┌─────────────────────────────────────────────────────────────────┐
│                    AI-102 考试权重分布                            │
│                                                                  │
│  1. 规划和管理 AI 解决方案          ████████████████████  20-25%  │
│  2. 生成式 AI 解决方案              ███████████████      15-20%  │
│  3. Agentic 解决方案                █████                 5-10%  │
│  4. 计算机视觉解决方案              ██████████           10-15%  │
│  5. 自然语言处理解决方案            ███████████████      15-20%  │
│  6. 知识挖掘和信息提取              ███████████████      15-20%  │
│                                                                  │
│  🔴 高优先级: 域1 + 域2 + 域6 = 50-65% (拿稳这三块基本能过)      │
│  🟡 中优先级: 域5 + 域4 = 25-35%                                 │
│  🟢 低优先级: 域3 = 5-10%                                        │
└─────────────────────────────────────────────────────────────────┘

┌──────────────────────────────────────────────────────┐
│                 AI-102 通关路线图                      │
│                                                       │
│  Step 1: 摸底 (Day 1)                                 │
│  ├── 做 Practice Assessment（裸考）                     │
│  ├── 对照考试权重找出薄弱领域                            │
│  └── 制定个人学习计划                                   │
│                                                       │
│  Step 2: 系统学习 (Day 2-7)                            │
│  ├── 🔴 域1: 规划管理 (花最多时间)                      │
│  ├── 🔴 域2: 生成式 AI                                 │
│  ├── 🔴 域6: 知识挖掘                                  │
│  ├── 🟡 域5: NLP                                      │
│  ├── 🟡 域4: 计算机视觉                                │
│  └── 🟢 域3: Agent                                    │
│                                                       │
│  Step 3: 动手实验 (Day 5-9)                            │
│  ├── 每个 Learning Path 的 Lab 至少做一遍               │
│  ├── 重点实操 RAG、AI Search、Document Intelligence     │
│  └── 熟悉 Portal 操作 + SDK 代码                       │
│                                                       │
│  Step 4: 冲刺 (Day 10-14)                             │
│  ├── 再做 Practice Assessment（目标 > 80%）             │
│  ├── 逐条过 Study Guide 每个 bullet point              │
│  ├── 重点复习错题领域                                   │
│  └── 约考 → 通过 ✅                                    │
└──────────────────────────────────────────────────────┘

📝 题目模式：给你一个业务场景，问你应该用哪个 Azure AI 服务

💡 解题关键：
├── 需要理解自然语言意图？ → CLU
├── 需要回答 FAQ？ → Question Answering
├── 需要从发票提取数据？ → Document Intelligence (Invoice 模型)
├── 需要搜索企业文档？ → Azure AI Search
├── 需要生成文本？ → Azure OpenAI
├── 需要从图像读取文字？ → Vision (OCR) 或 Document Intelligence
├── 需要分析视频？ → Video Indexer
├── 需要翻译？ → Translator Service
├── 需要语音识别？ → Speech Service
└── 需要分析多种格式内容？ → Content Understanding

📝 题目模式：给定需求，问你应该设置什么参数

💡 关键参数速记：
├── temperature: 0 = 确定性输出, 1 = 创造性输出
├── top_p: 控制词汇选择范围（与 temperature 类似效果）
├── max_tokens: 控制输出最大长度
├── frequency_penalty: 减少重复（正值=少重复）
├── presence_penalty: 鼓励新话题（正值=更多样）
└── stop: 定义停止生成的标记

📝 题目模式：拖拽排列实现步骤的正确顺序

💡 常见流程速记：

RAG 实现:
1. 准备数据源 → 2. 文档切片 → 3. 生成嵌入 → 4. 创建搜索索引
→ 5. 配置检索 → 6. 设计 Prompt → 7. 测试和评估

CLU 训练:
1. 创建项目 → 2. 定义 Intent → 3. 定义 Entity
→ 4. 添加标注 Utterance → 5. 训练 → 6. 评估 → 7. 部署

AI Search 管道:
1. 创建 Search 资源 → 2. 定义数据源 → 3. 定义 Skillset
→ 4. 定义 Index → 5. 创建 Indexer → 6. 运行 Indexer → 7. 查询

📝 题目模式：给出代码片段，填空或找错

💡 需要熟悉的 SDK 模式：
├── Azure OpenAI: ChatCompletionsClient, messages 角色
├── Language: TextAnalyticsClient, analyze_sentiment()
├── Speech: SpeechConfig, AudioConfig, SpeechRecognizer
├── Vision: ImageAnalysisClient, analyze()
├── Document Intelligence: DocumentIntelligenceClient, begin_analyze_document()
└── AI Search: SearchClient, search() 查询语法

┌─────────────────────────────────────────────────────────────────┐
│                    AI-102 Exam Weight Distribution                │
│                                                                  │
│  1. Plan & manage AI solution           ████████████████  20-25% │
│  2. Generative AI solutions             ████████████      15-20% │
│  3. Agentic solutions                   ████               5-10% │
│  4. Computer vision solutions           ████████          10-15% │
│  5. NLP solutions                       ████████████      15-20% │
│  6. Knowledge mining & extraction       ████████████      15-20% │
│                                                                  │
│  🔴 High priority: Domain 1+2+6 = 50-65% (secure these to pass) │
│  🟡 Medium: Domain 5+4 = 25-35%                                  │
│  🟢 Lower: Domain 3 = 5-10%                                      │
└─────────────────────────────────────────────────────────────────┘