让每个人在 AI 时代不被信息淹没
ChatGPT 能回答任何问题之后，学习的真正瓶颈不是"找到答案"，而是"让答案成为你的能力"。
我们的使命：把 AI 给不了的东西 ——结构、节奏、交互、社群、品味 —— 装进一个轻盈的平台， 让任何想认真学一件事的人有一个"靠得住的家"。
学习的瓶颈变了
2025 年，全世界的人都在和 AI 聊天。但很少有人能清晰说出"我从这些聊天里真的学到了什么"。
问题不是 AI 不够强 —— 它强得过了头。问题在于"对话" 本身不是好的学习载体：
所以我们做了 NanoCourse —— 不是 AI 的替代品，是 AI 时代的学习栈。
AI 给原料 → 我们做加工；AI 给答案 → 我们做"答案 → 能力"的转化器。
四件 AI 给不了、别处也给不了的东西
一条专家走过的路径
每门课的章节顺序是想清楚的：先什么、再什么、最后什么。学完每一节你都能说「我现在在地图哪里、下一步是什么」。这是 AI 对话和视频播放列表都给不了的"确定性"。
对"我懂了吗"的客观答案
交互式 demo + 即时测验 + 可运行代码。你不再凭"看着顺"判断自己懂没懂；你点过、调过、答对过的东西才算懂。
持续累积的学习档案
进度、笔记、反馈、停留时长 —— 平台记住你的每一步。3 个月后回看自己学过什么、写过什么，是 AI 对话永远做不到的事。
一群同路的学习者
评分、评论、热度榜单告诉你"哪节最受欢迎、哪节大家都卡住"。你不是一个人在和黑盒对话，是一群人在共建知识。
7 个 AI 直接学不到的事
点左侧任意一条，看「直接问 AI」和「用 NanoCourse」的实际差异。
面对陌生领域，你最大的问题是"不知道我不知道什么"。问 ChatGPT「我想学 LLM」，它反问"从哪儿开始？"—— 你哑口无言。
课程章节顺序是专家替你想过的学习路径："先 token 再 embedding 再 attention" 不是你能问出来的 —— 是被精心安排好的。
跟视频 / 书 / MOOC 比，我们的位置
每个渠道都强在 1-2 项。我们追求的不是某一项最强，而是把 5 件别人各自做一件的事，组合到一起 —— 形成 AI 时代真正能完成"学习闭环"的一站式平台。
| 渠道 | 强项 | 缺什么 |
|---|---|---|
| ChatGPT / Claude | 无所不答、零等待 | 没结构、没动手、没连续 |
| B 站 / YouTube 视频 | 大牛口述、信息密度高 | 单向输入、无互动、无验证 |
| 教科书 / 经典著作 | 深度、严谨、体系完整 | 更新慢、门槛高、缺动手 |
| MOOC（Coursera / 极客时间） | 有结构有作业 | 互动浅、AI 时代未跟上、更新慢 |
| 官方文档 | 权威、准确 | 没节奏感、没"为什么" |
| NanoCourse | 结构 + 交互 + 连续 + 社群 + AI 同步 | 需要持续打磨 |
跟 AI 聊 3 小时，你以为懂了。
用 NanoCourse 学 30 分钟，你真的会了。
做 AI 时代的教育底座
10 年后，所有人都用 AI 学习。但"用得好"和"用得糟"会产生巨大的能力差距。
知识停留在浏览历史里，能聊但不能做。
通过 AI 快速建立可迁移的底层模型，做事 + 教别人 + 创造。
我们的长期使命是把"用得好"标准化、平民化：
学习路径化
把"AI 时代最值得学的东西"组织成有序、有节奏、有验证点的路径。
理解可验证
通过交互演示、可运行代码、即时测验，让"我懂了吗"有客观答案。
学习不孤独
把笔记、反馈、评分、热度连起来，让每个学习者看见其他学习者的痕迹。
10 年后回头看，因为有了 NanoCourse 这类平台，普通人在 AI 时代成长得更快、更深、更不焦虑。
这是我们要传承的事。
内容生产十法则
这 10 条既是对用户的承诺，也是团队（含 AI 协作者）生产课程时必须遵守的内部宪法。 任何一节课不达标就不发布。
质量必须 > AI 即兴答
每个比喻、案例、可视化都被反复打磨。如果某节课的解释不如 ChatGPT 即兴答得好 —— 那就是我们没做到位，砍掉或重写。我们的底线是：用户读完后觉得"如果当时直接问 AI 会比看这个差"。
每节都有"动手"
没有交互的章节不发布。每节至少一个可玩组件：滑块、热力图、配方对比、bug 诊断器、答题。学习只在动手时发生。
抽象必须配具体
不能只讲"softmax 是归一化函数"，得配"3 个 logits 在 T=0.1/1/2 下变成什么"。抽象 + 具体 = 真理解。
所有专业词必须有 tooltip
新手看到"梯度"、"KL 散度"、"one-hot"立刻能悬停看到释义。任何词不解释 = 我们默认了"读者跟我一样懂"。
至少一个客观验证点
每节末尾要么有测验、要么有"你能做出 X 吗"的可执行任务。"我懂了吗"不该靠用户自我感觉判断。
15-20 分钟一节
超过 20 分钟说明没切清楚，应该拆分。少于 10 分钟说明含金量不足，应该补。每节是"可独立完成 + 可独立产生成就感"的最小单元。
至少季度更新一次时间线
AI 领域 6 个月一大变。任何"现状"、"最新进展"的内容（如蒸馏家族）必须季度回炉，让用户看到的不是过时知识。
不孤立
每节要链接到相关专题、相关模块、相关词条。让用户在平台里"顺藤摸瓜"地越学越多，而不是看完一节就跳出去。
诚实写局限
每个技术 / 方法都要写它的局限和盲区。不要把蒸馏说成"小模型偷大模型作业的银弹"，也得写它的"容量上限"和"分布偏移"风险。
有人味，不是 AI 流水线
我们用 AI 协作写课程，但绝不让用户感觉"这是 AI 流水线"。每节要有具体例子、具体取舍、具体经验 —— 让课程"是人写给人看的"。
说人话，不夹英文不堆术语
面向的是零基础用户。不要在中文里随便夹英文（trivial / sanity check / ROI / MVP 这些禁用）。专业词第一次出现给中文翻译 + tooltip，不要为了"显专业"而抬高门槛。读起来要像一个有耐心的朋友在解释，不是一个技术博客在炫耀。
能用图表就别堆文字
凡是"一步步演化"、"前后对比"、"分档对比"、"流程"、"层级关系"这些信号词出现的地方，<strong>必须</strong>用时间线/对比卡/层级图/流水线图来呈现，不要写成段落。可视化让学习者 5 秒抓到全貌，文字得花 5 分钟读完还可能记不住。
英文缩写第一次出现必须给全称 + 中文
MLP、RNN、LSTM、RLHF、KL、MoE、N-gram …… 这些缩写在一篇文章里<strong>第一次出现</strong>时，必须用"<strong>全称（英文展开，中文翻译）</strong>"的格式介绍。比如：MLP（Multi-Layer Perceptron，多层感知机）、N-gram（N 元语法）。后续出现可以只用缩写。例外只有真的没有展开形式的专有名词（如某些产品名）。这条不是为了显得专业，是为了让零基础读者搜得到、记得住。
能做成交互演示的就不要写成文字
"看图 5 秒 vs 读字 5 分钟"的差距在交互演示上更大。<strong>凡是能让用户"点一下看效果"的概念，必须做成交互组件</strong> —— 概率表 → 可点击采样、注意力机制 → 可拖动权重的热力图、训练过程 → 可步进的可视化。文字只用来"导览"和"总结"，不要用来"讲解机制"。机制让用户自己玩出来。
看到我们没做到 → 直接在课程末尾给 1 星 + 理由。每条反馈我们都会看，并据此回炉。
说一千道一万，不如试一节课
浏览全部课程