📑 本页目录（点开跳转）
00 · 怎么用这份教程
⏱ 26 分钟 ｜ 🧭 读完这一章，能省下好几个小时的白读
🎯 一句话
站里另外 13 个板块都在讲「从数据里学出一个函数」，这一套讲「规则已经知道了，把答案搜出来」。
⭐ 两者不是新旧关系，是解决不同的问题： 「什么样的图片算猫」没有规则可写，只能学； 「从这里开车到那里最快怎么走」规则清清楚楚，需要的是找。
👤 一、这套适合谁
| 你的情况 | 建议 |
|---|---|
| 想搞懂导航 / 路径规划 / 排班排课 / 棋类 AI 底下是什么 | ✅ 正中靶心 |
| 在准备人工智能导论、算法课的考试 | ✅ 覆盖完整，每章都有可手算的例子 |
| 做调度、资源分配、自动排程 | ✅ ⭐ 第 13–15 章的 CSP 就是这类问题的标准解法 |
| 只学过深度学习，想补上 AI 的另外半边 | ✅ ⭐⭐ 这一套正是为这个缺口写的 |
| 想训好一个模型 | ⛔ 用不上，去 机器学习与深度学习基础 |
需要的前置：会写几十行 Python、知道什么是列表和字典。 ⭐ 不需要微积分、线性代数、GPU、数据集。这个板块的代码全部能在你的笔记本上秒跑。
⏱ 二、要花多少时间（真实数字）
⭐ 全部正文约 11.3 小时。
| 板块 | 章节 | 时长 | 说明 |
|---|---|---|---|
| 先玩起来 | 01 | 0.5 小时 | ⭐ 只想尝一口就读这一章 |
| Agent 是什么 | 02–04 | 1.8 小时 | 打底，也可以先跳 |
| ⭐ 搜索 | 05–09 | 3.1 小时 | ⭐⭐ 核心中的核心 |
| 对抗搜索 | 10–12 | 1.7 小时 | 棋类 AI 的全部底座 |
| 约束满足 | 13–15 | 1.7 小时 | 排班排课的标准解法 |
| 不确定性 | 16–17 | 1.2 小时 | 贝叶斯网络（全站唯一讲这个的地方） |
| 感知与语言的老办法 | 18–19 | 1.2 小时 | ⚠️ 唯一被深度学习大面积取代的两章 |
⚠️ 这些数字是按 170 字/分钟量出来的，不是拍脑袋写的。 标少了比不标更糟 —— 你会中途弃坑，而且从此不信这个数。
🗺️ 三、四条读法
🎯 路线 A：只想学搜索（推荐给大多数人，约 4 小时）
01 Wumpus 世界 → 05 状态空间与搜索框架 → 06 无信息搜索
→ 07 启发式与 A* ⭐⭐ → 08 启发式怎么设计
⭐ 第 7 章 A* 是整套的枢纽，读到那里就算入门了。 02–04（Agent 架构）可以之后再补，不影响理解。
♟️ 路线 B：想写个棋类 AI（约 3 小时）
01 → 10 博弈树与 Minimax → 11 α-β 剪枝 ⭐⭐ → 12 评估函数与棋类 AI
⭐ 这条线最短、最容易做出能玩的东西。读完就能写一个打得过你自己的井字棋/四子棋。
📅 路线 C：手上有排班/排课/调度问题（约 2.5 小时）
01 → 13 CSP 是什么 → 14 回溯与约束传播 ⭐⭐ → 15 CSP 的启发式
⭐ 三章用同一张澳大利亚地图贯穿，能直接看出每加一层技巧省了多少 —— 第 14 章的写死顺序要回溯 2 次，第 15 章换成 MRV 就是零回溯； 放大到 16 皇后是 160712 次试值 → 584 次。
📚 路线 D：完整走一遍（11 小时）
按 00 → 01 → 02 → … → 20 顺序走。适合考试或想彻底搞清楚的人。
🧩 四、每章长什么样
| 元素 | 作用 | 怎么用 |
|---|---|---|
| ⏱ 时间徽章 | 决定现在要不要开始 | 只有 15 分钟就别开 34 分钟的章 |
| 🎯 一句话 | 全章压成一句 | ⭐ 只看这一句就走，是被允许的 |
| 🔨 手算例子 | ⭐⭐ 这套教程的核心 | 拿纸跟着算一遍，光看会以为自己懂了 |
| 💻 代码 | 每段自带 import、复制到空文件就能跑 | 不需要装库、不需要 GPU |
| ✅ 检查点 | 折叠答案，只考正文讲过的 | 答不上来就回去翻 |
| 🛑 可以停在这里 | 明确的退出点 | 停在这里不算失败，是设计好的 |
| ⚡ 走神救援 | ⭐ 全章压成一段，带具体数字 | 隔几天回来只读这一段就能接上 |
⭐ ⚠️ 和 💀 的区别：⚠️ 是坑（容易搞错），💀 是真会出事的后果。
📚 后面各章说的「讲义」是指什么：这个板块的骨架、手算例子和不少原话， 来自 UNSW COMP3411/9814（Artificial Intelligence） 一整学期的讲义。 正文里出现「讲义原话」「讲义那棵树」时，指的都是它 —— 你不需要有这份材料， 例子和数字在正文里都是完整的，标出来只是为了说明来源。
⭐ 有意没收进来的部分：讲义里的「学习 / 感知机 / 神经网络 / 强化学习」四讲这里一概不写 —— 机器学习与深度学习基础 和 强化学习基础 讲得更深，本板块只做链接。
⚠️ 五、关于 18、19 两章，先说清楚
经典计算机视觉和经典 NLP 是这个板块里唯一被深度学习大面积取代的两块。
它们的写法和别的章不同，固定三段：当年怎么做的 → 为什么被取代 → 哪些部分今天还活着。
⭐ 第三段才是重点。 举两个例子：
- 手工设计的边缘算子（Sobel 那类固定卷积核）和 CNN 第一层学出来的卷积核，形状惊人地相似。 差别不在用不用卷积，在于核是人定的还是数据学的 —— 看懂这一条，你会同时更懂两边。
- 今天 LLM 输出 JSON / SQL 时用的约束解码，本质就是拿形式文法卡住生成 —— 那套 1960 年代的东西根本没死，只是换了个位置。
⚠️ 如果你只想学还在前线的方法，这两章可以跳过，不影响其余任何一章。
🔗 六、它和站里其他几套的关系
| 那一套 | 管什么 | 分界 |
|---|---|---|
| 机器学习与深度学习基础 | 从数据里学出函数 | ⭐ 规则未知时用它，规则已知时用这一套 |
| 强化学习基础 | 从奖励里试出策略 | ⭐ 搜索假设你知道模型（转移和代价都已知），RL 假设你不知道、要试出来 |
| 博弈论与集体决策 | 对面也在最大化时会怎样 | ⭐⭐ 那边是理论（会发生什么），本板块 10–12 章是算法（怎么算出来）。⭐ 那一套第 13 章明写着「搜索算法本身在《不靠数据的 AI》10–12 章」，🔗 表里两行分别指向本板块 10、11 章 —— 本板块就是那个落点 |
| 智能体工程教程 | LLM + 工具 + 循环 | ⚠️ 两种「Agent」不是一回事，第 4 章讲清分界（也讲清联系：ReAct 循环对应的正是「感知→推理→行动」） |
| 机器学习的数学原理 | 概率与统计的地基 | 第 16、17 章的概率部分链过去，不重复讲 |
🚦 现在就开始
建议：先花 30 分钟读第 1 章。 它一个算法都不讲，只让你在 4×4 的洞穴里亲手推出「坑在哪、Wumpus 在哪」—— ⭐ 推完你会撞上三堵墙，那三堵墙就是后面 19 章要解决的三件事。
下一节 👉 01-第一天-Wumpus世界.md
🧭 已经知道自己要什么？ 直接跳： 搜索 → 05-状态空间与搜索框架.md ｜ 棋类 AI → 10-博弈树与Minimax.md ｜ 排班排课 → 13-CSP是什么.md ｜ 动手 → 20-实战与挑战项目.md ｜ 复习速查 → 附录A-速查.md
✅ 检查点
- 这个板块和站里其他 13 个板块最根本的区别是什么？
- 「经典方法已经过时了」错在哪？举三个今天仍在用的例子。
- 需要什么前置？不需要什么？
- 只想学搜索该走哪条路线？哪一章是枢纽？
- 18、19 两章为什么写法和别的章不同？它们固定的三段是什么？
- 搜索和强化学习的分界在哪？
- 这里的「Agent」和《智能体工程教程》的 Agent 是一回事吗？
👀 答案
- ⭐ 其他板块讲「从数据里学出一个函数」，这一套讲「规则已经知道了，把答案搜出来」。两者不是新旧关系，是解决不同问题：「什么样的图片算猫」没规则可写只能学；「从这里到那里最快怎么走」规则清楚，需要的是找。
- 错在把「不上新闻」当成「被淘汰」。三个例子：导航用 A（第 7 章）、排班排课用 CSP（13–15 章）、棋类引擎底座仍是 α-β 剪枝*（第 11 章）。
- 需要：会写几十行 Python、知道列表和字典。⭐ 不需要微积分、线性代数、GPU、数据集 —— 这个板块的代码全部能在笔记本上秒跑。
- 路线 A：01 → 05 → 06 → 07 启发式与 A → 08。⭐⭐ 第 7 章 A 是枢纽**，读到那里就算入门。02–04 可以之后再补。
- 因为它们是唯一被深度学习大面积取代的两块。三段固定为：当年怎么做的 → 为什么被取代 → ⭐ 哪些部分今天还活着（第三段才是重点）。两个例子：手工边缘算子和 CNN 第一层学出的卷积核形状惊人相似（差别在核是人定的还是学的）；LLM 输出 JSON/SQL 的约束解码本质就是拿形式文法卡住生成。
- ⭐ 搜索假设你知道模型（转移和代价都已知），RL 假设你不知道、要试出来。
- 不是。 那边是「LLM + 工具 + 循环」，这里是「感知-决策-行动」的经典分类。⭐ 但有联系：LLM Agent 其实就是「模型式 + 规划式」的现代实现，ReAct 循环对应的正是「感知→推理→行动」。第 4 章讲清了这个分界和联系。
🛑 可以停在这里
⚡ 走神救援
⭐⭐ 一句话定位：站里其余 13 个板块都在讲「从数据里学出一个函数」，这一套讲「规则已经知道了，把答案搜出来」。 两者不是新旧关系，是解决不同问题 —— 「什么样的图片算猫」没规则可写只能学，「从这里到那里最快怎么走」规则清楚、需要的是找。⚠️ 「经典方法已经过时了」错在把「不上新闻」当成「被淘汰」：导航仍是 A*、排班排课仍是 CSP、棋类引擎的底座仍是 α-β 剪枝。全部正文约 11.3 小时：先玩起来（01，0.5h）、Agent 是什么（02–04，1.8h）、⭐⭐搜索（05–09，3.1h，核心中的核心）、对抗搜索（10–12，1.7h）、约束满足（13–15，1.7h）、不确定性（16–17，1.2h，全站唯一讲贝叶斯网络的地方）、感知与语言的老办法（18–19，1.2h）。数字按 170 字/分钟量出来，标少了比不标更糟。四条读法：⭐ 路线 A（推荐） 只想学搜索，约 4 小时：01→05→06→07 启发式与 A⭐⭐→08，第 7 章是整套的枢纽，读到那里就算入门，02–04 可以之后再补、不影响理解；路线 B 想写棋类 AI，约 3 小时：01→10→11 α-β 剪枝 ⭐⭐→12，⭐ 这条线最短、最容易做出能玩的东西，读完能写一个打得过你自己的井字棋；路线 C 手上有排班/排课/调度，约 2.5 小时：01→13→14 回溯与约束传播 ⭐⭐→15，⭐ 三章用同一张澳大利亚地图贯穿，能直接看出每加一层技巧省了多少 —— 第 14 章写死顺序要回溯 2 次，第 15 章换成 MRV 就是零回溯；放大到 16 皇后是 160712 次试值 → 584 次；路线 D 完整 11 小时。💻 代码：每段自带 import、复制到空文件就能跑，不需要装库、不需要 GPU、不需要数据集。⚠️ 18、19 两章要先说清楚：经典 CV 和经典 NLP 是这个板块里唯一被深度学习大面积取代的两块，写法和别的章不同，固定三段 —— 当年怎么做的 → 为什么被取代 → ⭐ 哪些部分今天还活着，第三段才是重点。两个例子：手工设计的边缘算子（Sobel 那类固定卷积核）和 CNN 第一层学出来的卷积核形状惊人地相似 —— 差别不在用不用卷积，在于核是人定的还是数据学的，看懂这一条你会同时更懂两边；今天 LLM 输出 JSON/SQL 用的约束解码，本质就是拿形式文法卡住生成，那套 1960 年代的东西根本没死、只是换了个位置。⚠️ 只想学还在前线的方法，这两章可以跳过，不影响其余任何一章。和站里其他几套的分界：⭐ ML 基础是规则未知时用它，规则已知时用这一套；⭐ 强化学习的分界是「搜索假设你知道模型（转移和代价都已知），RL 假设你不知道、要试出来」；博弈论那边是理论（会发生什么）、本板块 10–12 章是算法（怎么算出来），⭐ 那一套第 13 章把定理留在自己那边、明写着「搜索算法本身在《不靠数据的 AI》10–12 章」——本板块就是那个落点；⚠️ 智能体工程的「Agent」和这里不是一回事（那边是「LLM+工具+循环」，这里是「感知-决策-行动」的经典分类），第 4 章讲清了分界，也讲清了联系 —— ⭐ LLM Agent 其实就是「模型式 + 规划式」的现代实现，ReAct 循环对应的正是「感知→推理→行动」。建议先花 30 分钟读第 1 章* —— 它不讲任何算法，只让你在 Wumpus 世界里亲手推理一遍，推完你就明白这一套在干什么。