企业官网建设流程全解析

今天正好是Day7，先自报家门：我，双非二本，软件工程大三，零项目经验、零论文、零实习。3个月逆袭计划走到第7天，不求一步登天，但这个节点必须做个总结，因为第一个周末是天然的里程碑。前6天我一直在“喂”自己基础知识，今天的目标很明确：不整虚的，直接上手写一个能跑起来的AI应用。一天下来，确实踩了不少坑，也把之前零散的知识串成了线。这篇就把Day7的全部过程、代码、踩坑和思考都记录下来，给和我类似起点的朋友一个参考。

1. 一周复盘：先想清楚“3个月学AI”到底在学什么

1.1 前6天我都干了什么

先交代前6天的具体安排，不然单独看Day7会断片。

• Day1-3：补Python基础。我不是没学过Python，但水平停留在“能看懂、写不利索”。这三天把变量、流程控制、函数、列表字典、文件读写又重新过了一遍，重点练习了类与对象、装饰器、异常处理这几个高频考点。没追求把语法手册啃完，只要求自己能独立写出脚本解题。
• Day4：花一个晚上扫盲线性代数的核心概念。向量、矩阵、点乘、矩阵乘法、转置。目标不是会推导证明，而是看到公式里的符号不慌，知道它们是“干什么用的”。事实证明这在后面理解网络结构时非常有帮助。
• Day5：装环境。Anaconda + PyTorch CPU版 + Jupyter Notebook，然后用官方教程跑通了一个手写数字识别的小demo。虽然只是把官方代码复制下来跑了一遍，但亲眼看到训练准确率从80%往上涨的那一瞬间，心里那根弦终于松了：原来所谓的深度学习，落地也没有那么神秘。
• Day6：梳理知识地图。我用一个下午把AI相关的大方向全部列出来：大语言模型（LLM）、多模态、AI绘画、AI Agent、RAG、向量数据库、微调、推理部署。然后挨个去查“是什么、解决什么问题、需要什么前置知识”。这一步非常重要，直接决定了后续的学习路径。

1.2 双非二本的现实约束与路径取舍

学AI最怕的不是基础差，而是路径选错。网上铺天盖地的说法是“学好数学、读论文、从零手写Transformer”。问题是，我没有保研压力但也没有科研资源，没有导师带，学校也没有GPU服务器可用。如果一头扎进算法原理里，大概率三个月什么都没做出来就放弃了。

所以我给自己定的路径是：LLM应用开发为主线，本地部署为副线，算法原理只做了解。

为什么这么选？

• LLM应用开发需要的数学门槛低，重点是工程能力、API调用、提示词工程、数据整理；
• 这个方向在招聘市场上的岗位数量明显更多，哪怕双非毕业生，只要有能跑的项目作品，也有入行机会；
• 应用开发天然适合“边做边学”，每个小项目都是一个可展示的成果；
• 底层原理不懂可以先用起来，先建立正向反馈，再回头补知识，比一上来啃论文靠谱得多。

这个路径个人觉得适配大多数“双非但想转AI”的朋友。当然如果你有考研打算、或者目标就是算法工程师，那就另说——但那种路线的周期是以年为单位的，和“3个月逆袭”不是一个话题。

2. 核心理论关卡：从“AI会聊天”到“AI其实是概率预测机”

2.1 大模型是怎么“听懂”人话的

Day6我大致知道了大模型是个什么东西，但Day7动手之前，还是花了半小时认真想了一个问题：为什么它能“懂”我在说什么？

答案其实有点反直觉：它并不真正理解语义，它只是根据上文预测下一个最可能出现的词。比如你说“今天天气”，它预测后面跟着的很大概率是“怎么样”。它见过海量的文本，把这些文本切碎成token（可以理解为一个词或一个字的小片段），然后用几百亿个参数记住了“什么样的词倾向于跟在什么样的词后面”。

这就是为什么大模型被称为“概率预测机”。它对着一句话输出下文的每一个词，本质上都是在做一次概率采样。既然是概率采样，就有随机性——同一个问题问两次，答案不完全一样；温度参数调高一点，它就会“更敢说”，调低一点就更保守。

想通这一点，后面的很多现象都好解释了：为什么它一本正经地胡说八道？因为那是概率最高的组合，但不代表事实。为什么你换个说法它就不会了？因为触发它“预测路径”的上下文变了。理解这一点后，我写提示词的态度都变了——不是在“问”AI，而是在“引导”它的预测路径。

2.2 API调用的本质：把“求字”这件事外包出去

理论搞明白，接下来就是怎么用。大模型少则几十亿参数，多则上千亿，本地CPU根本跑不动，所以我先用API。

打个比方：API调用就像打电话订外卖。你不需要在自己家开个厨房（本地训练模型），只需要整理好你要什么菜（写好提示词），打电话给商家（调用API），商家在后厨做完通过骑手送上门（返回结果）。你付的是“做这顿饭”的钱（按token计费），而不是买下整个厨房。

这个比喻帮我迅速建立了一个概念：我要做的事，不是教AI怎么做饭，而是告诉它今天想吃什么、口味偏辣还是偏淡。这就是应用开发的日常。

3. 实操：用Python跑通第一个“AI编程助手”

3.1 环境准备与依赖安装

Day7上午的事做完，下午直接开干。

我选用了一个国内可以直接访问的大模型API平台（具体是哪家不重要，重要的是流程通用），兼容OpenAI的接口格式，所以用Python的openai库就能调。Python版本3.10，直接pip安装：

pip install openai

然后去平台申请一个API Key，这个Key就是你调用AI的“身份证”，一定要保存好，不要泄露。拿到Key之后新建一个Python文件，把Key和基础URL配置好：

from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.你的服务商.com/v1" )

这里有个坑：不同的API服务商base_url长得不一样，有些是/v1结尾有些不是。我在这一块浪费了差不多20分钟，因为看到别人代码里没有base_url就照抄了，结果一直报Unauthorized。所以写代码前，一定先看自己用的平台的官方文档，确认接口地址和认证方式。

3.2 代码实现：一个50行的对话助手

环境通了之后，我直接写了一个完整的对话助手。先不整复杂逻辑，就是一个能记住上下文的简单循环：

from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.你的服务商.com/v1" ) messages = [ {"role": "system", "content": "你是一个严谨、耐心的编程助教，擅长帮初学者理解代码。"} ] print("AI编程助手已启动，输入 exit 退出") while True: user_input = input("你：") if user_input.strip().lower() == "exit": break messages.append({"role": "user", "content": user_input}) response = client.chat.completions.create( model="你的模型ID", messages=messages, temperature=0.7, max_tokens=1024 ) reply = response.choices[0].message.content print("AI：" + reply) messages.append({"role": "assistant", "content": reply})

代码逻辑很简单：

• messages列表用来存对话记录，里面有几个角色：system是系统设定，user是用户说的话，assistant是AI的回答。
• 每次把整个对话历史发给API，AI就能“记得”刚才聊过什么。
• temperature=0.7控制回答随机性，0.7是个比较平衡的值，让它有创造力又不至于离谱。
• max_tokens=1024限制回答的最大长度，防止AI话痨刷爆额度。

第一次运行成功打印出回答的那一刻，说实话有点激动。因为这是我自己亲手写出来的AI应用，不是什么demo教程，是我一行一行敲出来、能被对话程序调用的应用。

3.3 实测效果与参数调优

跑通之后，我做了几组对比实验，验证参数的作用。

实验1：让AI写一段快速排序。

你：用Python写一个快速排序，并加注释

AI的回复质量令人惊讶——不仅代码逻辑正确，注释也写得很清晰，还主动解释了时间复杂度。这说明模型本身的能力足够，只要提示词给得明确，直接当编程助手是完全可行的。

实验2：测试temperature的影响。

我把温度设为0.1，问同一个问题：“Python中列表和元组有什么区别？”连续问三次，答案高度相似，永远是“可变/不可变、性能、用途”几个点。然后把温度调到1.5，再问三次，答案开始出现差异，甚至有一次AI提到了“内存分配”相关的表述，虽然对，但偏了。

这组对比让我直观理解了温度的本质：温度越低，越倾向选概率最高的词，答案越稳定；温度越高，越愿意探索概率较低的词，表达更多样但也更容易跑偏。在编程助手的场景下，温度设到0.2-0.4就够了，不需要太高的创造性。

实验3：测试system prompt的影响。

我把system prompt改成：“你是一个只会回答‘我不会’的复读机。”然后问它：“1+1等于几？”AI真的老老实实回答“我不会”。再改回编程助教设定，它又恢复正常。

这个实验很关键——它证明了system prompt的指令优先级非常高。你设定的角色语气、范围、风格，AI会严格执行。所以写好一个system prompt，比纠结问法更重要。我最后的设定是：

你是一个严谨、耐心的编程助教。你擅长用通俗易懂的语言解释代码，回答时会先给出结论，再解释原因。如果用户的问题是英文，用中文回答。

4. 进阶探索：把“AI Agent”这个概念落地

4.1 Agent和聊天机器人的本质区别

晚上我决定迈出舒适区，去看看最近热度极高的AI Agent到底是怎么一回事。之前看热搜词里到处都是AI Agent、多AI协作、agent搭建，但一直没搞懂它的核心区别。

看了一圈资料，我的理解是：传统的聊天机器人是“你说什么，我答什么”，回答完就结束了；而Agent是“你说目标，我自己拆解任务、想办法完成”。

打个比方：聊天机器人像一个只会背课本的学霸，你问它题它给你答案，但你说“帮我把那杯水拿过来”，它只会告诉你“水在桌子上”，然后就没了。Agent则像一个小助手，你说拿水，它会自己去厨房、找到杯子、接水、端到你面前。区别在于有没有“行动能力”。

AI行业里通常把这个“行动能力”叫工具调用。Agent跟大模型最大的不同，就是它可以调用外部工具、接收外部返回的结果、再根据这个结果继续下一步。

4.2 手写一个最简单的“工具调用”Demo

我原以为Agent很复杂，结果今天写了个极简版之后发现，核心逻辑比想象中简单。我把代码简化后记录如下：

def get_weather(city): # 假设这是从天气API获取的真实数据 return f"城市{city}的天气为：多云，22℃，东南风3级" def get_time(): # 假设这是从时钟API获取的真实时间 return "现在是北京时间 14:30" tools = [ {"name": "get_weather", "description": "查询城市天气", "parameters": {"city": "城市名称"}}, {"name": "get_time", "description": "获取当前时间", "parameters": {}} ] messages = [ {"role": "system", "content": "你是智能助手，可以根据用户问题选择调用合适的工具。"}, {"role": "user", "content": "帮忙看下北京现在天气怎么样？"} ] # 发送给大模型，要求它返回要调用的工具和参数 response = client.chat.completions.create( model="你的模型ID", messages=messages, tools=tools ) tool_call = response.choices[0].message.tool_calls[0] print(f"AI决定调用工具：{tool_call.function.name}") print(f"参数：{tool_call.function.arguments}")

这段代码跑出来的结果我贴一下：

AI决定调用工具：get_weather 参数：{"city": "北京"}

注意，这里的AI并没有真正执行查询，它只是“决定”了应该调用哪个工具、参数是什么。真正去执行get_weather这个函数、拿到结果、再拼接成回答返回给用户，还需要再写几行代码把结果塞回给模型。所以Agent的完整链路是：用户提问 → 模型决定调工具 → 代码执行工具 → 拿到结果 → 再喂给模型 → 模型生成最终回答。

理解这个链路之后，我突然明白为什么AI Agent是当前的热门方向了：它把大模型从“嘴替”变成了“手脚”，能力半径从文字扩大到整个数字世界。比如让它查资料然后写报告、让它定时调用API拉取股市数据然后生成摘要，本质上都是这个模式。

4.3 下一步方向：多AI协作、RAG与长文本处理

今天只是跑通了Agent的最基本原理，下一步我要深入的方向还挺明确：

• RAG（检索增强生成）：让AI能读取我本地的文档/PDF，然后基于这些内容回答问题。原理就是把文档切块、向量化、存进向量数据库，用户提问时先把匹配的文档片段搜出来，再连同问题一起发给大模型。这样AI就不再是“路过的百科全书”，而是能读你资料的私人顾问。
• 多AI协作：一个大模型负责拆解任务，多个“工具型AI”分别执行子任务，最后汇总结果。这类架构已经在实际工作流里很有价值了。
• 并发与稳定性：AI Agent要扛住真实场景，就涉及并发调用、请求队列、错误处理、超时重试这些问题。我这周还没到这一步，但它已经在我的待学列表里了。

5. 常见问题与避坑记录（Day1-7合集）

这7天踩过的坑还不少，很多是网上教程不会跟你说的。趁今天整理出来，希望后来者少走弯路。

5.1 新手最容易踩的七个技术坑

5.2 比技术更难的是心态问题

技术坑都好解决，看文档、查报错就行。但这7天里更折磨人的是心态问题。

首先是信息过载。AI领域日更月新，今天看到AI绘画能出图，明天看到AI生成视频能短剧化，后天又冒出AI Agent搭建教程，每个方向都有无数人告诉你“必须学这个”。如果你注意力被带跑，一天换一个方向，一个月后你还是零。我的办法是给自己列了一个“禁入清单”，明确3个月内不碰的方向（比如微调大模型、训练高清图片模型），然后把精力锁定在LLM应用开发这一条线上。

其次是完美主义陷阱。从Day1到Day5，我每天都会怀疑：Python基础是不是还没补完？线性代数是不是还差很多？这个坑我自己的解法是：把“学完”改为“够用”。需要用到跟什么，就补什么，不要顺着教程目录往下刷。比如写API调用时遇到异常处理不熟，就去查那一个知识点，而不是返回去整章重看。

最后也是最重要的：保持每天有产出。纯输入没有输出的学习是无效的。Day1到Day6我每天都会写一个超级小的脚本，比如用Python统计一段话的词频、把列表转换成字典。这些微不足道的小产出积累到今天，才构成了我能独立写对话助手的底气。

6. 下周计划与个人体会

6.1 Day8-14的主线任务

下周的计划我已经定好了，还是延续“边做边学”的路线：

• 主线：做一个RAG问答机器人。让AI读取我指定的几篇技术文章（我打算放一份Python教程和一份LangChain文档进去），然后基于这些文章内容回答问题。核心环节包括文档加载、文本切块、embedding向量化、向量存储、检索与回答。
• 支线：把Agent的工具调用再深入一步，做一个能调用三个以上工具的“学习助手Agent”。比如查时间、查天气、查单词释义，把今天的极简demo扩成一个真的能“干活”的工具。
• 每日节奏：白天完成主线项目，晚上复习当天用到的API、概念，周末做一周总结并写一篇记录。

6.2 给和我同起点的人几句真心话

今天这篇Day7写到这里，很多内容回头看其实不难，但走过来的路确实是一步步踩实的。有几个体会想分享给和我一样的人：

第一，双非二本不是原罪。如果你非要去考研、走学术路线，学历确实是个硬门槛。但如果目标是做AI应用开发，这个行业更在意你能交出什么东西。今天这个50行的对话助手，放进作品集里，已经比“我看完了吴恩达课程”这种描述有说服力多了。

第二，不要在“准备”阶段花费超过两周。很多人花了三个月“打基础”，结果连一个能跑的项目都没有。我的原则是：最迟第7天，你必须跑通一个看得见摸得着的demo，哪怕是调用API的那种。先跑起来，再补充原理，这样你才知道哪些原理是真正用得上的。

第三，记录很重要。Day1到Day7我都留有笔记和报错记录，今天写这篇复盘的时候，翻笔记很快就找回了当时的各种细节。等到三个月后写总结的时候，这些记录就是最可信的“逆袭证据”。

第四，如果没有方向感，就盯着一个最小可用的作品去做。比如“做一个能回答我本地文档问题的AI助手”，把它当作第一个里程碑。一切学习都围绕这个目标去补，这样你不会被热搜词牵着走。

好，Day7到这里就结束了。明天开始进入RAG的学习日程，后面每一天我都会继续更新到三个月逆袭计划完成。如果你也在从零学AI，欢迎一起交流进度，互相看着走，总比自己闷头踩坑强。