S78 · 总 Day 168教材已备 ≠ 学习已完成

S78：综合学习项目范围：用户、数据、模型、工具、人工与风险边界

综合学习项目的范围说明用一页内容回答“为谁解决什么问题、使用什么数据和能力、人与系统各自决定什么、什么明确不做”，以防止学习项目膨胀为平台建设。

2027-02-08

内容类型：预习教材（不代表已完成）
日期：2027-02-08
阶段：P2 · AI Systems Engineering 90
总路线：Day 168
周次节奏：W12 · 周一概念与阅读
状态：教材已备；学习未完成

一句话定义

学习目标

从 AML Investigation Copilot、Payment Dispute、KYC、客服助手或 Web3 Wallet 风险中选一个熟悉案例。
在 A 架构理解、B 最小连接、C 兴趣扩展中选一档，并设置 time/compute/data 上限。
为 user、data、model、tool、human、risk 写 in-scope/out-of-scope、接口与成功的学习证据。

核心知识

首先写问题而非解决方案。“搭建 RAG agent”是技术方法，“调查员需在 10 份文档中定位相互矛盾的金额与日期”才是可分析的问题。用户、任务、当前流程、痛点、错误代价和不可自动的决定应先于技术选型。

范围 A 产出 problem statement、context/data-flow diagram、关键责任和 2～3 个取舍，不要求代码。范围 B 只从 data、runtime、observability、release、human 中连接 2～3 层，例如 fake document→generator→trace。范围 C 只在 B 上加一个兴趣层或第二个小案例；不可把九个 plane 全部实现当成完整性。

数据边界要写来源、许可、敏感度、用途、保留和是否可进入外部 provider。默认用合成数据或已存示例，不引入真实客户、凭据、钱包私钥或业务日志。模型/工具边界要标注 provider、网络、副作用、超时、幂等与权限。人工边界要说明 AI 只提供什么 evidence/recommendation，谁保留最终决定权。

学习成功不是 accuracy、上线或端到端自动化。可以是：能解释一条数据/状态流；能展示一个 failure 如何被发现；能说明两个取舍；能列出尚未实现的层。

机制与推导

范围可写成约束集：

scope = objective + actors + data + selected_planes + interfaces + risks + explicit_non_goals

时间预算 T 中应保留理解和记录，而不全用于实现：T = reading + design + minimal_build + observation + reflection。当新想法不直接支持核心学习问题，就进 parking lot。每添加一层，都问是否带来新的可观察连接；如果只是为了技术栈完整，就不加。

最小练习或观察

选案例和 A/B/C，定义最多一页范围、一个时间预算和一个停止日期。
写 user/job/current pain、学习问题、输入/输出、不可自动决定。
列六类边界：data、model、tool、human、external systems、risk，对每类写 in/out。
选仅 2～3 个层作最小连接，其余只在图上标责任与未来问题。
使用合成数据，不写“已运行”、“已验证”或“已安全”的虚假状态。

常见误区与边界

从框架、向量库或 agent protocol 出发，找不到具体用户问题。
将 A/B/C 解释为低/中/高分，被迫选 C 并扩大范围。
画出九个 plane 就认为需全部实现。
用真实客户文档、凭据、钱包或未经授权的日志让案例“更真实”。
这是综合学习，不是产品承诺、生产 readiness 或求职作品包。

系统 / 金融 / Web3 连接

AML 案例可选“从合成文档生成带 source id 的证据摘要，并产生 trace”，不执行案件决策。Web3 Wallet 可选“从合成 transaction request 生成预览与 policy result”，不持有私钥、不请求签名、不广播。这些边界本身就是系统工程学习内容。

自检问题

你的问题说明是用户问题还是技术方案？
A/B/C 范围各自的完成边界是什么？
为什么未实现 plane 只需标责任和未来问题？
你的 explicit non-goals 是否真正阻止了外部副作用和范围膨胀？

专业课程对齐

Stanford CS329S：精读 ML systems design、data management、deployment 与 monitoring 主题，用于识别系统边界与非模型瓶颈。
Full Stack Deep Learning：精读 project lifecycle、infrastructure、testing 与 deployment，映射 A/B/C 范围及学习产出。
NIST AIRC / AI RMF：选读 Map/Govern，检查用户、上下文、风险、roles 和 out-of-scope 是否明确。

深入学习提示

顺序为 NIST 先定上下文，CS329S 划系统边界，FSDL 选最小交付。阅读时每看到一个新组件，不是立即加入 scope，而是写它对当前学习问题提供的唯一新证据；写不出就留在 parking lot。

学后填写区

案例与 A/B/C 范围：
用户问题与学习问题：
选定的 2～3 层：
六类边界与 non-goals：
时间预算与停止条件：