初始化：从 docx 拆分为独立 Markdown 章节

将《设计人工智能：基础与应用》拆分为 38 个 Markdown 文件，
按 11 个部分（上篇6部分+下篇5部分）+ 3 个附录组织。

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

.gitignore

@@ -0,0 +1,10 @@
+# Editor / Tool configs
+.DS_Store
+.claude/
+.claudian/
+.obsidian/
+.pandoc/
+
+# Original source (kept for reference, not tracked)
+*.docx
+learning_markdown.md

01-introduction/00.1-ai-overview.md

@@ -0,0 +1,150 @@
+
+## 学习目标
+
+了解AI技术发展的关键时间节点
+
+理解AI四大赛道及其应用场景
+
+掌握设计领域AI应用的现状与趋势
+
+# Amazon Go：AI赋能的典型案例
+
+## 案例背景
+
+Amazon Go是亚马逊推出的无人便利店，通过计算机视觉和传感器融合技术，实现"拿了就走"的购物体验。
+
+## 技术要素
+
+Amazon Go的AI技术栈融合了多项前沿技术：
+
+  --------------------------------------------------
+  技术         作用             应用场景
+  ------------ ---------------- --------------------
+  5G通信       低延迟数据传输   实时视频流处理
+
+  3D传感器     深度信息获取     空间定位与手势识别
+
+  计算机视觉   图像理解         商品识别、行为分析
+
+  传感器融合   多源数据整合     精确定位与跟踪
+  --------------------------------------------------
+
+## 启示
+
+Amazon Go展示了AI技术如何重构传统场景。从"扫码支付"到"拿了就走"，AI让交互变得更加自然。
+
+# AI赋能的时间线：2016-2024
+
+## 第一阶段：觉醒期 (2016-2018)
+
+**2016**：AlphaGo击败李世石，AI进入公众视野
+
+**2017**：Transformer架构诞生，为大模型时代奠基
+
+**2018**：BERT预训练模型问世，NLP任务取得突破
+
+## 第二阶段：爆发期 (2019-2022)
+
+**2019**：GPT-2展示强大的文本生成能力
+
+**2020**：GPT-3发布，少样本学习能力震惊业界
+
+**2022**：ChatGPT发布，AI对话能力达到新高度
+
+## 第三阶段：应用期 (2023-2024)
+
+**2023**：多模态大模型、AI Agent概念兴起
+
+**2024**：具身智能、端侧AI加速落地
+
+# AI四大赛道
+
+## 1. AIGC (AI-Generated Content)
+
+**定义**：人工智能生成内容
+
+**应用领域**： - 文本生成：文章、报告、代码 - 图像生成：设计稿、效果图、图标 - 视频生成：短视频、动画、特效 - 音频生成：音乐、配音、音效
+
+**设计影响**：从"工具辅助"到"生成伙伴"
+
+## 2. Agent (智能体)
+
+**定义**：能够自主感知、规划、执行的系统
+
+**核心能力**： - 感知 (Perception)：理解环境信息 - 规划 (Planning)：制定行动方案 - 记忆 (Memory)：存储和检索经验 - 工具 (Tool Use)：调用外部资源
+
+**设计影响**：从"被动执行"到"主动协作"
+
+## 3. AI4S (AI for Science)
+
+**定义**：AI驱动科学发现
+
+**应用领域**： - 蛋白质结构预测 (AlphaFold) - 材料科学计算 - 气候变化模拟 - 城市系统优化
+
+**设计影响**：数据驱动的设计决策
+
+## 4. AIED (AI in Education)
+
+**定义**：AI在教育领域的应用
+
+**应用场景**： - 个性化学习路径 - 智能答疑与辅导 - 学习行为分析 - 知识图谱构建
+
+**设计影响**：设计教育与人才培养模式变革
+
+# 设计领域AI应用趋势
+
+## 当前应用
+
+  ----------------------------------------
+  领域       AI应用               成熟度
+  ---------- -------------------- --------
+  建筑设计   图纸生成、方案优化   中
+
+  景观设计   场地分析、植被配置   中
+
+  室内设计   家具布局、风格迁移   高
+
+  平面设计   Logo生成、排版辅助   高
+
+  交互设计   用户研究、原型生成   低
+  ----------------------------------------
+
+## 未来趋势
+
+1.**从单点工具到系统化解决方案**
+
+2.**从生成内容到生成决策**
+
+3.**从人机协作到人机共生**
+
+# 思考与练习
+
+1.选择你熟悉的设计领域，分析AI在该领域的应用现状和潜力
+
+2.思考AI四大赛道中，哪一个对你的专业影响最大？为什么？
+
+3.Amazon Go案例中，哪些AI技术可以迁移到设计领域？
+
+# 关键术语
+
+  --------------------------------------------------------
+  中文              英文            说明
+  ----------------- --------------- ----------------------
+  生成式AI          AIGC            AI-Generated Content
+
+  智能体            Agent           自主决策系统
+
+  AI for Science    AI4S            AI驱动科学研究
+
+  AI in Education   AIED            AI教育应用
+
+  传感器融合        Sensor Fusion   多传感器数据整合
+  --------------------------------------------------------
+
+# 延伸阅读
+
+[Amazon Go技术解析](https://amazon.go/technology)
+
+[AIGC产业发展报告](https://www.caict.ac.cn/)
+
+[AI Agent综述论文](https://arxiv.org/pdf/2308.11432v2) \# 00.2 AI范式演进

01-introduction/00.2-ai-paradigm.md

@@ -0,0 +1,226 @@
+
+# 学习目标
+
+理解AI范式的三次演进
+
+掌握万能逼近定理的直观意义
+
+建立神经网络技术栈的完整认知
+
+理解Scaling Law与模型规模效应
+
+# AI范式的三次演进
+
+## 第一范式：规则系统 (Symbolic AI)
+
+**时期**：1950s - 1980s
+
+**核心思想**：人类专家编写规则
+
+**特点**： - 逻辑推理清晰 - 知识表达明确 - 泛化能力弱
+
+**典型应用**：专家系统、棋类游戏
+
+## 第二范式：机器学习 (Machine Learning)
+
+**时期**：1990s - 2010s
+
+**核心思想**：从数据中学习规律
+
+**特点**： - 数据驱动 - 特征工程依赖专家经验 - 任务特定
+
+**典型应用**：推荐系统、图像分类、语音识别
+
+## 第三范式：深度学习 (Deep Learning)
+
+**时期**：2012 - 至今
+
+**核心思想**：端到端学习，自动提取特征
+
+**特点**： - 大数据驱动 - 自动特征学习 - 迁移学习能力强
+
+**典型应用**：大语言模型、生成式AI、自动驾驶
+
+# 万能逼近定理
+
+## 定理表述
+
+**Universal Approximation Theorem (1989)**：
+
+一个具有足够多神经元的单隐藏层前馈神经网络，可以以任意精度逼近任何连续函数。
+
+## 直观理解
+
+想象一张橡皮膜： - 输入空间是平面上的点 - 神经网络调整膜的形状 - 神经元越多，膜的形变能力越强 - 最终可以拟合任意复杂的曲面
+
+## 启示
+
+这个定理告诉我们：**神经网络具有强大的表达能力，理论上可以学习任何复杂的映射关系**。
+
+这也是深度学习能够处理图像、语言、语音等复杂任务的数学基础。
+
+# 神经网络技术栈全景
+
+`┌─────────────────────────────────────────────────────────────┐`\
+`│                        ``应用层``                                 │`\
+`│   AIGC  │  Agent  │  AI4S  │  AIED  │  ``空间智能``               │`\
+`├─────────────────────────────────────────────────────────────┤`\
+`│                       ``模型层``                                   │`\
+`│   Diffusion  │  Transformer  │  GNN  │  CNN  │  MLP           │`\
+`├─────────────────────────────────────────────────────────────┤`\
+`│                       ``算法层``                                   │`\
+`│  ``反向传播``  │  ``注意力机制``  │  ``卷积``  │  ``池化``  │  ``激活函数``         │`\
+`├─────────────────────────────────────────────────────────────┤`\
+`│                       ``数学层``                                   │`\
+`│   ``微积分``  │  ``线性代数``  │  ``概率论``  │  ``优化理论``                 │`\
+`└─────────────────────────────────────────────────────────────┘`
+
+## 技术演进路径
+
+  ------------------------------------------
+  时代    代表技术      突破点
+  ------- ------------- --------------------
+  1980s   MLP           万能逼近定理
+
+  1990s   CNN           局部连接、权重共享
+
+  2000s   RNN/LSTM      序列建模
+
+  2010s   GNN           图结构数据
+
+  2017    Transformer   Self-Attention
+
+  2020s   Diffusion     生成质量突破
+  ------------------------------------------
+
+## 模型家族关系
+
+`MLP (``多层感知机``)`\
+`                       │`\
+`        ┌──────────────┼──────────────┐`\
+`        │              │              │`\
+`       CNN            GNN            RNN`\
+`    (``空间数据``)      (``图数据``)      (``序列数据``)`\
+`        │              │              │`\
+`        └──────────────┼──────────────┘`\
+`                       │`\
+`                 Transformer`\
+`                       │`\
+`        ┌──────────────┼──────────────┐`\
+`        │              │              │`\
+`      GPT``系列``         BERT           Diffusion`\
+`    (``生成式``)        (``理解式``)       (``图像生成``)`
+
+# Scaling Law：规模即智能
+
+## 什么是Scaling Law
+
+Scaling Law（缩放定律）描述了模型性能与计算量、数据量、参数量之间的关系：
+
+**模型性能 ≈ f(计算量, 数据量, 参数量)**
+
+## 核心发现
+
+### 1.性能随规模对数增长
+
+o模型越大，性能越好
+
+o增长是可预测的
+
+#### 2.计算效率最关键
+
+o计算量增加10倍 → 性能提升约1.5倍
+
+o数据量和参数量也有类似规律
+
+#### 3.没有看到天花板
+
+o在现有规模下，性能提升仍在继续
+
+### 启示
+
+**大模型时代**：规模成为竞争壁垒
+
+**数据为王**：高质量数据比模型架构更重要
+
+**算力需求**：AI发展依赖硬件进步
+
+从函数式视角看AI演进
+
+### 核心理念
+
+**"Functions Describe the World"（函数描述世界）**
+
+物理定律：F = ma
+
+经济规律：Supply = Demand(Price)
+
+神经网络：y = f(x; θ)
+
+### AI即函数组合
+
+`输入数据`` x`\
+`    │`\
+`    ▼`\
+`┌─────────┐`\
+`│  f₁(x)  │  ``第一层函数：特征提取`\
+`└─────────┘`\
+`    │`\
+`    ▼`\
+`┌─────────┐`\
+`│  f₂(h)  │  ``第二层函数：模式识别`\
+`└─────────┘`\
+`    │`\
+`    ▼`\
+`┌─────────┐`\
+`│  f₃(z)  │  ``第三层函数：决策输出`\
+`└─────────┘`\
+`    │`\
+`    ▼`\
+`输出`` y`
+
+从Excel到神经网络
+
+  ------------------------------------
+  Excel                 神经网络
+  --------------------- --------------
+  y = ax + b            单层感知机
+
+  y = a₁x₁ + a₂x₂ + b   多输入神经元
+
+  嵌套IF函数            多层网络
+
+  宏函数                自动微分
+  ------------------------------------
+
+## 思考与练习
+
+1.万能逼近定理告诉我们神经网络"能"做任何事，但没有说"如何"高效学习。这个区别意味着什么？
+
+2.Scaling Law是否意味着"越大越好"？在资源有限的情况下，应该如何权衡？
+
+3.从函数式视角理解AI，对你理解设计问题有何启发？
+
+## 关键术语
+
+  -------------------------------------------------------------------------------------
+  中文                   英文                              说明
+  ---------------------- --------------------------------- ----------------------------
+  万能逼近定理           Universal Approximation Theorem   神经网络表达能力的理论保证
+
+  缩放定律               Scaling Law                       模型性能与规模的关系
+
+  前馈网络               Feed-Forward Network              信息单向传播的神经网络
+
+  多层感知机             MLP                               Multi-Layer Perceptron
+
+  端到端学习             End-to-End Learning               从输入直接学习到输出
+  -------------------------------------------------------------------------------------
+
+## 延伸阅读
+
+[Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361)
+
+[Universal Approximation Theorem](https://en.wikipedia.org/wiki/Universal_approximation_theorem)
+
+[The Evolution of AI: A Historical Perspective](https://www.nature.com/articles/s41586-023-06221-x)

01-introduction/01-introduction.md

@@ -0,0 +1,51 @@
+# 第一篇：导论
+
+本篇建立读者对人工智能的宏观认知，介绍AI的发展历程和范式演进，帮助读者理解AI技术的全貌和发展趋势。
+
+## 篇章导读
+
+人工智能正在深刻改变设计的边界。从自动绘图到智能生成，从数据分析到自主决策，AI技术为设计领域带来了前所未有的可能性。
+
+本篇将回答两个核心问题： 1. **AI是什么，它将如何影响设计？** 2. **AI技术是如何演进的，我们应该关注哪些方向？**
+
+通过本篇学习，你将建立对AI的宏观认知，理解技术发展的脉络，为后续深入学习打下基础。
+
+## 章节目录
+
+[00.1 AI发展历程](00.1-ai-overview.md) - 从Amazon Go到AI赋能
+
+[00.2 AI范式演进](00.2-ai-paradigm.md) - 技术栈全景与发展趋势
+
+## 学习目标
+
+完成本篇后，你将能够：
+
+描述AI发展的关键节点和技术突破
+
+理解AI四大赛道的区别和应用场景
+
+掌握神经网络技术家族的演进脉络
+
+建立AI技术栈的完整认知框架
+
+## 核心概念
+
+  ------------------------------------------------------------------
+  概念              英文    说明
+  ----------------- ------- ----------------------------------------
+  生成式AI          AIGC    AI-Generated Content，人工智能生成内容
+
+  智能体            Agent   能够自主感知、决策和行动的系统
+
+  AI for Science    AI4S    AI驱动科学发现
+
+  AI in Education   AIED    AI在教育领域的应用
+  ------------------------------------------------------------------
+
+## 延伸思考
+
+1.AI技术发展呈现加速趋势，这对设计行业意味着什么？
+
+2.在AIGC、Agent、AI4S、AIED四个方向中，你认为哪个对设计领域影响最大？
+
+3.了解AI技术演进后，你认为设计师应该掌握哪些AI相关技能？ \# 00.1 AI发展历程

02-foundations/01.1-math-foundation.md

@@ -0,0 +1,165 @@
+
+### 学习目标
+
+理解"Functions Describe the World"的核心理念
+
+掌握从Excel到神经网络的演进逻辑
+
+理解函数组合与层级抽象的思想
+
+### 核心理念：函数描述世界
+
+#### 从物理定律说起
+
+物理学用简洁的函数描述复杂现象：
+
+  ----------------------------------
+  现象       函数           发现者
+  ---------- -------------- --------
+  自由落体   h = ½gt²       伽利略
+
+  万有引力   F = Gm₁m₂/r²   牛顿
+
+  电磁感应   ε = -dΦ/dt     法拉第
+  ----------------------------------
+
+这些函数的共同特点：**用数学关系描述客观规律**
+
+#### AI的函数观
+
+AI延续了这一传统：**用函数从数据中学习规律**
+
+`数据`` → ``函数`` → ``预测``/``决策`\
+` x  →  f(x) →   y`
+
+从Excel到神经网络
+
+线性回归：y = ax + b
+
+在Excel中，我们经常做线性拟合：
+
+`房价`` ≈ 0.015 × ``面积`` + 50``万`\
+` y   =      a      ×   x   +  b`
+
+这就是一个最简单的"AI模型"：**单变量线性函数**
+
+多元回归：y = a₁x₁ + a₂x₂ + ... + b
+
+增加更多特征：
+
+`房价`` ≈ 0.01 × ``面积`` + 0.5 × ``卧室数`` + 0.3 × ``地段评分`` - 20``万`
+
+这就是**单层神经元**的数学形式！
+
+函数组合：层级嵌套
+
+现实世界的关系往往是非线性的，需要函数组合：
+
+`h₁ = f₁(x)    # ``第一层：提取特征`
+
+`h₂ = f₂(h₁)   # ``第二层：组合特征`
+
+`y  = f₃(h₂)   # ``第三层：输出结果`
+
+这就是**多层神经网络**的本质！
+
+### 函数组合的威力
+
+为什么需要多层？
+
+**单层函数**只能学习简单的线性关系
+
+**多层函数**可以学习任意复杂的非线性关系
+
+直观例子：识别圆形
+
+`输入：像素点灰度值`\
+`  ↓`\
+`第一层：检测边缘（梯度变化）`\
+`  ↓`\
+`第二层：组合边缘成弧线`\
+`  ↓`\
+`第三层：判断是否闭合`` → ``圆形`
+
+每一层都是一个函数，层层组合形成复杂能力。
+
+### 数据驱动 vs 规则驱动
+
+#### 规则驱动
+
+`# ``传统编程：人工编写规则`\
+`def`` ``is_circle``(image):`\
+`    edges ``=`` ``detect_edges``(image)`\
+`    ``if`` ``edges.is_closed``() ``and`` ``edges.is_round``():`\
+`        ``return`` ``True`\
+`    ``return`` ``False`
+
+**问题**：规则难以穷举，无法处理复杂情况
+
+#### 数据驱动
+
+`# AI``：从数据中学习函数`\
+`f ``=`` ``neural_network``()`\
+`train(f, ``thousands_of_examples``)`\
+`result ``=`` f(``new_image``)  ``# ``自动判断`
+
+**优势**：自动发现规律，适应复杂情况
+
+### 神经网络的函数本质
+
+数学表示
+
+一个L层神经网络：
+
+`y = ``f_L``(f_{L-``1}(``...f_₂(f₁(x))))`
+
+其中每一层：
+
+`h = ``σ(``Wx`` + b)`
+
+W：权重矩阵（可学习参数）
+
+b：偏置向量（可学习参数）
+
+σ：激活函数（引入非线性）
+
+#### 视觉理解
+
+`输入层``          ``隐藏层``          ``输出层`\
+`  x              ``h₁,h₂,h``₃         y`\
+`  ● ──────────→  ○ ──────────→   ●`\
+`  │              ○                │`\
+`  ● ──────────→  ○ ──────────→   ●`\
+`  │              ○                │`\
+`  ● ──────────→  ○ ──────────→   ●`\
+`    ``权重``W₁          ``权重``W₂`
+
+箭头上的权重就是函数的参数，通过学习自动确定。
+
+### 思考与练习
+
+1.列举3个日常生活中"用函数描述世界"的例子
+
+2.为什么单层函数无法学习异或（XOR）问题？
+
+3.思考：设计中有哪些问题可以用"数据驱动函数"的思路解决？
+
+### 关键术语
+
+  ------------------------------------------------------------
+  中文       英文                  说明
+  ---------- --------------------- ---------------------------
+  线性回归   Linear Regression     y = ax + b 形式的函数拟合
+
+  多元回归   Multiple Regression   多输入变量的线性模型
+
+  权重       Weight                神经网络中的可学习参数
+
+  偏置       Bias                  调整输出基准的参数
+
+  非线性     Non-linearity         无法用直线表示的关系
+  ------------------------------------------------------------
+
+### 延伸阅读
+
+[Neural Networks and Deep Learning](http://neuralnetworksanddeeplearning.com/) - 在线书籍

02-foundations/01.2-mlp-basics.md

@@ -0,0 +1,221 @@
+
+### 学习目标
+
+理解MLP的基本结构
+
+掌握前向传播的计算过程
+
+了解激活函数的作用和类型
+
+理解反向传播的基本思想
+
+### MLP结构
+
+#### 什么是MLP
+
+**MLP (Multi-Layer Perceptron)**：多层感知机，是最基础的神经网络结构。
+
+网络架构
+
+`输入层``          ``隐藏层``          ``输出层`\
+`    ┌─────────┐    ┌─────────────┐    ┌─────────┐`\
+`    │  x₁     │    │   h₁        │    │   y₁    │`\
+`    │  x₂     │───→│   h₂        │───→│   y₂    │`\
+`    │  x₃     │    │   h₃        │    │   y₃    │`\
+`    │  ...    │    │   ...       │    │   ...   │`\
+`    │  xₙ     │    │   hₘ        │    │   yₖ    │`\
+`    └─────────┘    └─────────────┘    └─────────┘`\
+`         │               │                │`\
+`         └───────────────┴────────────────┘`\
+`              ``全连接（每个神经元相连）`
+
+#### 层次说明
+
+  ----------------------------------------
+  层类型   作用             神经元数量
+  -------- ---------------- --------------
+  输入层   接收原始数据     取决于特征数
+
+  隐藏层   特征变换与组合   自由设计
+
+  输出层   产生最终结果     取决于任务
+  ----------------------------------------
+
+### 前向传播
+
+#### 单个神经元
+
+`# ``线性部分`\
+`z ``=`` ``w₁x``₁ ``+`` ``w₂x``₂ ``+`` ... ``+`` ``wₙx``ₙ ``+`` b`\
+\
+`# ``激活函数`\
+`h ``=`` σ(z)`
+
+#### 完整网络
+
+对于L层网络：
+
+`# ``第``1``层`
+
+`h₁ ``=`` σ``₁(``W₁x`` ``+`` b₁)`
+
+`# ``第``2``层`
+
+`h₂ ``=`` σ``₂(``W₂h``₁ ``+`` b₂)`
+
+`# ...`
+
+`# ``第``L``层`
+
+    y = σₗ(Wₗh_{l-1} + bₗ)
+
+#### 数据流动
+
+`输入向量`` x₀`\
+`    │`\
+`    ├─→ W₁, b₁ ──→ z₁ = ``W₁x``₀ + b₁`\
+`    │                    │`\
+`    │                    └─→ σ₁(z₁) = h₁`\
+`    │                              │`\
+`    └──────────────────────────────├─→ W₂, b₂ ──→ z₂ = ``W₂h``₁ + b₂`\
+`                                   │                    │`\
+`                                   └─→ σ₂(z₂) = h₂`\
+`                                                 │`\
+`                                                 └─→ ... → y`
+
+### 激活函数
+
+#### 为什么需要激活函数？
+
+没有激活函数，多层网络就等价于单层线性变换：
+
+`y = W₂(``W₁x``) = (W₂W``₁)x`` = ``W'x`
+
+激活函数引入**非线性**，使网络能够学习复杂模式。
+
+#### 常用激活函数
+
+  --------------------------------------------------------------------
+  激活函数   公式                          特点         应用场景
+  ---------- ----------------------------- ------------ --------------
+  Sigmoid    σ(z) = 1/(1+e⁻ᶻ)              输出(0,1)    二分类输出层
+
+  ReLU       ReLU(z) = max(0,z)            简单高效     隐藏层首选
+
+  Softmax    softmax(zᵢ) = eᶻⁱ/Σeᶻʲ        输出和为1    多分类输出层
+
+  Tanh       tanh(z) = (eᶻ-e⁻ᶻ)/(eᶻ+e⁻ᶻ)   输出(-1,1)   循环网络
+  --------------------------------------------------------------------
+
+#### 视觉对比
+
+`ReLU``:         Sigmoid:      Tanh:`\
+`  ↑                    ___           ___`\
+`  │                  /                  ╲`\
+`  │                 /                    ╲`\
+`  │____            /                      ╲___`\
+`    │   ______    /                          │`\
+`    └────────    /                           └──`\
+`    -``∞  0``   +∞  -∞          0          +∞   -∞         0        +∞`
+
+### 损失函数与优化
+
+#### 损失函数
+
+损失函数衡量模型预测与真实值的差距：
+
+  ---------------------------------------
+  任务     损失函数   公式
+  -------- ---------- -------------------
+  回归     均方误差   MSE = Σ(ŷ-y)²/n
+
+  二分类   交叉熵     CE = -y·log(ŷ)
+
+  多分类   交叉熵     CE = -Σyᵢ·log(ŷᵢ)
+  ---------------------------------------
+
+#### 优化目标
+
+`最小化损失函数：`\
+`min L(f(x; θ), y)`\
+\
+`其中`` θ = {W₁, b₁, W₂, b₂, ...} ``是所有可学习参数`
+
+#### 梯度下降
+
+`重复直到收敛：`\
+`    θ = θ - α·∇L(θ)`\
+\
+`其中：`\
+`    θ``：参数`\
+`    α``：学习率`\
+`    ∇L(θ)``：损失函数的梯度`
+
+### 反向传播
+
+核心思想
+
+从输出层向输入层反向计算梯度：
+
+`输出层误差`` → ``隐藏层误差`` → ... → ``输入层误差`
+
+链式法则
+
+`∂L/∂W₁ = (∂L/∂y) · (∂y/∂h₂) · (∂h₂/∂z₂) ·`\
+`      ``   (``∂z₂/∂h₁) · (∂h₁/∂z₁) · (∂z₁/∂W₁)`
+
+直观理解
+
+1.**前向传播**：计算每个神经元的输出
+
+2.**计算误差**：比较输出与真实值
+
+3.**反向传播**：将误差反向传递
+
+4.**更新权重**：根据误差调整参数
+
+### MLP vs 传统模型
+
+  --------------------------------------
+  特性         MLP        传统机器学习
+  ------------ ---------- --------------
+  特征工程     自动学习   人工设计
+
+  非线性能力   强         中/弱
+
+  数据需求     大量       中等
+
+  可解释性     低         高
+
+  训练时间     长         短
+  --------------------------------------
+
+### 思考与练习
+
+1.为什么隐藏层越多，网络表达能力越强？
+
+2.ReLU为什么比Sigmoid更适合隐藏层？
+
+3.如果所有权重初始化为0，会发生什么？
+
+### 关键术语
+
+  ----------------------------------------------------------
+  中文       英文               说明
+  ---------- ------------------ ----------------------------
+  前向传播   Forward Pass       数据从输入到输出的计算过程
+
+  反向传播   Backpropagation    计算梯度的算法
+
+  损失函数   Loss Function      衡量预测误差的函数
+
+  梯度下降   Gradient Descent   优化算法
+
+  学习率     Learning Rate      参数更新的步长
+  ----------------------------------------------------------
+
+### 延伸阅读
+
+[Neural Networks and Deep Learning - Chapter 1](http://neuralnetworksanddeeplearning.com/chap1.html)
+
+[Yes you should understand backprop](https://medium.com/@karpathy/yes-you-should-understand-backprop-e2f06eab496b) \# 01.3 编程工具与Vibe Coding

02-foundations/01.3-programming.md

@@ -0,0 +1,226 @@
+
+## 学习目标
+
+掌握Python AI开发环境配置
+
+了解核心科学计算库
+
+理解Vibe Coding的AI辅助编程新模式
+
+### Python环境配置
+
+#### Anaconda vs Miniconda
+
+  -----------------------------------------------
+  工具        大小      特点         适用场景
+  ----------- --------- ------------ ------------
+  Anaconda    \~500MB   预装常用库   初学者推荐
+
+  Miniconda   \~50MB    仅含conda    精简安装
+  -----------------------------------------------
+
+#### 安装步骤
+
+##### 1.下载安装
+
+o访问 https://www.anaconda.com/download
+
+o选择Python 3.x版本
+
+o按提示安装
+
+##### 2.创建虚拟环境
+
+`conda`` create ``-n`` ai-env python=3.10`\
+`conda`` activate ai-env`
+
+##### 3.安装核心库
+
+`conda`` install ``numpy`` pandas ``scipy`\
+`pip`` install torch ``torchvision`
+
+### 核心科学计算库
+
+#### NumPy：数值计算基础
+
+`import`` ``numpy`` ``as`` np`\
+\
+`# ``创建数组`\
+`x ``=`` ``np.array``([``1``, ``2``, ``3``, ``4``])`\
+\
+`# ``矩阵运算`\
+`W ``=`` ``np.random.randn``(``4``, ``3``)  ``# 4×3``权重矩阵`\
+`h ``=`` np.dot(x, W)           ``# ``矩阵乘法`\
+\
+`# ``激活函数`\
+`relu`` ``=`` ``np.maximum``(``0``, h)    ``# ``ReLU`
+
+#### Pandas：数据处理
+
+`import`` pandas ``as`` pd`\
+\
+`# ``读取数据`\
+`df`` ``=`` ``pd.read_csv``(``'data.csv'``)`\
+\
+`# ``数据清洗`\
+`df`` ``=`` ``df.dropna``()`\
+`df`` ``=`` ``df`` normalized ``=`` (``df`` ``-`` ``df.mean``()) ``/`` ``df.std``()`\
+\
+`# ``统计分析`\
+`df.describe``()`
+
+#### SciPy：科学计算
+
+`from`` ``scipy`` ``import`` optimize`\
+`from`` ``scipy.spatial`` ``import`` distance`\
+\
+`# ``优化问题`\
+`result ``=`` ``optimize.minimize``(``loss_func``, x0)`\
+\
+`# ``距离计算`\
+`dist`` ``=`` ``distance.euclidean``(point1, point2)`
+
+### 开发工具选择
+
+#### VSCode
+
+**特点**： - 微软开源，免费 - 丰富的插件生态 - 轻量级，启动快
+
+**AI开发常用插件**： - Python - Jupyter - Pylance - Copilot
+
+## Cursor
+
+**特点**： - AI原生IDE - 代码补全与生成 - 自然语言编程
+
+**使用场景**： - 快速原型开发 - 代码重构 - 学习新API
+
+## Jupyter Notebook
+
+**特点**： - 交互式编程 - 可视化友好 - 文档即代码
+
+**使用场景**： - 数据探索 - 算法实验 - 教学演示
+
+# Vibe Coding：AI辅助编程
+
+## 什么是Vibe Coding
+
+传统编程：**明确需求 → 设计算法 → 编写代码**
+
+Vibe Coding：**模糊想法 → AI辅助 → 迭代完善**
+
+## 工作流程
+
+### 1. 描述意图（自然语言）
+
+`"``帮我创建一个简单的神经网络``"`
+
+### 
+
+`2. AI``生成代码`
+
+### → 自动生成完整代码框架
+
+`3. ``运行测试`
+
+`→ ``发现问题或需要调整`
+
+`4. ``迭代优化`
+
+`"``把隐藏层改成``128``个神经元``"`
+
+`→ AI``自动修改代码`
+
+`5. ``理解学习`
+
+       → 阅读AI生成的代码，学习最佳实践
+
+## 实践技巧
+
+  ---------------------------------
+  技巧       说明
+  ---------- ----------------------
+  明确需求   详细描述输入输出
+
+  分步实现   复杂功能拆解为小任务
+
+  验证结果   检查生成的代码
+
+  学习思考   理解AI为什么这样写
+  ---------------------------------
+
+## 工具推荐
+
+  --------------------------------------------
+  工具             特点             适用场景
+  ---------------- ---------------- ----------
+  GitHub Copilot   代码补全         日常开发
+
+  Cursor           对话式编程       快速原型
+
+  ChatGPT/Claude   代码生成与解释   学习咨询
+
+  Replit Agent     端到端开发       小型项目
+  --------------------------------------------
+
+## 开发工作流
+
+项目结构
+
+`project/`\
+`├── data/              # ``数据文件`\
+`├── notebooks/         # ``Jupyter``笔记本`\
+`├── ``src``/               # ``源代码`\
+`│   ├── models/        # ``模型定义`\
+`│   ├── utils/         # ``工具函数`\
+`│   └── train.py       # ``训练脚本`\
+`├── requirements.txt   # ``依赖列表`\
+`└── README.md          # ``项目说明`
+
+### 典型工作流
+
+`# 1. ``创建环境`\
+`conda`` create ``-n`` ``myproject`` python=3.10`\
+`conda`` activate ``myproject`\
+\
+`# 2. ``安装依赖`\
+`pip`` install ``-r`` requirements.txt`\
+\
+`# 3. ``开发迭代`\
+`# - ``在``notebook``中实验`\
+`# - ``整理到``src``/``目录`\
+`# - ``运行测试`\
+\
+`# 4. ``保存环境`\
+`conda`` env export ``>`` ``environment.yml`
+
+## 思考与练习
+
+1.对比Anaconda和Miniconda，什么时候该用哪个？
+
+2.尝试用Cursor/Copilot生成一个简单的神经网络代码
+
+3.Vibe Coding如何改变传统的编程学习方式？
+
+## 关键术语
+
+  -----------------------------------------------------------
+  中文       英文                    说明
+  ---------- ----------------------- ------------------------
+  虚拟环境   Virtual Environment     隔离的Python运行环境
+
+  依赖管理   Dependency Management   管理项目所需的库
+
+  代码补全   Code Completion         自动补全正在输入的代码
+
+  原型开发   Prototyping             快速构建可运行版本
+
+  迭代优化   Iterative Refinement    逐步改进代码
+  -----------------------------------------------------------
+
+## 延伸阅读
+
+[Anaconda官方文档](https://docs.anaconda.com/)
+
+[NumPy快速入门](https://numpy.org/doc/stable/user/quickstart.html)
+
+[Cursor使用指南](https://cursor.com/docs)

02-foundations/02-foundations.md

@@ -0,0 +1,49 @@
+# 第二篇：数学与编程基础
+
+本篇从函数式视角理解AI，介绍神经网络的基本原理和Python编程工具，为后续学习打下基础。
+
+## 篇章导读
+
+理解AI不需要高深的数学背景。核心理念是：**神经网络就是由简单函数组合而成的复杂函数**。
+
+从Excel的线性回归到深度神经网络，本质上是同样的思想：**用函数来描述和预测世界**。
+
+本篇将： - 从函数式视角理解AI - 介绍多层感知机的基本原理 - 讲解Python编程工具和AI辅助编程
+
+## 章节目录
+
+[01.1 函数式AI视角](01.1-math-foundation.md) - "Functions Describe the World"
+
+[01.2 多层感知机](01.2-mlp-basics.md) - MLP结构与原理
+
+[01.3 编程工具与Vibe Coding](01.3-programming.md) - Python环境与AI辅助编程
+
+## 学习目标
+
+完成本篇后，你将能够：
+
+从函数组合角度理解神经网络
+
+描述MLP的基本结构和工作原理
+
+配置Python AI开发环境
+
+使用AI工具辅助编程学习
+
+## 核心概念
+
+  -----------------------------------------------------------
+  概念         英文                  说明
+  ------------ --------------------- ------------------------
+  多层感知机   MLP                   Multi-Layer Perceptron
+
+  前向传播     Forward Pass          数据通过网络的过程
+
+  激活函数     Activation Function   引入非线性的函数
+
+  损失函数     Loss Function         衡量预测误差的函数
+
+  反向传播     Backpropagation       计算梯度的算法
+  -----------------------------------------------------------
+
+## 01.1 函数式AI视角

03-computer-vision/02.1-cnn-foundation.md

@@ -0,0 +1,145 @@
+
+### 学习目标
+
+理解CNN的核心思想：局部连接与权重共享
+
+掌握卷积、激活、池化三大组件
+
+了解CNN与MLP的区别和联系
+
+### 为什么需要CNN
+
+MLP的问题
+
+将图像展平成一维向量输入MLP：
+
+`28×28``图像`` → 784``维向量`` → MLP`
+
+**问题**： 1. 参数量巨大：784×1000 = 784,000个参数 2. 忽略空间结构：相邻像素的关系被破坏 3. 缺乏平移不变性：物体移位后需要重新学习
+
+#### CNN的解决方案
+
+  ------------------------------------------------------------
+  特性         说明                       优势
+  ------------ -------------------------- --------------------
+  局部连接     每个神经元只连接局部区域   符合图像局部相关性
+
+  权重共享     同一卷积核扫描全图         大幅减少参数
+
+  层次化特征   低层→高层特征抽象          自动学习特征表达
+  ------------------------------------------------------------
+
+### CNN三大组件
+
+#### 1. 卷积层 (Convolution)
+
+**卷积操作**：用卷积核（Filter）在图像上滑动，计算局部特征
+
+`输入图像``          ``卷积核``            ``特征图`\
+`┌─────────┐    ┌─────┐          ┌─────────┐`\
+`│ 1  2  3 │    │ 1  0 │          │  8  10 │`\
+`│ 4  5  6 │  ⊗ │ 0 -1 │    =     │ 14  16 │`\
+`│ 7  8  9 │    │      │          │        │`\
+`└─────────┘    └─────┘          └─────────┘`
+
+**计算示例**：
+
+`输出``(1,1) = 1×1 + 2×0 + 4×0 + 5×(-1) = 1 - 5 = -4`
+
+**多通道卷积**：
+
+`RGB``图像`` (3``通道``) + ``卷积核`` (3×3×3) → ``特征图`` (``单通道``)`
+
+#### 2. 激活层 (Activation)
+
+通常使用ReLU：
+
+`output ``=`` ``max``(``0``, ``feature_map``)`
+
+作用：引入非线性，使网络能学习复杂模式
+
+#### 3. 池化层 (Pooling)
+
+**最大池化** (Max Pooling)：
+
+`2×2``窗口`` → ``取最大值`\
+`┌─────┐       ┌───┐`\
+`│3  1 │       │ 3 │`\
+`│2  5 │  →    │   │`\
+`└─────┘       │ 5 │`\
+`              └───┘`
+
+作用： - 降低维度，减少计算量 - 增强平移不变性 - 扩大感受野
+
+### CNN架构示例
+
+#### LeNet-5 (经典架构)
+
+`输入``(32×32) → ``卷积层`` → ``池化层`` → ``卷积层`` → ``池化层`\
+`                                           ↓`\
+`                                    ``全连接层`` → ``输出`
+
+#### VGG-16 (深层架构)
+
+`输入`` → [Conv×3 + Pool] ×2 → [Conv×3 + Pool] ×3`\
+`     → [Conv×3 + Pool] ×3 → FC×3 → ``输出`
+
+### CNN vs MLP
+
+  -------------------------------------
+  特性       MLP            CNN
+  ---------- -------------- -----------
+  连接方式   全连接         局部连接
+
+  权重       每个连接独立   同层共享
+
+  空间结构   忽略           保留
+
+  参数量     大             小
+
+  适用任务   结构化数据     图像/语音
+  -------------------------------------
+
+### 经典网络架构演进
+
+`LeNet`` (1998)        → ``首次定义``CNN``结构`\
+`     ↓`\
+`AlexNet`` (2012)      → ``深度学习爆发，``ReLU``激活`\
+`     ↓`\
+`VGG (2014)          → ``更深网络，``3×3``小卷积核`\
+`     ↓`\
+`GoogLeNet`` (2014)    → Inception``模块，多尺度`\
+`     ↓`\
+`ResNet`` (2015)       → ``残差连接，``152``层`\
+`     ↓`\
+`EfficientNet`` (2019) → ``复合缩放，高效`
+
+### 思考与练习
+
+1.为什么卷积核通常选择奇数尺寸（3×3, 5×5）？
+
+2.感受野如何随着网络深度增加？
+
+3.设计一个简单的CNN用于手写数字识别
+
+### 关键术语
+
+  -------------------------------------------------------
+  中文     英文              说明
+  -------- ----------------- ----------------------------
+  卷积核   Kernel/Filter     用于特征提取的小矩阵
+
+  步幅     Stride            卷积核滑动的步长
+
+  填充     Padding           边缘补零以保持尺寸
+
+  感受野   Receptive Field   神经元响应的输入区域
+
+  通道     Channel           图像的颜色维度或特征图数量
+  -------------------------------------------------------
+
+### 延伸阅读
+
+[CS231n: Convolutional Neural Networks](http://cs231n.stanford.edu/)
+
+[Understanding CNNs](https://poloclub.github.io/cnn-explainer/) \# 02.2 目标检测

03-computer-vision/02.2-object-detection.md

@@ -0,0 +1,168 @@
+
+## 学习目标
+
+理解目标检测与图像分类的区别
+
+掌握YOLO系列的发展脉络
+
+了解目标检测在设计中的应用
+
+### 从分类到检测
+
+#### 图像分类
+
+`输入图像`` → CNN → ``类别标签`\
+`"``猫``"  (``单标签``)`
+
+#### 目标检测
+
+`输入图像`` → CNN → [``位置``, ``类别``]`\
+`[``边界框``, "``猫``", 0.95]`\
+`[``边界框``, "``狗``", 0.87]`
+
+**核心差异**：检测需要同时解决"是什么"和"在哪里"
+
+### 检测器类型
+
+#### Two-Stage检测器
+
+`第一阶段：候选区域生成`\
+`    RPN (Region Proposal Network)`\
+\
+`第二阶段：分类与回归`\
+`    ``对每个候选框进行精确预测`\
+\
+`代表：``R-CNN, Fast R-CNN, Faster R-CNN`
+
+特点：准确率高，速度慢
+
+#### One-Stage检测器
+
+`直接预测：一次性输出所有边界框和类别`\
+\
+`代表：``YOLO, SSD, ``RetinaNet`
+
+特点：速度快，实时性好
+
+### YOLO系列演进
+
+#### YOLO v1 (2016)
+
+**核心思想**：将检测转化为回归问题
+
+`输入图像`` → S×S``网格`` → ``每个网格预测``B``个边界框`
+
+创新点： - 端到端训练 - 实时检测 (45 FPS)
+
+#### YOLO v2-v4
+
+  ----------------------------------
+  版本   主要改进
+  ------ ---------------------------
+  v2     Batch Normalization, 锚框
+
+  v3     多尺度预测
+
+  v4     CSPDarknet, PANet
+
+  v5     PyTorch实现，工程优化
+
+  v8     重新设计，更易用
+  ----------------------------------
+
+#### YOLO工作流程
+
+##### 1. 输入图像 (640×640)
+
+`↓`
+
+##### 2. Backbone特征提取
+
+`↓`
+
+##### 3. Neck特征融合 (FPN + PAN)
+
+`↓`
+
+##### 4. Head检测输出
+
+`- ``边界框坐标`
+
+`- ``目标置信度`
+
+`- ``类别概率`
+
+### 评估指标
+
+#### IoU (交并比)
+
+`IoU`` = ``预测框与真实框的交集`` / ``并集`\
+\
+`      ┌─────────┐`\
+`      │ ``预测框``  │`\
+`      │  ┌───┐ │`\
+`      │  │``真`` │ │`\
+`      └──┼──┼─┘`\
+`         └───┘`\
+\
+`IoU`` = ``重叠面积`` / ``总面积`
+
+### mAP (平均精度均值)
+
+在不同IoU阈值(0.5, 0.75...)下的平均精度
+
+综合衡量定位准确度和分类准确度
+
+### COCO数据集
+
+80类物体，包含： - 目标检测 - 实例分割 - 关键点检测 - 图像说明
+
+## 设计领域应用
+
+建筑识别
+
+`卫星图像`` → YOLO → ``建筑物边界框`\
+`    ↓`\
+`自动生成建筑轮廓`
+
+场景分析
+
+`室内照片`` → ``目标检测`` → ``家具识别`\
+`    ↓`\
+`空间布局分析`
+
+遗产保护
+
+`无人机影像`` → ``建筑病害检测`\
+`    ↓`\
+`自动化巡检与记录`
+
+## 思考与练习
+
+1.Two-Stage和One-Stage检测器的权衡是什么？
+
+2.为什么YOLO能实现实时检测？
+
+3.目标检测在规划设计中有哪些潜在应用？
+
+## 关键术语
+
+  -------------------------------------------------------
+  中文           英文           说明
+  -------------- -------------- -------------------------
+  边界框         Bounding Box   矩形目标框
+
+  锚框           Anchor Box     预定义的候选框
+
+  非极大值抑制   NMS            去除重复检测
+
+  交并比         IoU            Intersection over Union
+
+  平均精度       AP             Average Precision
+  -------------------------------------------------------
+
+## 延伸阅读
+
+[Ultralytics YOLO文档](https://docs.ultralytics.com/)
+
+[COCO数据集](https://cocodataset.org/) \# 02.3 语义分割与空间分析

03-computer-vision/02.3-semantic-segmentation.md

@@ -0,0 +1,136 @@
+
+## 学习目标
+
+理解图像分析的三种层级
+
+掌握语义分割与实例分割的区别
+
+了解分割技术在空间分析中的应用
+
+## 图像分析层级
+
+### Pixel-Level (像素级)
+
+`每个像素独立处理`\
+`问题：不考虑上下文`
+
+### Patch-Level (图块级)
+
+`以图像块为单位`\
+`特点：保留局部空间关系`\
+`应用：``CNN``卷积操作`
+
+### Object-Level (对象级)
+
+`以完整对象为单位`\
+`特点：语义完整`\
+`应用：目标检测、分割`
+
+### 语义分割 vs 实例分割
+
+#### 语义分割 (Semantic Segmentation)
+
+`所有同类对象归为一类`\
+`图像`` → [``道路``, ``建筑``, ``车辆``, ``行人``, ...]`
+
+特点： - 同类别用同一种颜色 - 不区分个体数量
+
+#### 实例分割 (Instance Segmentation)
+
+`每个对象单独分割`\
+`图像`` → [``建筑``1, ``建筑``2, ``车``1, ``车``2, ...]`
+
+特点： - 区分同类对象的不同个体 - 更精细的场景理解
+
+### 分割网络架构
+
+#### FCN (全卷积网络)
+
+`CNN``特征提取`` → ``上采样`` → ``像素级预测`
+
+创新：用卷积层替代全连接层，输出热力图
+
+#### U-Net
+
+`编码器`` → ``瓶颈层`` → ``解码器`\
+`  ↓                    ↑`\
+`跳跃连接`` ───────────────┘`
+
+特点： - U型对称结构 - 跳跃连接融合多尺度特征 - 医学图像分割经典架构
+
+#### DeepLab系列
+
+空洞卷积 (Atrous Convolution)
+
+扩大感受野而不降低分辨率
+
+ASPP (空洞空间金字塔池化)
+
+### 空间分析应用
+
+#### 遥感影像分析
+
+`卫星图像`` → ``语义分割`` → ``土地利用分类`\
+`    ↓`\
+`- ``建筑用地`\
+`- ``农用地`\
+`- ``水体`\
+`- ``森林`
+
+#### 城市形态分析
+
+`街景图像`` → ``分割`` → ``空间品质评估`\
+`    ↓`\
+`- ``绿视率`\
+`- ``天空开阔度`\
+`- ``建筑密度`
+
+#### 景观格局分析
+
+`高分辨率影像`` → ``生态源地识别`\
+`    ↓`\
+`景观连接性评估`
+
+### 分割与检测对比
+
+  --------------------------------
+  特性     目标检测   语义分割
+  -------- ---------- ------------
+  输出     矩形框     像素级标注
+
+  精度     粗糙       精细
+
+  计算量   较低       较高
+
+  应用     目标定位   场景理解
+  --------------------------------
+
+### 思考与练习
+
+1.语义分割和实例分割分别在什么场景下更有用？
+
+2.U-Net的跳跃连接为什么重要？
+
+3.分割技术如何辅助规划设计决策？
+
+### 关键术语
+
+  -----------------------------------------------------
+  中文       英文                    说明
+  ---------- ----------------------- ------------------
+  语义分割   Semantic Segmentation   按类别分割像素
+
+  实例分割   Instance Segmentation   按对象个体分割
+
+  热力图     Heatmap                 像素级预测结果
+
+  空洞卷积   Atrous Convolution      扩大感受野的卷积
+
+  跳跃连接   Skip Connection         跨层连接
+  -----------------------------------------------------
+
+### 延伸阅读
+
+[Fully Convolutional Networks](https://arxiv.org/abs/1411.4038)
+
+[U-Net: Convolutional Networks for Biomedical Image Segmentation](https://arxiv.org/abs/1505.04597)

03-computer-vision/03-computer-vision.md

@@ -0,0 +1,33 @@
+# 第三篇：计算机视觉与空间图像
+
+本篇深入讲解计算机视觉的核心技术CNN，以及目标检测和语义分割在空间分析中的应用。
+
+## 篇章导读
+
+计算机视觉让机器"看见"世界。从图像分类到目标检测，从语义分割到场景理解，视觉技术正在改变设计领域对空间信息的处理方式。
+
+本篇将系统介绍CNN原理及其在空间分析中的应用。
+
+## 章节目录
+
+[02.1 CNN基础原理](02.1-cnn-foundation.md) - 卷积神经网络三大组件
+
+[02.2 目标检测](02.2-object-detection.md) - YOLO系列与应用
+
+[02.3 语义分割与空间分析](02.3-semantic-segmentation.md) - 图像分析层级
+
+## 核心概念
+
+  ---------------------------------------------------------------
+  概念           英文              说明
+  -------------- ----------------- ------------------------------
+  卷积神经网络   CNN               Convolutional Neural Network
+
+  特征图         Feature Map       卷积操作的输出
+
+  感受野         Receptive Field   神经元能"看到"的输入区域
+
+  池化           Pooling           下采样操作
+  ---------------------------------------------------------------
+
+## 02.1 CNN基础原理

04-transformer/03.1-attention.md

@@ -0,0 +1,156 @@
+
+### 学习目标
+
+理解Self-Attention的动机和原理
+
+掌握Q、K、V的计算过程
+
+了解Multi-Head Attention的优势
+
+### 为什么需要Attention
+
+#### 序列标注问题
+
+`输入序列：``x₁, x₂, ..., xₙ (N``个元素``)`\
+`输出序列：``y₁, y₂, ..., yₙ' (N'``个元素``)`
+
+传统方法 (RNN/FCN)： - 固定窗口大小 - 长距离依赖丢失 - 难以并行计算
+
+Self-Attention： - 每个元素都能关注所有元素 - 直接建模任意距离依赖 - 可以并行计算
+
+### Self-Attention原理
+
+#### 核心思想 {#核心思想-1}
+
+为每个输出元素，计算输入序列中所有元素的相关性：
+
+`对于每个位置``i``：`\
+`    yᵢ = Σ (``注意力权重`` × ``对应输入值``)`
+
+#### Q、K、V计算
+
+`输入``X → ``三个线性变换`\
+`    ↓`\
+`Q (Query):   "``我想找什么``"`\
+`K (Key):     "``我有什么标签``"`\
+`V (Value):   "``我的实际内容``"`
+
+#### 注意力分数计算
+
+`1. ``计算相似度：``Score = Q × Kᵀ`
+
+`2. ``缩放：``Score = Score / √dₖ`
+
+`3. ``Softmax``：``Weight = ``softmax``(Score)`
+
+`4. ``加权求和：``Output = Weight × V`
+
+#### 直观理解 {#直观理解-2}
+
+`查询：``"``苹果``"`\
+`  ↓`\
+`与所有``Key``计算相似度`\
+`  ↓`\
+`权重高的``Key``对应``Value``贡献更大`\
+`  ↓`\
+`输出：融合上下文的``"``苹果``"``表示`
+
+### Multi-Head Attention
+
+单头 vs 多头
+
+**单头注意力**：
+
+`一组``Q``、``K``、``V → ``一个注意力表示`
+
+**多头注意力**：
+
+`多组``Q``、``K``、``V → ``多个注意力表示`` → ``拼接`
+
+#### 多头优势
+
+  ---------------------
+  头       关注内容
+  -------- ------------
+  Head 1   语法关系
+
+  Head 2   语义指代
+
+  Head 3   长距离依赖
+
+  ...      ...
+  ---------------------
+
+多头让模型从不同角度理解序列。
+
+### Positional Encoding
+
+#### 问题
+
+Self-Attention本身是**置换不变**的：
+
+`Attention(``[A, B, C]) = Attention([B, A, C])`
+
+但序列位置很重要！
+
+#### 解决方案
+
+添加位置信息：
+
+`输入`` = X + ``PositionalEncoding`
+
+常用方法： - 正弦/余弦位置编码 - 可学习位置编码
+
+### Self-Attention vs CNN
+
+感受野对比
+
+  ------------------------------------
+  层级   CNN          Self-Attention
+  ------ ------------ ----------------
+  单层   局部感受野   全局感受野
+
+  深层   逐层扩大     始终全局
+  ------------------------------------
+
+计算复杂度
+
+  --------------------------------------
+  操作     CNN          Self-Attention
+  -------- ------------ ----------------
+  复杂度   O(k²·C)      O(n²·d)
+
+  n        图像尺寸     序列长度
+
+  k        卷积核大小   \-
+  --------------------------------------
+
+### 思考与练习
+
+1.为什么Attention需要Scaling (除以√dₖ)？
+
+2.Multi-Head Attention中，头数越多越好吗？
+
+3.Self-Attention如何应用在图像上？
+
+### 关键术语
+
+  ------------------------------------------------------
+  中文       英文                 说明
+  ---------- -------------------- ----------------------
+  查询       Query                查询向量
+
+  键         Key                  键向量
+
+  值         Value                值向量
+
+  缩放点积   Scaled Dot-Product   注意力计算方式
+
+  掩码       Mask                 屏蔽某些位置的注意力
+  ------------------------------------------------------
+
+### 延伸阅读
+
+[Attention Is All You Need](https://arxiv.org/abs/1706.03762)
+
+[The Illustrated Transformer](https://jalammar.github.io/illustrated-transformer/) \# 03.2 Transformer架构

04-transformer/03.2-transformer.md

@@ -0,0 +1,157 @@
+
+### 学习目标
+
+理解Transformer的Encoder-Decoder结构
+
+掌握各组件的作用和连接方式
+
+了解Token处理流程
+
+### 整体架构
+
+`输入``Token``序列`` → Encoder → ``编码表示`\
+`                                    ↓`\
+`输出``Token``序列`` ← Decoder ← ``编码表示`
+
+### Encoder层
+
+单层结构
+
+`输入``X`\
+`    ↓`\
+`Multi-Head Self-Attention`\
+`    ↓`\
+`Add & Norm (``残差连接`` + ``层归一化``)`\
+`    ↓`\
+`Feed-Forward Network (FFN)`\
+`    ↓`\
+`Add & Norm`\
+`    ↓`\
+`输出``H`
+
+#### 残差连接
+
+`输出`` = F(x) + x`
+
+作用： - 缓解梯度消失 - 便于训练深层网络
+
+#### 层归一化
+
+`输出`` = ``LayerNorm``(x + F(x))`
+
+作用： - 稳定训练 - 加速收敛
+
+#### FFN (前馈网络)
+
+`FFN(x) = ``ReLU``(``xW``₁ + b₁)W₂ + b₂`
+
+本质：两层全连接网络，非线性变换
+
+### Decoder层
+
+#### 结构
+
+`输入``X`\
+`    ↓`\
+`Masked Self-Attention (``只能看之前的位置``)`\
+`    ↓`\
+`Add & Norm`\
+`    ↓`\
+`Cross-Attention (Query``来自``Decoder, Key/Value``来自``Encoder)`\
+`    ↓`\
+`Add & Norm`\
+`    ↓`\
+`FFN`\
+`    ↓`\
+`Add & Norm`\
+`    ↓`\
+`输出`` (``接``Softmax``预测概率``)`
+
+#### Cross-Attention
+
+`Q: Decoder``的隐藏状态`\
+`K, V: Encoder``的输出`
+
+作用：让Decoder关注Encoder的相关部分
+
+## Token处理流程
+
+### 输入处理
+
+`文本`` → Tokenize → Token IDs`\
+`                         ↓`\
+`                    Embedding``层`\
+`                         ↓`\
+`                 ``位置编码相加`\
+`                         ↓`\
+`                    Encoder/Decoder`
+
+### 输出处理
+
+`Decoder``输出`` → ``线性层`` → ``Softmax`` → ``概率分布`\
+`                                           ↓`\
+`                                      ``选择最大值`
+
+## 训练与推理
+
+训练阶段
+
+`教师强制`` (Teacher Forcing)``：`\
+`    ``真实标签作为``Decoder``输入`\
+`    ``可以并行计算`
+
+推理阶段
+
+`自回归生成`` (Autoregressive)``：`\
+`    ``生成一个``Token → ``加入输入`` → ``生成下一个`\
+`    ``串行计算`
+
+## Transformer变体
+
+BERT (Encoder-only)
+
+`输入`` → Encoder → [CLS]``表示`` / ``每个``Token``表示`
+
+应用：分类、NER、问答
+
+GPT (Decoder-only)
+
+`输入`` → Decoder → ``下一个``Token``预测`
+
+应用：文本生成
+
+T5 (Encoder-Decoder)
+
+`输入`` → Encoder → ``表示`` → Decoder → ``输出`
+
+应用：翻译、摘要
+
+## 思考与练习
+
+1.  为什么Decoder需要Masked Attention？
+
+2.  Encoder-only和Decoder-only模型各有什么优势？
+
+3.  Transformer如何处理超长序列？
+
+## 关键术语
+
+  ----------------------------------------------------------
+  中文            英文                  说明
+  --------------- --------------------- --------------------
+  残差连接        Residual Connection   跨层连接
+
+  层归一化        Layer Normalization   归一化层
+
+  教师强制        Teacher Forcing       训练时使用真实标签
+
+  自回归          Autoregressive        基于前序生成后续
+
+  编码器-解码器   Encoder-Decoder       Seq2Seq架构
+  ----------------------------------------------------------
+
+## 延伸阅读
+
+1.  [The Annotated Transformer](https://nlp.seas.harvard.edu/2018/04/03/attention.html)
+
+    [Visualizing A Machine Learning Model](https://poloclub.github.io/transformer-explainer/) \# 03.3 大语言模型应用

04-transformer/03.3-llm-application.md

@@ -0,0 +1,166 @@
+
+## 学习目标
+
+3.  理解从Transformer到ChatGPT的演进
+
+    掌握RAG、RLHF等关键技术
+
+    了解Prompt工程在设计中的应用
+
+## 从Transformer到ChatGPT
+
+### GPT系列演进
+
+  ------------------------------------------------------
+  模型      发布时间   参数量   特点
+  --------- ---------- -------- ------------------------
+  GPT-1     2018       117M     验证Decoder-only可行性
+
+  GPT-2     2019       1.5B     展示零样本能力
+
+  GPT-3     2020       175B     少样本学习震撼业界
+
+  ChatGPT   2022       \~       对话能力达到新高度
+
+  GPT-4     2023       \~       多模态能力
+  ------------------------------------------------------
+
+### 训练范式
+
+`预训练`` (Pre-training)``：`\
+`    ``大规模文本`` → ``无监督学习`` → ``语言模型`\
+\
+`微调`` (Fine-tuning)``：`\
+`    ``特定任务`` → ``有监督学习`` → ``任务模型`
+
+## RAG：检索增强生成
+
+### 核心思想 {#核心思想-2}
+
+    用户提问 → 检索相关文档 → LLM生成答案
+                    ↑
+               外部知识库
+
+### RAG架构
+
+#### 文档索引
+
+`文档`` → ``切分`` → Embedding → ``向量数据库`
+
+#### 
+
+`2. ``检索阶段`
+
+#### 问题 → Embedding → 相似度搜索 → 相关文档
+
+`3. ``生成阶段`
+
+        问题 + 相关文档 → LLM → 答案
+
+### RAG优势
+
+  ---------------------------
+  特点       说明
+  ---------- ----------------
+  减少幻觉   基于检索的事实
+
+  可更新     更新知识库即可
+
+  可解释     显示参考来源
+  ---------------------------
+
+## RLHF：人类反馈强化学习
+
+### 为什么需要RLHF
+
+预训练模型可能： - 生成有害内容 - 不符合人类偏好 - 产生无意义输出
+
+### RLHF三阶段
+
+#### 有监督微调 (SFT)
+
+`人工标注对话`` → ``微调模型`
+
+`2. ``奖励模型`` (RM)`
+
+#### 多个输出 → 人类排序 → 训练奖励模型
+
+`3. ``强化学习`` (RL)`
+
+        PPO算法 → 优化策略
+
+### 效果
+
+1.  输出更符合人类偏好
+
+    减少有害内容
+
+    提高回答质量
+
+## Prompt工程
+
+### Prompt设计原则
+
+#### 明确任务
+
+`好：请总结以下文本的主要观点`\
+`差：看看这段文字`
+
+#### 提供示例
+
+`任务：情感分类`\
+`示例：`\
+`"``这部电影太棒了！``" → ``正面`\
+`"``服务态度很差。``" → ``负面`\
+`现在分类：``"..."`
+
+### 指定格式
+
+`请按以下格式输出：`\
+`- ``观点``1``：``...`\
+`- ``观点``2``：``...`\
+`- ``结论：``...`
+
+## 设计领域应用
+
+  -------------------------------------------------------
+  任务       Prompt示例
+  ---------- --------------------------------------------
+  方案生成   "设计一个50人的办公空间，要求开放式布局"
+
+  代码生成   "写一个Python脚本计算建筑容积率"
+
+  文档撰写   "帮我写一份景观设计说明书的框架"
+  -------------------------------------------------------
+
+## 思考与练习
+
+1.  RAG和微调（Fine-tuning）各适用于什么场景？
+
+2.  如何评估LLM输出的质量？
+
+3.  Prompt工程在设计工作流中能解决什么问题？
+
+## 关键术语
+
+  ------------------------------------------------------------------------------------
+  中文               英文                 说明
+  ------------------ -------------------- --------------------------------------------
+  检索增强生成       RAG                  Retrieval-Augmented Generation
+
+  人类反馈强化学习   RLHF                 Reinforcement Learning from Human Feedback
+
+  提示工程           Prompt Engineering   设计输入以引导模型输出
+
+  向量数据库         Vector Database      存储和检索向量表示
+
+  幻觉               Hallucination        模型编造错误信息
+  ------------------------------------------------------------------------------------
+
+## 延伸阅读
+
+1.  [Language Models are Few-Shot Learners (GPT-3)](https://arxiv.org/abs/2005.14165)
+
+    [Training Language Models to Follow Instructions with Human Feedback](https://arxiv.org/abs/2203.02155)
+
+    [LangChain RAG教程](https://python.langchain.com/docs/tutorials/rag/)

04-transformer/04-transformer.md

@@ -0,0 +1,33 @@
+# 第四篇：Transformer与大模型
+
+本篇介绍革命性的Transformer架构和大语言模型，理解Self-Attention机制和LLM应用。
+
+## 篇章导读
+
+Transformer是AI领域最重要的架构创新之一。它不仅彻底改变了自然语言处理，还通过Attention机制启发了计算机视觉的范式变革。
+
+本篇将从注意力机制出发，深入理解Transformer架构，并探讨大语言模型在设计领域的应用。
+
+## 章节目录
+
+[03.1 注意力机制](03.1-attention.md) - Self-Attention原理
+
+[03.2 Transformer架构](03.2-transformer.md) - Encoder-Decoder结构
+
+[03.3 大语言模型应用](03.3-llm-application.md) - ChatGPT、RAG与Prompt工程
+
+## 核心概念
+
+  -------------------------------------------------------
+  概念         英文                  说明
+  ------------ --------------------- --------------------
+  注意力机制   Attention             关注输入的重要部分
+
+  自注意力     Self-Attention        序列内部的关系建模
+
+  位置编码     Positional Encoding   保留序列位置信息
+
+  令牌         Token                 文本的基本单位
+  -------------------------------------------------------
+
+## 03.1 注意力机制

05-generative-ai/04.1-diffusion.md

@@ -0,0 +1,151 @@
+
+### 学习目标
+
+1.  理解生成模型的发展脉络
+
+    掌握Diffusion模型的基本原理
+
+    了解各类生成模型的优缺点
+
+### 生成模型家族
+
+#### AE (Autoencoder，自编码器)
+
+`输入`` → ``编码器`` → ``潜在表示`` → ``解码器`` → ``重构`
+
+思想：学习数据的压缩表示
+
+问题：生成的图像模糊，缺乏多样性
+
+#### VAE (Variational AE，变分自编码器)
+
+`潜在空间约束为标准正态分布`\
+`    ↓`\
+`可以随机采样`` → ``解码`` → ``生成新图像`
+
+改进：引入概率分布，增强生成能力
+
+#### GAN (Generative Adversarial Network)
+
+`生成器：生成假图像`\
+`判别器：判断真假`\
+`    ↓`\
+`对抗训练，相互博弈`
+
+优势：生成图像质量高 问题：训练不稳定，模式崩溃
+
+#### Diffusion Model (扩散模型)
+
+`前向：逐步加噪`` → ``纯噪声`\
+`反向：学习去噪`` → ``还原图像`
+
+优势：训练稳定，生成质量极高 代表：Stable Diffusion, DALL-E 3
+
+### Diffusion原理
+
+#### 前向过程 (加噪)
+
+`原图`` x₀`\
+`    ↓ ``加高斯噪声`\
+`x₁ = x₀ + ε₁`\
+`    ↓ ``加噪声`\
+`x₂ = x₁ + ε₂`\
+`    ↓ ...`\
+`x_T`` = ``纯噪声`
+
+#### 反向过程 (去噪)
+
+`纯噪声`` ``x_T`\
+`    ↓ ``去噪`\
+`x_{T-1} = ``去噪网络``(``x_T``)`\
+`    ↓ ``去噪`\
+`x_{T-2} = ``去噪网络``(x_{T-1})`\
+`    ↓ ...`\
+`x₀ = ``原始图像`
+
+#### 训练目标
+
+`去噪网络学习预测：`\
+`    ``添加的噪声`` ε`\
+`    ``或`\
+`    ``原始图像`` x₀`
+
+### Stable Diffusion架构
+
+#### 潜在空间扩散
+
+`为了效率，在潜在空间操作：`\
+\
+`图像`` → VAE``编码`` → ``潜在表示`` → ``扩散`` → ``去噪`\
+`                                              ↓`\
+`                                        VAE``解码`` → ``图像`
+
+#### 核心组件
+
+  -------------------------------------
+  组件           作用
+  -------------- ----------------------
+  VAE            图像与潜在空间的转换
+
+  U-Net          去噪网络
+
+  Text Encoder   处理文本提示词
+
+  CLIP           文图对齐
+  -------------------------------------
+
+### 文生图工作流
+
+#### 输入提示词
+
+`"``一只猫，水彩画风格``"`
+
+#### 
+
+`2. ``文本编码`
+
+#### → 文本向量表示
+
+`3. ``初始化`
+
+#### → 随机噪声
+
+`4. ``去噪循环`
+
+`for t in T...1:`
+
+`噪声`` → ``预测噪声`` → ``去噪`
+
+`5. ``解码输出`
+
+        → 潜在表示 → VAE解码 → 图像
+
+### 思考与练习
+
+1.  Diffusion为什么比GAN训练更稳定？
+
+2.  潜在空间扩散有什么优势？
+
+3.  文生图如何实现风格控制？
+
+### 关键术语
+
+  ---------------------------------------------------
+  中文       英文              说明
+  ---------- ----------------- ----------------------
+  潜在空间   Latent Space      压缩后的数据表示空间
+
+  去噪       Denoising         移除噪声的过程
+
+  提示词     Prompt            指导生成的文本描述
+
+  潜变量     Latent Variable   不可直接观测的变量
+
+  模式崩溃   Mode Collapse     GAN生成多样性不足
+  ---------------------------------------------------
+
+### 延伸阅读
+
+1.  [Denoising Diffusion Probabilistic Models](https://arxiv.org/abs/2006.11239)
+
+    [High-Resolution Image Synthesis with Latent Diffusion Models](https://arxiv.org/abs/2112.10752) \# 04.2 AIGC设计工具链

05-generative-ai/04.2-aigc-tools.md

@@ -0,0 +1,180 @@
+
+## 学习目标
+
+3.  掌握ControlNet的条件控制机制
+
+    理解LoRA高效微调原理
+
+    了解ComfyUI工作流搭建
+
+## ControlNet：精确控制
+
+核心问题
+
+纯文生图：难以精确控制空间结构
+
+### ControlNet解决
+
+`输入图像`` → ``提取条件`` (``边缘``/``深度``/``姿态``)`\
+`    ↓`\
+`条件`` → ControlNet → ``主模型`` → ``输出图像`
+
+### 条件类型
+
+  ------------------------------------
+  条件           说明       应用
+  -------------- ---------- ----------
+  Canny          边缘检测   轮廓控制
+
+  Depth          深度图     空间关系
+
+  Pose           人体姿态   人物生成
+
+  Normal         法线图     表面细节
+
+  Segmentation   分割图     区域控制
+  ------------------------------------
+
+### 应用场景
+
+`草图`` → ControlNet → ``精细效果图`\
+`平面图`` → ControlNet → ``三维渲染`\
+`结构图`` → ControlNet → ``风格化设计`
+
+LoRA：高效微调
+
+问题
+
+全量微调大模型：计算资源需求巨大
+
+LoRA原理
+
+`原始权重`` W ``固定`\
+`    ↓`\
+`添加低秩分解：`\
+`    ΔW = A × B`\
+`    (``d×r``) × (``r×d``)`\
+`    ↓`\
+`新输出`` = ``Wx`` + ``ABx`
+
+优势： - 参数量减少100-1000倍 - 训练速度快 - 易于切换风格
+
+### 应用方式
+
+`基础模型`` + ``LoRA`` A = ``风格``A`\
+`基础模型`` + ``LoRA`` B = ``风格``B`\
+`基础模型`` + ``LoRA`` A + B = ``混合风格`
+
+## ComfyUI：模块化工作流
+
+### 核心特点
+
+`节点化连接`\
+`    ↓`\
+`可视化流程`\
+`    ↓`\
+`灵活定制`
+
+### 典型节点
+
+  ---------------------------------
+  节点类型           功能
+  ------------------ --------------
+  Load Checkpoint    加载模型
+
+  CLIP Text Encode   文本编码
+
+  KSampler           采样生成
+
+  VAE Decode         潜在空间解码
+
+  Save Image         保存图像
+
+  ControlNet         条件控制
+
+  LoRA Loader        加载LoRA
+  ---------------------------------
+
+### 工作流示例
+
+`文本提示`` → CLIP``编码`` →`\
+`                        ↓`\
+`正负提示`` ────→ ``KSampler`` ← ControlNet`\
+`                        ↓`\
+`                    VAE``解码`\
+`                        ↓`\
+`                    ``保存图像`
+
+## 设计领域应用案例
+
+### 建筑设计
+
+`草图生成`` → ControlNet (Canny) → ``效果图`\
+`方案变体`` → ``LoRA``风格微调`` → ``多方案对比`
+
+### 室内设计
+
+`户型图`` → ControlNet → ``三维效果图`\
+`风格迁移`` → ``LoRA`` → ``不同材质方案`
+
+  ---------------------------------------
+  工具               核心价值
+  ------------------ --------------------
+  Midjourney         快速创意探索
+
+  Stable Diffusion   本地部署，可控生成
+
+  ControlNet         精确结构控制
+
+  ComfyUI            定制化工作流
+  ---------------------------------------
+
+## 版权与伦理
+
+### 版权问题
+
+6.  AI训练数据的版权归属
+
+    AI生成作品的版权保护
+
+    风格模仿的法律边界
+
+### 伦理考量
+
+9.  深度伪造 (Deepfake)
+
+    虚假信息传播
+
+    创作者职业影响
+
+## 思考与练习
+
+1.  ControlNet如何平衡条件控制与创造性？
+
+2.  LoRA和全量微调各适用于什么场景？
+
+3.  AIGC工具如何融入设计工作流？
+
+## 关键术语
+
+  ------------------------------------------------------
+  中文       英文                  说明
+  ---------- --------------------- ---------------------
+  条件控制   Conditional Control   引导生成过程
+
+  低秩适应   LoRA                  Low-Rank Adaptation
+
+  工作流     Workflow              节点化的处理流程
+
+  采样器     Sampler               去噪采样算法
+
+  潜在空间   Latent Space          压缩的特征空间
+  ------------------------------------------------------
+
+## 延伸阅读
+
+1.  [ControlNet官方论文](https://arxiv.org/abs/2302.05543)
+
+    [LoRA官方论文](https://arxiv.org/abs/2106.09685)
+
+    [ComfyUI文档](https://docs.comfy.org/)

05-generative-ai/05-generative-ai.md

@@ -0,0 +1,31 @@
+# 第五篇：生成式AI
+
+本篇讲解生成模型的发展脉络和AIGC工具链，探索AI在设计创造领域的应用。
+
+## 篇章导读
+
+生成式AI正在重新定义创造的边界。从图像生成到音乐创作，从文本写作到代码生成，AI正在成为人类的"创意伙伴"。
+
+本篇将系统介绍生成模型的演进和AIGC工具链。
+
+## 章节目录
+
+1.  [04.1 生成模型演进](04.1-diffusion.md) - 从VAE/GAN到Diffusion
+
+    [04.2 AIGC设计工具链](04.2-aigc-tools.md) - ControlNet、LoRA与ComfyUI
+
+## 核心概念
+
+  -----------------------------------------------------------
+  概念           英文        说明
+  -------------- ----------- --------------------------------
+  自编码器       AE          Autoencoder
+
+  变分自编码器   VAE         Variational Autoencoder
+
+  生成对抗网络   GAN         Generative Adversarial Network
+
+  扩散模型       Diffusion   Denoising Diffusion Model
+  -----------------------------------------------------------
+
+## 04.1 生成模型演进

06-agent/05.1-agent-architecture.md

@@ -0,0 +1,148 @@
+
+## 学习目标
+
+1.  理解从规则到LLM-based Agent的演进
+
+    掌握Agent的核心组件
+
+    了解ReAct和CoT推理模式
+
+## 从规则到LLM Agent
+
+### 规则系统时代
+
+`if`` ``condition_A``:`\
+`    ``action_``B``(``)`\
+`elif`` ``condition_C``:`\
+`    ``action_D``()`\
+`else``:`\
+`    ``action_E``()`
+
+局限：规则难以穷举，无法应对新情况
+
+### LLM-based Agent
+
+`用户请求`` → LLM``理解`` → ``规划`` → ``调用工具`` → ``反思`` → ``输出`
+
+优势： - 自然语言交互 - 上下文理解 - 泛化能力强
+
+## Agent核心组件
+
+### 感知 (Perception)
+
+`输入信息`` → ``理解与解析`\
+`    - ``用户指令`\
+`    - ``环境状态`\
+`    - ``工具反馈`
+
+### 规划 (Planning)
+
+`目标`` → ``分解为子任务`\
+`    - ``任务分析`\
+`    - ``步骤规划`\
+`    - ``依赖管理`
+
+### 记忆 (Memory)
+
+`┌─────────────────────────────┐`\
+`│   ``短期记忆`` (Short-term)      │`\
+`│   ``对话上下文、临时状态``        │`\
+`├─────────────────────────────┤`\
+`│   ``长期记忆`` (Long-term)       │`\
+`│   ``知识库、经验积累``            │`\
+`└─────────────────────────────┘`
+
+### 工具调用 (Tool Use)
+
+`可用工具集：`\
+`    - ``数据库查询`\
+`    - API``调用`\
+`    - ``文件操作`\
+`    - ``代码执行`\
+`    ...`
+
+## 推理模式
+
+Chain of Thought (CoT)
+
+`问题`` → ``思考链`` → ``答案`
+
+`"``设计一个公园``"`
+
+`    ↓`
+
+1.  `分析场地条件`
+
+2.  `2. ``确定功能分区`
+
+3.  `3. ``布局路径系统`
+
+`4. ``选择植物配置`
+
+`↓`
+
+    完整方案
+
+### ReAct (Reasoning + Acting)
+
+`循环：思考`` → ``行动`` → ``观察`` → ``思考`` ...`\
+\
+`思考：需要查询场地数据`\
+`行动：调用``GIS``工具`\
+`观察：获取到高程信息`\
+`思考：基于高程做排水设计`\
+`行动：生成排水方案`\
+`...`
+
+## Agent架构示例
+
+单Agent架构
+
+`┌─────────────────────────────┐`\
+`│         LLM Core            │`\
+`│   (``规划、推理、决策``)         │`\
+`├─────────────────────────────┤`\
+`│  ┌───┐ ┌───┐ ┌───┐ ┌───┐  │`\
+`│  │``感知``││``记忆``││``工具``││``反思``│  │`\
+`│  └───┘ └───┘ └───┘ └───┘  │`\
+`└─────────────────────────────┘`\
+`         ↓`\
+`    ``执行任务`
+
+### 多Agent协作
+
+`┌─────────┐  ┌─────────┐  ┌─────────┐`\
+`│ ``规划``Agent│→│``分析``Agent│→│``设计``Agent│`\
+`└─────────┘  └─────────┘  └─────────┘`\
+`     ↓            ↓            ↓`\
+`  ``任务分解``    ``数据分析``    ``方案生成`
+
+## 思考与练习
+
+1.  单Agent和多Agent系统各有什么优势？
+
+2.  如何设计Agent的记忆系统？
+
+3.  CoT和ReAct各适用于什么场景？
+
+## 关键术语
+
+  --------------------------------------------
+  中文       英文         说明
+  ---------- ------------ --------------------
+  思考链     CoT          Chain of Thought
+
+  推理行动   ReAct        Reasoning + Acting
+
+  记忆       Memory       存储和检索信息
+
+  反思       Reflection   自我评估与改进
+
+  工具使用   Tool Use     调用外部能力
+  --------------------------------------------
+
+## 延伸阅读
+
+1.  [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)
+
+    [ReAct: Synergizing Reasoning and Acting](https://arxiv.org/abs/2210.03629) \# 05.2 具身智能

06-agent/05.2-embodied-ai.md

@@ -0,0 +1,157 @@
+
+# 学习目标
+
+3.  理解具身智能的概念和特点
+
+    了解数字孪生与物理世界的交互
+
+    掌握强化学习在具身AI中的应用
+
+# 什么是具身智能
+
+## 定义
+
+**具身智能 (Embodied AI)**：具有物理实体或虚拟身体的智能系统，能够通过与环境的交互来学习和完成任务。
+
+## 与传统AI的区别
+
+  ------------------------------------
+  特性       传统AI       具身AI
+  ---------- ------------ ------------
+  交互方式   数据输入     主动探索
+
+  学习方式   从数据学习   从交互学习
+
+  输出形式   预测/生成    行动/操作
+  ------------------------------------
+
+# 数字孪生
+
+## 概念
+
+`物理世界`` → ``数字映射`` → ``仿真预测`` → ``反向控制`
+
+## 应用层次
+
+  --------------------------------
+  层次       内容       应用
+  ---------- ---------- ----------
+  几何孪生   三维模型   可视化
+
+  物理孪生   物理仿真   性能分析
+
+  行为孪生   行为模拟   场景预测
+
+  认知孪生   决策支持   智能控制
+  --------------------------------
+
+# 强化学习基础
+
+## 核心要素
+
+`┌─────────────────────────────────────┐`\
+`│                                   │`\
+`│  ``环境`` ← ``状态`` ──────→ Agent        │`\
+`│    ↑                     │          │`\
+`│    └──── ``奖励`` ←─── ``动作`` ─┘          │`\
+`│                                   │`\
+`└─────────────────────────────────────┘`
+
+## 训练循环
+
+1.  `观察环境状态`
+
+2.  `选择行动`
+
+3.  `执行行动`
+
+4.  `获得奖励`
+
+5.  `更新策略`
+
+6.  `重复``...`
+
+## Gymnasium环境
+
+`import gymnasium as gym`\
+\
+`env = ``gym.make``("CartPole-v1")`\
+`state, _ = ``env.reset``()`\
+\
+`for _ in range(1000):`\
+`    action = policy(state)`\
+`    state, reward, done, _, _ = ``env.step``(action)`\
+`    if done:`\
+`        break`
+
+# 具身AI应用场景
+
+## 机器人设计
+
+`感知环境`` → ``规划路径`` → ``执行动作`` → ``反馈调整`\
+`    ↓`\
+`建筑机器人、施工机器人`
+
+## 虚拟角色
+
+`游戏``NPC``、虚拟助手、元宇宙居民`\
+`    ↓`\
+`自然行为、智能对话`
+
+## 仿真训练
+
+`虚拟环境`` → ``训练策略`` → ``迁移到真实`\
+`    ↓`\
+`降低试错成本`
+
+# 虚拟到真实的迁移
+
+## 挑战
+
+  -----------------------------------
+  问题           说明
+  -------------- --------------------
+  Sim2Real Gap   仿真与现实的差异
+
+  感官差异       虚拟与真实感知不同
+
+  物理特性       真实物理更复杂
+  -----------------------------------
+
+## 解决方案
+
+1.  域随机化 (Domain Randomization)
+
+    真实数据混合
+
+    在线微调
+
+# 思考与练习
+
+1.  具身智能在规划设计中有哪些应用前景？
+
+2.  数字孪生如何辅助设计决策？
+
+3.  Sim2Real迁移的主要挑战是什么？
+
+# 关键术语
+
+  --------------------------------------------------
+  中文       英文           说明
+  ---------- -------------- ------------------------
+  具身智能   Embodied AI    有身体形式的AI
+
+  数字孪生   Digital Twin   物理世界的数字映射
+
+  强化学习   RL             Reinforcement Learning
+
+  状态       State          环境的当前情况
+
+  动作       Action         Agent对环境的影响
+  --------------------------------------------------
+
+# 延伸阅读
+
+1.  [Gymnasium文档](https://gymnasium.org.cn/)
+
+    [DeepMind's Embodied AI Research](https://www.deepmind.com/research/embodied) \# 05.3 规划设计应用与MCP

06-agent/05.3-design-application.md

@@ -0,0 +1,215 @@
+
+# 学习目标
+
+3.  理解MCP协议的核心思想
+
+    掌握HITL协作模式
+
+    了解Agent在规划设计中的落地场景
+
+# MCP协议
+
+## 什么是MCP
+
+**Model Context Protocol (模型上下文协议)**：连接AI模型与外部数据/工具的开放标准。
+
+## 核心价值
+
+`传统方式：`\
+`    AI``模型`` → ``各自独立`` → ``数据孤岛`\
+\
+`MCP``方式：`\
+`    AI``模型`` ← MCP → ``统一接口`` → ``所有工具``/``数据`
+
+MCP架构
+
+`┌─────────────────────────────────────┐`\
+`│           AI Application            │`\
+`│   (Claude, ``ChatGPT``, ``等``)             │`\
+`└─────────────┬───────────────────────┘`\
+`              │ MCP`\
+`┌─────────────┴───────────────────────┐`\
+`│         MCP Client                  │`\
+`├─────────────────────────────────────┤`\
+`│  ┌──────┐ ┌──────┐ ┌──────┐        │`\
+`│  │File  │ │DB    │ │API   │  ...  │`\
+`│  │``Server│ │Server│ │Server│        │`\
+`│  └──────┘ └──────┘ └──────┘        │`\
+`└─────────────────────────────────────┘`
+
+# HITL：人机协作模式
+
+## 什么是HITL
+
+**Human-in-the-Loop (人在回路)**：在AI决策关键环节引入人类干预。
+
+## HITL层次
+
+  ----------------------------------
+  层次       人类角色   自动化程度
+  ---------- ---------- ------------
+  完全自动   无         100%
+
+  人工审核   监督者     80-90%
+
+  交互决策   合作伙伴   50-70%
+
+  人工主导   操作者     \<50%
+  ----------------------------------
+
+## 规划设计中的HITL
+
+`AI``生成方案`\
+`    ↓`\
+`设计师审核`` ← ``修改意见`` → AI``调整`\
+`    ↓`\
+`最终确认`
+
+# 规划设计Agent案例
+
+## 场景分析Agent
+
+`输入：场地数据`
+
+`↓`
+
+`分析流程：`
+
+1.  `地形分析`` (``坡度、高程``)`
+
+2.  `气候分析`` (``日照、风向``)`
+
+3.  `交通分析`` (``可达性``)`
+
+4.  `视觉分析`` (``视域、景观``)`
+
+`↓`
+
+`输出：场地分析报告`
+
+## 方案生成Agent
+
+`输入：设计要求`` + ``场地分析`
+
+`↓`
+
+`生成流程：`
+
+1.  `理解需求`` (``CoT``推理``)`
+
+2.  `布局功能`` (``工具调用``)`
+
+3.  `连接路径`` (``图算法``)`
+
+4.  `优化调整`` (``迭代改进``)`
+
+`↓`
+
+`输出：初步设计方案`
+
+## 合规审查Agent
+
+`输入：设计方案`
+
+`↓`
+
+`审查流程：`
+
+1.  `调用规范库`
+
+2.  `逐条核对`
+
+3.  `标记问题`
+
+4.  `生成报告`
+
+`↓`
+
+`输出：合规审查意见`
+
+# Agent落地挑战
+
+技术挑战
+
+  ---------------------------
+  挑战       说明
+  ---------- ----------------
+  准确性     复杂任务易出错
+
+  可解释性   决策过程不透明
+
+  鲁棒性     边界情况处理
+  ---------------------------
+
+应用挑战
+
+  -----------------------------
+  挑战         说明
+  ------------ ----------------
+  工作流整合   与现有流程融合
+
+  责任界定     AI错误的后果
+
+  成本控制     API调用费用
+  -----------------------------
+
+## 解决方向
+
+1.  分级应用：简单任务自动化，复杂任务辅助
+
+    渐进式：从局部到整体
+
+    人机协同：关键环节人工确认
+
+# 未来展望：AI设计师
+
+### 短期 (1-2年)
+
+`AI``作为工具`\
+`    - ``数据分析`\
+`    - ``方案生成`\
+`    - ``合规检查`
+
+### 中期 (3-5年)
+
+`AI``作为助手`\
+`    - ``创意启发`\
+`    - ``方案优化`\
+`    - ``文档撰写`
+
+### 长期 (5-10年)
+
+`AI``作为合作伙伴`\
+`    - ``共同创造`\
+`    - ``自主决策`\
+`    - ``专业评审`
+
+## 思考与练习
+
+1.  MCP如何解决AI应用的"数据孤岛"问题？
+
+2.  规划设计中哪些环节适合引入HITL？
+
+3.  AI设计师如何与人类设计师协作？
+
+## 关键术语
+
+  ----------------------------------------------------------------
+  中文             英文                   说明
+  ---------------- ---------------------- ------------------------
+  模型上下文协议   MCP                    Model Context Protocol
+
+  人在回路         HITL                   Human-in-the-Loop
+
+  数据孤岛         Data Silo              独立的数据存储
+
+  协议             Protocol               通信标准
+
+  工作流整合       Workflow Integration   融入现有流程
+  ----------------------------------------------------------------
+
+## 延伸阅读
+
+1.  [MCP官方文档](https://modelcontextprotocol.io/)
+
+    [Human-in-the-Loop AI](https://arxiv.org/abs/2301.02629)

06-agent/06-agent.md

@@ -0,0 +1,33 @@
+# 第六篇：AI Agent与自主设计
+
+本篇探讨AI Agent的架构和具身智能，展望AI在规划设计中的应用前景。
+
+## 篇章导读
+
+AI Agent代表了人工智能的下一个前沿：从"被动响应"到"主动行动"，从"单一能力"到"系统协同"。
+
+本篇将系统介绍Agent架构和在设计领域的应用。
+
+# 章节目录
+
+1.  [05.1 AI Agent架构](05.1-agent-architecture.md) - LLM-based Agent与核心组件
+
+    [05.2 具身智能](05.2-embodied-ai.md) - 数字孪生与物理世界交互
+
+    [05.3 规划设计应用与MCP](05.3-design-application.md) - MCP协议与HITL协作
+
+# 核心概念
+
+  -------------------------------------------------------
+  概念             英文          说明
+  ---------------- ------------- ------------------------
+  智能体           Agent         自主决策和行动的系统
+
+  具身智能         Embodied AI   有物理实体的智能
+
+  人机协作         HITL          Human-in-the-Loop
+
+  模型上下文协议   MCP           Model Context Protocol
+  -------------------------------------------------------
+
+# 05.1 AI Agent架构

07-digital-media/07-digital-media.md

@@ -0,0 +1,17 @@
+# 第七部分：数字媒体设计
+
+本部分探讨AI在数字媒体创作领域的应用，包括视觉设计、交互设计和内容生成。
+
+## 篇章导读
+
+数字媒体是AI应用最活跃的领域之一。从图像生成到视频制作，从界面设计到交互体验，AIGC工具正在重塑数字媒体创作的流程和范式。
+
+本部分将系统介绍AI在视觉设计和交互设计中的应用。
+
+## 章节目录
+
+1.  [第16章 视觉设计与AIGC](#第16章-视觉设计与aicgc)
+
+    [第17章 交互设计](#第17章-交互设计-1)
+
+# 第16章 视觉设计与AIGC

07-digital-media/ch16-visual-design-aigc.md

@@ -0,0 +1,72 @@
+
+## 学习目标
+
+1.  了解AIGC在视觉设计中的应用场景
+
+    掌握图像生成和风格迁移的基本方法
+
+    理解AI辅助品牌视觉设计的流程
+
+## 核心应用
+
+图像生成与风格迁移
+
+  ---------------------------------------------------------------------------------------
+  应用类型                   说明                   工具示例
+  -------------------------- ---------------------- -------------------------------------
+  文生图                     从文本描述生成图像     Midjourney, Stable Diffusion
+
+  图像编辑                   局部修改、扩展、擦除   Photoshop AI, Inpainting
+
+  风格迁移                   将图像转换为目标风格   Neural Style Transfer
+
+  矢量生成                   生成可缩放的矢量图形   Vectorizer.ai, Adobe Illustrator AI
+  ---------------------------------------------------------------------------------------
+
+Logo与图标设计
+
+### AI辅助流程：
+
+#### 需求分析
+
+`- ``品牌定位`
+
+`- ``目标受众`
+
+`- ``设计风格偏好`
+
+#### 
+
+`2. ``概念生成`
+
+`- AI``生成多个设计方案`
+
+#### - 快速迭代探索
+
+`3. ``细化优化`
+
+`- ``设计师精修`
+
+`- ``矢量化处理`
+
+       - 品牌规范整理
+
+**工具推荐**： - LogoAI：自动Logo生成 - Looka：品牌设计套件 - Brandmark：Logo和品牌身份
+
+品牌视觉系统生成
+
+**应用场景**： - 色彩方案生成 - 字体搭配推荐 - 视觉元素扩展 - 品牌指南生成
+
+## 案例分析
+
+**案例1：餐饮品牌Logo设计** - 使用Midjourney生成初始概念 - Illustrator进行矢量化精修 - 生成品牌视觉系统扩展
+
+**案例2：产品包装设计** - Stable Diffusion生成包装效果图 - ControlNet控制产品形态 - 多方案快速对比
+
+## 思考与练习
+
+1.  AIGC如何改变设计师的创意流程？
+
+2.  在品牌设计中，如何平衡AI生成与原创性？
+
+3.  选择一个AIGC工具，尝试完成一个视觉设计任务

07-digital-media/ch17-interaction-design.md

@@ -0,0 +1,76 @@
+
+### 学习目标
+
+1.  了解AI在交互设计中的应用
+
+    掌握用户界面自动生成的原理
+
+    理解用户体验分析的方法
+
+### 核心应用
+
+用户界面生成
+
+  --------------------------------------------------------
+  功能       说明                 工具示例
+  ---------- -------------------- ------------------------
+  布局生成   自动生成页面布局     Uizard, Galileo AI
+
+  组件推荐   基于上下文推荐组件   Figma AI, Motiff
+
+  设计系统   自动生成设计规范     Designer, Figma Tokens
+
+  原型生成   从描述生成交互原型   TLDraw, Diagram
+  --------------------------------------------------------
+
+交互原型自动化
+
+**流程**：
+
+`用户需求`` → AI``理解`` → ``生成原型`\
+`                            ↓`\
+`                    ``设计师调整优化`\
+`                            ↓`\
+`                    ``可交互原型`
+
+**应用场景**： - 快速原型验证 - 用户测试准备 - 开发对接文档
+
+用户体验分析
+
+**AI分析方法**： - 用户行为预测 - 界面可用性评估 - A/B测试优化 - 情感分析
+
+### 案例分析
+
+**案例1：电商APP界面设计** - Galileo AI生成界面布局 - Figma AI自动填充内容 - 快速原型用户测试
+
+**案例2：仪表板设计** - 用户需求描述 - AI生成多种布局方案 - 基于数据可视化优化
+
+### 思考与练习
+
+1.  AI生成的界面如何保证可用性？
+
+2.  在交互设计中，人类设计师的核心价值是什么？
+
+3.  尝试用AI工具生成一个简单的交互原型
+
+### 关键术语
+
+  --------------------------------------------------
+  中文       英文             说明
+  ---------- ---------------- ----------------------
+  风格迁移   Style Transfer   将图像转换为目标风格
+
+  矢量化     Vectorization    转换为可缩放矢量格式
+
+  原型       Prototype        可交互的设计模型
+
+  设计系统   Design System    组件化设计规范
+  --------------------------------------------------
+
+### 延伸阅读
+
+1.  [Midjourney官方文档](https://docs.midjourney.com/)
+
+    [Stable Diffusion提示词指南](https://stable-diffusion-art.com/)
+
+    [Figma AI功能](https://help.figma.com/hc/en-us/articles/15023124649943-Guide-to-Figma-AI)

08-environmental-design/08-environmental-design.md

@@ -0,0 +1,17 @@
+# 第八部分：环境设计
+
+本部分探讨AI在室内设计、景观设计等环境设计领域的应用。
+
+## 篇章导读
+
+环境设计关注人类与物理空间的关系。AI技术正在改变环境设计的各个环节，从场地分析到方案生成，从效果预览到可持续评估。
+
+本部分将介绍AI在室内设计和景观设计中的应用。
+
+## 章节目录
+
+1.  [第18章 室内设计](#第18章-室内设计-1)
+
+    [第19章 景观设计](#第19章-景观设计-1)
+
+# 第18章 室内设计

08-environmental-design/ch18-interior-design.md

@@ -0,0 +1,62 @@
+
+## 学习目标
+
+1.  了解AI在室内设计中的应用流程
+
+    掌握平面图智能生成的方法
+
+    理解VR/AR在室内设计预览中的作用
+
+## 核心应用
+
+平面图智能生成
+
+**传统流程 vs AI辅助**：
+
+  ----------------------------------------
+  环节       传统方式       AI辅助
+  ---------- -------------- --------------
+  需求分析   人工沟通       自然语言理解
+
+  方案生成   手绘/CAD绘制   自动生成布局
+
+  家具选择   手动搜索       智能推荐
+
+  效果预览   3D建模渲染     实时生成
+  ----------------------------------------
+
+**AI工具**： - **Planner 5D**：房间设计自动生成 - **Homestyler**：室内设计AI助手 - **RoomsGPT**：从图像生成3D模型
+
+家具布局优化
+
+**优化目标**： - 空间利用率最大化 - 功能分区合理化 - 动线流畅性 - 美学平衡
+
+**技术方法**： - 约束求解：满足设计规范 - 遗传算法：多方案优化 - 强化学习：用户偏好学习
+
+材质与风格推荐
+
+**推荐流程**：
+
+`用户偏好图像`` → AI``分析风格`` → ``推荐材质组合`\
+`                                    ↓`\
+`                            ``生成效果预览`\
+`                                    ↓`\
+`                            ``用户反馈迭代`
+
+VR/AR预览
+
+**技术实现**： - **VR**：沉浸式空间体验 - **AR**：现实空间叠加设计 - **实时渲染**：快速查看效果
+
+**工具**： - Enscape：实时渲染插件 - Twinmotion：快速可视化 - Arkio：VR协作设计
+
+## 案例分析
+
+**案例：住宅客厅设计** 1. 输入户型图和需求 2. AI生成3种布局方案 3. 用户选择方案并调整 4. 实时VR预览效果 5. 导出施工图和材料清单
+
+## 思考与练习
+
+1.  AI如何平衡功能性和美学？
+
+2.  VR/AR如何改变室内设计工作流？
+
+3.  尝试使用AI室内设计工具完成一个小空间设计

08-environmental-design/ch19-landscape-design.md

@@ -0,0 +1,78 @@
+
+### 学习目标
+
+1.  了解AI在景观设计中的应用
+
+    掌握场地分析与评估的方法
+
+    理解生态效益模拟的技术
+
+### 核心应用
+
+场地分析与评估
+
+**分析维度**：
+
+  ------------------------------------------------
+  维度         内容                 AI方法
+  ------------ -------------------- --------------
+  地形地貌     高程、坡度、坡向     DEM分析
+
+  植被覆盖     类型、密度、健康度   遥感图像分类
+
+  水文系统     水系、排水、汇水     水文模拟
+
+  视觉景观     视域、视线廊道       视域分析
+
+  气候舒适度   风环境、日照、温度   环境模拟
+  ------------------------------------------------
+
+**工具集成**： - GIS空间分析 - 遥感图像处理 - 环境模拟建模
+
+植被配置优化
+
+**优化目标**： - 生态功能最大化 - 景观效果协调 - 养护成本可控 - 适应本地气候
+
+**AI方法**： - **物种选择**：基于环境因子推荐 - **布局优化**：空间配置算法 - **生长模拟**：预测长期效果
+
+景观元素生成
+
+**可生成元素**： - 道路系统 - 广场节点 - 水景设施 - 景观小品 - 种植设计
+
+生态效益模拟
+
+**评估指标**： - 碳汇能力 - 生物多样性支持 - 雨洪管理 - 热岛缓解
+
+### 案例分析
+
+**案例：城市公园设计** 1. 场地数据收集与分析 2. AI生成多种方案对比 3. 生态效益模拟评估 4. 多目标优化选择 5. 施工图与种植设计
+
+### 思考与练习
+
+1.  AI如何处理景观设计中的复杂约束？
+
+2.  生态效益模拟的数据从哪里来？
+
+3.  选择一个景观设计场景，分析AI可应用的环节
+
+### 关键术语
+
+  -----------------------------------------------
+  中文       英文                  说明
+  ---------- --------------------- --------------
+  平面图     Floor Plan            水平剖切图
+
+  布局优化   Layout Optimization   空间排列优化
+
+  动线       Circulation           人员流动路径
+
+  视域分析   Viewshed Analysis     可见范围分析
+
+  生态效益   Ecological Benefit    生态服务价值
+  -----------------------------------------------
+
+### 延伸阅读
+
+1.  [Landscape Architecture + AI](https://landscapeperformance.org/)
+
+    [GIS在景观设计中的应用](https://www.esri.com/en-us/industries/landscape-architecture)

09-industrial-design/09-industrial-design.md

@@ -0,0 +1,17 @@
+# 第九部分：工业设计
+
+本部分探讨AI在产品设计、造型优化和制造准备中的应用。
+
+## 篇章导读
+
+工业设计融合美学、工程和商业考量。AI技术正在改变产品开发流程，从概念生成到制造准备，从结构优化到材料选择。
+
+本部分将介绍AI在工业设计中的关键应用。
+
+## 章节目录
+
+1.  [第20章 产品造型设计](#第20章-产品造型设计-1)
+
+    [第21章 设计优化与制造](#第21章-设计优化与制造-1)
+
+# 第20章 产品造型设计

09-industrial-design/ch20-product-design.md

@@ -0,0 +1,54 @@
+
+## 学习目标
+
+1.  了解AI辅助产品概念设计的方法
+
+    掌握草图生成和三维建模的AI工具
+
+    理解形态优化的基本原理
+
+## 核心应用
+
+概念草图生成
+
+**流程**：
+
+`文字描述``/``参考图`` → AI``理解`` → ``生成草图方案`\
+`                                    ↓`\
+`                            ``设计师选择与迭代`
+
+**工具**： - **Midjourney**：产品概念图生成 - **Stable Diffusion + ControlNet**：草图精细控制 - **Krea AI**：实时草图优化
+
+三维建模辅助
+
+**AI辅助功能**：
+
+  ----------------------------------------------------
+  功能       说明                工具
+  ---------- ------------------- ---------------------
+  草图转3D   2D草图生成3D模型    Shapr3D, Point-E
+
+  模型优化   自动布线、倒角      ZBrush, Blender插件
+
+  纹理生成   自动生成材质贴图    Adobe Substance 3D
+
+  渲染加速   快速生成产品渲染    NVIDIA Canvas
+  ----------------------------------------------------
+
+形态优化
+
+**优化目标**： - 美学协调性 - 人机工程学 - 制造可行性 - 成本控制
+
+**AI方法**： - **形状语法**：形式规则生成 - **GAN生成**：学习设计风格 - **强化学习**：用户偏好优化
+
+案例分析
+
+**案例：消费电子产品设计** 1. 市场分析与用户画像 2. AI生成概念草图 3. 选择方向建立3D模型 4. AI辅助形态优化 5. 快速渲染评审
+
+思考与练习
+
+1.  AI生成的概念如何保持原创性？
+
+2.  形态优化中如何平衡美学和功能？
+
+3.  尝试用AI工具生成一个产品概念

09-industrial-design/ch21-design-optimization.md

@@ -0,0 +1,78 @@
+
+学习目标
+
+1.  了解AI在结构优化中的应用
+
+    掌握材料选择和可制造性分析方法
+
+    理解AI辅助制造准备的技术
+
+### 核心应用
+
+结构优化
+
+**拓扑优化**：
+
+`设计空间`` → ``约束条件`` → ``优化算法`` → ``最优结构`\
+`                                    ↓`\
+`                            ``轻量化与强度平衡`
+
+**AI方法**： - **生成式设计**：自动探索设计方案 - **拓扑优化**：材料分布优化 - **网格优化**：轻量化结构
+
+**工具**： - **Autodesk Fusion 360**：生成式设计 - **nTopology**：隐式建模 - **Altair Inspire**：拓扑优化
+
+材料选择
+
+**AI辅助决策**：
+
+  ---------------------------
+  考虑因素   AI方法
+  ---------- ----------------
+  力学性能   材料数据库检索
+
+  成本       价格预测模型
+
+  可持续性   环境影响评估
+
+  可加工性   工艺兼容性分析
+  ---------------------------
+
+可制造性分析
+
+**分析内容**： - **DFM (Design for Manufacturing)**：制造可行性 - **DFA (Design for Assembly)**：装配可行性 - **DFT (Design for Test)**：测试可行性
+
+**AI应用**： - 自动检测设计缺陷 - 工艺参数推荐 - 成本估算
+
+### 案例分析 {#案例分析-5}
+
+**案例：汽车零部件轻量化** 1. 初始设计分析 2. 定义设计空间和约束 3. AI生成多种拓扑方案 4. 仿真验证性能 5. 优化后投入制造
+
+### 思考与练习 {#思考与练习-21}
+
+1.  拓扑优化的结果如何满足生产工艺要求？
+
+2.  AI如何帮助选择可持续材料？
+
+3.  选择一个简单产品，分析AI可优化的环节
+
+### 关键术语
+
+  -----------------------------------------------------
+  中文         英文                    说明
+  ------------ ----------------------- ----------------
+  概念设计     Concept Design          初步设计阶段
+
+  拓扑优化     Topology Optimization   结构布局优化
+
+  生成式设计   Generative Design       AI驱动设计生成
+
+  可制造性     Manufacturability       生产可行性
+
+  轻量化       Lightweight             减少重量
+  -----------------------------------------------------
+
+### 延伸阅读
+
+1.  [Autodesk Generative Design](https://www.autodesk.com/products/generative-design)
+
+    [nTopology技术文档](https://ntopology.com/resources/)

10-urban-design/10-urban-design.md

@@ -0,0 +1,17 @@
+# 第十部分：城市设计
+
+本部分探讨AI在城市规划、空间分析和城市管理中的应用。
+
+## 篇章导读
+
+城市是复杂的系统。AI技术正在为城市设计提供新的视角和工具，从宏观规划到微观设计，从现状分析到未来预测。
+
+本部分将介绍AI在城市设计中的关键应用。
+
+## 章节目录
+
+1.  [第22章 城市空间分析](#第22章-城市空间分析-1)
+
+    [第23章 规划设计与评估](#第23章-规划设计与其评估)
+
+# 第22章 城市空间分析

10-urban-design/ch22-urban-spatial-analysis.md

@@ -0,0 +1,58 @@
+
+## 学习目标 {#学习目标-24}
+
+1.  了解AI在城市空间分析中的应用
+
+    掌握遥感影像和城市形态识别的方法
+
+    理解人口与活动分析的技术
+
+## 核心应用
+
+遥感影像分析
+
+### 分析内容：
+
+  ------------------------------------
+  内容       方法       应用
+  ---------- ---------- --------------
+  土地利用   图像分类   规划现状调查
+
+  建筑识别   目标检测   建筑普查
+
+  变化检测   时序分析   城市扩张监测
+
+  环境质量   指数反演   生态评估
+  ------------------------------------
+
+### 技术流程：
+
+`卫星``/``无人机影像`` → ``预处理`` → AI``模型分析`` → ``结果输出`\
+`                                    ↓`\
+`                            ``规划决策支持`
+
+城市形态识别
+
+**识别要素**： - 街区格局 - 建筑高度与密度 - 道路网络 - 开放空间
+
+**AI方法**： - **图像分割**：识别城市要素 - **图神经网络**：分析空间关系 - **聚类分析**：识别城市类型
+
+人口与活动分析
+
+**数据来源**： - 手机信令数据 - 交通卡数据 - 社交媒体数据 - POI数据
+
+**分析内容**： - 人口分布 - 职住关系 - 出行模式 - 活动热点
+
+**AI技术**： - 时空预测模型 - 聚类与分类 - 异常检测
+
+## 案例分析 {#案例分析-6}
+
+**案例：城市中心区活力评估** 1. 多源数据整合 2. AI分析活动模式 3. 识别活力影响因素 4. 生成优化建议
+
+## 思考与练习 {#思考与练习-22}
+
+1.  多源数据如何保护隐私？
+
+2.  AI分析如何考虑城市的独特性？
+
+3.  选择一个城市问题，分析AI可提供的帮助

10-urban-design/ch23-planning-evaluation.md

@@ -0,0 +1,90 @@
+
+### 学习目标 {#学习目标-25}
+
+1.  了解AI辅助规划设计的方法
+
+    掌握交通网络和设施布局优化的技术
+
+    理解规划方案评估的AI应用
+
+### 核心应用
+
+用地规划生成
+
+**传统流程 vs AI辅助**：
+
+  --------------------------------
+  环节       传统方式   AI辅助
+  ---------- ---------- ----------
+  现状分析   人工统计   自动识别
+
+  方案生成   手绘/CAD   规则生成
+
+  规范检查   人工核对   自动验证
+
+  方案评估   定性分析   量化评估
+  --------------------------------
+
+**生成方法**： - **规则生成**：基于规划规范 - **学习生成**：从优秀案例学习 - **交互生成**：人机协作设计
+
+交通网络优化
+
+**优化目标**： - 通达性最大化 - 拥堵最小化 - 成本可控 - 环境影响最小
+
+**AI技术**： - 图算法：路网分析 - 强化学习：信号控制 - 预测模型：交通预测
+
+公共设施布局
+
+**布局问题**： - 学校：学区覆盖优化 - 医院：服务可达性 - 公园：绿地服务半径 - 商业：需求匹配
+
+**AI方法**： - 位置-分配模型 - 覆盖模型 - p-中值问题
+
+规划方案评估
+
+**评估维度**：
+
+  --------------------------------------
+  维度       指标             AI方法
+  ---------- ---------------- ----------
+  空间效率   容积率、密度     空间分析
+
+  交通影响   出行距离、拥堵   交通模拟
+
+  环境影响   碳排放、绿地     环境模型
+
+  社会效益   公平性、满意度   社会模型
+  --------------------------------------
+
+### 案例分析 {#案例分析-7}
+
+**案例：新区规划设计** 1. 场地条件分析 2. AI生成多方案 3. 多维评估对比 4. 交互优化调整 5. 最终方案确定
+
+### 思考与练习 {#思考与练习-23}
+
+1.  AI生成的规划方案如何体现人文关怀？
+
+2.  如何平衡不同评估维度的冲突？
+
+3.  选择一个规划问题，分析AI的潜在作用
+
+### 关键术语
+
+  ----------------------------------------------------
+  中文         英文             说明
+  ------------ ---------------- ----------------------
+  土地利用     Land Use         土地功能分布
+
+  遥感         Remote Sensing   远距离探测技术
+
+  图神经网络   GNN              Graph Neural Network
+
+  通达性       Accessibility    到达便利程度
+
+  服务半径     Service Radius   设施服务范围
+  ----------------------------------------------------
+
+### 延伸阅读
+
+1.  [Urban AI](https://urbanai.io/)
+
+    [Google Environmental Insights Explorer](https://insights.sustainability.google/)

11-ecological-design/11-ecological-design.md

@@ -0,0 +1,17 @@
+# 第十一部分：生态设计
+
+本部分探讨AI在生态保护、环境治理和可持续发展中的应用。
+
+## 篇章导读
+
+生态设计关注人类活动与自然环境的和谐。AI技术为生态分析、规划和修复提供了新的工具和方法。
+
+本部分将介绍AI在生态设计中的应用。
+
+## 章节目录
+
+1.  [第24章 生态分析与评估](#第24章-生态分析与评估-1)
+
+    [第25章 生态规划与修复](#第25章-生态规划与修复-1)
+
+# 第24章 生态分析与评估

11-ecological-design/ch24-ecological-analysis.md

@@ -0,0 +1,62 @@
+
+## 学习目标 {#学习目标-26}
+
+1.  了解AI在生态系统服务评估中的应用
+
+    掌握生物多样性分析的方法
+
+    理解环境质量监测的技术
+
+## 核心应用
+
+生态系统服务评估
+
+**服务类型**：
+
+  --------------------------------------------
+  类型       内容               AI应用
+  ---------- ------------------ --------------
+  供给服务   食物、水、纤维     产量预测
+
+  调节服务   气候、洪水、疾病   风险评估
+
+  文化服务   娱乐、旅游         游客行为分析
+
+  支持服务   营养循环、生境     过程模拟
+  --------------------------------------------
+
+**评估方法**： - **遥感反演**：植被覆盖、生物量 - **模型模拟**：碳循环、水文过程 - **机器学习**：服务价值预测
+
+生物多样性分析
+
+**分析层次**：
+
+  --------------------------------------------
+  层次             内容         AI方法
+  ---------------- ------------ --------------
+  遗传多样性       基因变异     基因序列分析
+
+  物种多样性       物种丰富度   图像识别
+
+  生态系统多样性   生境类型     景观分类
+  --------------------------------------------
+
+**技术应用**： - **图像识别**：物种自动识别 - **声音识别**：鸟类监测 - **环境DNA**：物种检测
+
+环境质量监测
+
+**监测内容**： - 空气质量 - 水质 - 土壤健康 - 噪声污染
+
+**AI技术**： - 传感器网络 - 异常检测 - 预测模型 - 源解析
+
+## 案例分析 {#案例分析-8}
+
+**案例：流域生态健康评估** 1. 多源数据收集 2. AI构建评估模型 3. 空间分布分析 4. 风险区域识别 5. 管理建议生成
+
+## 思考与练习 {#思考与练习-24}
+
+1.  AI如何处理生态数据的复杂性和不确定性？
+
+2.  生物多样性自动识别的准确率如何保证？
+
+3.  选择一个生态问题，分析AI可提供的帮助

11-ecological-design/ch25-ecological-planning.md

@@ -0,0 +1,68 @@
+
+## 学习目标 {#学习目标-27}
+
+1.  了解AI在生态源地识别中的应用
+
+    掌握生态网络构建的方法
+
+    理解生态修复方案的优化技术
+
+## 核心应用
+
+生态源地识别
+
+**识别目标**： - 生物多样性热点 - 生态系统服务关键区 - 生态脆弱区
+
+**AI方法**： - **机器学习**：源地识别模型 - **遥感分析**：空间格局识别 - **多准则决策**：优先级排序
+
+生态网络构建
+
+**网络要素**： - 源地：生态节点 - 廊道：连接通道 - 基质：背景环境
+
+**构建流程**：
+
+`源地识别`` → ``连接性分析`` → ``网络优化`` → ``方案评估`
+
+**AI技术**： - **图算法**：最小路径分析 - **电路理论**：连接度评估 - **优化算法**：网络设计
+
+修复方案优化
+
+**修复类型**： - 生境修复 - 水系修复 - 植被恢复 - 污染治理
+
+**优化目标**： - 生态效益最大化 - 成本可控 - 实施可行性 - 长期可持续性
+
+**AI应用**： - **仿真模拟**：修复效果预测 - **优化算法**：方案搜索 - **适应性管理**：动态调整
+
+## 案例分析 {#案例分析-9}
+
+**案例：区域生态安全格局构建** 1. 识别生态源地 2. 构建阻力面 3. 计算生态廊道 4. 划定生态红线 5. 制定管控策略
+
+## 思考与练习 {#思考与练习-25}
+
+1.  生态网络如何应对气候变化？
+
+2.  AI优化的修复方案如何考虑长期效应？
+
+3.  选择一个生态修复场景，分析AI的应用点
+
+## 关键术语
+
+  ---------------------------------------------------------------
+  中文           英文                          说明
+  -------------- ----------------------------- ------------------
+  生态系统服务   Ecosystem Services            自然对人类的益处
+
+  生物多样性     Biodiversity                  生物种类丰富度
+
+  生态源地       Ecological Source             生态核心区
+
+  生态廊道       Ecological Corridor           生态连接通道
+
+  生态安全格局   Ecological Security Pattern   生态空间布局
+  ---------------------------------------------------------------
+
+## 延伸阅读
+
+1.  [Circuitscape](https://circuitscape.org/)
+
+    [InVEST模型](https://naturalcapitalproject.stanford.edu/software/invest)

README.md

@@ -0,0 +1,415 @@
+**作者**：CC4SI项目组 **版本**：v1.0.0 **更新日期**：2026年4月
+
+全书目录
+
+### [上篇：原理与技术](part1-principles/)
+
+# [第一部分：导论](01-introduction/01-introduction.md)
+
+建立读者对人工智能的宏观认知，介绍AI的发展历程和技术范式演进。
+
+> •[第1章 AI发展历程](01-introduction/01-introduction.md#第1章-ai发展历程)
+
+oAmazon Go案例：技术融合
+
+oAI赋能的时间线：2016-2024
+
+oAI四大赛道：AIGC、Agent、AI4S、AIED
+
+o设计领域AI应用趋势
+
+## [第2章 AI范式演进](01-introduction/01-introduction.md#第2章-ai范式演进)
+
+o从规则系统到大模型的三次范式演进
+
+o万能逼近定理与神经网络基础
+
+o神经网络技术栈全景
+
+oScaling Law与模型规模效应
+
+# [第二部分：数学与编程基础](02-foundations/02-foundations.md)
+
+从函数式视角理解AI，介绍神经网络的基本原理和Python编程工具。
+
+> •[第3章 函数式AI视角](02-foundations/02-foundations.md#第3章-函数式ai视角)
+
+o"Functions Describe the World"核心理念
+
+o从Excel到神经网络的演进逻辑
+
+o函数组合与层级抽象
+
+o数据驱动 vs 规则驱动
+
+> •[第4章 多层感知机](02-foundations/02-foundations.md#第4章-多层感知机)
+
+oMLP结构与前向传播
+
+o激活函数：Sigmoid、ReLU、Softmax
+
+o损失函数与优化
+
+o反向传播原理
+
+# [第三部分：计算机视觉原理](03-computer-vision/03-computer-vision.md)
+
+深入讲解计算机视觉的核心技术CNN，以及目标检测和语义分割的基本原理。
+
+[第5章 CNN基础原理](03-computer-vision/03-computer-vision.md#第5章-cnn基础原理)
+
+o为什么需要CNN：局部连接与权重共享
+
+o卷积、激活、池化三大组件
+
+oCNN vs MLP的区别与联系
+
+o经典网络架构：LeNet、AlexNet、VGG、ResNet
+
+[第6章 目标检测](03-computer-vision/03-computer-vision.md#第6章-目标检测)
+
+o从分类到检测的跃迁
+
+oTwo-Stage vs One-Stage检测器
+
+oYOLO系列演进与技术原理
+
+o评估指标：IoU、mAP、COCO数据集
+
+## [第7章 语义分割与空间分析](03-computer-vision/03-computer-vision.md#第7章-语义分割与空间分析)
+
+o图像分析层级：Pixel/patch/Object-Level
+
+o语义分割 vs 实例分割
+
+o分割网络架构：FCN、U-Net、DeepLab
+
+o空间分析应用场景
+
+# [第四部分：Transformer与大模型](04-transformer/04-transformer.md)
+
+介绍革命性的Transformer架构和大语言模型的核心技术。
+
+## [第8章 注意力机制](04-transformer/04-transformer.md#第8章-注意力机制)
+
+oSelf-Attention的动机与原理
+
+oQ、K、V计算过程
+
+oMulti-Head Attention多头注意力
+
+oPositional Encoding位置编码
+
+oSelf-Attention vs CNN对比
+
+## [第9章 Transformer架构](04-transformer/04-transformer.md#第9章-transformer架构)
+
+oEncoder-Decoder结构详解
+
+oEncoder层：Self-Attention + FFN
+
+oDecoder层：Masked + Cross-Attention
+
+o残差连接与层归一化
+
+oToken处理流程
+
+## [第10章 大语言模型技术](04-transformer/04-transformer.md#第10章-大语言模型技术)
+
+o从Transformer到ChatGPT的演进
+
+o预训练与微调范式
+
+oRAG检索增强生成原理
+
+oRLHF人类反馈强化学习
+
+oPrompt工程基础
+
+# [第五部分：生成式AI](05-generative-ai/05-generative-ai.md)
+
+讲解生成模型的发展脉络和Diffusion模型的核心技术。
+
+## [第11章 生成模型演进](05-generative-ai/05-generative-ai.md#第11章-生成模型演进)
+
+o自编码器AE与变分自编码器VAE
+
+o生成对抗网络GAN原理
+
+oDiffusion扩散模型：前向与反向过程
+
+oStable Diffusion架构解析
+
+## [第12章 AIGC工具与技术](05-generative-ai/05-generative-ai.md#第12章-aigc工具与技术)
+
+oControlNet：精确条件控制
+
+oLoRA高效微调技术
+
+oComfyUI模块化工作流
+
+o版权与伦理问题
+
+# [第六部分：AI Agent](06-agent/06-agent.md)
+
+探讨AI Agent的架构、具身智能和自主决策技术。
+
+## [第13章 AI Agent架构](06-agent/06-agent.md#第13章-ai-agent架构)
+
+o从规则系统到LLM-based Agent
+
+oAgent核心组件：感知、规划、记忆、工具
+
+oChain of Thought推理链
+
+oReAct推理行动模式
+
+o单Agent vs 多Agent协作
+
+## [第14章 具身智能](06-agent/06-agent.md#第14章-具身智能)
+
+o具身智能的概念与特点
+
+o数字孪生与物理世界交互
+
+o强化学习基础与Gymnasium环境
+
+o虚拟到真实的迁移挑战
+
+## [第15章 协作与协议](06-agent/06-agent.md#第15章-协作与协议)
+
+oMCP模型上下文协议
+
+oHITL人机协作模式
+
+oAgent落地挑战与解决方向
+
+# [下篇：设计领域应用](part2-applications/)
+
+## [第七部分：数字媒体设计](07-digital-media/07-digital-media.md)
+
+AI在数字媒体创作中的应用，包括视觉设计、交互设计和内容生成。
+
+### [第16章 视觉设计与AIGC](07-digital-media/07-digital-media.md#第16章-视觉设计与aicgc)
+
+o图像生成与风格迁移
+
+oLogo与图标设计
+
+o品牌视觉系统生成
+
+o案例分析
+
+### [第17章 交互设计](07-digital-media/07-digital-media.md#第17章-交互设计)
+
+o用户界面生成
+
+o交互原型自动化
+
+o用户体验分析
+
+o案例分析
+
+## [第八部分：环境设计](08-environmental-design/08-environmental-design.md)
+
+AI在室内设计、景观设计等环境设计领域的应用。
+
+### [第18章 室内设计](08-environmental-design/08-environmental-design.md#第18章-室内设计)
+
+o平面图智能生成
+
+o家具布局优化
+
+o材质与风格推荐
+
+oVR/AR预览
+
+o案例分析
+
+### [第19章 景观设计](08-environmental-design/08-environmental-design.md#第19章-景观设计)
+
+o场地分析与评估
+
+o植被配置优化
+
+o景观元素生成
+
+o生态效益模拟
+
+o案例分析
+
+## [第九部分：工业设计](09-industrial-design/09-industrial-design.md)
+
+AI在产品设计、造型优化和制造准备中的应用。
+
+### [第20章 产品造型设计](09-industrial-design/09-industrial-design.md#第20章-产品造型设计)
+
+o概念草图生成
+
+o三维建模辅助
+
+o形态优化
+
+o案例分析
+
+### [第21章 设计优化与制造](09-industrial-design/09-industrial-design.md#第21章-设计优化与制造)
+
+o结构优化（拓扑优化）
+
+o材料选择
+
+o可制造性分析
+
+o案例分析
+
+## [第十部分：城市设计](10-urban-design/10-urban-design.md)
+
+AI在城市规划、空间分析和城市管理中的应用。
+
+### [第22章 城市空间分析](10-urban-design/10-urban-design.md#第22章-城市空间分析)
+
+o遥感影像分析
+
+o城市形态识别
+
+o人口与活动分析
+
+o案例分析
+
+### [第23章 规划设计与评估](10-urban-design/10-urban-design.md#第23章-规划设计与其评估)
+
+o用地规划生成
+
+o交通网络优化
+
+o公共设施布局
+
+o规划方案评估
+
+o案例分析
+
+## [第十一部分：生态设计](11-ecological-design/11-ecological-design.md)
+
+AI在生态保护、环境治理和可持续发展中的应用。
+
+### [第24章 生态分析与评估](11-ecological-design/11-ecological-design.md#第24章-生态分析与评估)
+
+o生态系统服务评估
+
+o生物多样性分析
+
+o环境质量监测
+
+o案例分析
+
+### [第25章 生态规划与修复](11-ecological-design/11-ecological-design.md#第25章-生态规划与修复)
+
+o生态源地识别
+
+o生态网络构建
+
+o修复方案优化
+
+o案例分析
+
+[附录](appendix/)
+
+[附录A：编程工具与资源](appendix/tools.md)
+
+Python环境配置
+
+深度学习框架
+
+AIGC工具链
+
+Agent开发框架
+
+在线学习资源
+
+[附录B：参考文献](appendix/references.md)
+
+基础理论论文
+
+计算机视觉论文
+
+Transformer与大模型论文
+
+生成式AI论文
+
+AI Agent论文
+
+设计AI应用论文
+
+推荐书籍与在线资源
+
+[附录C：关键术语表](appendix/glossary.md)
+
+中英文术语对照
+
+按章节索引
+
+学习路径建议
+
+面向设计专业学生
+
+上篇选读：01 → 02 → 05 → 06\
+下篇重点：根据专业方向选择\
+附录：工具资源
+
+# 面向技术实现者
+
+上篇系统学习：全部章节\
+下篇按需学习：了解应用场景\
+附录：工具资源 + 参考文献
+
+# 面向研究者
+
+上篇重点：02 → 03 → 04\
+下篇选读：关注前沿应用\
+附录：参考文献
+
+# 核心概念索引
+
+  ----------------------------------------------------
+  概念               相关章节         英文术语
+  ------------------ ---------------- ----------------
+  生成式AI           01, 11, 12, 16   AIGC
+
+  智能体             01, 13, 14, 15   AI Agent
+
+  卷积神经网络       05, 06, 07       CNN
+
+  注意力机制         08, 09, 10       Self-Attention
+
+  大语言模型         10, 15           LLM
+
+  扩散模型           11, 12, 16       Diffusion
+
+  具身智能           14               Embodied AI
+
+  检索增强生成       10, 15           RAG
+
+  人类反馈强化学习   10               RLHF
+
+  模型上下文协议     15               MCP
+
+  人机协作           15               HITL
+  ----------------------------------------------------
+
+# 内容特色
+
+**原理先行**：上篇系统讲解AI核心技术原理
+
+**应用导向**：下篇聚焦五大设计领域的AI应用
+
+**案例驱动**：每个应用领域配有真实案例分析
+
+**工具支撑**：附录提供完整的工具与资源指南
+
+**中英双语**：专业术语保留英文，便于深入阅读
+
+# 版本历史
+
+**v1.0.0** (2026-04) - 初始版本发布
+
+**License**: CC BY-NC-SA 4.0

appendix/glossary.md

@@ -0,0 +1,318 @@
+附录C：关键术语表
+
+本附录按章节整理书中涉及的关键中英文术语。
+
+## A
+
+  -------------------------------------------------------
+  中文               英文                          章节
+  ------------------ ----------------------------- ------
+  自编码器           Autoencoder, AE               11
+
+  注意力机制         Attention                     8
+
+  人类反馈强化学习   RLHF                          10
+
+  人工智能           AI, Artificial Intelligence   1
+
+  AI for Science     AI4S                          1
+
+  AI in Education    AIED                          1
+  -------------------------------------------------------
+
+## B
+
+  ----------------------------------
+  中文         英文           章节
+  ------------ -------------- ------
+  边界框       Bounding Box   6
+
+  生物多样性   Biodiversity   24
+  ----------------------------------
+
+## C
+
+  -------------------------------------------
+  中文           英文               章节
+  -------------- ------------------ ---------
+  卷积神经网络   CNN                5, 6, 7
+
+  卷积核         Kernel/Filter      5
+
+  因果推断       Causal Inference   \-
+
+  连通性         Connectivity       25
+
+  交叉熵         Cross Entropy      4
+  -------------------------------------------
+
+## D
+
+  -----------------------------------------
+  中文           英文                章节
+  -------------- ------------------- ------
+  扩散模型       Diffusion Model     11
+
+  数字孪生       Digital Twin        14
+
+  深度学习       Deep Learning       2
+
+  设计生成式AI   Generative Design   20
+  -----------------------------------------
+
+## E
+
+  ------------------------------------------
+  中文           英文                 章节
+  -------------- -------------------- ------
+  生态系统服务   Ecosystem Services   24
+
+  具身智能       Embodied AI          14
+
+  编码器         Encoder              9
+
+  解码器         Decoder              9
+  ------------------------------------------
+
+## F
+
+  ---------------------------------------------
+  中文       英文                        章节
+  ---------- --------------------------- ------
+  特征图     Feature Map                 5
+
+  前馈网络   FFN, Feed-Forward Network   2, 9
+
+  俯瞰       Foundation Model            \-
+  ---------------------------------------------
+
+## G
+
+  ---------------------------------------------
+  中文           英文               章节
+  -------------- ------------------ -----------
+  生成对抗网络   GAN                11
+
+  生成式AI       AIGC               1, 11, 16
+
+  梯度下降       Gradient Descent   4
+
+  图神经网络     GNN                2
+  ---------------------------------------------
+
+## H
+
+  -----------------------------------
+  中文     英文                章节
+  -------- ------------------- ------
+  HITL     Human-in-the-Loop   15
+
+  隐藏层   Hidden Layer        3
+
+  超参数   Hyperparameter      \-
+  -----------------------------------
+
+## I
+
+  -----------------------------------------
+  中文       英文                    章节
+  ---------- ----------------------- ------
+  交并比     IoU                     6
+
+  图像分类   Image Classification    6
+
+  实例分割   Instance Segmentation   7
+  -----------------------------------------
+
+## K
+
+  ---------------------------------
+  中文     英文              章节
+  -------- ----------------- ------
+  键       Key               8
+
+  核函数   Kernel Function   \-
+  ---------------------------------
+
+## L
+
+  -----------------------------------------
+  中文         英文                  章节
+  ------------ --------------------- ------
+  大语言模型   LLM                   10
+
+  损失函数     Loss Function         4
+
+  学习率       Learning Rate         4
+
+  LoRA         Low-Rank Adaptation   12
+
+  潜在空间     Latent Space          11
+  -----------------------------------------
+
+## M
+
+  --------------------------------------------
+  中文         英文                     章节
+  ------------ ------------------------ ------
+  多头注意力   Multi-Head Attention     8
+
+  多层感知机   MLP                      3, 4
+
+  多模态       Multimodal               10
+
+  MCP          Model Context Protocol   15
+
+  平均精度     mAP                      6
+  --------------------------------------------
+
+## N
+
+  --------------------------------------
+  中文           英文             章节
+  -------------- ---------------- ------
+  归一化         Normalization    9
+
+  神经网络       Neural Network   2
+
+  非极大值抑制   NMS              6
+  --------------------------------------
+
+## O
+
+  ---------------------------------------------
+  中文              英文                 章节
+  ----------------- -------------------- ------
+  目标检测          Object Detection     6
+
+  优化器            Optimizer            4
+
+  One-Stage检测器   One-Stage Detector   6
+  ---------------------------------------------
+
+## P
+
+  ---------------------------------------
+  中文       英文                  章节
+  ---------- --------------------- ------
+  位置编码   Positional Encoding   8
+
+  池化       Pooling               5
+
+  提示工程   Prompt Engineering    10
+
+  预训练     Pre-training          10
+
+  像素       Pixel                 7
+  ---------------------------------------
+
+## Q
+
+  ---------------------------
+  中文    英文         章节
+  ------- ------------ ------
+  查询    Query        8
+
+  Q学习   Q-Learning   14
+  ---------------------------
+
+## R
+
+  ------------------------------------------------------
+  中文           英文                             章节
+  -------------- -------------------------------- ------
+  RAG            Retrieval-Augmented Generation   10
+
+  ReAct          Reasoning + Acting               13
+
+  强化学习       RL, Reinforcement Learning       14
+
+  循环神经网络   RNN                              2
+
+  残差连接       Residual Connection              9
+
+  值             Value                            8
+
+  感受野         Receptive Field                  5
+  ------------------------------------------------------
+
+## S
+
+  -----------------------------------------------
+  中文             英文                    章节
+  ---------------- ----------------------- ------
+  Self-Attention   自注意力                8
+
+  语义分割         Semantic Segmentation   7
+
+  Scaling Law      缩放定律                2
+
+  Sigmoid          激活函数                4
+
+  Softmax          激活函数                4
+
+  境况             State                   14
+
+  潜变量           Latent Variable         11
+
+  支持向量机       SVM                     \-
+  -----------------------------------------------
+
+## T
+
+  --------------------------------------------
+  中文          英文                    章节
+  ------------- ----------------------- ------
+  Transformer   Transformer架构         9
+
+  拓扑优化      Topology Optimization   21
+
+  Token         令牌/词元               9
+
+  目标检测      Two-Stage Detector      6
+  --------------------------------------------
+
+## U
+
+  -------------------------------------------------------
+  中文           英文                              章节
+  -------------- --------------------------------- ------
+  万能逼近定理   Universal Approximation Theorem   2
+
+  U-Net          分割网络架构                      7
+  -------------------------------------------------------
+
+## V
+
+  --------------------------------------------------
+  中文              英文                      章节
+  ----------------- ------------------------- ------
+  VAE               Variational Autoencoder   11
+
+  向量数据库        Vector Database           10
+
+  视觉Transformer   Vision Transformer        5
+  --------------------------------------------------
+
+## W
+
+  ----------------------------------
+  中文       英文             章节
+  ---------- ---------------- ------
+  权重       Weight           3
+
+  权重共享   Weight Sharing   5
+
+  权重衰减   Weight Decay     \-
+  ----------------------------------
+
+## Y
+
+  -----------------------------------
+  中文    英文                 章节
+  ------- -------------------- ------
+  YOLO    You Only Look Once   6
+
+  -----------------------------------
+
+**更新日期**：2026年4月

appendix/references.md

@@ -0,0 +1,127 @@
+参考文献
+
+本部分整理教材中引用的论文、书籍和在线资源。
+
+论文
+
+# 基础理论
+
+4.  Universal Approximation Theorem (1989)
+
+    Scaling Laws for Neural Language Models (2020)
+
+# 计算机视觉
+
+6.  AlexNet (2012) - ImageNet Classification with Deep Convolutional Neural Networks
+
+    ResNet (2015) - Deep Residual Learning for Image Recognition
+
+    YOLO (2016) - You Only Look Once: Unified, Real-Time Object Detection
+
+    U-Net (2015) - Convolutional Networks for Biomedical Image Segmentation
+
+# Transformer与大模型
+
+10. Attention Is All You Need (2017)
+
+    BERT: Pre-training of Deep Bidirectional Transformers (2018)
+
+    GPT-3: Language Models are Few-Shot Learners (2020)
+
+    Training Language Models to Follow Instructions with Human Feedback (2022)
+
+# 生成式AI
+
+14. Denoising Diffusion Probabilistic Models (2020)
+
+    High-Resolution Image Synthesis with Latent Diffusion Models (2022)
+
+    ControlNet (2023)
+
+# AI Agent
+
+1.  LLM Powered Autonomous Agents (2023)
+
+2.  ReAct: Synergizing Reasoning and Acting in Language Models (2022)
+
+3.  
+
+# 书籍
+
+5.  深度学习
+
+6.  Deep Learning (Ian Goodfellow et al.)
+
+7.  Neural Networks and Deep Learning (Michael Nielsen)
+
+8.  强化学习
+
+9.  Reinforcement Learning: An Introduction (Sutton & Barto)
+
+10. 
+
+# 在线资源
+
+12. 课程
+
+13. CS231n: Convolutional Neural Networks for Visual Recognition
+
+14. Fast.ai Practical Deep Learning for Coders
+
+## 工具文档
+
+16. PyTorch: https://pytorch.org/docs/
+
+17. Ultralytics YOLO: https://docs.ultralytics.com/
+
+18. LangChain: https://python.langchain.com/
+
+## 博客
+
+20. Lil'Log (Lilian Weng): https://lilianweng.github.io/
+
+21. The Illustrated Transformer: https://jalammar.github.io/illustrated-transformer/
+
+22. 
+
+# 设计AI相关
+
+## 学术期刊
+
+25. Landscape and Urban Planning
+
+26. Environment and Planning B: Urban Analytics and City Science
+
+27. Automation in Construction
+
+## 会议
+
+29. CAAD Futures
+
+30. ACADIA
+
+31. eCAADe
+
+32. 
+
+# 数据集
+
+## 计算机视觉
+
+35. ImageNet
+
+36. COCO (Common Objects in Context)
+
+37. MNIST
+
+## 空间数据
+
+39. OpenStreetMap
+
+40. 路网数据、POI数据等
+
+# 许可说明
+
+部分内容引用自公开资源，遵循相应许可协议使用。
+
+**最后更新**：2026年4月

appendix/tools.md

@@ -0,0 +1,207 @@
+附录A：编程工具与资源
+
+本附录整理AI学习和实践所需的编程工具、框架和资源。
+
+# Python环境配置
+
+## Anaconda/Miniconda
+
+  -----------------------------------------------------------------------------------------------------------------
+  工具          大小             特点             下载地址
+  ------------- ---------------- ---------------- -----------------------------------------------------------------
+  Anaconda      \~500MB          预装常用库       [anaconda.com](https://www.anaconda.com/download)
+
+  Miniconda     \~50MB           精简安装         [docs.conda.io](https://docs.conda.io/en/latest/miniconda.html)
+  -----------------------------------------------------------------------------------------------------------------
+
+## 安装步骤
+
+\# 1. 下载并安装Miniconda\
+\# 2. 创建虚拟环境\
+conda create -n ai-env python=3.10\
+\
+\# 3. 激活环境\
+conda activate ai-env\
+\
+\# 4. 安装核心库\
+pip install torch torchvision numpy pandas scipy
+
+# 深度学习框架
+
+## PyTorch
+
+`pip`` install torch ``torchvision`` ``torchaudio`
+
+**特点**： - 动态计算图 - 研究友好 - 广泛的社区支持
+
+**资源**： - [官方文档](https://pytorch.org/docs/) - [中文教程](https://pytorch.zhangxiann.com/)
+
+## TensorFlow
+
+`pip`` install ``tensorflow`
+
+**特点**： - 生产部署优化 - Keras高级API - 跨平台支持
+
+# 计算机视觉工具
+
+OpenCV
+
+`pip`` install ``opencv``-python`
+
+**功能**：图像处理、视频分析
+
+Ultralytics YOLO
+
+`pip`` install ``ultralytics`
+
+**功能**：目标检测、实例分割
+
+**使用示例**：
+
+`from`` ``ultralytics`` ``import`` YOLO`\
+\
+`model ``=`` YOLO(``'yolov8n.pt'``)`\
+`results ``=`` model(``'image.jpg'``)`
+
+# AIGC工具链
+
+## Stable Diffusion
+
+**WebUI**：[Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui)
+
+**ComfyUI**：[GitHub](https://github.com/comfyanonymous/ComfyUI)
+
+**API调用**：
+
+`from`` diffusers ``import`` ``StableDiffusionPipeline`\
+\
+`pipe ``=`` StableDiffusionPipeline.from_pretrained(``"runwayml/stable-diffusion-v1-5"``)`\
+`image ``=`` ``pipe(``"a photo of an astronaut riding a horse on mars"``).images[``0``]`
+
+## ControlNet
+
+`from`` diffusers ``import`` ``StableDiffusionControlNetPipeline`\
+\
+`controlnet`` ``=`` ControlNetModel.from_pretrained(``"lllyasviel/sd-controlnet-canny"``)`\
+`pipe ``=`` StableDiffusionControlNetPipeline.from_``pretrained(``"runwayml/stable-diffusion-v1-5"``, ``controlnet``=``controlnet``)`
+
+## Midjourney
+
+**平台**：Discord **文档**：[docs.midjourney.com](https://docs.midjourney.com/)
+
+# Agent开发框架
+
+## LangChain
+
+`pip`` install ``langchain`` ``langchain-openai`
+
+**功能**：LLM应用开发框架
+
+**核心组件**： - Models：LLM接口 - Prompts：提示管理 - Chains：链式调用 - Agents：智能体 - Memory：记忆管理
+
+LangGraph
+
+`pip`` install ``langgraph`
+
+**功能**：状态机式Agent开发
+
+LlamaIndex
+
+`pip`` install llama-index`
+
+**功能**：数据索引与检索（RAG）
+
+# 开发工具
+
+VSCode
+
+**AI开发常用插件**： - Python - Pylance - Jupyter - Copilot
+
+## Cursor
+
+**特点**：AI原生IDE **网址**：[cursor.com](https://cursor.com/)
+
+## Jupyter Lab
+
+`pip`` install ``jupyterlab`\
+`jupyter`` lab`
+
+# 在线学习资源
+
+## 课程
+
+  --------------------------------------------------------------------------------------------------------------------------------------------------
+  名称                平台                    链接
+  ------------------- ----------------------- ------------------------------------------------------------------------------------------------------
+  CS231n              Stanford                [cs231n.stanford.edu](http://cs231n.stanford.edu/)
+
+  Fast.ai             fast.ai                 [course.fast.ai](https://course.fast.ai/)
+
+  吴恩达深度学习      Coursera                [coursera.org/specializations/deep-learning](https://www.coursera.org/specializations/deep-learning)
+  --------------------------------------------------------------------------------------------------------------------------------------------------
+
+## 博客与文档
+
+1.  [Lil'Log](https://lilianweng.github.io/) - AI深度文章
+
+    [The Illustrated Transformer](https://jalammar.github.io/illustrated-transformer/)
+
+    [Distill.pub](https://distill.pub/) - 可视化论文
+
+## 数据集
+
+  -------------------------------------------------------------------------------------------------------
+  数据集                     内容                   链接
+  -------------------------- ---------------------- -----------------------------------------------------
+  ImageNet                   图像分类               [image-net.org](https://www.image-net.org/)
+
+  COCO                       目标检测               [cocodataset.org](https://cocodataset.org/)
+
+  OpenStreetMap              地图数据               [openstreetmap.org](https://www.openstreetmap.org/)
+  -------------------------------------------------------------------------------------------------------
+
+# 模型资源
+
+## Hugging Face
+
+**网址**：[huggingface.co](https://huggingface.co/)
+
+**功能**： - 模型仓库 - 数据集 - Spaces在线演示
+
+## 常用模型
+
+  -----------------------------------------------------------------------------
+  任务         推荐模型              Hugging Face ID
+  ------------ --------------------- ------------------------------------------
+  文生图       Stable Diffusion XL   stabilityai/stable-diffusion-xl-base-1.0
+
+  目标检测     YOLOv8                Ultralytics
+
+  语义分割     SAM                   segment-anything
+
+  大语言模型   Llama 3               meta-llama/Meta-Llama-3-8B
+  -----------------------------------------------------------------------------
+
+# 硬件资源
+
+## 云平台
+
+  ----------------------------------------
+  平台               特点       适合场景
+  ------------------ ---------- ----------
+  Google Colab       免费GPU    学习实验
+
+  Kaggle Notebooks   免费GPU    竞赛
+
+  AutoDL             按时计费   中期项目
+
+  阿里云PAI          国内稳定   生产部署
+  ----------------------------------------
+
+## 本地GPU
+
+推荐配置： - GPU：RTX 3060 (12GB) 或更高 - 内存：16GB+ - 存储：至少100GB SSD
+
+# 最后更新
+
+2026年4月