企业官网建设流程全解析

没问题，小白！你的执行力非常强，能自己整理出 v3.0 的笔记，说明你已经具备了很好的“知识结构化”能力。

结合我们制定的“9-12个月 FDE/LLMOps 就业规划”，我为你重新打磨了这份文档，升级为《FDE / LLMOps 专属 Python 实战笔记（终极交付版 v4.0）》。

这次升级，我重点为你补齐了“AI 应用层 (RAG)”和“企业级工程化交付”这两块核心拼图，并重新调整了实战项目，使其完全贴合你的求职目标。

这份文档就是你前 2 个月的“圣经”，请收藏并随时查阅。

📘 FDE / LLMOps 专属 Python 实战笔记（终极交付版 v4.0）

适用对象：有初级容器基础的运维，目标转型 FDE（80%）/ LLMOps（20%）
核心原则：不卷底层算法，只练工程交付；每个知识点都对应真实的 AI 基础设施场景。
总学习时长：约 60-80 小时（每天 2 小时，6-8 周）

📑 总目录

第一部分 学习指南与课程精简 第二部分 Python 语言基础（10章） 第三部分 运维自动化武器库（8章） 第四部分 AI 工程化与 RAG 外挂（14章）🔥 [v4.0 核心升级] 第五部分 FDE 黄金三角实战项目（3个）🔥 [v4.0 核心升级] 附录 速查表、Dockerfile与学习路径

第一部分 学习指南与课程精简

一、韩顺平 176 集"断舍离"清单

🔴 坚决跳过（约 45 集，省 25% 时间）

🟢 必须吃透（约 76 集）

第二部分 Python 语言基础 (速查核心)

注：此部分为你笔记中的精华提炼，建议熟读并理解。

1. 变量与格式化 (f-string)

model_name="Qwen3-32B-AWQ"gpu_memory=24.0# FDE 最常用的输出方式print(f"模型:{model_name}, 显存:{gpu_memory:.1f}GB")

2. 数据容器：字典 (dict) —— FDE 的饭碗

大模型 API 返回的 JSON、K8s 的 YAML，解析后全是字典。

# 模拟 LLM API 返回response={"id":"chatcmpl-123","choices":[{"message":{"content":"根因是显存溢出"}}],"usage":{"total_tokens":640}}# 安全读取（防止 KeyError 导致脚本崩溃）content=response.get("choices",[{}])[0].get("message",{}).get("content","无回复")tokens=response.get("usage",{}).get("total_tokens",0)

3. 流程控制与日志过滤

log_lines=["INFO start","ERROR CUDA OOM","INFO retry"]forlineinlog_lines:if"INFO"inline:continue# 跳过正常日志if"ERROR"inline:print(f"🔴 发现错误:{line}")break# 找到致命错误立即停止分析

4. 异常处理 (防崩溃护城河)

importrequeststry:resp=requests.post("http://localhost:8000/v1/chat",json={...},timeout=10)resp.raise_for_status()exceptrequests.exceptions.Timeout:print("❌ 请求超时，模型可能负载过高")exceptExceptionase:print(f"❌ 未知错误:{e}")

第三部分 运维自动化武器库

1. 系统命令 (subprocess)

importsubprocessdefrun_cmd(cmd:str)->dict:result=subprocess.run(cmd,shell=True,capture_output=True,text=True)return{"code":result.returncode,"out":result.stdout,"ok":result.returncode==0}# 检查 GPUr=run_cmd("nvidia-smi --query-gpu=memory.used --format=csv,noheader,nounits")

2. 正则提取 (re)

importre log='192.168.1.10 - [26/Sep] "POST /v1/chat" 502 0.035'status=re.search(r'HTTP/1\.\d" (\d{3})',log).group(1)# 提取 502

3. 文件与路径 (pathlib)

frompathlibimportPath model_dir=Path("/data/models/Qwen3-32B")forfinmodel_dir.glob("*.safetensors"):print(f"📄{f.name}({f.stat().st_size/1024**3:.2f}GB)")

第四部分 AI 工程化与 RAG 外挂 🚀 [v4.0 核心升级]

第 19-30 章：进阶工具库 (速查)

• 异步并发 (asyncio + httpx)：用于对 vLLM 进行高并发压测（TTFT/TPOT）。
• Web 框架 (FastAPI)：编写对外暴露的 API 接口（如 Webhook 接收器）。
• 数据校验 (Pydantic)：校验 LLM 输出的 JSON 格式是否符合预期（Structured Output）。
• 监控指标 (prometheus_client)：将nvidia-smi的数据转为 Prometheus 指标。
• 容器控制 (docker SDK)：用 Python 代码控制 Docker 容器的启停。
• 重试机制 (tenacity)：API 调用失败时，实现指数退避重试。

🔥 第 31 章：RAG 与向量检索 (FDE 必须懂的 AI 应用层)

导师点拨：FDE 不需要推导余弦相似度的数学公式，但你必须知道：当客户抱怨“AI 回答总是胡说八道（幻觉）”时，你应该去检查代码里的“召回数量（Top-K）”和“相似度阈值”，而不是去改大模型。

1. 轻量级向量数据库：ChromaDB

在企业私有化交付中，如果客户数据量不大（几十万条以内），用 ChromaDB 是最快、最轻量的方案。

importchromadbfromchromadb.utilsimportembedding_functions# 1. 初始化客户端 (数据持久化到本地目录)client=chromadb.PersistentClient(path="./chroma_db")# 2. 使用内置的 Embedding 模型 (将文本转为向量)# 注意：实际交付中，通常会调用客户私有的 Embedding APIembedder=embedding_functions.SentenceTransformerEmbeddingFunction(model_name="all-MiniLM-L6-v2")# 3. 创建/获取知识库 (Collection)collection=client.get_or_create_collection(name="company_docs",embedding_function=embedder)# 4. 存入文档 (模拟文档切片 Chunking)documents=["公司报销制度：打车费超过200元需要总监审批。","公司报销制度：高铁只能乘坐二等座。","IT部规定：所有服务器必须安装防病毒软件。"]metadatas=[{"source":"HR手册"},{"source":"HR手册"},{"source":"IT规范"}]ids=["doc1","doc2","doc3"]collection.add(documents=documents,metadatas=metadatas,ids=ids)print("✅ 知识库向量化完成！")# 5. 相似度检索 (核心逻辑)query="我出差打车花了300块，谁来批？"results=collection.query(query_texts=[query],n_results=2# Top-K：召回最相关的 2 个片段)print(f"\n🔍 召回的参考文档:\n{results['documents'][0]}")

2. 拼装 Prompt 并调用 LLM

拿到参考文档后，喂给大模型。

context="\n".join(results['documents'][0])prompt=f""" 你是一个企业行政助手。请仅根据以下参考资料回答用户的问题。如果资料中没有，请回答“我不知道”。 【参考资料】{context}【用户问题】{query}"""# 接下来将 prompt 发送给 vLLM 或 LLM API...

🔥 第 32 章：企业级工程化交付规范 (告别“在我的电脑上能跑”)

导师点拨：外包和正规军的区别，就在于交付规范。把代码扔给客户，如果没有环境隔离和配置管理，部署必翻车。

1. 环境变量与配置管理 (python-dotenv)

绝对、绝对不要把 API Key 和数据库密码硬编码在代码里！

# 项目根目录创建 .env 文件LLM_API_KEY="sk-xxxxxx"VECTOR_DB_PATH="/data/chroma_db"VLLM_ENDPOINT="http://192.168.1.100:8000"

# main.pyimportosfromdotenvimportload_dotenv# 自动加载 .env 文件到环境变量load_dotenv()api_key=os.getenv("LLM_API_KEY")ifnotapi_key:raiseValueError("❌ 缺失 LLM_API_KEY，请检查 .env 文件！")

2. 依赖锁定 (pip-tools)

不要直接用pip freeze > requirements.txt，它会把底层 C 库的依赖也打包进去，导致换台机器就装不上。

# 1. 安装 pip-toolspipinstallpip-tools# 2. 创建 requirements.in (只写核心依赖)echo"fastapi">requirements.inecho"uvicorn">>requirements.inecho"chromadb">>requirements.inecho"python-dotenv">>requirements.in# 3. 编译生成锁定版本的 requirements.txt (包含所有子依赖的精确版本)pip-compile requirements.in# 交付时，客户只需要执行：pipinstall-rrequirements.txt

第五部分 FDE 黄金三角实战项目 🏆 [v4.0 核心升级]

这三个项目，将是你简历上最核心的“弹药”。

项目一（主线）：《极简版企业 RAG 知识库 API》

目标：证明你具备 AI 应用能力，能交付一个解决“大模型幻觉”的完整系统。
技术栈：FastAPI + ChromaDB + LLM API + Pydantic

# rag_server.pyfromfastapiimportFastAPI,HTTPExceptionfrompydanticimportBaseModelimportchromadbimportrequestsimportosfromdotenvimportload_dotenv load_dotenv()app=FastAPI(title="企业 RAG 知识库服务")# 初始化向量库client=chromadb.PersistentClient(path="./chroma_db")collection=client.get_or_create_collection("company_docs")classQueryRequest(BaseModel):question:strclassChatResponse(BaseModel):answer:strsources:list[str]@app.post("/chat",response_model=ChatResponse)asyncdefchat(req:QueryRequest):# 1. 检索相关文档results=collection.query(query_texts=[req.question],n_results=2)ifnotresults['documents'][0]:returnChatResponse(answer="知识库中未找到相关信息。",sources=[])context="\n".join(results['documents'][0])sources=[m.get('source','unknown')forminresults['metadatas'][0]]# 2. 拼装 Promptprompt=f"基于以下资料回答问题：\n{context}\n\n问题：{req.question}"# 3. 调用 LLM (这里模拟调用外部 vLLM 或 API)try:# 实际代码：requests.post(os.getenv("VLLM_ENDPOINT") + "/v1/chat/completions", ...)# 这里为了演示，返回模拟数据llm_answer=f"根据资料，答案是... (基于{context[:20]}...)"exceptExceptionase:raiseHTTPException(status_code=500,detail=f"LLM 调用失败:{e}")returnChatResponse(answer=llm_answer,sources=sources)# 启动: uvicorn rag_server:app --reload

项目二（支线 1）：《GPU 节点巡检与 Prometheus 导出脚本》

目标：证明你具备 AI Infra 基建能力。
技术栈：subprocess + prometheus_client
(代码参考你原笔记中的项目一 + 第二十三章 prometheus_client 结合，将 GPU 状态暴露为/metrics接口供 Grafana 抓取。)

项目三（支线 2）：《vLLM 容器看门狗 (Watchdog)》

目标：证明你具备保障 AI 系统高可用的运维能力。
技术栈：requests + docker SDK + 异常重试
(代码参考你原笔记中的项目二，利用 Docker SDK 监听 vLLM 健康接口，实现挂掉自动拉起。)

附录

A. 8 周学习路径表 (打怪升级路线)

B. FDE 专属 Dockerfile 模板 (背下来)

当你交付 Python AI 应用时，用这个模板构建镜像，体积小且安全：

# 1. 使用精简版基础镜像 FROM python:3.10-slim # 2. 设置工作目录 WORKDIR /app # 3. 设置环境变量 (防止 Python 产生 .pyc 文件，并让日志实时输出) ENV PYTHONDONTWRITEBYTECODE=1 ENV PYTHONUNBUFFERED=1 # 4. 先拷贝依赖文件 (利用 Docker 缓存层，加速后续构建) COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple # 5. 拷贝业务代码 COPY . . # 6. 暴露端口 EXPOSE 8000 # 7. 启动命令 (使用 uvicorn 运行 FastAPI) CMD ["uvicorn", "rag_server:app", "--host", "0.0.0.0", "--port", "8000"]

👨‍🏫 导师的最后叮嘱：

小白，这份 v4.0 的文档，就是你的“通关文牒”。
不要把它当成课本去“背诵”，而是把它当成API 字典去“查阅”。

现在，理论部分已经结束。作为你的导师，我要给你布置今天的唯一实操任务：

1. 在本地新建一个文件夹，创建一个.env文件，填入一个免费的 LLM API Key（比如智谱 GLM 或阿里通义千问）。
2. 写一个不到 20 行的 Python 脚本，读取这个.env，调用 API，让大模型给你讲个笑话。

跑通它！如果报错，把报错信息发给我，我们直接在“案发现场”开始第一课！你准备好敲键盘了吗？