如何使用本手册

这份手册主要写给大数据、人工智能及相关专业的大一、大二学生，也适合刚进入课题组的高年级同学。目标是让你在一个地方找齐入门所需的全部内容：科研是什么、要补哪些基础、环境怎么配、实验怎么做。

读完并动手做完，你应该能够：

• 说清楚边缘智能和 AI 系统方向在研究什么问题，自己对哪个方向感兴趣；
• 独立配好 Linux、Python、Git、Docker、GPU 环境，部署并测量一个大模型服务；
• 找到、读懂并复现一篇本方向的论文，把复现结果整理成报告；
• 在组会上把一篇论文或一组实验讲清楚。

我们在做什么

课题组的总体目标是构建多模态分布式边缘智能系统：把异构的边缘设备（GPU 服务器、Jetson、NPU 一体机等）组成网络，与云端协同，让大模型、扩散模型等 AI 应用在算力、内存和带宽都受限的环境里跑得快、跑得稳、成本低。应用场景包括智能教室、家庭服务器、智慧工厂等。

具体做哪些研究，见研究版图与方向；每篇组内论文解决什么问题、怎么做的，见组内论文导读。

先做一个自测

逐项看看自己能不能做到，用来决定从哪条路线开始：

能力	自测标准	做不到怎么办
Python	能用函数、类、列表/字典写一个 100 行左右的小程序，会用 pip 装包	Python 与数据处理
数学	知道矩阵乘法、求导、概率分布是什么，看到公式不慌	数学基础，可与课内同步
命令行	能在终端里切换目录、运行 Python 脚本	选择环境与 Linux 入门
Git	能把代码提交到 GitHub	Git 与 GitHub
机器学习	能说出训练集/测试集、过拟合、梯度下降是什么意思	机器学习
深度学习	能用 PyTorch 训练一个 MNIST 分类器	深度学习与大模型

按能力选，年级只作参考：

• Python 或命令行做不到：走路线 A（打基础）。路线 A 中已经会的任务，直接勾掉跳过。
• 前四项（Python、数学、命令行、Git）基本能做到：走路线 B（直接上手）。后两项（机器学习、深度学习）做不到的，先用 2～3 周补上机器学习入门和第一个训练程序，再开始路线 B。
• 拿不准：先走路线 A，进度快的话提前转到路线 B。

怎么读

1. 先看研究版图与方向，知道课题组在做什么，不用全看懂。
2. 按学习路线推进，每周有明确的任务和产出。
3. 基础知识按需查：基础知识学习地图告诉你每个方向需要学到什么程度。
4. 环境一次配好：实验环境从“打开终端”讲起，按顺序做下来就能用。
5. 动手做实验：实验总览标了难度和对应方向，先做入门级的 L1。
6. 准备读论文时，看本科生如何开始科研和找论文与读论文。
7. 进组后，从组内论文导读挑一篇本方向的论文，按读组内论文精读，再按复现组内论文复现。

你需要提前具备什么

必须	有了更好	手册里会教 / 进组后再学
Python 基础（课程学过即可）	线性代数、概率论（课内在学也行）	Linux 命令行、Git、Docker
每周能稳定投入时间：路线 A 至少 6 小时，路线 B 和正式进组后 10 小时左右	能读英文技术文档	PyTorch、大模型部署
遇到报错能先自己搜索	数据结构	CUDA、分布式系统、强化学习

最重要的一句话

计算机的知识，光听没用，必须跟着手敲一遍。每个命令都在自己的环境里跑一次，每个报错都记下来是怎么解决的。

专业背景怎么用上

• 大数据专业：数据库、SQL、Hadoop/Spark、数据处理的经验，可以直接用在向量数据库（L2）、分布式计算（L4）、实验数据分析上。系统类方向（方向一、四）比较适合你。
• 人工智能专业：机器学习、深度学习课程的基础，可以直接用在模型推理、扩散模型加速（方向三）、多模态检索（方向五）上。需要额外补一些计算机系统知识，见计算机系统基础。

遇到问题怎么办

1. 先自己查 30 分钟：读报错信息的最后几行，搜索关键词，查官方文档和 GitHub Issues。
2. 再问 AI 助手，但要核实它给出的命令和结论，见 AI 工具与学术规范。
3. 还解决不了就在组里提问，按提问模板写清楚。

一个配环境的问题卡了两个小时以上，就该直接问，不要硬扛。

关于这份手册

• 原始版本是课题组内部的入门文档（2025 年 9 月），网站版重新组织了结构、更新了过时内容，并补充了科研方法、基础知识和实验步骤。改动见更新记录。
• 文中的软件版本和资源以 2026 年 10 月为准。大模型相关软件更新很快，遇到不一致时以官方文档为准。
• 发现错误或有建议，欢迎联系 zhiqingtang@bnu.edu.cn。