AI & 大模型知识体系
│
├── 第一阶段：基础预备知识
│ ├── 1. 数学基础
│ │ ├── 线性代数：矩阵运算、特征值、向量空间
│ │ ├── 概率统计：贝叶斯定理、分布、期望
│ │ ├── 微积分：梯度、导数、链式法则
│ │ └── 最优化理论：梯度下降、凸优化
│ │
│ ├── 2. 机器学习基础
│ │ ├── 监督学习：回归/分类
│ │ ├── 无监督学习：聚类/降维
│ │ ├── 强化学习基础：奖励/策略
│ │ └── 评估指标：准确率/召回率/F1
│ │
│ └── 3. 深度学习核心
│ ├── 神经网络基础：MLP/激活函数
│ ├── 反向传播算法
│ ├── 卷积神经网络（CNN）
│ ├── 循环神经网络（RNN/LSTM/GRU）
│ ├── Transformer架构（核心）
│ │ ├── 自注意力机制（Self-Attention）
│ │ ├── 多头注意力（Multi-Head）
│ │ ├── 位置编码（Position Encoding）
│ │ └── 前馈网络（FFN）
│ └── 优化技术：BatchNorm/LayerNorm/Dropout
│
├── 第二阶段：大语言模型（LLM）核心技术
│ ├── 1. 语言模型演进史
│ │ ├── 统计语言模型（N-gram）
│ │ ├── 神经语言模型（NNLM）
│ │ ├── 预训练模型（BERT/GPT）
│ │ └── 大语言模型（千亿参数+）
│ │
│ ├── 2. 模型架构体系
│ │ ├── 编码器架构（Encoder-only）
│ │ │ └── 代表：BERT、RoBERTa、ERNIE
│ │ ├── 解码器架构（Decoder-only）
│ │ │ └── 代表：GPT系列、LLaMA、Claude
│ │ ├── 编码器-解码器（Encoder-Decoder）
│ │ │ └── 代表：T5、BART
│ │ └── 混合专家架构（MoE）
│ │ ├── 稀疏激活
│ │ ├── 路由机制
│ │ └── 代表：Mixtral、GPT-4、Kimi K2
│ │
│ ├── 3. 训练关键技术
│ │ ├── 预训练（Pre-training）
│ │ │ ├── 自监督学习
│ │ │ ├── 下一词预测（Next Token Prediction）
│ │ │ └── 海量数据清洗
│ │ ├── 微调（Fine-tuning）
│ │ │ ├── 全参微调
│ │ │ ├── 高效微调（PEFT）
│ │ │ │ ├── LoRA（低秩适配）
│ │ │ │ ├── QLoRA（量化LoRA）
│ │ │ │ └── Prefix Tuning
│ │ │ └── 指令微调（Instruction Tuning）
│ │ └── 对齐技术（Alignment）
│ │ ├── RLHF（人类反馈强化学习）
│ │ ├── DPO（直接偏好优化）
│ │ └── 宪法AI（Constitutional AI）
│ │
│ └── 4. 推理与增强
│ ├── 上下文窗口（Context Window）
│ │ ├── 标准（128K-1M）
│ │ └── 超长（10M，如LLaMA 4 Scout）
│ ├── 推理时计算（Test-time Compute）
│ │ ├── 思维链（Chain-of-Thought）
│ │ ├── 思维树（Tree-of-Thoughts）
│ │ ├── 自我反思（Self-Refine）
│ │ └── 思考模式（Thinking Mode）
│ └── 检索增强生成（RAG）
│ ├── 向量数据库
│ ├── 嵌入模型
│ └── 检索-重排-生成流程
│
├── 第三阶段：前沿模型架构与能力进阶
│ ├── 1. 推理能力革命
│ │ ├── 思维签名（Thought Signatures）
│ │ │ ├── 加密哈希校验逻辑锚定
│ │ │ └── 长链推理防漂移
│ │ ├── 自适应计算消耗
│ │ │ ├── 快速模式（Level 1）：<500ms
│ │ │ └── 深度思考（Level 5）：10-30s
│ │ └── 自我纠错机制
│ │
│ ├── 2. 原生多模态能力
│ │ ├── 统一架构设计
│ │ │ ├── 文本/图像/音频/3D联合建模
│ │ │ └── 跨模态对齐
│ │ ├── 空间智能
│ │ │ ├── 像素级定位（Bounding Box）
│ │ │ ├── 文档反渲染（PDF→结构化代码）
│ │ │ └── 视频流实时理解
│ │ └── 多模态生成
│ │ ├── 文本→图像/视频/3D
│ │ └── 动态虚拟环境生成
│ │
│ └── 3. 持续学习与记忆
│ ├── 灾难性遗忘问题
│ ├── Titans架构
│ │ └── 长期神经记忆模块
│ ├── 巢状学习（Nested Learning）
│ │ └── 连续记忆系统
│ └── 在线学习 vs 离线学习
│
├── 第四阶段：颠覆性模型类别
│ ├── 1. 世界模型（World Models）
│ │ ├── 核心定义
│ │ │ ├── 物理世界建模
│ │ │ ├── 动态预测能力
│ │ │ └── 多模态物理一致性
│ │ ├── 技术路径
│ │ │ ├── 数据驱动的生成式建模
│ │ │ └── 物理先验驱动的仿真建模
│ │ ├── 代表项目
│ │ │ ├── Google DeepMind Genie
│ │ │ ├── NVIDIA Cosmos
│ │ │ ├── World Labs Marble
│ │ │ └── JEPA（联合嵌入预测架构）
│ │ └── 应用方向
│ │ ├── 具身智能（Embodied AI）
│ │ ├── 自动驾驶仿真
│ │ ├── 机器人训练
│ │ └── 数字孪生
│ │
│ ├── 2. 物理AI（Physical AI）
│ │ ├── 核心理念
│ │ │ ├── 理解物理法则
│ │ │ ├── 真实世界交互
│ │ │ └── Sim-to-Real迁移
│ │ ├── 关键技术
│ │ │ ├── 合成数据生成
│ │ │ ├── 物理引擎集成
│ │ │ └── 域随机化
│ │ └── NVIDIA宇宙
│ │ ├── Omniverse仿真平台
│ │ ├── Cosmos世界模型
│ │ └── Isaac机器人平台
│ │
│ └── 3. 视觉-语言-动作模型（VLA）
│ ├── 架构特点
│ │ ├── Vision（视觉感知）
│ │ ├── Language（语言理解）
│ │ └── Action（动作生成）
│ ├── 代表：NVIDIA 3D-Generalist
│ ├── 自我改进训练循环
│ └── 涌现能力：自我纠错行为
│
├── 第五阶段：主流模型全景图（2026）
│ ├── 1. 全球头部模型
│ │ ├── OpenAI系列
│ │ │ ├── GPT-5系列
│ │ │ │ ├── 技术：MoE+自适应计算，2万亿参数
│ │ │ │ ├── 特点：跨模态生成、实时推理、企业级安全
│ │ │ │ └── 应用：医疗诊断、智能客服、创意生产
│ │ │ └── GPT-5.3-Codex
│ │ │ └── 特点：编程+SOTA、端侧环境接管、自动化研发
│ │ ├── Google DeepMind
│ │ │ ├── Gemini 2.5 Pro
│ │ │ │ ├── 技术：稀疏MoE，1M上下文
│ │ │ │ └── 特点：思考模型、动态算力分配
│ │ │ ├── Gemini 3 Pro
│ │ │ │ ├── 技术：思维签名、原生空间定位
│ │ │ │ ├── 特点：像素级理解、文档反渲染
│ │ │ │ └── 生态：Antigravity智能体平台
│ │ │ └── Gemini 3.0
│ │ │ ├── 特点：104种语言、工具调用、自我优化
│ │ │ └── 应用：跨境电商、科研工程
│ │ ├── Anthropic
│ │ │ ├── Claude 4.5 Sonnet
│ │ │ │ ├── 技术：混合推理、1M上下文
│ │ │ │ ├── 特点：Agent Teams、自主工作数小时
│ │ │ │ └── 生态：Office深度集成
│ │ │ └── Claude Opus 4.5/4.6
│ │ │ ├── 特点：安全优先、长文档专家
│ │ │ └── 应用：金融合规、法律审查
│ │ └── Meta
│ │ └── Llama 4 Scout
│ │ ├── 技术：10M超长上下文
│ │ └── 特点：开源、全代码库分析
│ │
│ ├── 2. 中国头部模型（2026年2月更新）
│ │ ├── 阿里云千问（Qwen）
│ │ │ ├── 最新旗舰：Qwen3.5-Plus / Qwen3-Max
│ │ │ │ ├── Qwen3.5-Plus：3970亿参数，部署显存占用降低60%，推理吞吐量提升19倍
│ │ │ │ └── Qwen3-Max：万亿参数级基座模型
│ │ │ ├── 图像模型：Qwen-Image-2.0
│ │ │ │ ├── 特点：生图+编辑统一架构，1K token超长文字输入，2K高分辨率
│ │ │ │ ├── 中文汉字渲染：可完整渲染《兰亭集序》数百字古文
│ │ │ │ ├── 评测：AI Arena文生图1029分，超Seedream4.5/Flux2-Max
│ │ │ │ └── 应用场景：专业PPT生成、信息图、漫画创作
│ │ │ ├── 市场份额：32.1%（中国企业级市场第一）
│ │ │ ├── 生态布局：千问App“每日首单必减”，与淘宝闪购深度打通
│ │ │ └── 企业服务：超65%央企、全部系统重要性银行选择百度/阿里云
│ │ │
│ │ ├── 字节跳动
│ │ │ ├── 视频模型：Seedance 2.0
│ │ │ │ ├── 能力：支持图像/视频/音频/文本四模态输入
│ │ │ │ ├── 核心突破：音画同步、多模态参考、专业级组合运镜
│ │ │ │ ├── 成本革命：2分钟科幻短片仅330.6元，5秒视频成本4.5-9元
│ │ │ │ ├── 行业影响：冯骥称“当前地表最强视频生成模型”
│ │ │ │ └── 应用：豆包APP、即梦APP接入，春晚《驭风歌》节目深度定制
│ │ │ ├── 图像模型：Seedream 5.0
│ │ │ │ ├── 特点：首次支持检索生图，精细纹理控制，2K/4K输出
│ │ │ │ └── 风格定位：“懂流量的设计师”，更重氛围感与美感
│ │ │ ├── 豆包大模型
│ │ │ │ ├── 除夕夜数据：AI互动19亿次，生成5000万张头像，超1亿条拜年祝福
│ │ │ │ └── C端月活：1.72亿（中国第一）
│ │ │ └── 硬件布局：自研AI芯片团队超500人，与三星洽谈生产
│ │ │
│ │ ├── DeepSeek
│ │ │ ├── 市场份额：18.4%（中国企业级市场第三）
│ │ │ ├── 核心技术
│ │ │ │ ├── Engram条件记忆架构（记忆-计算解耦）
│ │ │ │ ├── mHC流形约束超连接（稳定深层训练）
│ │ │ │ └── MoE混合专家（极致性价比）
│ │ │ ├── 最新进展（2026.2）
│ │ │ │ ├── 上下文：1M Token（+10倍）
│ │ │ │ ├── 知识库：2025年5月
│ │ │ │ └── V4即将发布（编程能力超越Claude/GPT）
│ │ │ ├── 战略定位：技术原教旨主义，专注底层突破
│ │ │ └── 开源生态：HuggingFace下载超千万
│ │ │
│ │ ├── 智谱AI（Zhipu）
│ │ │ ├── 最新旗舰：GLM-5（2026.2.12发布）
│ │ │ │ ├── 能力：Coding与Agent能力开源SOTA表现
│ │ │ │ ├── 编程场景：平均性能较上一代提升超20%，逼近Claude Opus 4.5
│ │ │ │ └── Agent评测：BrowseComp/MCP-Atlas/τ2-Bench三项开源最优
│ │ │ ├── 市场表现
│ │ │ │ ├── 股价暴涨：上市43天累计上涨524%，市值超3200亿港元
│ │ │ │ └── GLM Coding Plan：ARR超1亿元人民币，套餐售罄创行业纪录
│ │ │ ├── 近期事件：发布致歉信，因流量超预期调整灰度策略
│ │ │ └── 战略定位：“全球大模型第一股”，脱胎清华KEG实验室
│ │ │
│ │ ├── 月之暗面（Moonshot AI）
│ │ │ ├── 最新模型
│ │ │ │ ├── Kimi K2 Thinking（2025.11）：开源思考模型，专注复杂逻辑推理
│ │ │ │ └── Kimi K2.5（2026.1.27）：视觉理解+代码+多模态，“Agent集群”能力
│ │ │ ├── 技术突破
│ │ │ │ ├── “模型即Agent”理念，边思考边用工具
│ │ │ │ ├── 300步长程任务能力，被Perplexity接入（唯一国产）
│ │ │ │ └── 研发仅用美国顶尖实验室1%算力（Muon优化器+Kimi Linear）
│ │ │ ├── 商业化进展
│ │ │ │ ├── 现金持有量超100亿元，完成5亿美元C轮融资
│ │ │ │ ├── 9-11月付费用户月增速170%，海外API收入增长4倍
│ │ │ │ └── 战略转型：从投流转向“Agent产品+营收增长”
│ │ │ └── 下一代计划：K3模型，目标预训练水平追平世界前沿
│ │ │
│ │ ├── MiniMax
│ │ │ ├── 最新模型：MiniMax-M2.5-highspeed（2026.2.15）
│ │ │ │ └── 特点：主打极致推理
│ │ │ ├── 市场表现
│ │ │ │ ├── 股价：节后最高970港元，较847港元上涨14.5%
│ │ │ │ └── 上市：2026年1月港交所上市
│ │ │ └── 能力侧重：多模态内容生成，语音/音乐能力突出
│ │ │
│ │ ├── 百度文心
│ │ │ ├── 最新旗舰：文心5.0（2026.1.22发布）
│ │ │ │ ├── 技术：原生全模态统一建模（2.4万亿参数）
│ │ │ │ ├── 能力：文本/图像/音频/视频全模态理解与生成
│ │ │ │ └── 评测：40余项基准超Gemini-2.5-Pro/GPT-5-High
│ │ │ ├── 百度千帆平台
│ │ │ │ ├── 模型服务：150+ SOTA模型，文心5.0率先上线
│ │ │ │ ├── Agent生态：累计开发超130万Agents，工具调用破千万次
│ │ │ │ └── MCP开放：百度搜索/地图/文库/网盘能力开放
│ │ │ └── 行业落地：超65%央企选择百度智能云，连续六年AI公有云第一
│ │ │
│ │ └── 腾讯元宝
│ │ ├── 最新动态：春节“分10亿现金”活动
│ │ │ ├── 抽奖超36亿次，AI创作超10亿次
│ │ │ └── 日活超5000万，月活1.14亿（2026.2.18披露）
│ │ ├── 战略定位：依托社交关系，元宝派内红包/直播玩法
│ │ └── 生态协同：与湖南卫视元宵晚会直播联动
│ │
│ └── 3. 垂直领域模型
│ ├── 代码智能
│ │ ├── GPT-5.3-Codex
│ │ └── Claude 4.5 Sonnet（SWE-bench 70.6%）
│ ├── 图像生成
│ │ ├── Midjourney v7（艺术性首选）
│ │ ├── Google Imagen 4（写实/排版）
│ │ └── Stable Diffusion 3.5（开源，MMDiT架构）
│ ├── 视频生成
│ │ └── 代表性模型
│ ├── 关系型基础模型
│ │ ├── SAP-RPT-1
│ │ ├── Kumo
│ │ └── DistilLabs
│ └── 行业专用
│ ├── 金融/医疗/制造定制版
│ └── 文心行业子模型
│
├── 第六阶段：AI智能体（Agent）体系
│ ├── 1. Agent基础概念
│ │ ├── 感知（Perceive）
│ │ ├── 规划（Plan）
│ │ ├── 行动（Act）
│ │ └── 反思（Reflect）
│ │
│ ├── 2. Agent核心能力
│ │ ├── 工具调用（Function Calling/Tool Use）
│ │ ├── 多步任务拆解
│ │ ├── 自我反思与修正
│ │ └── 多Agent协作
│ │
│ ├── 3. 主流Agent框架
│ │ ├── OpenClaw
│ │ ├── Google Antigravity
│ │ ├── OpenAI Operator
│ │ ├── Anthropic Computer Use v2
│ │ └── 开源框架：OctoTools
│ │
│ ├── 4. Agent评估基准
│ │ ├── SWE-bench Verified（代码修复）
│ │ ├── Terminal-Bench（DevOps）
│ │ └── Tau2-bench（客服自动化）
│ │
│ └── 5. Agent Skill（技能工程）
│ ├── Skill 基本概念
│ │ ├── 定义：封装好的可复用“能力包”
│ │ ├── 类比：公司的“岗位SOP”（标准作业程序）
│ │ ├── 核心价值：让AI从“懂道理”到“会干活”
│ │ └── 历史：2025.10 Claude首发 → 2025.12成为开放标准 → 2026.1国内爆发
│ │
│ ├── Skill 文件结构
│ │ ├── 标准目录示例
│ │ │ └── skill-name/
│ │ │ ├── SKILL.md # 核心指令（YAML+Markdown）
│ │ │ ├── references/ # 参考资料（手册/模板/规范）
│ │ │ └── scripts/ # 可执行脚本（Python/Shell）
│ │ └── SKILL.md 核心组成
│ │ ├── name/description（元数据）
│ │ ├── 角色定义
│ │ ├── 核心指令（Instructions）
│ │ └── 自动化执行（Actions）
│ │
│ ├── 渐进式披露机制（Progressive Disclosure）
│ │ ├── 定义：按需加载，而非全量占用上下文
│ │ ├── 四层架构
│ │ │ ├── L1 元数据：名称/描述（常驻，<1% token）
│ │ │ ├── L2 指令：SKILL.md正文（命中后加载，5-10%）
│ │ │ ├── L3 引用：外部文档/手册（条件触发，可变）
│ │ │ └── L4 脚本：可执行代码（仅执行，0 token）
│ │ └── 价值：100个技能装备，平时几乎不占上下文
│ │
│ ├── Skill vs 传统Prompt
│ │ ├── 传统Prompt：全量占用、复用性差、难维护
│ │ ├── Skill模式：按需加载、模块封装、可版本管理
│ │ └── 范式转移：从“提示词工程”到“技能工程”
│ │
│ ├── Skill vs MCP（模型上下文协议）
│ │ ├── MCP：数据管道（解决“数据怎么来”）
│ │ ├── Skill：认知模具（解决“数据怎么用”）
│ │ └── 协同关系
│ │ ├── MCP暴露工具/数据（厨房与食材）
│ │ ├── Skill定义使用流程（食谱）
│ │ └── 组合示例：MCP取数据 + Skill按规则处理
│ │
│ ├── Skill 与 小语言模型（SLM）
│ │ ├── 趋势：Skill + SLM 组合
│ │ │ ├── 小模型（1B-30B）按Skill指令执行
│ │ │ ├── 成本：比大模型降低10-30倍
│ │ │ └── 可处理40-70%企业任务
│ │ ├── 学术验证
│ │ │ ├── 12B-30B模型受益显著
│ │ │ └── 80B代码模型接近闭源水平
│ │ └── 工业意义：数据安全 + 预算约束下的可行方案
│ │
│ ├── Skill 生态与应用
│ │ ├── 平台支持
│ │ │ ├── Claude / OpenAI Codex
│ │ │ ├── GitHub Copilot / Cursor
│ │ │ ├── 字节扣子（技能商店）
│ │ │ └── Microsoft / Atlassian / Figma 等
│ │ ├── 技能商店
│ │ │ ├── 已有70,000+社区技能
│ │ │ ├── 创作者月收入可达8000+
│ │ │ └── 付费模式：按月订阅
│ │ └── 应用场景示例
│ │ ├── 公文写作技能（学习文风+规范）
│ │ ├── PDF处理技能（表单识别+校验）
│ │ ├── 会议审计技能（摘要+合规检查）
│ │ └── 客服技能（政策+VIP规则）
│ │
│ └── 风险与治理
│ ├── 恶意Skill风险（隐藏代码/脚本）
│ ├── 信息泄露隐患
│ └── 最佳实践：私有Skill + 审计
│
├── 第七阶段：工程化与系统架构
│ ├── 1. 编排与调度（Orchestration）
│ │ ├── 协调层概念
│ │ ├── 模型路由策略
│ │ │ ├── 简单任务→小模型
│ │ │ ├── 复杂任务→大模型
│ │ │ └── 专用任务→工具API
│ │ ├── NVIDIA Orchestrator（8B参数）
│ │ └── OctoTools开源框架
│ │
│ ├── 2. AI原生架构
│ │ ├── 神经符号AI（Neuro-symbolic AI）
│ │ ├── 持续学习层
│ │ ├── 知识图谱集成
│ │ └── 意图驱动架构
│ │
│ ├── 3. 模型优化技术
│ │ ├── 量化（Quantization）
│ │ ├── 剪枝（Pruning）
│ │ ├── 知识蒸馏（Knowledge Distillation）
│ │ ├── 边缘部署技术
│ │ └── 模型压缩
│ │
│ └── 4. 数据与隐私
│ ├── 联邦学习（Federated Learning）
│ ├── 差分隐私（Differential Privacy）
│ ├── 合成数据生成
│ └── 主权AI（Sovereign AI）
│
├── 第八阶段：评估体系与基准
│ ├── 1. 通用能力评估
│ │ ├── LMArena（人类偏好，Elo评分）
│ │ ├── GPQA（研究生级问答）
│ │ └── MMMU（多学科多模态理解）
│ │
│ ├── 2. 专业能力评估
│ │ ├── 代码：SWE-bench
│ │ ├── 推理：ARC-AGI
│ │ ├── 多模态：MMMU/T2I-CoReBench
│ │ └── Agent：Tau2-bench
│ │
│ └── 3. 成本效益分析
│ ├── 推理成本/任务
│ ├── 性价比模型
│ └── 分级路由策略
│
├── 第九阶段：应用场景全景
│ ├── 1. 医疗健康
│ │ ├── 影像分析（CT/MRI，3秒诊断）
│ │ ├── 药物研发（6周筛选周期）
│ │ └── 个性化康复计划
│ │
│ ├── 2. 智能制造
│ │ ├── 预测性维护（提前48小时）
│ │ ├── 数字孪生
│ │ ├── 工业质检（纳米级精度）
│ │ └── 供应链优化
│ │
│ ├── 3. 金融科技
│ │ ├── 反欺诈（拦截率+40%）
│ │ ├── 智能投顾（年化误差<2%）
│ │ └── 合规审查
│ │
│ ├── 4. 内容创作
│ │ ├── 影视：剧本/分镜/配乐生成
│ │ ├── 游戏：3D场景/角色/NPC
│ │ ├── 营销：个性化广告
│ │ └── AI短剧（月增量49.73亿）
│ │
│ └── 5. 企业服务
│ ├── 智能客服（情感分析）
│ ├── 法律文书生成
│ ├── 跨境电商（翻译+文化适配）
│ └── 遗留代码重构
│
└── 第十阶段：治理与未来趋势
├── 1. Agent治理
│ ├── Agent生命周期管理
│ ├── 可观测性与审计追踪
│ ├── 策略执行（业务规则嵌入）
│ └── 人-Agent协作模型
│
├── 2. 伦理与安全
│ ├── 可解释AI（XAI）
│ ├── 内容可追溯性
│ ├── 偏见与公平性
│ └── 监管合规（欧盟/美国/中国）
│
├── 3. 技术演进方向
│ ├── 世界模型+LLM协同融合
│ ├── 持续学习系统成熟
│ ├── 自我精炼（Refinement）
│ │ ├── 递回自我改进
│ │ ├── 反思-修改-验证循环
│ │ └── ARC Prize高分解法
│ ├── 多模态深度融合
│ └── 绿色AI（能效优化）
│
└── 4. 产业格局重塑
├── 营销/影视/游戏变革
├── 物理世界自动化
├── 企业从POC到规模化落地
└── 主权AI竞争

按照这个知识树，建议的学习顺序如下：

1. 第一阶段 → 第二阶段：打好理论基础，理解AI/大模型的底层原理
2. 第三阶段：掌握前沿技术演进方向（推理/多模态/持续学习）
3. 第四阶段：重点学习颠覆性模型（世界模型/物理AI/VLA——当前热点）
4. 第五阶段：熟悉主流模型家族，建立模型选型认知
5. 第六阶段：深入Agent体系（2026年企业落地核心）
6. 第七阶段：工程化与系统架构（从模型到产品）
7. 第八阶段 → 第九阶段：评估标准与行业应用
8. 第十阶段：治理与趋势展望

每个节点都可以作为一个独立的学习单元。建议先通览全局，再针对感兴趣的分支深入钻研。当完成整个知识树时，你将建立起对AI大模型领域的系统认知。

1、OpenClaw中文社区

https://www.moltcn.com/start/wizard.html#_3-%E5%B7%A5%E4%BD%9C%E5%8C%BA