Python + AI:从零到 AI 工程师
在浏览器里编写真正的代码,从零成为 AI 工程师:先学 Python 基础,再学生产级 AI -> 提示词、RAG、评测、智能体、护栏,以及真正的作品集项目。免费,无需账号。
你现在就可以在这个标签页里运行真正的 Python。
无需安装,无需账号,无需设置 -> 这些我们都替你做好了。你的第一课是 60 秒的热身,一旦通过,就会立即由真实的隐藏测试评分。水还没烧开,你就能看到第一个绿色的勾。
每日复习
间隔重复让你学到的东西不会淡忘。
Python 基础
在浏览器里运行真正的 Python,从值、数学运算、字符串、布尔值和读懂报错开始建立信心。
控制流
熟练地编写分支和循环逻辑,在循环部分有大量辅助。
函数
编写可复用的函数,带完整签名、文档字符串和类型提示,并分清 return 与 print。
数据结构
熟练使用 list、dict、set 和 tuple,选对合适的结构,并写出推导式。
文件、错误与模块
读写文本、CSV 和 JSON,正确处理异常,并把代码组织成模块。
面向对象的 Python
用 __init__、方法、双下划线方法、继承、@property 和 @dataclass 设计类。
Python 风格代码、测试与综合项目
写出地道、经过测试的代码(生成器、装饰器、pytest),并交付一个类似多文件结构的命令行程序。学完 = 中级 Python 水平。
SQL 与数据库
在浏览器里的真实 SQLite 数据库上用 SQL 查询和整理真实数据:SELECT、过滤与排序、聚合与 GROUP BY、跨表 JOIN、安全的参数化写入,以及子查询。
数据基础:numpy 与 pandas
在浏览器里操作数组,并对表格数据进行清洗、过滤、分组和合并。
你的第一批机器学习模型
训练并评估 scikit-learn 模型,并诊断欠拟合与过拟合。
神经网络直觉、LLM 与 AI 综合项目
用 numpy 建立诚实的神经网络直觉,清楚地推理 LLM 是怎样工作的,并交付一个把数据变成通俗报告的设备端 AI 综合项目。
调用真正的 LLM
通过真实的 API 驱动一个真正的 LLM:构建请求,读取响应和工具调用,拼合词元流,并像生产代码那样处理错误。
面向 AI 工程师的提示词工程
把提示词当作一个你用纯 Python 构建、验证并加固的程序,让 LLM 成为一个你能掌控的可靠组件。
结构化输出与函数/工具调用
让 LLM 输出机器可读、符合 schema 的 JSON,并把它的工具调用路由到真正的 Python 函数:这就是模型和你的系统之间的集成层。
从零实现嵌入与语义搜索
用 numpy/sklearn 亲手实现每个 RAG 和路由系统底下的向量数学:余弦、BM25、混合融合、重排序。
构建一个 RAG 流水线
把分块、向量数据库、前 k 个检索、有依据的提示词构建和超出范围的拒绝组装成一个能工作的检索增强生成引擎。
评估 RAG 与检索
从零实现 Precision@k、Recall@k、MRR 和 NDCG@k,把检索质量和生成分开来衡量。
LLM 评测与测试
构建把"这个提示词好像更好了"变成数字的评测工具:断言测试、完全匹配/F1/ROUGE 打分器、LLM 当评判的解析器,以及一个回归关卡。
构建智能体(工具调用与 ReAct)
把推理-行动-观察循环、工具路由器、多步状态和循环防护实现为纯函数:这就是每个"AI 智能体"底下的控制流,其中模型被一个确定性的策略模拟。
把 LLM 投入生产:成本、缓存与防护
用纯 Python/pandas 构建模型周围的生产层:词元/成本核算、上下文预算、语义缓存和哈希缓存、个人信息遮盖,以及输出防护。
生产模式:重试、异步、流式与记忆
构建每个 LLM 应用在模型周围都需要的真实工程:带退避的重试、并发的批量调用、流式累加,以及多轮对话记忆。
负责任的 AI:安全、审核与红队测试
构建一个生产环境 LLM 应用需要的安全层:检测越狱攻击,审核内容,用对抗性测试集做红队测试,并校准拒绝。
LLM 周边的机器学习
用 sklearn 构建包裹在生产 LLM 应用外层的、便宜而确定性的机器学习:意图分类、嵌入路由和置信度阈值。
从概念上理解微调
从概念上理解 LoRA/DPO/PEFT,并构建你能离线运行的那部分:指令微调数据集的整理、验证、去重,以及干净的训练集/验证集划分。
项目:构建真东西
从一个几乎空白的文件开始设计并运行真实的程序:一个命令行程序、一个日志分析器、一个解析器、一个解释器,以及一次数据调查。
项目:客服副驾驶
端到端地构建并评估一个检索增强的客服助手,写进简历就是:"构建并评估了一个 RAG 流水线和评测工具"。
项目:文档智能服务
把杂乱的文档变成经过验证、已对账、机器可读的数据,写进简历就是:"构建了一个带对账 + 评测、经过 schema 验证的提取流水线"。
项目:生产环境的 AI 网关
构建对每个请求进行分类、路由、缓存、计费和防护的生产层,写进简历就是:"构建了一个 AI 网关:分类、路由、缓存、防护、成本核算"。
项目:会用工具的研究智能体
实现每个"AI 智能体"背后的推理-行动-观察循环、工具路由、规划和循环防护,写进简历就是:"构建了一个带工具路由、循环防护和轨迹评测的 ReAct 智能体循环"。
项目:提示词评测 CI
把"这个提示词好像更好了"变成一个拦截回归的 CI 关卡,写进简历就是:"构建了一个提示词评测工具 + 回归关卡"。
综合项目:交付它(打包你的项目)
把你写的综合项目代码变成一个真正能运行、能测试的仓库,招聘经理 30 秒内就能打开:这才是能写进简历的作品,而不是一个没人能运行的 notebook。
处理模型的回复
处理模型真正送回来的东西:读取内容块和停止原因,从文字中提取 JSON 并拒绝被截断的回复,区分答案、拒绝和超出范围的信号,在运行工具调用之前先检查它,并在一次往返中返回并行的工具结果。
只有你能打印或保存这些。链接保存在这个浏览器里。要给别人看,请分享证书上的验证链接。