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。
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。
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。
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。
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。
代码有版本、有备份、能回滚;改坏了不慌,协作不丢活。
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。
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。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。
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。
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。
别人写好的现成工具集,拿来即用。pip install 就是「装工具包」。
写代码的软件,如 VS Code、Jupyter Notebook。入门装一个 VS Code 就够。
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。
给项目单独隔离的沙盒,避免不同项目的工具互相打架。
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。
AI 数据交换最常用的轻量文本格式,长得像带标签的字典。
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。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 = 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。
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。
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」。
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 = 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)。
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」。
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。
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。
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 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。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。
搭模型的工具:PyTorch、TensorFlow、scikit-learn、Hugging Face Transformers。入门先会用现成的。
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。
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。
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。
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。
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」。
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」。
专门存向量、做相似度检索的数据库,是 RAG 的核心组件。
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」。
观念篇:AI 到底是什么
先看地图,再进坑道——别被名词牵着走- · 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
一、四个词的关系:一层套一层
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。
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。
- □ 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。
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- · 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。
二、四个词就是编程的骨架
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。
把一段动作打包起名字,之后一行调用。输入进去,返回结果。
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。
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
name = input("你叫什么名字? ")
print(f"你好,{name}!欢迎来到 AI 世界。")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), "℉")# 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。
- □ 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。
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- · 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
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)。
二、脚本一:批量改文件名(带试跑)
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
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}")四、自动化进阶:让脚本自己跑
脚本手动跑对 3 次以上,再谈自动跑。
Mac 用 crontab / launchd,Windows 用任务计划程序,每天凌晨跑不打扰人。
脚本每天打印「干了什么、成功几条、失败几条」,出问题能查。
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。
- □ 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。
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- · 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
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
# 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.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。
- □ 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。
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- · 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。
二、跑通第一次调用
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"}]}'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
「你是医药外贸公司的外贸助理」——给它身份和语境。
「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。
「不许编造数据;不确定就写待核实」——划定边界。
「用表格输出:诉求 / 紧急度 / 下一步」——方便直接用。
贴一个「输入长这样、输出长这样」的样例,质量立刻上一档。
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。
- □ 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。
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- · 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
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
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
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
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。
把文档按段落/标题切成几百字的小块。
每块算一个向量,存进向量数据库(或先存本地文件)。
提问时把问题也变成向量,找出最相似的几块。
「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。
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。
- □ 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。
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 |
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」 |
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 |
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 26 | RAG 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
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。
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。
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。
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。
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。
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。
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。
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 ↗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 ↗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 ↗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/ ↗