附录5 游戏

玩游戏，学 AI（数学、编程、AI）。

提高动手能力，培养数学直觉。

一、交互式数学工具

工具	说明
GeoGebra	动态几何数学软件
Mathigon	数学游乐场（交互式学习）
Polypad	在线数学画布

二、AI 能力测试

三、游戏角色设定

角色	性格特点
🐼 大熊猫	勇敢，动手能力、学习能力超强
🐵 猴子	机灵善思，头脑灵活，但缺乏耐心和毅力
🦧 猩猩	机灵、有耐心，力量强大，但缺乏动手能力
🐯 老虎	力量强大，行动果断

神兽设定

斯芬克斯（Sphinx）：狮身人面神兽，守在路口强迫过路者猜谜语，答错者被吞噬
阿米特（Ammit）：鳄鱼头、狮身上半身、河马下半身的混合怪物，负责冥界“心脏称重“审判

四、闯关游戏设计

4.1 关卡1：比较大小

比较幂、对数、三角函数的大小。

玩法： 玩家身处一个由多个方形密室组成的迷宫。每个密室四面墙各有一道门，其中一道门通往相邻密室，其余 3 道是假出口。玩家通过回答比较大小问题打开谜题的门。

规则： 回答正确即可开门，答错密室空间自动缩小。

下面用 Rust 模拟“比较大小”关卡的核心判题逻辑：

▶ 在 Rust Explorer 中运行

fn main() {
    // 题目：比较 a = 2^0.5, b = 0.5^2, c = log2(3) 的大小
    let a = 2.0_f64.powf(0.5); // ≈ 1.414
    let b = 0.5_f64.powi(2);   // = 0.25
    let c = 3.0_f64.log2();    // ≈ 1.585

    let mut items = [("a=2^0.5", a), ("b=0.5^2", b), ("c=log2(3)", c)];
    items.sort_by(|x, y| x.1.partial_cmp(&y.1).unwrap());

    print!("从小到大：");
    for (i, (name, val)) in items.iter().enumerate() {
        if i > 0 {
            print!(" < ");
        }
        print!("{}({:.3})", name, val);
    }
    println!();
    // 正确答案：b < a < c
}

4.2 关卡2：矩阵与向量

矩阵对向量的运算（旋转、缩放、平移、剪切）。

玩法： 玩家身处湖中有机关的桥墩上。桥墩上有一个矩阵机关，玩家需要将方形石块放置到矩阵的各个位置上，触发桥梁（向量）进行旋转、缩放、平移、剪切，从而连接到其他桥墩，最终到达岸边。

规则： 桥梁在运动过程中不能触碰到任何障碍物，否则会导致桥梁断裂。

4.3 Rust + Bevy 3D 闯关游戏

开发一个 3D 闯关游戏，包含数学问题和逻辑推理：

# Cargo.toml 依赖
[dependencies]
bevy = "0.14"

关卡设计：

关卡	主题	核心知识
关卡1	比较大小	幂、对数、三角函数的比较
关卡2	矩阵和向量	旋转、缩放、平移、剪切变换

五、经典问题题库

问题	类别	难度
物不知数（中国剩余定理）	数论	🌱
鸡兔同笼	线性方程组	🌱
引葭赴岸	几何	🌱
计数质数	数论	⚡
最速降线	微积分	🔥

六、猜想

克拉茨猜想（3n+1 猜想）： 任取一正整数，若为偶数则除以 2，若为奇数则乘以 3 再加 1，重复操作，最终总会落入 4→2→1 的循环。至今未被证明。

▶ 在 Rust Explorer 中运行

fn collatz(mut n: u64) -> (u64, Vec<u64>) {
    let mut path = vec![n];
    let mut steps = 0;
    while n != 1 {
        n = if n % 2 == 0 { n / 2 } else { 3 * n + 1 };
        path.push(n);
        steps += 1;
    }
    (steps, path)
}

fn main() {
    let start = 27;
    let (steps, path) = collatz(start);
    println!("从 {} 出发，经过 {} 步落入 1", start, steps); // 111 步
    let preview = &path[..12.min(path.len())];
    println!("序列前 12 项：{:?} ...", preview);
}

七、微积分书籍推荐

书籍	作者	特点
《托马斯微积分》	多人	美国高校经典教材，几何直观与严谨并存
《普林斯顿微积分读本》	Adrian Banner	语言清晰，适合自学入门
《柯朗微积分》	柯朗	大师视角，引导数学思维
《菲赫金哥尔茨微积分》	菲赫金哥尔茨	苏式严苛，逻辑极完备的百科全书

八、人工智能学习路径

1. 基础知识准备
   ├── 数学基础：微积分、线性代数、概率统计、优化方法
   └── 编程基础：Python（首选）、Rust（辅助）

2. 机器学习入门
   ├── 核心概念：监督/无监督/强化学习、过拟合、评估指标
   └── 经典算法：线性回归、决策树、SVM、KNN、K-Means、PCA

3. 深度学习核心
   ├── 神经网络基础：MLP、激活函数、反向传播、优化器
   ├── CNN：图像分类、目标检测
   ├── RNN/LSTM：序列预测、文本生成
   └── Transformer：自注意力机制、BERT、GPT

4. 高级方向
   ├── 计算机视觉：图像分类、分割、目标检测
   ├── 自然语言处理：Word2Vec、BERT、GPT、提示学习
   ├── 强化学习：MDP、Q学习、DQN、PPO
   └── 生成式AI：GAN、Diffusion、多模态生成

5. 工程与部署
   ├── 模型优化：剪枝、量化、知识蒸馏
   └── 部署工具：FastAPI、Docker、Kubernetes、MLflow

6. 学习策略
   ├── 先通后专：先系统学基础，再选方向深耕
   ├── 代码第一：学完算法就手写实现
   ├── 项目驱动：尽早完成完整项目
   └── 保持实践：每天写代码、读论文

九、在线资源

Rust Cookbook — Rust 编程示例
3Blue1Brown — 数学可视化
LeetCode — 算法练习
Kaggle — 数据科学竞赛

十、AI落地

将AI应用到生产领域，是一个从“能做Demo”到“能稳定交付”的系统性工程。这不仅仅是调用一个API，更涉及架构设计、数据治理、安全合规、持续运维等一系列工程化问题。

根据当前行业的最佳实践，这个过程可以从以下三个层面来系统性地学习和实践。

🧭 第一步：理解AI进入生产的三种路径

并非所有AI应用都要一步到位实现完全自动化。根据风险、场景和数据成熟度，AI进入生产通常有三种路径。

Copilot模式（辅助增强）：这是最务实、最成熟的起点。AI作为“副驾驶”，提供建议和分析，最终决策权仍在人类手中。
- 典型场景：
  - 故障诊断与维修指导：设备报警时，AI自动分析数据、检索历史，生成诊断报告和建议。
  - 生产排程优化：AI综合考虑订单、设备、物料等多变量生成优化计划，供人工确认。
  - 自动化报告生成：AI自动从MES、ERP等系统拉取数据，生成品质周报，将工程师数小时的工作缩短至几分钟。
- 优势：安全可控，风险低，易于起步。
自治模式（封闭场景自主决策）：在边界清晰、规则明确的封闭场景中，AI被赋予自主决策和执行权。
- 典型场景：
  - 仓储物流机器人：AI自主规划路径、调度AGV（自动导引车）完成搬运任务。
  - AI视觉质检：AI自主完成产品外观缺陷的检测、分类和分拣，速度和精度超过人类。
- 关键：场景必须高度封闭，输入输出明确，异常处理有预案，风险完全可控。
混合模式（分层自治与人机协同）：这是目前最被看好的方向。它将系统划分为不同层级，低层级（如具体操作）由AI自主完成，高层级（如任务分配、复杂决策）由人类负责，形成高效协同。

🛠️ 第二步：掌握从概念到生产的工程化实践

将AI应用推向生产，需要一套超越Demo的工程化思维。

💡 思维转变：AI应用不是传统软件

AI应用（特别是基于大模型的智能体）有三个根本不同点，导致传统开发和运维方法失效：

输出不确定：大模型是概率模型，同样输入可能得到不同输出。
Prompt即代码：对Prompt的修改会像代码变更一样影响行为，却缺乏严格的版本管理和测试。
依赖会变化：依赖的云端大模型会悄无声息地更新，导致你的应用行为发生变化。

⚙️ 核心方法论：以评估驱动的闭环

亚马逊云科技发布的《企业生产级智能体开发部署指南》提出了一个核心解法：将“评估”置于开发全生命周期的起点。

这是一个六步闭环：定义标准 → 构建 → 评估 → 灰度上线 → 持续监控 → 问题回流。每一次迭代都让系统更可靠，生产环境的问题会变成下一轮优化的起点。

🏗️ 关键实践：构建生产级AI应用的要点

架构设计：
- 从单体到多智能体（Multi-Agent）：对于复杂任务，采用多智能体协作架构。例如，一个“Planner Agent”负责任务拆分，然后分配给专门的“数据Agent”、“知识库Agent”等分别执行。
- 分层记忆管理：不要将所有历史对话都塞进Prompt。应建立短期记忆（当前会话）、中期记忆（向量数据库存储的用户偏好等）和长期记忆（核心业务实体数据库）的分层架构。
工具与数据治理：
- 工具治理：为Agent调用的API建立版本管理、幂等机制（避免重复执行）和熔断机制（防止故障蔓延）。
- 数据治理：这是AI发挥效用的前提。需要将分散在MES、ERP、Excel、PDF等不同系统中的数据统一接入，转化为AI可理解的格式。
评估与可观测性：
- 让评估成为基础设施：从项目第一天起，就要准备一套覆盖常见和边缘情况的基准数据集，用以衡量每次改动带来的效果变化。
- 让系统可观测：从第一天就接入追踪手段，将Agent的每一步（调用了什么模型、工具、参数）都结构化地记录下来。
安全与可靠性：
- 人在回路（Human-in-the-Loop）：对于高风险操作（如调整化工厂反应釜温度），必须设置人工审批环节。
- 责任边界：明确AI能做什么、不能做什么，以及出错时的责任归属。
- 确定性任务分离：能用一行代码解决的（如数学计算、日期获取），就不要让大模型去做，既慢又不稳定。

🏭 第三步：从行业案例中学习

AI在生产领域的应用已经有很多成功案例。

京东方 (BOE)：在显示行业率先发布“AI工厂”，部署了缺陷管理智能体（ADM Agent）和良率管理智能体（AYM Agent），贯通了从数据采集、检测、分析到改善的全链路。
TCL：其子公司TCL中环借助AI模型，实现了单人多机（384台）的远程操控；TCL华星发布了自研的“星智X-Intelligence3.0”大模型，用于产品开发。
中控技术：其TPT系统在万华化学的工厂中，将废液pH中和处理时长从5小时压缩至1小时，年节约综合成本超千万元。
国星光电：通过AI模型对LED产品进行智能化分档和异常预警，使试点产品光电参数一致性提升10%以上，异常响应时间缩短约98%。
浪潮集团：建立了国内首个人工智能模型工厂，将模型生产周期从90天缩短至20天。
永卓控股：在钢铁生产中上线了29个AI智能体、134项工业AI模型，覆盖从采购到销售的全链条。

📚 第四步：系统性地学习

如果你想系统性地学习，可以参考以下路径：

夯实基础：
- 理解大模型基本原理、不同模型的能力边界。
- 掌握Prompt Engineering、RAG（检索增强生成）等核心技术。
- 了解向量数据库（如Milvus, Qdrant）的基本用法。
动手实践：
- 从简单的“Copilot”类应用开始，例如用AI自动化生成周报。
- 尝试使用Dify、Coze等低代码平台快速搭建原型。
- 深入学习一个主流框架（如LangChain或LlamaIndex）。
关注工程化：
- 学习如何构建可评估、可观测的AI系统。
- 了解模型推理优化（如SGLang）、高并发与性能监控。
- 关注CI/CD for AI（或GenAIOps），学习如何使用GitHub Actions等工具为AI应用构建持续集成和部署流水线。
利用优质资源：
- 关注云厂商（如AWS、Azure、阿里云）发布的白皮书和指南。
- 参与InfoQ等技术社区的相关大会和讨论。

💎 总结

将AI应用到生产，本质上是将前沿的AI能力与成熟的软件工程、系统工程方法论相结合的过程。成功的路径通常是：从一个边界清晰、风险可控的具体问题开始（如Copilot模式），在解决实际问题的过程中，逐步建立起评估、监控、治理等全套工程化体系。

你目前所在的行业或正在考虑的具体场景是什么呢？如果方便分享，我可以为你提供更聚焦的落地思路和建议～

git clone https://github.com/deepseek-ai/deepseek-harness.git cd deepseek-harness pnpm install # 安装依赖，需先安装 pnpm pnpm run build # 构建项目 pnpm dsh web # 启动 Web UI

prettier

NocoBase 基于代码生成器的快速开发平台

《DeepSeek Harness白皮书》 https://electricitysheep.github.io/dsh-handbook/#/

Keyboard shortcuts

Rust七十二变（Rust 72 Changes）