用分轮测验评估 AI/ML 知识水平并定位课程起点

当学习者想知道自己该从 AI 工程课程的哪个阶段开始、跳过已掌握内容时，用 5 领域 10 题的分轮测验评分并生成个性化学习路径。

适用场景

解决思路

1. 先简短问候学习者，然后直接进入第 1 轮，不要长篇介绍。
2. 测验共 5 个知识领域、每领域 2 题、共 10 题；每轮呈现一个领域的 2 道题。
3. 如果环境有结构化的问题/选项工具，就对每道题使用它；否则以纯文本列出带字母的选项并等待回复。
4. 每轮学习者答完两题后，先给该领域打分（如 "Math & Statistics: 2/2"）再进入下一轮；点评保持简短，直到最后才解释答案。
5. 每题 1 分（答错或空白为 0），每领域 0-2 分，总分 0-10 分。
6. 答案隔离：答案键存放在 references/answer-key.md，学习者提交当前轮两题答案前不要读取该文件；之后只读取当前轮的答案键并评分，其解释在所有 5 轮完成前保持私密，不要预加载后续轮次。
7. 绝不要在回复格式示例中放入真实答案字母、可能答案或答案分布；纯文本时严格使用中性提示：Reply with Q1: <letter>, Q2: <letter>.（替换当前题号，但两个值都保留为 <letter>）。
8. 第 1 轮 Math & Statistics：Q1 求向量 a=[1,2,3] 与 b=[4,5,6] 的点积（选项 A)32 B)21 C)15 D)27）；Q2 公平硬币掷 3 次恰好 2 次正面的概率（A)1/4 B)1/2 C)1/8 D)3/8）。
9. 第 2 轮 Classical ML：Q3 在 90% 负样本、10% 正样本的分类任务中，模型全预测为负的准确率（A)50% B)90% C)10% D)0%）；Q4 随机森林的哪个是超参数（A)学到的分裂阈值 B)叶节点预测 C)树的数量 D)每个节点的 Gini 不纯度）。
10. 第 3 轮 Deep Learning：Q5 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)网络所需的确切层数 D)每个训练步的批量大小）；Q6 ResNet 中残差连接（跳跃连接）主要解决什么问题（A)小训练集上的泛化差 B)从持久存储加载批次慢 C)模型推理时激活内存高 D)极深网络中梯度流动弱）。
11. 第 4 轮 NLP & Transformers：Q7 Transformer 中注意力机制在什么之间计算（A)像素与标签 B)仅编码器与解码器 C)Queries、Keys 和 Values D)仅嵌入与位置）；Q8 微调大语言模型时 LoRA 的主要好处（A)从全新初始化重训每个基座参数 B)训练低秩适配器而基座权重保持冻结 C)无需标注样本或任务特定训练数据 D)复制模型层以增加适应能力）。
12. 第 5 轮 Applied AI：Q9 RAG 系统中 LLM 生成答案前发生什么（A)检索相关文档并加入模型提示 B)在用户当前问题上完整重训模型 C)用户在每个模型请求前选择所有上下文段落 D)模型只搜索其预训练参数值）；Q10 多智能体系统中 "coordinator" 或 "orchestrator" 智能体的主要目的（A)用一个通用模型替换所有专家智能体 B)分配任务、路由消息并协调其他智能体 C)最大化每次智能体交互的 token 用量 D)保持一个相同的备份模型以应对系统故障）。
13. 5 轮全部结束后，展示各领域得分与总分：Math & Statistics X/2、Classical ML X/2、Deep Learning X/2、NLP & Transformers X/2、Applied AI X/2、Total X/10。
14. 按总分映射起点：0-3 分 → Phase 1: Math Foundations；4-5 分 → Phase 3: Deep Learning Core；6-7 分 → Phase 7: Transformers Deep Dive；8-9 分 → Phase 11: LLM Engineering；10 分 → Phase 14: Agent Engineering。
15. 揭示起点后，生成覆盖全部 20 个阶段的 markdown 表格：低于起点的阶段标 "Skip"，等于或高于起点的标 "Do"；若某领域得 1/2 且映射到可跳过阶段，则该阶段标 "Review" 而非 "Skip"。
16. 用于 Review 检测的领域到阶段映射：Math & Statistics (1/2) → Phase 1 标 "Review"；Classical ML (1/2) → Phase 2 标 "Review"；Deep Learning (1/2) → Phase 3 标 "Review"；NLP & Transformers (1/2) → Phase 5 和 Phase 7 标 "Review"；Applied AI (1/2) → Phase 14 标 "Review"。
17. 从 ROADMAP.md（权威来源）读取时间估算：每个阶段标题含 `(~N hours)` 格式的预计小时数，解析这些值而非硬编码；若仓库未克隆到本地，从 https://raw.githubusercontent.com/rohitg00/ai-engineering-from-scratch/main/ROADMAP.md 获取。
18. 按指定格式生成表格：列为 Phase、Name、Status、Est. Hours；"Skip" 阶段小时数显示 `--`（不计入总数），"Review" 和 "Do" 阶段显示完整小时数；Phase 0 (Setup & Tooling) 无论得分如何始终为 "Skip"（它是工具设置而非知识）；汇总 "Review" 和 "Do" 阶段的小时数并在底部显示总计。
19. 表格后加一句话给出预计总时长："Your personalized path: ~X hours across Y phases."，并给出简短建议：从哪个阶段开始、根据最弱领域先关注什么。
20. 最后提供下一步：/start-learning 将本次定位保存为持久的 LEARNING.md 学习计划，/learn 开始第一课并以交互方式教学。

适用边界 · 注意事项

• 学习者不想做测验、只想要课程目录或直接开始学习时。
• 课程不是 AI Engineering from Scratch（20 阶段、523 课）时，分数到起点的映射不适用。
• 无法访问 ROADMAP.md 且无法联网获取时，无法生成准确的小时数估算。