AI 通识 · 公开版零基础 · 30 天

AI 入门课 · 从零到第一个小应用

写给普通人的 AI 入门课:不要求你会高数、不要求你是码农。五步走——先搞懂 AI 是什么,再学一点 Python,把重复劳动写成脚本,用 Git 给代码存档,最后调大模型做出第一个自己天天能用的小工具。全程 30 天,每天 30-60 分钟,动手为主、能跑为准。

一源三梯度 · 公开层:本页是知识层公开版,全网可看、可发新人预习。 自测三问带答案公开(学习用,不判分不存档);公司内部的考核题库与学习档案只在员工专区。 每课配免费视频与资源清单,全部可免费学习或旁听。

五步学习路线

结构对标国际通行的「概念 → 工具 → 实战 → 项目」四段式。每步之间有先后,但不苛求顺序——卡住了就换一步,回头再补。

五步学习路线示意图
01
观念篇:AI 到底是什么

把三层名词地图装进脑子,知道 AI 能干什么、不能干什么,别被概念牵着走。

约 3 天
02
Python 地基

装好环境,写出第一段能跑的代码:变量、函数、类、库——四个词够你用很久。

约 7 天
03
脚本自动化

把重复劳动交给脚本:批量改名、读表格、跑数据。写一次,跑无数次。

约 7 天
04
Git 存档

代码有版本、有备份、能回滚;改坏了不慌,协作不丢活。

约 4 天
05
AI 动手:第一个小应用

调大模型 API,学会写提示词,做出第一个自己天天能用的小工具。

约 9 天

名词地图(三层)

不用背,当字典用:动手时遇到不认识的词回来查,每周从头扫一遍。眼熟的词越来越多,就是入门完成的标志。

第 1 层 · 入门必懂

先把「语言」打通——这批词看懂了,后面所有内容都不再有门槛。
编程 / 编程语言

和计算机对话的语法体系。AI 领域主用 Python——不会编程也能入门 AI,但会一点,效率翻倍。

Python

最主流的 AI 语言:库多、语法接近英语、社区大。入门首选,没有之一。

变量 / 函数 / 类

装数据的「盒子」 / 可重复调用的「小工具」 / 把数据和操作打包的「模板」。三个词就是编程的骨架。

库 / 包 / 模块

别人写好的现成工具集,拿来即用。pip install 就是「装工具包」。

IDE / 编辑器

写代码的软件,如 VS Code、Jupyter Notebook。入门装一个 VS Code 就够。

终端 / 命令行

靠敲命令和电脑沟通的窗口,跑脚本、装库全靠它。不用怕,常用命令就那几个。

环境 / 虚拟环境

给项目单独隔离的沙盒,避免不同项目的工具互相打架。

API

系统之间的对接口:你发请求,它返结果。调大模型就是调它的 API。

JSON

AI 数据交换最常用的轻量文本格式,长得像带标签的字典。

Git / GitHub / CNB

代码的「版本管理 + 云端备份」。Git 管本地版本,GitHub / CNB 是远程仓库,协作和复现必备。

第 2 层 · AI 核心概念

理解「它在学什么」——不背定义,记住关系和白话就够用。
人工智能 / 机器学习 / 深度学习

三层套娃:AI 是让机器表现出智能的总称;机器学习是让机器从数据里自己找规律;深度学习是机器学习里用深层神经网络的一支,擅长图像、语音、文本。

神经网络 / 模型

神经网络是模仿神经元连接的计算结构;模型是训练出来的成品:喂进数据,吐出预测。

训练 / 推理

训练 = 教它(大量数据反复调整参数,费钱费时);推理 = 用它(拿成品处理新数据,快而便宜)。日常说的「调 AI」都是推理。

数据集 / 特征 / 标签

数据集是喂给模型的数据集合(分训练/验证/测试);特征是对判断有用的信息;标签是标准答案——监督学习靠它对照纠错。

过拟合 / 欠拟合

学太死(只认训练数据,见到新的就傻眼) / 学太少(连训练数据都记不住)。两个极端都要躲。

损失函数 / 梯度下降

损失函数衡量「预测错得有多离谱」;梯度下降是沿着坡度最陡方向一步步「下山」找最优参数的算法。训练就是不断把损失压低。

准确率 / 精确率 / 召回率 / F1

评估模型好坏的几把尺子:场景不同,用的尺子不同。抓坏人要「召回高」,别误伤要「精确高」。

Transformer / 注意力机制

当前大模型的核心架构,靠「注意力」判断句子里哪个词跟哪个词有关,从而理解上下文。

预训练 / 微调

预训练 = 在海量数据上学通用能力(厂商干的重活);微调 = 拿小数据适配你的具体任务(你可能干的轻活)。

大模型 / LLM

参数量巨大的语言模型,能听懂人话、生成文字。入门阶段把它当「博学但会口胡的助手」。

提示词 / Prompt

你对 AI 说的话。写得好不好,直接决定输出质量——这是普通人最好用的杠杆。

Token

文本被切分的最小计费/计长单元(约等于半个英文词或一个中文字的量级)。API 收费和长度限制都按它算。

RAG(检索增强生成)

让模型先查你给的资料、再回答,等于「开卷考试」——缓解胡说和知识过期。

Embedding / 向量 / 多模态

Embedding 把文字图片变成一串数字(向量),机器借此算「相似度」;多模态指模型能同时处理文字、图片、语音、视频。

第 3 层 · 工程落地

把模型变成产品时才会遇到的词——现在混个眼熟,用到再回查。
GPU / CUDA

显卡及其并行计算平台,训练模型快几十上百倍。入门阶段用云端 API 就行,不必买显卡。

框架

搭模型的工具:PyTorch、TensorFlow、scikit-learn、Hugging Face Transformers。入门先会用现成的。

Hugging Face

AI 界的模型仓库:海量预训练模型和数据集可直接下载试用。

微调 / LoRA / QLoRA

低成本让大模型适配特定任务的常用技巧:只调一小部分参数,省显存省时间。

量化

给模型「瘦身」:降低精度换更小体积、更快推理,效果损失通常很小。

部署 / 推理服务

把训练好的模型搬到服务器或手机上对外提供能力——从「能跑」到「别人能用」的一步。

容器 / Docker

把应用连同环境一起打包,「一次封装、到处运行」,治好了「在我电脑上能跑」。

Agent / 智能体

能自己规划步骤、调用工具、完成复杂任务的 AI 系统。把你从「一问一答」带到「交代一件事」。

向量数据库

专门存向量、做相似度检索的数据库,是 RAG 的核心组件。

MLOps / LLMOps

把模型开发、部署、监控做成一套可复制的工程流程——让 AI 从「一次性」变「可持续」。

01

观念篇:AI 到底是什么

先看地图,再进坑道——别被名词牵着走
你将学会
  • · 说清人工智能、机器学习、深度学习、大模型的关系
  • · 分清「训练」和「推理」——前者是教它,后者是用它
  • · 知道 AI 的三条硬边界:会口胡、不懂你的业务、要人复核
AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型:一层套一层,不是并列关系
AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型:一层套一层,不是并列关系

一、四个词的关系:一层套一层

人工智能(AI)

让机器表现出智能行为的广义总称。它是个目标,不是某一项具体技术。

机器学习是实现 AI 的主流路径:不靠人写死规则,而是让机器从数据里自己找规律。深度学习是机器学习的一支,用深层神经网络,擅长图像、语音、文本。大模型(LLM)又是深度学习的一种——参数量巨大、能听懂人话的那种。所以你看新闻里这些词混着用,其实它们是套娃关系。

记法:AI 是「让机器聪明」这个目标,机器学习是方法,深度学习是方法里的利器,大模型是利器里最新的一代。

二、训练 vs 推理:教它,和用它

维度训练(Training)推理(Inference)
白话教它:喂大量数据、反复纠错用它:拿成品处理新数据
谁在干模型厂商(重活)你我每天调 AI(轻活)
成本贵、慢、吃算力便宜、快、按量计费

普通人入门只需要搞懂推理:你调一次大模型 API,就是让它做一次推理。至于模型是怎么训出来的,知道个大概即可,不用会算。

三、三要素与三条硬边界

  • 1.数据:喂给它的教材。数据差,模型一定差——垃圾进,垃圾出。
  • 2.模型:学出来的成品结构。选型看任务,不看名气。
  • 3.算力:跑训练和推理的马力。入门用云端 API,不必买显卡。
  • ·它会一本正经地口胡(术语叫「幻觉」):关键结论、数字、引用必须人工复核。
  • ·它默认不懂你的业务:你不说,它就靠猜。业务规则要靠提示词和资料喂给它。
  • ·它是概率机器,不是数据库:要精确数据走数据库和系统,要理解、总结、生成才找它。

四、名词地图怎么用

下面的三层名词地图(入门必懂 / AI 核心 / 工程落地)不用背。正确用法是:动手做后面几课,遇到不认识的词回来查;每过一周从头扫一遍,你会发现「眼熟的词」越来越多——那就是入门完成的标志。

自测 1:「深度学习」和「大模型」是并列关系吗?

不是。大模型是深度学习里的一种,深度学习又是机器学习里的一支,机器学习是实现 AI 的路径——套娃关系。

自测 2:你每天在手机上问 AI 问题,这是训练还是推理?

推理。训练是厂商把模型教出来的过程,又贵又慢;我们日常使用都是推理。

自测 3:AI 给了一份市场数据和来源,可以直接发给客户吗?

不可以。AI 会编造来源和数字(幻觉),必须逐条人工核对后才能对外。

动手任务
  • □ 把「AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型」这句话讲给一位同事听,讲到对方能复述为止。
  • □ 列出你工作里 3 件「每周都重复、规则明确」的活——这是第 3 课的素材。
  • □ 从三层名词地图里挑 5 个词,用自己的话写一行白话解释。
02

Python 地基:第一段能跑的代码

四个词(变量/函数/类/库)够你用很久
你将学会
  • · 装好 Python 和 VS Code,跑通第一段代码
  • · 看懂变量、函数、类、库——编程骨架的四个词
  • · 会用 pip install 装别人写好的工具包

一、为什么是 Python

  • ·语法接近英语,是所有主流 AI 语言里对新手最友好的。
  • ·库生态最大:文件处理、表格、抓数据、调 AI,全有现成工具包。
  • ·AI 圈默认语言:教程、示例、同事的代码,大概率都是 Python。
零基础路线:先在官网上装 Python 3,再装 VS Code(免费),跟着本课敲代码。装环境遇到报错很正常——把报错原文复制去搜索,九成有人踩过同一个坑。

二、四个词就是编程的骨架

变量:装数据的盒子

给一份数据起个名字,之后随用随取。price = 100 就是把 100 装进名叫 price 的盒子。

函数:可重复调用的小工具

把一段动作打包起名字,之后一行调用。输入进去,返回结果。

类:把数据和操作打包的模板

当「盒子」和「小工具」总是一起出现时,用类把它们装成一个整体。入门阶段看懂即可,写多了自然会。

库:别人写好的工具集

不用从轮子造起。pip install requests 就是把「发网络请求」这个工具包装上,拿来即用。

三、跑起来:三段小代码

hello.py —— 第一段会和你对话的代码
# hello.py
name = input("你叫什么名字? ")
print(f"你好,{name}!欢迎来到 AI 世界。")
变量 + 函数:写一个温度换算小工具
def c_to_f(c):
    """把摄氏度换成华氏度"""
    return c * 9 / 5 + 32

for c in [0, 25, 37, 100]:
    print(c, "℃ =", c_to_f(c), "℉")
库:装上 requests,三行发一个网络请求
# 终端里先装库:pip install requests
import requests

resp = requests.get("https://api.github.com/", timeout=10)
print(resp.status_code)   # 200 表示通了

四、常见卡点

现象原因怎么办
command not found: python没装 Python 或没进环境变量重装时勾选「Add to PATH」,或改用 python3
ModuleNotFoundError库没装pip install 库名 后重跑
缩进报错 IndentationError混用了空格和 Tab统一用 4 个空格缩进
自测 1:pip install 是在装什么?

装「库/包」——别人写好的工具集,装上就能在自己的代码里调用。

自测 2:变量和函数的区别一句话说清?

变量是装数据的盒子,函数是干活的小工具:盒子存东西,工具吃进输入吐出结果。

自测 3:报错信息看不懂,第一反应是?

把报错原文整段复制去搜索(或贴给 AI 让它解释),而不是瞎改代码碰运气。

动手任务
  • □ 装好 Python 3 和 VS Code,把 hello.py 跑起来,成功和它对话一次。
  • □ 把温度换算函数改成「华氏度转摄氏度」,并验证 32℉ = 0℃。
  • □ 装一个你自己感兴趣的库(推荐 requests),跑通一次官方示例。
03

脚本自动化:把重复劳动交出去

脚本就是菜谱——写一次,跑无数次
你将学会
  • · 判断「什么活值得写成脚本」
  • · 写出让批量改名、读表格这类活自动跑的脚本
  • · 养成安全三件套:备份、试跑、远离系统目录
脚本自动化的闭环:重复劳动 → 写成脚本 → 小范围试跑 → 定时跑
脚本自动化的闭环:重复劳动 → 写成脚本 → 小范围试跑 → 定时跑

一、脚本是什么:一份写给计算机的菜谱

脚本(Script)就是一串按顺序排列的命令,写成文本文件、可以反复运行。像菜谱:先放油、再放蛋、翻炒——计算机严格按顺序照做。它有四个特点:纯文本(记事本就能写)、解释执行(不用编译,边读边跑)、自动化(重复劳动一次交给机器)、胶水(把多个工具串起来)。

判断标准:同一件事手动做过 3 次以上、每次规则都一样——就值得写脚本。5 分钟能写完的,别忍着重复 50 次。

二、脚本一:批量改文件名(带试跑)

rename_files.py —— 先试跑看效果,确认了才真改
from pathlib import Path

folder = Path("./photos")          # 目标文件夹(先拿副本练手)
DRY_RUN = True                     # True = 只预览不真改;确认后改 False

for f in sorted(folder.glob("*.txt")):
    new = f.with_name(f.name.replace("旧前缀", "新前缀"))
    print(f"{f.name}  ->  {new.name}")
    if not DRY_RUN:
        f.rename(new)

print("完成。DRY_RUN=True 时只是预览。")

注意这个脚本里的两个好习惯:DRY_RUN 开关先看效果再动手;操作范围锁定在指定文件夹里,绝不碰系统目录。

三、脚本二:读表格算数

sum_csv.py —— 统计一列数字的合计与平均(纯标准库,无需装包)
import csv

total, n = 0.0, 0
with open("sales.csv", newline="", encoding="utf-8") as f:
    for row in csv.DictReader(f):
        total += float(row["金额"])
        n += 1

print(f"共 {n} 行,合计 {total:.2f},平均 {total / n:.2f}")
安全三件套(进阶前先养成):①改文件先复制一份备份;②先在 3-5 个样本上试跑(DRY_RUN);③脚本永远不碰系统目录、不 rm -rf 大目录。

四、自动化进阶:让脚本自己跑

1
手动跑稳

脚本手动跑对 3 次以上,再谈自动跑。

2
定时跑

Mac 用 crontab / launchd,Windows 用任务计划程序,每天凌晨跑不打扰人。

3
留日志

脚本每天打印「干了什么、成功几条、失败几条」,出问题能查。

4
失败要喊人

出错就把错误写进日志并停下,绝不「静默出错还假装成功」。

自测 1:什么活值得写脚本?

重复 3 次以上、规则明确的活。一次性的小活直接手动做更划算。

自测 2:DRY_RUN 开关是干什么的?

只预览、不真改。先看脚本打算做什么,确认无误再关掉开关真执行——防手滑毁数据。

自测 3:定时脚本最不该缺的一样东西是?

日志。没人盯着它跑,出了错必须有据可查,否则坏了都不知道。

动手任务
  • □ 把第 1 课里你列的重复活挑一件,写成带 DRY_RUN 的脚本,试跑后再实跑。
  • □ 写一个统计 CSV 某一列合计的脚本,用你自己工作里的真实表格跑一遍。
  • □ 给你的脚本加上「运行日志」:每天打印日期、处理条数、成功/失败数。
04

Git 存档:代码有版本,改坏能回滚

游戏存档点思维:随时保存,随时读档
你将学会
  • · 用 init / add / commit 三板斧给代码存档
  • · 会看历史、会回滚到上一个好版本
  • · 把仓库推上 GitHub / CNB 云端备份,密钥绝不进库

一、为什么需要 Git

没有版本管理时,我们的文件夹长这样:脚本v1.py、脚本v2改好了.py、脚本v2最终版.py、真的最终版.py……Git 把这套混乱换成「存档点」:每次有意义的改动存一档,写清这档改了什么,随时回读任何一档。

  • ·回滚:改坏了,一条命令回到上一个好版本。
  • ·备份:推到 GitHub / CNB,电脑坏了代码不丢。
  • ·协作:多人改同一批代码有据可查,谁改的、改了什么一目了然。

二、三板斧:init / add / commit

从零建一个仓库并存第一档
mkdir my-ai-tools && cd my-ai-tools
git init                # 建仓库(生成 .git 目录)
git status              # 看当前改动状态
git add .               # 把改动放进「暂存区」
git commit -m "第一个脚本:批量改名"   # 存一档,写清改了什么
git log --oneline       # 看存档历史
命令白话使用时机
git init建仓库项目第一天
git add .把改动摆上工作台提交前
git commit -m "说明"存一档每完成一小步
git log --oneline看存档历史想找回旧版本时
git checkout <版本> -- 文件单文件读档只想撤回某个文件
git push / git pull上传 / 下载云端备份每天收工前 / 开工前

三、远程备份 + 一条铁律

推到远程仓库(GitHub 或 CNB 均可)
# 先在 GitHub / CNB 网页上建好空仓库,然后:
git remote add origin git@github.com:你的用户名/my-ai-tools.git
git push -u origin main    # 首次推送
git push                   # 以后每次收工推一把
git pull                   # 开工前拉最新
铁律:密码和 API 密钥绝不进代码库。密钥写进环境变量或 .env 文件,并把 .env 写进 .gitignore——一旦密钥被 push 到公开仓库,几分钟内就可能被扫走盗刷。泄露了立刻去平台作废重发。
最小可用 .gitignore
.env
__pycache__/
*.log
.DS_Store
自测 1:commit 和「保存文件」有什么区别?

保存只是覆盖当前文件;commit 是给整个项目存一个带说明的历史快照,随时回读任何一档。

自测 2:改坏了代码,最快的自救动作是?

git log --oneline 找到上一个好版本,checkout 恢复。前提是——每步都 commit 过。

自测 3:为什么 .env 必须进 .gitignore?

因为 .env 里是密钥。进了仓库(尤其公开仓库)等于把保险箱钥匙挂网上,被扫到就盗刷。

动手任务
  • □ 把前几课的脚本收进一个文件夹,git init 后认真存第一档(写清说明)。
  • □ 在 GitHub 或 CNB 建远程仓库,把代码 push 上去,确认网页上能看到。
  • □ 写好 .gitignore(含 .env),故意把一个假密钥写进 .env 确认它不会被提交。
05

调大模型 API:第一次让 AI 为你干活

提示词是杠杆,密钥是保险箱钥匙
你将学会
  • · 拿到一个大模型服务的密钥,跑通第一次 API 调用
  • · 会写「提示词三明治」:角色 + 任务 + 约束 + 输出格式
  • · 懂 token 计费与密钥安全,成本可控不翻车

一、调 API 是怎么回事

API 就是系统之间的对接口:你的脚本发一个请求过去(带密钥证明身份、带提示词说明要干什么),大模型把结果返回来。和在网页里聊天是一回事,只是网页换成了代码——好处是能批量、能定时、能接进你自己的工具。

选服务:国内外都有兼容 OpenAI 格式的大模型服务(DeepSeek、Kimi、通义、智谱等),注册一个、拿到 API Key 即可。新手从最便宜的入门档开始,充 10 块钱够练很久。

二、跑通第一次调用

先用 curl 试一发(密钥从环境变量读,不写死)
export MODEL_KEY="你的密钥"     # 只写进终端环境,别写进代码
curl https://api.deepseek.com/v1/chat/completions \
  -H "Authorization: Bearer $MODEL_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-chat",
       "messages": [{"role": "user", "content": "用一句话解释什么是API"}]}'
再用 Python 封成可复用的小函数
import os
import requests

def ask_ai(prompt: str) -> str:
    resp = requests.post(
        "https://api.deepseek.com/v1/chat/completions",
        headers={"Authorization": f"Bearer {os.environ['MODEL_KEY']}"},
        json={"model": "deepseek-chat",
              "messages": [{"role": "user", "content": prompt}]},
        timeout=60,
    )
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]

print(ask_ai("用一句话解释什么是API"))

三、提示词三明治

1
角色

「你是医药外贸公司的外贸助理」——给它身份和语境。

2
任务

「把这封英文询盘翻成中文并列出客户诉求」——要干什么说清楚。

3
约束

「不许编造数据;不确定就写待核实」——划定边界。

4
输出格式

「用表格输出:诉求 / 紧急度 / 下一步」——方便直接用。

5
给例子(可选)

贴一个「输入长这样、输出长这样」的样例,质量立刻上一档。

普通人最大的杠杆就是提示词:同一个模型,提示词写得好坏,输出质量差一个档位。写不好就先让 AI 帮你改写提示词——这也是标准玩法。

四、成本与安全

事项怎么做
计费按 token 算(输入+输出都计费)。先估算字数,再跑批量。
限速批量调用加间隔(如每次间隔 1-2 秒),既礼貌又防封。
密钥只放环境变量 / .env(进 .gitignore)。绝不贴进代码、聊天记录、截图。
数据客户资料、合同、未公开数据别随便喂给外部模型——先确认公司规定。
自测 1:API 密钥可以写死在脚本里吗?

绝不。写死的密钥随代码传播,一进仓库就可能被盗刷。放环境变量或 .env。

自测 2:提示词三明治的四层是?

角色、任务、约束、输出格式(可再加一个输入输出例子)。

自测 3:为什么批量调用要加间隔?

一是尊重服务方限速规则防封号,二是分散压力让长任务更稳。

动手任务
  • □ 注册一个大模型服务,拿到密钥,用 curl 跑通第一次调用。
  • □ 把 ask_ai 函数写进自己的工具库(Git 仓库),密钥走环境变量。
  • □ 同一个问题分别用「一句话提示词」和「三明治提示词」各问一次,对比输出差距。
06

动手做一个自己的小应用

小、真、自己用——第一个项目的三个选题原则
你将学会
  • · 从三个新手友好项目里选一个开工
  • · 理解 RAG(开卷考试)和 Agent(配工具的助手)的白话原理
  • · 把项目收进 Git、写出使用说明,变成可持续的工具

一、三个新手友好的项目

文档问答(RAG)

亮点:把公司资料变成「问一答三」的助手,实用价值立竿见影

代价:要处理文档格式,初期效果依赖资料整理质量

适合:资料多、查资料费劲的岗位

日报/周报汇总器

亮点:输入流水记录,输出结构化总结,每天省半小时

代价:提示词要反复调,格式要求要写死

适合:天天要写汇报的岗位

批量分类器

亮点:把询盘/邮件/表格按规则自动归类,规则明确就稳

代价:分类标准要自己先定义清楚

适合:处理大量文本清单的岗位

选题三原则:小(一周内能做完)、真(解决自己真实的痛)、自己用(自己是第一个用户)。别一上来就做「给全公司用的大平台」——第一个项目的目标是跑通,不是完美。

二、RAG 白话:开卷考试

大模型的知识有截止日期,也不懂你的内部资料。RAG 的思路简单粗暴:回答之前先翻你的资料——把资料切块、存成向量(一串数字),提问时先找出最相关的几块,拼进提示词里让模型照着答。等于给它发了一本「开卷」,胡说概率大幅下降。

1
切块

把文档按段落/标题切成几百字的小块。

2
存向量

每块算一个向量,存进向量数据库(或先存本地文件)。

3
检索

提问时把问题也变成向量,找出最相似的几块。

4
拼进提示词

「根据以下资料回答,资料里没有就直说」——让模型照着答。

三、Agent 白话:给助手配上工具

一问一答的 AI 是「顾问」;给它配上工具(搜索、读文件、调接口),让它自己拆步骤、干活、检查结果,就变成了 Agent(智能体)。白话:从「你问它答」变成「你交代一件事,它跑腿办完」。入门阶段先别急着上 Agent 框架——把单次调用写稳了,再考虑多步编排。

Agent 能替你动手,也就能替你闯祸:凡是「写操作」(发邮件、改数据、对外发布)必须留人工确认环节。AI 可以建议,按下发送键的必须是人。

四、项目收尾:让它活过第一周

  • 1.能跑:自己连续用满 5 个工作日,才算做完。
  • 2.入库:push 到 Git 仓库,写清每一步 commit 说明。
  • 3.留文档:写一页「怎么用」——未来的你和同事都靠它。
  • 4.留日志:每天处理了什么、失败几条,可查可追。
  • 5.再迭代:收集自己用着别扭的三个点,一次改一个。
自测 1:RAG 解决大模型的什么毛病?

知识过期和胡说(幻觉):让它先查你给的资料再回答,答案有依据。

自测 2:第一个项目为什么必须「小」?

小项目能一周做完,跑通的成就感和踩坑经验会推着你做第二个;大项目烂尾率极高。

自测 3:Agent 替你动手,哪类动作必须留人工确认?

一切写操作和对外动作:发邮件、改数据、发布内容、花钱。AI 只建议,人按发送键。

动手任务
  • □ 从三个项目里挑一个,写出「一句话需求 + 输入是什么 + 输出是什么」。
  • □ 用「切块 → 检索 → 拼提示词」的手工方式先模拟一次 RAG:拿 3 份文档手工挑出相关段落喂给 AI。
  • □ 把项目 push 到 Git,写一页 README:怎么跑、密钥放哪、出了问题查什么日志。

30 天入门计划

每天 30-60 分钟。断了一天不用补、接着往下走即可——连续性比强度重要。

第 1 周

观念与准备

Day 1读学习路线 + 名词地图第 1 层,挑 5 个词写白话解释
Day 2读第 1 课 + 名词地图第 2 层,画一张 AI/ML/DL/大模型套娃图
Day 3扫名词地图第 3 层;列出工作里 3 件重复活
Day 4装 Python 3 + VS Code,跑通 hello.py
Day 5变量与函数:改写温度换算例子
Day 6装 requests 库,跑通一个网络请求
Day 7周复盘:把本周概念讲给同事听一遍
第 2 周

Python 地基

Day 8列表与字典:把 10 个客户名装进列表操作一遍
Day 9读写文本文件:写脚本统计一个 txt 的行数
Day 10读写 CSV:跑通 sum_csv.py
Day 11类:看懂一个类的代码(不强求会写)
Day 12报错特训:故意制造 3 种报错并学会查
Day 13综合练习:写一个「文件夹里有多少文件」小脚本
Day 14周复盘:整理自己的「工具脚本文件夹」
第 3 周

脚本自动化 + Git

Day 15批量改名脚本(带 DRY_RUN),在副本文件夹试跑
Day 16给重复活清单里的第 2 件活写脚本
Day 17给脚本加运行日志(日期/条数/成败数)
Day 18装 Git,git init + 第一次 commit
Day 19写 .gitignore,GitHub/CNB 建远程仓库并 push
Day 20练习回滚:故意改坏一个文件再恢复
Day 21周复盘:脚本全部入库,写清 commit 说明
第 4 周

AI 动手 + 小项目

Day 22注册大模型服务拿密钥,curl 跑通第一次调用
Day 23把调用封装成 ask_ai 函数,收进 Git
Day 24提示词三明治练习:同一问题两种写法对比
Day 25读懂 token 计费,估算自己一次批量调用的花费
Day 26RAG 手工模拟:3 份文档挑段落喂 AI 对比效果
Day 27小项目开工:写一句话需求 + 输入输出定义
Day 28小项目跑通第一版(能用就行,不求完美)
Day 29写一页 README,push 入库
Day 30结业复盘:写下「下一个 30 天做什么」

常见误区

「学 AI 必须先学高数」

入门阶段不需要。会用工具、会写提示词、会调 API 就能创造价值;数学是深造和做研究时才要补的。先动手,缺什么补什么。

「AI 会自动懂我的业务」

它默认什么都不懂。你的业务规则、口径、禁忌,必须靠提示词和资料喂给它——喂多少,它懂多少。

「AI 说的都是对的」

它会一本正经地编(幻觉),尤其是数字、来源、人名。口诀:AI 可以起草,人必须核对;越是要对外的,越要逐条过。

「密钥写进代码方便省事」

方便一时,被盗刷一世。密钥只放环境变量 / .env 并进 .gitignore;一旦泄露立刻作废重发。

「爬虫想抓多少抓多少」

抓取要守网站条款、要限速、要留间隔。宁慢勿封:账号被风控了,当天全部收口,改天再说。

「第一个项目要做个大平台」

大项目烂尾率极高。第一个项目的目标是「跑通全流程」:小、真、自己用。做完三个小工具,大项目自然会来找你。

「要把语法和命令全背下来」

没人背得完。会查文档、会把报错贴给 AI 解释、会照着示例改,比背诵重要十倍。用着用着,常用的自然就记住了。

常见问题

完全零基础能学会吗?

能。这个专栏的门槛就是「会用电脑、会打字」。路径是先会用(概念、提示词、调 API),再懂一点原理(Python、脚本)。全程动手为主,看不懂的地方先跳过、做着做着就通了。

要不要买好电脑、好显卡?

不用。入门阶段用普通电脑 + 云端大模型 API 就够,算力是服务商的事。等你真要训练自己的模型时再考虑硬件——那至少是第二年的事。

先学 Python 还是先学 AI 概念?

概念先行半天到一天(第 1 课),建立地图感,然后立刻动手。纯概念看多了会腻,纯语法学多了会忘——交替推进最稳。

免费资源够用吗?要不要报班?

入门阶段免费资源绰绰有余(下面资源库全免费或可免费旁听)。先用免费的跑完 30 天,真遇到瓶颈再考虑付费——付费买的是答疑和督促,不是知识本身。

学会以后能干什么?

三件事:把自己工作里的重复活自动化;做一个自己天天用的小工具;用 AI 产品(写文案、查资料、做分析)用得比别人深一层。这些能力在任何岗位都是加分项。

AI 会取代我吗?

更现实的说法是:会用 AI 的人取代不用的人。这个专栏的目标就是让你成为前者——知道它能干什么、不能干什么,并且真的上手用起来。

视频与免费资源库

全部免费或可免费旁听。外部链接以平台最新页面为准;链接会失效,好内容不会——学会用搜索挑系列,本身就是一项技能。

视频
Elements of AI(有中文版)

免费的 AI 通识小课:短视频 + 小练习,零基础友好,全球几百万人学过。配套第 1 课。

https://www.elementsofai.com/ ↗
视频
吴恩达《AI For Everyone》(Coursera 可免费旁听)

零基础扫盲的经典视频讲解,讲清 AI 能干什么、项目怎么落地。配套第 1、6 课。

https://www.coursera.org/learn/ai-for-everyone ↗
视频
Google AI Essentials(Coursera 可免费旁听)

大厂出品的入门实操讲解,覆盖提示词与日常用法。配套第 5 课。

https://www.coursera.org/learn/google-ai-essentials ↗
视频
B 站 / YouTube 搜「Python 零基础」

选播放量高、更新近的系列跟练。链接会失效、好系列不会——学会用搜索挑,本身就是一项技能。配套第 2 课。

https://search.bilibili.com/all?keyword=Python%20%E9%9B%B6%E5%9F%BA%E7%A1%80 ↗
阅读
Python 官方教程(中文)

官方出品、从零讲起,遇到语法问题优先查这里。配套第 2 课。

https://docs.python.org/zh-cn/3/tutorial/ ↗
阅读
《Automate the Boring Stuff with Python》免费在线版

英文免费书,专讲「用 Python 自动化无聊工作」,例子全是办公场景。配套第 3 课。

https://automatetheboringstuff.com/ ↗
阅读
Pro Git 中文版

Git 官方推荐的免费书,入门章节就够用,进阶随时回查。配套第 4 课。

https://git-scm.com/book/zh/v2 ↗
实践
Kaggle Learn(免费微实践)

浏览器里直接动手的小单元,不用装环境,适合检验学习效果。配套第 5、6 课。

https://www.kaggle.com/learn ↗
工具
VS Code(免费编辑器)

写代码的主力工具,装 Python 扩展后开箱即用。配套第 2 课起全程。

https://code.visualstudio.com/ ↗
工具
GitHub / CNB(代码云端备份)

远程代码仓库:备份、协作、展示作品集都靠它。配套第 4 课。

https://github.com/ ↗

接下来去哪