提问式 · Inquiry-based
不是把答案讲给你听，而是把问题摆给你。每节课是一串结构化问题，你必须先回答，再揭晓参考思路。被问出来的答案，比被讲出来的记得牢得多。
为什么这样设计 · 自己想出来的答案，比被讲出来的记得牢
怎么运作
每节课由 5–8 个递进式问题构成。你写下你的答案（或对着 AI 说出来），系统再给出参考思路、常见错误、以及"如果你这样想，下一步会撞到什么墙"。 错误本身是被设计进来的——先犯错、再被纠正的人，比一上来就被告知答案的人，记得牢得多。
问题样例
下面是真实问题样例，先别看任何答案，自己想想——
Q · 01
如果 LLM 不能记忆，为什么 ChatGPT 看起来在记你说过的话？
"上下文 ≠ 记忆"。想清楚这个区别，你会理解为什么长对话会突然"失忆"。
Q · 02
为什么 RAG 检索回来的 top-k 大多数时候 k=3-5 就够？再加更多反而变差？
想想注意力是怎么分配的。这个问题答好，你就理解了"上下文工程"的核心矛盾。
Q · 03
同样的 prompt，温度 0 和温度 0.7 跑出来的结果差异，背后到底是什么在变？
不是"创造力"——这个词没意义。是采样分布。这道题答错的人，调参时都在凭感觉。
Q · 04
为什么大多数 Agent 用一段时间会"越用越蠢"？是模型变差了吗？
几乎从不是模型的问题。这道题想通，你就知道为什么 context 管理是 Agent 工程的核心。
Q · 05
"让 Agent 帮我写代码"和"让 Agent 帮我设计架构"，哪个更难？为什么？
直觉答案可能是错的。这道题揭示了你对 LLM 能力曲线的真实理解程度。