资料目录（截图原因可能偏模糊，实际都是高清版）
备考蔡自兴《人工智能及其应用》，最致命的误区是把它当成“算法大全”或“编程习题集”——沉迷于背诵各类搜索算法的步骤、逻辑推理的规则、神经网络的公式，结果遇到“如何为无人驾驶汽车设计一个简单的避障系统”这类问题时，只会罗列“可以用A*算法、可以用神经网络”几个孤立的工具名，却看不见这些工具是如何组合成一个完整的智能系统的。这门课的本质不是算法手册，而是从问题表示、知识推理、搜索规划到学习感知的“智能系统构建方法论”。
第一，以“智能系统”为逻辑原点重构知识体系。 绝大多数考生按搜索、推理、知识表示、学习、感知的章节顺序死守，这是算法分类的逻辑，不是系统设计的思维逻辑。高分考生的知识库是按“感知—推理—规划—行动”这条智能行为链重组的。 建议手绘一张“智能系统逻辑结构图”，把传感器数据输入（感知）、知识库与推理机（认知）、搜索与规划（决策）、执行机构（行动）串联起来，把教材各章的状态空间搜索、谓词逻辑、产生式系统、神经网络、专家系统全部挂载到它们在智能链中的位置上。合上笔记能从“无人驾驶避障”这个任务，推演出它需要感知环节（视觉/激光雷达识别障碍）、推理环节（判断障碍物类型和威胁）、规划环节（搜索可行驶路径）、行动环节（控制转向和速度），才算读懂了人工智能的系统逻辑。
第二，死磕“状态空间搜索”这个理论心脏。 这是全书一切问题求解的基础，也是无数考生把深度优先、宽度优先、启发式搜索背成几种算法步骤、却从未理解它们如何与“问题表示”耦合的致命失血。搜索不是孤立的，它依赖于你如何把问题“表示”成状态空间。 复习搜索策略，不能只背各种算法的特点和优缺点，必须追问：为什么八数码问题适合用宽度优先？因为解在浅层。为什么旅行商问题不能用盲目搜索？因为状态空间爆炸。启发函数的设计直接决定了A*算法的效率。建议制作“搜索策略适用场景档案”，以八数码、迷宫寻路、旅行商、博弈树四种典型问题为横轴，每轴完成三层作业：问题表示方法（状态/动作/目标）、推荐搜索策略、选择理由。考场遇“如何为某一游戏设计AI走棋算法”题，你从状态空间大小、实时性要求、是否需要最优解三个维度选择算法。
第三，用“知识表示”这把尺子击穿推理与专家系统。 这是人工智能从“算法”走向“智能”的关键，也是无数考生把谓词逻辑、产生式规则、语义网络、框架背成四种表示方法、却从未理解它们各自解决什么问题的认知断层。知识表示不是格式选择，是世界观的选择。 复习知识表示，不能只背各种表示法的定义和例子，必须追问：为什么专家系统偏爱产生式规则？因为它模块化、易于解释。为什么自然语言理解需要语义网络？因为它能表示概念间的关系。为什么框架表示适合处理典型场景？因为它有继承和默认值。建议制作“知识表示与推理匹配档案”，以医学诊断、法律咨询、自然语言理解、规划问题四个典型领域为横轴，每轴完成三层作业：推荐的知识表示方法、对应的推理机制（如归结/匹配/继承）、优缺点。考场遇“设计一个简单的动物识别专家系统”题，你从产生式规则表示知识、正向推理匹配事实、冲突消解策略三个层面展开。
第四，建立“机器学习”的范式意识。 这是现代人工智能的引擎，也是无数考生把监督学习、无监督学习、强化学习背成三类定义、却从未理解它们分别适合什么任务、如何与传统符号AI互补的思维断层。机器学习不是万能的，它与符号AI各有边界。 复习机器学习，不能只背神经网络的结构和反向传播公式，必须追问：为什么图像识别适合深度学习？因为它能自动提取层次化特征。为什么AlphaGo用了监督学习+强化学习+蒙特卡洛搜索？因为这是一个复杂任务的系统集成，需要多种技术的协同。建议制作“AI技术协同档案”，以人脸识别、围棋对弈、推荐系统、自动驾驶四个复杂任务为横轴，每轴完成三层作业：用到的机器学习方法（如CNN/强化学习/协同过滤）、用到的符号AI方法（如规则/搜索/规划）、两者如何协同工作。考场遇“设计一个智能推荐系统”题，你从协同过滤（机器学习）与知识图谱（符号AI）融合的角度展开。
