阶段 0 · 总纲：思想转变与 AI 原理认知

转型的前提是人的转变。先转变思想、拥抱 AI，再懂 AI 的基本原理——这是后续所有阶段的地基。

1. 为什么：AI 冲击与人的能力边界

这不是"锦上添花"，而是"不转就出局"。传统软件巨头正被 AI 直接冲击（Salesforce、ServiceNow 等因 AI 颠覆其模式而估值承压）。对研发团队，AI 是重写生产关系的变量——先动的人用同样人数产出 2 倍代码。

但关键认知是：AI 扩展的是"会用 AI 的人"的能力边界。一个懂业务、懂原理、会精准下达指令的人，配上 AI 能放大 10 倍；一个不懂的人，AI 产出再多也用不起来、用不对。人的能力边界，决定了 AI 产出的上限。

📖 图中要点（中英对照）：Introduction to AI = AI 导论；Strong AI / Weak AI = 强 / 弱人工智能；AGI = 通用人工智能；Top-down Approach = 自上而下（符号推理）、Bottom-up Approach = 自下而上（神经网络）两种实现 AI 的思路；Charles Babbage = 巴贝奇（计算机之父）、Alan Turing = 图灵（提出 Turing Test 图灵测试）；Recent Research = 近年里程碑——2015 图像分类、2016 语音识别、2018 机器翻译、2020 图像描述先后达到人类水平。

2. 转变思想：拥抱 AI（落地步骤）

思想转变不能靠口号，要落到具体行为。研发序列全员的行动准则：

• 解放思想：主动思考"这个任务 AI 能怎么做"，而不是默认自己手写。
• 把重复交给 AI：CRUD、模板代码、文档、测试用例、格式化——凡是重复的，先想 AI。
• 把 AI 当协作者：它是"不知疲倦但会犯错的资深实习生"——委派任务，但审查验证它的产出。
• 接受新分工：人的价值从"写代码"转向"定义问题、设计架构、审查验证、沉淀知识"。

3. 懂原理：才能精准交互（AI 原理速通）

不懂原理就下达指令，等于瞎指挥。理解这 5 条原理，交互效率天差地别：

📖 图中要点（中英对照）：AI 全景的几大分支——GOFAI（Good Old-Fashioned AI，传统符号 AI）：知识表示、本体、专家系统、多智能体；Neural Networks / Deep Learning（神经网络 / 深度学习）：计算机视觉（卷积网络 CNN）、GAN / VAE（生成模型）；NLP（自然语言处理）：词向量 Word2Vec、循环网络、Transformer；Genetic Algorithms（遗传算法）；Machine Learning（机器学习）。

3.0 先搞懂：AI 到底是什么

在讲"大模型怎么运作"前，先花 2 分钟搞清楚 AI 的本质。

• 定义：AI = 让计算机做"人擅长但无法显式编程"的事（如看照片判断年龄——我们自己也不知道大脑怎么算的）。
• 弱 AI vs 强 AI（AGI）：当前所有 AI（包括 ChatGPT/Claude/GPT-5）都是弱 AI——擅长特定任务但无真正理解/意识。强 AI（AGI）目前只是理论概念。所以"AI 不是万能的"不是口号，是事实。
• 两大流派：① Top-down 符号推理（GOFAI，用规则模拟推理——已被神经网络取代）；② Bottom-up 神经网络（模拟大脑结构，从数据学习——当前主流）。大模型属于后者。
• 图灵测试：如果人分不清对话对面是人还是机器，就算"智能"。但"通过图灵测试"不等于"有智能"——可能是巧妙的模仿。

3.1 大模型本质：预测下一个 token

大模型的底层就是根据上文预测下一个 token（词元）。它不是"理解"了你的代码，而是基于海量模式生成最可能的续写。这解释了：为什么它会"一本正经地胡说"（幻觉）——因为生成的是"看起来对"的，不是"验证过对"的。所以必须验证。

大模型本质上是神经网络。下面这张手绘图把"生物神经元 → 人工神经元 → 感知机 → 多层网络/反向传播 → 框架"这条线一次画清，是理解大模型底层结构最快的入口：

📖 图中要点（中英对照）：从生物神经元到深度学习框架的完整脉络——Biological neuron（生物神经元，靠 synapse 突触连接）→ Artificial neuron（人工神经元：y = f(Σxᵢwᵢ)，输入 x 与权重 w 加权求和再经激活函数）→ Perceptron（感知机，1957 年 Rosenblatt，单层网络）→ Multi-layer network（多层网络：input 输入层 / hidden 隐藏层 / output 输出层，用 Backpropagation 反向传播训练）→ Frameworks（框架：TensorFlow、PyTorch、Keras 等）。

📖 Transformer 底层原理报告 | 🕓 大模型完整历史线报告 （深入选读）

🎓 微软 AI-For-Beginners（中文版，12周24课完整 AI 基础课，MIT 开源）→（想系统学 AI 基础：感知机→CNN→NLP→Transformer，含 PyTorch/TensorFlow 代码实践）

3.2 上下文窗口：1M 是一切用法的约束原点

Claude 的上下文已达 1M tokens（百万级），虽大但仍会填满——大代码库、长会话、一堆 MCP 工具定义都会撑爆它，填满后性能下降。本教程几乎所有最佳实践（精简 CLAUDE.md、按需加载 Skill、干净会话、CLI 优于 MCP）都在围绕这一个约束。上下文仍是稀缺资源，每一段常驻内容都要挣它的一席之地。

3.3 Agent = 大模型 + 工具

大模型只能输出文字，无法感知/改变外界（不能读文件、调接口、跑命令）。Agent = 把大模型和一堆工具组装起来，让它能感知和改变环境。模型"先思考再行动"的奥秘在系统提示词（定义何时调何工具），而非模型训练。

3.4 REACT 模式：Agent 怎么循环跑

最广泛的 Agent 运行模式——Thought（思考）→ Action（调工具）→ Observation（看结果）→ 循环 → Final Answer：

# REACT 循环（伪代码）
while not 完成:
    thought = 模型思考("基于当前观察，下一步该做什么")
    action  = 模型选择工具 + 参数
    observation = 执行工具，拿到结果
    把 (thought, action, observation) 加回上下文
return 最终答案

3.5 精准下达指令：给上下文、明目标

原理懂了，交互方式就变了。差的指令 vs 好的指令：

• ❌ "帮我优化一下这个功能"（无上下文、无目标、无验证标准）
• ✅ "这个接口慢 SQL 18秒（附执行计划），目标降到 1 秒内。先分析瓶颈，给我方案，我确认后再改。改完用 EXPLAIN 验证。"（给现状、明目标、定流程、要验证）

4. 角色视角：每个人怎么转变

5. 真实案例：团队的转变过程

时代光华 ELS 企业学习平台研发中心（54→49 人、14 组）启动 AI 转型时，把"解放思想，拥抱 AI"写进全员行动准则，并配套：

• 动员与培训：AI 转型动员令 + Claude Code 安装使用培训 + AI 原理认知普及。
• 岗位重构方向：打破前后端界限，推行"全栈工程师"，未来演进为产品经理/业务架构师/测试架构师/运营架构师四角色。
• 知识沉淀：建立集中 AI 智能体作为团队知识中心，成员可提问、分享经验，每日生成日报复盘——让个体经验沉淀为组织资产。

结果：2026 年 3-5 月（同比 2025 年同期）净增行 +100.8%、人均新增行 +35.8%，AI 承担 20-40% 基础研发（具体数据见 阶段 5 度量）——但前提是全员先过了"思想转变 + 懂原理"这一关。

6. 常见坑 + 落地清单

下一阶段：思想就绪后，进入阶段1 战略启动——把"拥抱 AI"变成有目标、有路线图、有组织的正式转型。