从「用 AI」到「造 AI 产品」
第三部分，你学会了用 AI 完成复杂任务、造工具、做自动化。这一部分要再上一个量级：造出一个真正的 AI 应用——能稳定运行、能部署上线、能交给别人用。学完这一章，你将具备"一个人撑起很多条产品线"的底层能力。
本部分贯穿案例（一个练习项目）：接下来我们会一起做一个翻译小应用当例子。你现在手上没有任何项目、没用过任何产品，都完全没关系——这个翻译应用就是我们用来"边做边学"的教具，跟着走就行。它不是在对话框里翻一句，而是一个能接收文本、调用大模型、按设定的质量标准产出译文、还能持续被优化的软件产品。把它从零做出来，你就把接 API、模型选型、prompt、pipeline、评测调优、部署交付全部走了一遍。
"工具" 和 "产品" 的本质区别
第三部分的"工具/脚本"，是你自己用的；这一部分的"产品"，是能交付给别人、长期跑的。这中间隔着几道真实的坎：
| 维度 | 自用工具（第三部分） | 能交付的产品（这一部分） |
|---|---|---|
| 谁来用 | 你自己，知道怎么回事 | 别人，什么都不懂也能用 |
| 稳定性 | 能跑一次就行 | 反复跑都不崩，出错能恢复 |
| 质量 | 差不多就行 | 有明确标准，且可衡量、可优化 |
| 成本 | 不太在意 | 每次调用都花钱，必须可控 |
| 在哪跑 | 你的电脑 | 部署在某处，别人随时能访问 |
这一部分会把这些原理讲透
造产品不能只靠"复制提示词"，你得理解底下的东西。本章会逐一拆解：
- 接 API、接大模型：AI 能力是怎么被程序调用的（第 2 讲）
- 模型选型：那么多模型，按什么标准选（第 3 讲）
- Prompt 工程：怎么写出产品级、稳定可靠的 prompt（第 4 讲）
- Pipeline：把多步骤串成一条可靠流水线（第 5 讲）
- 模型 × Prompt 调优 + 评测：同一任务怎么调到最好，并用
claude -p给表现打分（第 6–9 讲） - 部署交付：让它能跑、能给别人用（第 10–11 讲）
为什么"理解原理"在这一部分变得必要
前三部分，你把 AI 当"黑盒"使唤就够了。但要造产品、要调优、要控成本、要排错，你必须看进黑盒里一点点：知道一次调用发生了什么、钱花在哪、为什么这个模型比那个好、prompt 改一个字为什么结果变了。不需要成为工程师，但需要懂得足够指挥工程（由 Claude Code 替你执行）。
学完你能做到什么
你能把一个想法，变成一个真实跑起来、别人能用的 AI 应用；能在多个模型和 prompt 之间做出有依据的选择；能搭评测台量化"哪个方案更好";能让它自动、稳定、低成本地长期运行。说白了——你一个人，就能同时推动好几个原本需要一个团队的活。
⚠ 一句先打的预防针
这一部分技术密度明显高于前面。别怕——你依然不写代码，写代码的活归 Claude Code。你的任务是理解原理、做判断、下指令、验收。看不懂的概念，随时让 AI 用大白话给你讲（第一部分的功夫）。
这一讲记住什么
- 目标升级：从"自用工具"到"能跑、能部署、能给别人用的产品"。
- 产品要过几道坎：易用、稳定、质量可衡量、成本可控、能部署。
- 这一部分要理解原理（API/模型/prompt/pipeline/评测/部署），但不用你写代码。
- 终点能力：一个人撑起多条产品线。