Generative AI for Beginners 完整指南：21 节课从零上手构建生成式 AI 应用-迪斯科星球

Generative AI for Beginners 完整指南：21 节课从零上手构建生成式 AI 应用

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

generative-ai-for-beginners是一个面向初学者的生成式 AI 实战课程仓库，包含 21 节可独立学习的内容：前段讲透大语言模型（LLM）、提示词工程等核心概念，后段带着你在 Python 和 TypeScript 中逐步搭出文本生成、对话、检索、图像生成等真实应用。如果你只想花最少的时间入门生成式 AI 开发，照着本文走一遍即可跑通第一个程序。

学什么、值不值得学

这门课覆盖生成式 AI 应用开发的完整知识链路，概念课与实践课交替出现，每节内容独立成篇，可以从任意一节开始：

阶段	课程	你将掌握
概念入门	01–05 课	生成式 AI 工作原理、模型选型、负责任使用、提示词工程基础与进阶技巧
应用构建	06–11 课	文本生成应用、聊天应用、向量检索应用、图像生成应用、低代码 AI、Function Calling
工程进阶	12–21 课	AI 应用 UX 设计、安全加固、LLMOps 生命周期、RAG 与向量数据库、开源模型、AI Agent、微调、小型语言模型

相比零散的教程，它的价值在于：每节实践课都配有可直接运行的完整代码示例（python/目录下的.py脚本和.ipynb笔记本，以及typescript/、js-githubmodels/目录下的 JS/TS 项目），并且统一了环境变量与工具模块，你不需要为每节课重新搭环境。50 多种语言的翻译版位于translations/目录，中文学习者可以直接阅读translations/zh-CN/。

环境准备与一键部署步骤

系统要求

项目	要求
Python	3.10 及以上（运行 Python 示例）
Git	最新版
Node.js	仅运行 TypeScript/JavaScript 示例时需要
VS Code	可选，推荐
Docker Desktop	仅容器化方案需要，可跳过

克隆仓库

仓库包含 50 多种语言的翻译和大量图片，完整克隆体积较大。推荐用稀疏检出跳过translations和translated_images，只下载课程正文和代码：

git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

如果下载速度可以接受，也可以直接完整克隆：

git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners

创建虚拟环境并安装依赖

python -m venv .venv source .venv/bin/activate # macOS / Linux # Windows PowerShell 下使用： .\.venv\Scripts\activate pip install -r requirements.txt

requirements.txt中已固定了 openai、python-dotenv、azure-ai-inference 等关键依赖；运行 JS/TS 示例的目录（如06-text-generation-apps/js-githubmodels/）再单独执行npm install即可。

云端替代方案：仓库自带.devcontainer配置，在有 Docker 的机器上用 VS Code 打开仓库后选择 "Reopen in Container"，即可获得与官方 Codespaces 一致的运行环境，省去本地配置。

目录结构与配置约定

课程按"编号目录 = 一节课程"组织，每节内部结构高度一致，这也是它易于维护的原因：

00-course-setup/ # 环境搭建指引（先读这里） 01-introduction-to-genai/ # 每节课：README.md + images/ + 代码目录 06-text-generation-apps/ ├── python/ # Python 示例：oai-app.py、aoai-app.py 等 ├── typescript/ # TS 项目（自带 package.json） └── js-githubmodels/ # JS 项目（自带 package.json） shared/python/ # 各课共用的环境变量与 API 工具模块 tests/ # 工具模块的单元测试 .env.copy # 环境变量模板（仓库根目录）

关键约定有两条：

代码文件用前缀区分模型服务商：oai-开头走 OpenAI API，aoai-开头走 Azure OpenAI，githubmodels-开头走 Microsoft Foundry Models。缺哪个服务商的凭据，对应文件运行时会直接报错，互不影响。
凭据统一放.env：所有示例通过python-dotenv读取环境变量，.env已被 gitignore，不要把密钥写进代码。

核心工作流：从配置到跑通第一节课

第一步：配置 .env

仓库根目录提供.env.copy模板，复制后填入对应服务商的凭据即可：

cp .env.copy .env

.env中各变量的作用：

变量	用途
`OPENAI_API_KEY`	OpenAI API 密钥
`AZURE_OPENAI_API_KEY`/`AZURE_OPENAI_ENDPOINT`	Azure OpenAI 资源密钥与端点
`AZURE_OPENAI_DEPLOYMENT`	文本生成模型的部署名（建议`gpt-4o-mini`）
`AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT`	向量模型的部署名（建议`text-embedding-3-small`）
`AZURE_INFERENCE_ENDPOINT`/`AZURE_INFERENCE_CREDENTIAL`	Microsoft Foundry Models 端点与密钥
`HUGGING_FACE_API_KEY`	Hugging Face 访问令牌

你只需要配置其中一个服务商，其余留空。完整说明见课程文档00-course-setup/03-providers.md，本地部署细则见00-course-setup/02-setup-local.md。

第二步：运行 Python 示例

以第 6 课"文本生成应用"的 OpenAI 版脚本为例，06-text-generation-apps/python/oai-app.py只需 3 行核心逻辑——加载.env、创建客户端、发起一次补全请求：

from dotenv import load_dotenv load_dotenv() # 读取 .env 中的 OPENAI_API_KEY client = OpenAI() response = client.responses.create(model="gpt-4o-mini", input=prompt, store=False) print(response.output_text)

运行方式：

python 06-text-generation-apps/python/oai-app.py

.ipynb格式的练习则建议用 Jupyter 打开：

jupyter notebook

在浏览器中导航到任意笔记本（例如08-building-search-applications/python/oai-solution.ipynb）逐格执行即可。

第三步：运行 JavaScript / TypeScript 示例

以第 6 课的 JS 项目为例，进入目录装依赖后直接运行：

cd 06-text-generation-apps/js-githubmodels npm install node app.js

TypeScript 项目（如06-text-generation-apps/typescript/recipe-app/）在各自目录内执行npm install后按其package.json中的脚本命令运行。

关键配置项速查

课程代码里没有"训练参数"，真正影响体验与成本的是模型与服务商的配置：

配置项	调整方向	说明
模型选择	日常练习用`gpt-4o-mini`	第 2 课专门讲如何按任务选模型，小模型便宜且够快
`AZURE_OPENAI_API_VERSION`	保持模板默认的稳定版本	升级前先确认接口兼容
采样参数（`temperature`等）	创意类任务调高，抽取/分类类任务调低	第 4、5 课的提示词课程中有大量对比示例
服务商	追求省事选 OpenAI；企业合规选 Azure；离线场景选 Foundry Local / Ollama	见`00-course-setup/03-providers.md`的对比表
本地运行	不想开云订阅时，用 Foundry Local 获得 OpenAI 兼容端点，示例代码几乎不用改	第 19 课有实操

结果验证与问题排查

验证学习效果

逐课验证：每节课程的README.md末尾都有练习（assignment）和期望输出说明，对照.ipynb中留空的代码格补全后运行，输出符合预期即通过。
单元验证：仓库自带针对共用工具模块的测试，可随时回归：

pip install pytest pytest tests/

tests/下覆盖env_utils、api_utils、input_validation三个模块，能帮你确认环境配置是否被正确加载。

高频卡点与解法

现象	解法
`401 Unauthorized`	密钥错误或已过期，检查`.env`中对应 Key 的值
`ModuleNotFoundError: dotenv`	未装依赖，执行`pip install -r requirements.txt`
`python: command not found`	Python 未加入 PATH，重装后重开终端
Windows 下 pip 构建报错	先执行`pip install --upgrade pip setuptools wheel`
Docker 构建提示磁盘不足	Docker Desktop 设置中增大虚拟磁盘
VS Code 反复提示在容器中重开	同时启用了 venv 和容器两种方案，二选一即可
笔记本找不到内核	Notebook 菜单 → Kernel → 选择 Python 3
429 限流错误	请求过于频繁，降低调用频率或升级服务商配额

性能与效率优化建议

大仓库提速：如前文稀疏检出命令，跳过翻译目录后下载量减少大半；本地只需docs/、各课程目录和shared/。
降本：把.env中的模型统一换成小模型（如gpt-4o-mini）完成练习，成本比旗舰模型低一个量级；需要旗舰能力时再切回。
离线零成本：安装 Foundry Local 或 Ollama 后，用本地 OpenAI 兼容端点跑大部分示例，完全不需要云订阅。
多环境隔离：用 venv 或 Conda 把课程环境锁死在 3.10+，避免与系统全局 Python 冲突，重装依赖时直接重建虚拟环境最快。
容器化保一致：团队协作或多机切换时，用.devcontainer配置构建容器环境，杜绝"我这能跑"的问题。

源码导航：想深挖看哪里

路径	内容
`00-course-setup/`	环境搭建三篇指引（云、本地、服务商配置），遇到问题先翻这里
`shared/python/env_utils.py`	环境变量安全读取与校验的核心实现（`get_required_env`、`validate_env_vars`）
`shared/python/api_utils.py`	各课复用的 API 调用工具，理解它就能看懂所有示例的公共逻辑
`shared/python/input_validation.py`	输入校验逻辑
`tests/`	工具模块的 pytest 用例，可当"如何测试配置"的范例
`docs/_sidebar.md`	课程站点侧边栏导航
`15-rag-and-vector-databases/`	RAG 与向量数据库的完整实现（`notebook-rag-vector-databases.ipynb`与`data/`下的语料）
`18-fine-tuning/`	微调专题，`python/`下有数据文件与练习笔记本

写在最后

generative-ai-for-beginners 把"学概念"和"写代码"压缩在同一个仓库里：21 节课从 LLM 原理讲到 AI Agent 与微调，每节都有能直接运行的 Python / TypeScript 示例和配套环境模板。你现在只需三件事——克隆仓库、填好.env中任一服务商的密钥、运行06-text-generation-apps/python/oai-app.py。看到模型返回的第一段生成文本时，你的生成式 AI 开发之路就已经跑起来了。

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析