find-your-level

name	find-your-level
version	1.0.0
description	交互式测验，将你的 AI/ML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。 触发短语：“我应该从哪里开始”、“帮我定位水平”、“我懂什么”、“哪个阶段”、 “评估我的知识”、“分级测试”、“跳过前面内容”，或 "where should I start", "find my level", "what do I know", "which phase", "assess my knowledge", "placement test", "skip ahead"
tags	["assessment","onboarding","curriculum","ai-engineering"]

找到你的水平

你正在为 AI Engineering from Scratch 课程（20 个阶段、523 节课）进行分级测验。你的任务是找出学习者应从哪里开始，让他们跳过已掌握的材料，恰好从有挑战的地方起步。适用于任何 agent。

测验结构

共有 5 个知识领域，每个领域 2 道题，共 10 题。每轮展示 2 道题（每个领域一轮）。学习者答完一轮的两题后，为该领域评分再进入下一轮。

评分

每题 1 分（0 = 错误或空白，1 = 正确）。每个领域得分 0-2。总分范围为 0-10。

进行测验

先简短问候学习者，随即进入第 1 轮。环境有结构化问题/选项工具时，每题都使用它；否则用纯文本展示带字母的选项并等待回复。每轮后，先告知该领域得分（例如“数学与统计：2/2”）再进入下一轮。说明保持简短。所有答案解释都留到最后。

答案隔离

答案键特意存放在本测验正文之外的 references/answer-key.md。学习者提交当前轮两题答案之前，不要读取该引用。之后只读取当前轮的答案键、进行评分，并在五轮全部完成前保持解释私密。不要预加载后续轮次。

回复格式示例中绝不放入真实答案字母、可能答案或答案分布。纯文本时必须严格使用中性提示：请按此格式回复：Q1: <letter>, Q2: <letter>。替换当前题号，但两个值均保留为 <letter>。

---

第 1 轮 —— 数学与统计

Q1. 有两个向量，a = [1, 2, 3] 和 b = [4, 5, 6]。它们的点积是多少？

• A) 32
• B) 21
• C) 15
• D) 27

Q2. 一枚公平硬币抛掷 3 次。恰好出现 2 次正面的概率是多少？

• A) 1/4
• B) 1/2
• C) 1/8
• D) 3/8

---

第 2 轮 —— 经典机器学习

Q3. 在一个含 90% 负样本和 10% 正样本的分类任务中，模型把所有样本都预测为负类。它的准确率是多少？

• A) 50%
• B) 90%
• C) 10%
• D) 0%

Q4. 下列哪一项是 Random Forest 的超参数？

• A) 学得的划分阈值
• B) 叶节点预测值
• C) 树的数量
• D) 每个节点的 Gini impurity

---

第 3 轮 —— 深度学习

Q5. 在反向传播中，链式法则计算什么？

• A) 每个可训练权重的损失梯度
• B) 当前优化器的最佳学习率
• C) 网络所需层数的精确值
• D) 每个训练步骤使用的 batch size

Q6. ResNet 中的 residual connections（skip connections）主要解决什么问题？

• A) 小型训练数据集上的泛化不佳
• B) 从持久化存储加载 batch 很慢
• C) 模型推理时 activation memory 很高
• D) 在极深网络中的 gradient flow 太弱

---

第 4 轮 —— NLP 与 Transformer

Q7. 在 Transformer 架构中，attention mechanism 在什么之间计算？

• A) 像素和标签
• B) 仅 Encoder 和 Decoder
• C) Queries、Keys 和 Values
• D) 仅 Embeddings 和 positions

Q8. 使用 LoRA（Low-Rank Adaptation）微调大型语言模型的主要益处是什么？

• A) 从全新随机初始化开始，重新训练基础模型中的每一个参数
• B) 冻结基础模型权重，只训练低秩 adapters
• C) 无需带标签的示例或任务专属训练数据
• D) 复制模型层以提高适应容量

---

第 5 轮 —— 应用 AI

Q9. 在 RAG（Retrieval-Augmented Generation）系统中，LLM 生成答案之前会发生什么？

• A) 检索相关文档并加入模型 prompt
• B) 针对用户当前问题完整重新训练模型
• C) 用户在每次模型请求前选择所有上下文段落
• D) 模型只搜索预训练参数值

Q10. 在多 agent 系统中，“coordinator” 或 “orchestrator” agent 的首要职责是什么？

• A) 用一个通用模型替换所有专用 agent
• B) 分派任务、路由消息并协调其他 agent
• C) 最大化每次 agent 交互的 token 用量
• D) 为系统故障准备一份完全相同的备用模型

---

五轮全部完成后

展示领域拆分和总分：

数学与统计：           X/2
经典机器学习：         X/2
深度学习：             X/2
NLP 与 Transformer：   X/2
应用 AI：              X/2
----------------------------
总分：                 X/10

分数到起点的映射

总分	起点	含义
0-3	阶段 1：数学基础	从基础开始
4-5	阶段 3：深度学习核心	已有数学和 ML 基础
6-7	阶段 7：Transformer 深入剖析	已懂 DL，该学习 transformer 了
8-9	阶段 11：LLM 工程	基础扎实，可直接进入 LLM 应用
10	阶段 14：Agent 工程	你全都会，开始构建 agent

个性化学习路径

揭示起点后，生成覆盖全部 20 个阶段的 markdown 表格。用分数决定每阶段状态。起点之前的阶段标记为 Skip（学习者已掌握材料）；起点及之后标记为 Do。如果学习者在对应可跳过阶段的领域得分为 1/2，则该阶段标记为 Review 而不是 Skip。

用于检测复习项的领域到阶段映射：

• 数学与统计（1/2） -> 将阶段 1 标为 Review
• 经典机器学习（1/2） -> 将阶段 2 标为 Review
• 深度学习（1/2） -> 将阶段 3 标为 Review
• NLP 与 Transformer（1/2） -> 将阶段 5 和 7 标为 Review
• 应用 AI（1/2） -> 将阶段 14 标为 Review

从 ROADMAP.md 读取时间估算（规范唯一事实来源）。每个阶段标题都以 (~N hours) 格式包含预计小时数。解析这些值，不能使用硬编码数字，以便学习路径始终随路线图估算更新。仓库未在本地克隆时，从下面地址获取： https://raw.githubusercontent.com/fancyboi999/ai-engineering-from-scratch-zh/main/ROADMAP.md。

输出格式

按此格式生成表格：

| 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（学习者应快速复习）。
• Do 阶段显示完整小时数。
• 阶段 0（环境设置与工具）无论得分如何都始终为 Skip（它是工具设置，不是知识）。
• 汇总 Review 与 Do 阶段的小时数，并在底部展示总计。

表格后添加一句总时长：你的个性化路径：约 X 小时，覆盖 Y 个阶段。

接着给出简短建议：从哪一阶段开始，以及基于最弱领域应首先关注什么。

最后给出下一步：/start-learning 会把此次定位保存到持久化的 LEARNING.md 学习计划，/learn 会开始交互式教授第一课。