、时间、引用、产品能力是否来自材料或可靠来源。 |
| 完整性 | 是否回答了任务中的所有要求，是否遗漏限制条件。 |
| 可执行性 | 步骤能否被真实执行，代码能否运行，表格字段是否清楚。 |
| 风险 | 是否包含隐私、版权、合规、误导性承诺或安全问题。 |
| 稳定性 | 同一任务重复执行时，输出结构是否保持一致。 |
如果你准备把 AI 放进批量流程，至少要准备一组固定测试样例：正常样例、边界 样例、缺失信息样例、错误格式样例和高风险样例。没有测试样例的自动化，很 容易把小错误放大成批量错误。
常见误区速查
Section titled “常见误区速查”初学者最容易踩的坑，不是 Prompt 写得不够花，而是把 AI 输出当成事实、把一 次回答当成流程、把自动化当成不需要复核。
| 误区 | 更稳的理解 | 可以怎么做 |
|---|---|---|
| AI 回答流畅就说明正确 | 流畅只说明表达顺，不代表事实可靠 | 要求标注来源和待确认项 |
| Prompt 越长越专业 | 无关要求越多，输出越难检查 | 只保留任务、材料、约束、格式和复核 |
| 长文直接整篇粘贴 | 上下文越乱，越容易漏重点 | 先分段摘要，再合并观点 |
| RAG 能自动消除错误 | 检索质量、切片和引用规则都会影响答案 | 保留引用片段，人工核对关键结论 |
| 自动化等于不用管 | 批量任务会放大小错误 | 设置样例测试、失败回退和人工确认 |
| 模型名就是永久方案 | 模型、能力和价格会变化 | 用固定样例评估，配置以官方为准 |
按角色学习 AI
Section titled “按角色学习 AI”| 角色 | 先学什么 | 下一步 |
|---|---|---|
| 普通用户 | Prompt、上下文、人工复核 | AI 办公 |
| 学生和老师 | 摘要、资料整理、引用检查 | AI 整理资料 |
| 产品经理 | 需求拆解、用户故事、评估标准 | AI 工作流 |
| 设计师和创作者 | 生图 Prompt、风格约束、版权风险 | GPT Image |
| 开发者 | API Key、Base URL、SDK、错误排查 | 快速开始 |
| 团队负责人 | 任务边界、成本、权限、质量门槛 | AI 生产力 |
- 不要把真实 API Key、密码、客户资料、身份证件、合同细节或未公开代码直接 粘贴到不可信环境。
- 发布前人工检查事实、数字、引用、图像版权、品牌用语和承诺性表达。
- 重要决策不要只依赖一次输出，应该保留来源、对比结果和人工判断记录。
- 自动化流程要设置失败回退：缺失字段、格式错误、调用失败和高风险内容都 应该进入人工确认。
- 涉及 OfApp.cn 的模型、价格、套餐和额度信息时，不要照抄旧截图或旧文章； 请以 OfApp.cn 控制台或官方文档为准。
- 快速开始：把基础概念用于第一个可运行工作流。
- AI 生产力：把 AI 基础用于写作、办公、研究和创作。
- Prompt 模板中心：用模板练习提示词结构。
- Cookbook：把模型、Token 和 API 概念用于开发示例。
- AI 工作流：把基础概念用于真实任务。
- 总结 Prompt：理解上下文和摘要。
- Embeddings 示例：理解向量与语义搜索。
- context length exceeded：理解上下文长度限制。
- AI 办公：把基础概念用于办公工作流。
- OpenAI-compatible API 快速开始：把概念落到最小请求。
- OfApp.cn 官方首页、API 文档与 Genius Playground 页面：用于确认网页入口、 API Key、文档入口、OpenAI 兼容接口和示例入口的事实边界；涉及模型、能力 和价格时以 OfApp.cn 控制台或官方文档为准。
- OpenAI Prompt engineering 文档：用于 参考清晰任务、上下文、示例和结构化输出等提示词组织原则。
- OpenAI Embeddings 文档：用于 参考 Embedding、相似度检索和语义搜索的基础解释。
AI 基础只适合初学者吗？
Section titled “AI 基础只适合初学者吗？”不是。它也适合团队建立共同语言，尤其是产品、设计、运营、研究和工程协作 时，需要先对概念和边界达成一致。
学 AI 一定要先会编程吗？
Section titled “学 AI 一定要先会编程吗？”不一定。普通用户可以先从提示词、上下文、资料整理、会议纪要、PPT 大纲和 写作修改开始。编程知识会帮助你做 API 接入和自动化，但不是学习 AI 的前提。
Token 是字数吗？
Section titled “Token 是字数吗？”不是。Token 是模型内部处理文本的片段，和中文汉字、英文单词、代码符号都 不是一一对应关系。你只需要知道：材料越长、输出越长、对话轮次越多，Token 压力通常越大。
Prompt 写得越长越好吗？
Section titled “Prompt 写得越长越好吗？”不是。好的 Prompt 是信息完整、边界清楚、输出可检查。无关的角色设定、重复 要求和模糊形容词会增加噪音。复杂任务更适合拆步骤，而不是塞进一个超长指令。
AI 基础页面应该写厂商特性吗？
Section titled “AI 基础页面应该写厂商特性吗？”只有在必要且可验证时才写。基础概念页面应该尽量保持通用，避免被某个产品 或短期功能绑定。
学完 AI 基础后应该读什么？
Section titled “学完 AI 基础后应该读什么？”如果你想直接使用 AI，读 AI 办公 和 Prompt 模板中心。 如果你想接入工具或代码，读 快速开始 和 Cookbook。 如果你想让 AI 进入项目执行任务，读 Codex 教程。
AI 基础不是背术语，而是形成稳定判断：知道 AI 依赖上下文，知道 Prompt 要写 任务、材料和复核，知道 Token 会限制长材料处理，知道 Embedding 和 RAG 适合 知识库检索，也知道所有重要输出都需要评估。理解这些之后，再去学习办公、 创作、编程、API 接入和自动化，才不容易被花哨功能带偏。