01
进行中
Python 基础
当前学习到函数。先把基础打牢，再回到更复杂的 AI 框架和项目里。
已经完成
- 概述与快速入门
- 基础知识
- 流程控制语句
- 容器数据类型
下一步
函数 → 模块 → 文件处理 → 异常处理 → 面向对象 → 小型实战练习。
原则
每完成一个模块，就留下一个可运行的练习。
Learning in public
AI 学习地图
我希望把 AI 从“听过、看过”，变成“能够独立解决真实问题”。这张地图不展示完成了多少，而是记录我正在补什么基础、做过什么实践、下一步准备走向哪里。
未来 3 个月目标：完成一个企业级大模型方向的智能体客服原型。
02
起步阶段 · 约 10%
LangChain
已经开始接触 LangChain，但函数与代码理解仍是当前瓶颈。因此先回到 Python 打基础，再理解链、提示词、模型调用、检索与工具调用。
下一步最小路径
- 独立完成一次模型 API 调用
- 理解提示词模板与输出解析
- 做一个最小 RAG 知识库
- 为每次实践写清“代码做了什么、为什么这样做”
卡点
不是跳过看不懂的代码，而是回到基础把它拆开。
03
理论完成 · 待实操
企业级大模型部署
已完成课程学习，但还没有独立部署过完整系统。下一阶段要把“听懂”变成“亲手做过”。
实操路径
- 本地运行开源模型
- 使用 Docker 完成一次服务化部署
- 接入 API、日志和基础监控
- 结合知识库与智能体客服场景
- 复盘环境、踩坑、成本、性能与改进点
输出
每一步都留下部署记录与可公开的项目说明。
04
未来 3 个月目标
项目实践：智能体客服
完成一个能理解常见问题、检索知识库、生成回答，并保留人工兜底机制的最小原型。
项目页将公开
- 问题定义与目标用户
- 系统架构与技术选型
- 每周进展、Demo 与公开代码
- 失败尝试与未解决的问题
第一目标
做出一个我能从头解释、部署和持续改进的最小系统。
Learning log
学习日志模板
以后每次学习结束，用这六个问题留下一条短记录。
01
今天解决了什么？
写下具体问题，而不是“学了 Python”。
02
真正理解了什么？
用自己的话解释，不复制课程定义。
03
下一步最小动作
只写一个能在下一次开始前完成的动作。