企业官网建设流程全解析

不想劝退任何一个零基础的人，但我也必须说实话：AI应用开发这条路，现在确实比过去任何时候都更适合新人走。前提是，你得先把“AI应用开发”这件事理解对。

很多初学者一听到“AI”两个字，脑子里浮现的是数学公式、神经网络结构、显卡集群、论文复现，然后直接被劝退。我遇到过不少朋友，连Python都没写过几行，先跑去买深度学习的书，啃了一个月反向传播，结果越学越迷茫，最后连一个能跑的Demo都没做出来。

这篇文章就是写给这类朋友的。我不打算给你画一张吞不下去的“知识全景图”，而是把“0基础学AI应用开发”拆成一条能落地的路线：先学什么、怎么练、做什么项目、踩过哪些坑，全部用大白话讲清楚。你不需要会微积分，不需要懂分布式训练，你只需要会写基础的Python，并且愿意动手调接口、调Prompt，就能做出真正能用的AI应用。

1. 先把概念拧清楚：AI应用开发到底是个什么活儿

1.1 大多数人起步时以为的“AI开发”和实际是两回事

普通人想象里的AI开发，是自己训练一个AI：准备几万条数据，搭个神经网络，让它在显卡上跑几天，然后得到一个“自己的模型”。这个想象不能说错，但它对应的是“AI算法工程师”“深度学习研究员”这类岗位，不是“AI应用开发”。

AI应用开发的核心，是把现成的大模型能力集成到具体产品里。你不需要从零训练模型，你需要做的是：调用大模型接口，设计Prompt，处理输入输出，再把业务逻辑串联起来。说得直白一点，大模型是别人已经训练好的“大脑”，你要做的是给它装上手和脚，让它能在你的产品里干活。

我见过一个很典型的例子：某个电商团队想做一个智能客服，他们一开始招人写意图识别模型，折腾了两个月效果还不稳定。后来换成直接调用大模型API，把商品手册和售后规则写进Prompt，再配上工具调用接口，一个星期就上线了一版可用系统。这就是AI应用开发和传统AI开发最大的区别——你不需要解决“模型怎么聪明起来”的问题，你只需要解决“怎么让模型在我的场景里好好干活”的问题。

1.2 “0基础”到底指什么程度

每个人对“0基础”的定义不太一样。我说说这篇文章适用的读者画像：你写过或者没写过几行Python都没关系，但至少知道变量是什么、函数怎么调用、列表和字典大概是什么。如果你连这些都不知道，也不用慌，后面第2节我会专门给出一条极简的Python速成范围。

有一点很重要：0基础不等于“完全不碰代码”。AI应用开发始终是开发工作，你可以不用懂矩阵乘法，但你必须能读得懂代码、改得了代码。别怕，这个门槛远比你想象的低。

1.3 为什么说这条路对新人极其友好

我这些年观察下来，新人学AI应用开发有几个天然优势。第一，大模型API已经把最难的算法部分封装好了，你只需要关心输入和输出。第二，现在主流大模型平台都有很完善的文档和示例代码，照着抄就能跑通。第三，可做的应用场景极多，无论是小工具、客服机器人、内容生成，还是学习教育类产品，你总能在自己熟悉的领域找到切入点。

更关键的是，应用层的需求数量远远大于算法层的需求。大多数公司不需要自己训练模型，他们需要的是有人能快速把模型能力接入业务。这种岗位的成长速度很快，因为你每天接触的都是真实业务问题，而不是抽象算法。

2. 零基础第一站：Python要学到什么程度才算“够用”

2.1 用“最小够用”标准筛知识点

很多人学Python容易陷进“先把一本书啃完再动手”的陷阱。我必须告诉你一个反直觉的事实：在AI应用开发这条路上，你不需要把Python学得很深，你只需要够用。够用的标准是什么？能写脚本、能调API、能处理JSON、能写简单的类、能理解列表推导式，差不多就这些了。

推荐的学习大纲大概是这样：

• 变量与数据类型（字符串、数字、布尔值、列表、字典）
• 条件判断和循环
• 函数定义与调用
• 文件读写
• 模块导入和第三方库安装（pip基本操作）
• 用requests库发起HTTP请求
• JSON的解析与构造
• 异常处理（try/except）
• 简单类定义

这套东西看起来不多，但足够你应付绝大多数AI应用开发场景。理论说再多也没用，教你一个笨办法：找一本快速入门的Python电子书，只看目录里和上面列表相关的章节，其他的先跳过去。等你写出两三个实际项目，发现缺哪块再回来补哪块，效率会高得多。

2.2 环境配置：最容易卡住新人的三件事

环境配置是零基础阶段最大的拦路虎，我总结出高频踩坑的三件事。

第一件是Python版本选择。千万别装最新版，也别装太老的版本。通常建议装Python 3.10或3.11，这两个版本对主流大模型SDK和依赖库兼容性最好。我见过不少人装了3.13，结果某些库还没适配，装依赖的时候各种报错，心态直接崩掉。

第二件是虚拟环境。很多新手不知道为什么要用虚拟环境，等到全局装了一堆包，不同项目之间互相冲突的时候，才意识到它多重要。建议从第一天开始就养成习惯：每个项目新建一个虚拟环境，用python -m venv创建，用source venv/bin/activate激活。虽然多敲两行命令，但能省掉未来几百个烦心事。

第三件是API Key的保存。头几次练手的时候，很多人直接把密钥硬编码在脚本里，然后不小心把代码传到公开仓库里，导致密钥泄露。起步阶段你就要养成用环境变量的习惯。比如用os.getenv("API_KEY")读取密钥，把密钥放在.env文件或者系统环境变量里，千万别写死在代码里。

2.3 不是等学完Python才动手，而是边学边用

学编程最忌讳“攒够知识再出发”。更好的做法是：每学一个知识点，立刻想一个AI应用场景去验证它。

比如你刚学完字典和JSON解析，就可以写一个脚本，调一次大模型接口，让它返回一段结构化JSON，然后你用Python把这层结构拆开、提取字段。这样一个练习，同时复习了API调用、JSON解析、字典操作，比单纯看教程印象深得多。

我建议你给自己定一个两周的目标：学完上面的Python基础，同时写出第一个调用大模型的脚本。不要求任何界面，不要求任何部署，只要能在终端里跑通一段对话就算成功。

3. 大模型 API 开发的核心实操：跑通一次完整的智能对话

3.1 选对第一个API：只看两个条件

市面上的大模型平台很多，选择标准其实就两条：文档清晰、免费额度宽容。作为新手，你大概率会折腾很多次，如果平台的免费额度太小，你每跑一次测试都在烧钱，会很影响练习心情。

另外，不同平台的接口风格虽然有差异，但核心逻辑相同。现在很多平台都提供OpenAI兼容接口，你只需要改一下base_url和api_key，换一下模型名，代码基本不用动。这也是一个通用技巧：先学会一套接口规范，其他平台就能套用。

3.2 一段最基础的请求代码，先建立体感

用requests库发一个最基础的对话请求，大概长这样：

import requests url = "https://api.offline-demo.example.com/v1/chat/completions" headers = { "Authorization": "Bearer sk-xxxxxxxxxxxx", "Content-Type": "application/json" } payload = { "model": "demo-chat-v1", "messages": [ {"role": "system", "content": "你是一名乐于助人的AI助手。"}, {"role": "user", "content": "用一句话解释什么是API。"} ], "temperature": 0.7 } resp = requests.post(url, json=payload, headers=headers, timeout=30) data = resp.json() print(data["choices"][0]["message"]["content"])

这段代码很简单，但你一定要把它吃透。这里有五件关键的事：

• url：接口的端点地址，不同平台可能有细微区别。
• headers：认证信息，用Authorization: Bearer传API Key。
• payload["model"]：指定用哪个模型。别选最贵的，新手阶段用入门级模型足够。
• payload["messages"]：对话消息列表，里面有system和user两种角色。system设定AI的角色和行为方式，user是用户输入。
• temperature：控制输出的随机性。值越低，回答越稳定保守；值越高，回答越发散有创意。业务场景一般用0.2到0.7之间。

第一次跑通这段代码，你要在终端看到一个AI的回答。看到回答的那一刻，你已经完成了从“完全不懂”到“可以开发”的跨越。

3.3 Prompt：AI应用开发真正涨功夫的地方

代码本身不难，AI应用开发真正拉开差距的，其实是你写得一手好Prompt。很多新手问为什么同一个模型，别人调出来的效果像专家，自己调出来的像人工智障，差别就在Prompt设计上。

我直接给你一套初学者必须掌握的Prompt模板结构：

角色设定： 你是负责XX的专家，你熟悉XX领域的全部知识，并且擅长用XXX风格回答。 任务目标： 请完成某某任务，任务的背景是XXX。 约束条件： 1. 不要输出内容之外的废话。 2. 如果信息不足，请明确说不知道，不要编造。 3. 输出格式要求如下：JSON对象，包含字段A、B、C。 示例： 类似这样的输入，请输出这样的结果。

这套结构的核心逻辑是：角色设定让模型知道“以什么身份回答”，任务目标让模型知道“要干什么”，约束条件让模型知道“什么不能干”，示例让模型知道“你想要的长什么样”。四个要素组合起来，Prompt的效果会立刻上一个台阶。

我举个例子。如果你写“帮我写个招聘启事”，模型只能给你一个泛泛的模板。但如果你写“你是某互联网公司的HR，请为招聘一名Java后端工程师写一份招聘启事，要求包含岗位职责、任职要求、加分项，使用口语化略带活泼的风格，整体不超过300字”，结果就能直接用了。

这还不算完。进阶一点的技巧是少样本示例。你的Prompt里如果给出3到5组“输入-输出”的示例，模型能学到你的格式偏好，结构化输出的稳定性会明显提高。这招在解析合同、整理日志、格式化文本的时候非常管用。

3.4 处理返回结果：别只盯着choices

第一次调通接口后，建议你先把完整的返回值打印出来看一看。大模型接口返回的JSON里，除了你常用的choices[0].message.content，还包含usage字段——它记录了本次请求消耗的token数量。这个字段在开发阶段不痛不痒，等你要算成本、做限流、做日志的时候，它就是你最依赖的数据。

另外，新手特别容易忽略的一个问题是异常处理。网络超时、接口限流、内容审核拦截、token超限，这些都是实际开发里一定会遇到的情况。你至少要处理两种异常：一种是网络层的请求异常，一种是业务层的错误码。

try: resp = requests.post(url, json=payload, headers=headers, timeout=30) data = resp.json() if "error" in data: print("接口报错：", data["error"]) else: print(data["choices"][0]["message"]["content"]) except requests.exceptions.Timeout: print("请求超时，请重试") except Exception as e: print("未知异常：", e)

这一步做得好不好，直接决定你以后能不能从“练手脚本”过渡到“生产级应用”。

3.5 第一个完整项目：做一个能记忆上下文的命令行聊天机器人

光调一次接口意义不大，你要尽快做一个“完整闭环”的小项目，让它把API调用、上下文管理、异常处理都串起来。

这个项目就是：做一个命令行版的聊天机器人，支持多轮对话，支持用户输入/exit退出，支持清空上下文重新开始。关键逻辑其实就一个点：每次用户提问后，你都要把之前的对话记录一并传给模型，这样它才能“记得”你们聊过什么。

import requests import json url = "https://api.offline-demo.example.com/v1/chat/completions" headers = { "Authorization": "Bearer sk-xxxxxxxxxxxx", "Content-Type": "application/json" } messages = [{"role": "system", "content": "你是一名友好的AI助手。"}] print("开始聊天吧！输入 /exit 退出，输入 /clear 清空上下文。") while True: user_input = input("你：") if user_input == "/exit": break if user_input == "/clear": messages = [{"role": "system", "content": "你是一名友好的AI助手。"}] print("上下文已清空。") continue messages.append({"role": "user", "content": user_input}) payload = { "model": "demo-chat-v1", "messages": messages, "temperature": 0.7 } try: resp = requests.post(url, json=payload, headers=headers, timeout=30) data = resp.json() reply = data["choices"][0]["message"]["content"] print("AI：" + reply) messages.append({"role": "assistant", "content": reply}) except Exception as e: print("出错了：", e)

别小看这个机器人，它已经覆盖了AI应用开发最核心的循环：接收输入、组装消息、调用模型、处理结果、维护状态。你把它做完，相当于完成了整个AI应用开发地基的建造。

4. 迈过纯接口调用：RAG与Agent是普通开发者的进阶跳板

4.1 为什么要做RAG：让模型“知道”你的私有数据

问一个问题：你直接问大模型“我们公司的新员工年假政策是什么”，它能答上来吗？大概率不能，因为它的训练数据里根本没有你公司的内部文档。这时候你只有两个选择：一是用公司的资料去微调一个模型，成本高、周期长；二是用RAG，让模型在回答前先检索相关文档，把检索到的内容放进上下文，再生成答案。

RAG（检索增强生成）是AI应用开发里最值得掌握的技术之一。它解决的问题很直接：大模型的知识截止日期是过去，也不了解你的私有数据，但你可以通过检索给它“临时开卷”。它适合的场景包括：企业知识库问答、产品文档答疑、法律政策问答、学术文献总结等。

4.2 一套最小可用的RAG流程，从0到1拆开看

完整的RAG系统涉及很多组件，但最核心的流程其实就是五步：文档加载 → 文本切分 → 向量化 → 向量存储 → 检索生成。

我一个个解释：

• 文档加载：把PDF、Word、Markdown等格式的文档读进来，提取纯文本。
• 文本切分：大模型上下文窗口有限，你不能把整本手册一次性塞进去。要把文档切成一小段一小段，比如按500到800个字符切一段，段与段之间留少量重叠，保证语义不断裂。
• 向量化：把每一段文本用Embedding模型转换成一个向量（一串数字），语义相似的文本向量距离更近。这步的目的是让计算机能“算相似度”。
• 向量存储：把向量和对应的原文存入向量数据库，以便后续快速检索。新手先用开源工具做本地实验就好，不急着搞分布式。
• 检索生成：用户提问时，先把问题向量化，然后在库里找最相似的几段文本，把这些文本拼到Prompt里，连同问题一起发给大模型，让它基于给定资料回答。

这个流程听起来复杂，但其实现在有很多框架已经把中间步骤封装好了。你写几百行代码就能实现一个基础的知识库问答系统。对一个零基础的人来说，我从你决定做这个项目到跑通，一般两周到一个月是很现实的周期。

4.3 Agent：从“一问一答”到“多步自动执行”

如果说RAG让模型“有知识”，那Agent就是让模型“有手脚”。所谓Agent，就是让大模型能主动决定“下一步做什么”，包括调用外部工具、查询数据库、执行代码、访问网页等。

这里就必须提到函数调用（Function Calling），它是实现Agent的基础机制。流程是这样的：

1. 你在代码里定义几个函数，比如get_weather(city)、search_flight(origin, dest, date)。
2. 你把每个函数的名称、参数说明、用途描述传给模型。
3. 用户提问“明天北京到上海有什么航班”，模型分析后不直接回答，而是返回一个结构化请求，例如{"name": "search_flight", "arguments": "{\"origin\": \"北京\", \"dest\": \"上海\", \"date\": \"2025-06-10\"}"}。
4. 你在代码里调用真实函数，得到结果，再传回给模型。
5. 模型根据函数返回结果，生成最终回答。

这套机制学完之后，你可以做一个相当有成就感的小项目：一个计划助手，它能根据用户的需求查询一些信息，通过调用你写好的模拟工具函数，一步步完成复杂任务。比如“帮我安排明天上午的会议”，Agent会先查日程，再查会议室占用情况，然后定好会议室，最后返回给用户。

从纯接口调用到Function Calling，是AI应用开发学习路上一个重要分水岭。越过这个门槛，你能做的事就不是“问答”两个字能概括的了。

5. 学习路线上的常见坑与避坑建议（有一半的人倒在第一个坑）

5.1 “先补三个月数学再动手”是最常见的自我劝退

这条我放在避坑第一位，因为它坑的人最多。我看到太多零基础入门者，一上来就买一本机器学习教材，一页一页啃。结果学了一个月，连模型调用的影子都没见到，挫败感爆棚，干脆放弃了。

在AI应用开发这个方向，绝大部分业务场景根本不需要你懂高数。你写Prompt不需要求导，你调API不需要懂矩阵乘法，你做好文本切分也不需要考虑向量空间的数学细节。我把话说直白一点：先把应用做出来，你才能真正理解哪些数学知识值得补。如果以后你想深入做RAG优化、模型微调、性能调优，再回头补线性代数和概率统计，那个时侯你是“带着问题学”，效率完全不同。

5.2 只抄Prompt不改不试，是你永远写不好Prompt的原因

很多人把Prompt理解成一段“万能咒语”，到处收藏各种模板，结果换一个场景就不灵了。原因很简单：Prompt是高度依赖场景的，同一个模板，换一个行业、换一个模型，效果就可能天差地别。

我的建议是：不要背模板，要理解模板背后为什么这么设计。拿到任何一个Prompt示例，先拆解它四件事——角色、任务、约束、示例。然后逐个改参数，观察输出变化。比如你把“角色”从“你是财务专家”改成“你是小学老师”，输出的语气和用词一定会变。只有你亲手做过这种对照实验，才能真正理解Prompt设计的规律。

5.3 一定不要从自建模型学起，这是方向性错误

我必须把这条单独拎出来警告你：在应用开发学习的初期，坚决不要碰模型训练。这不是说模型训练没用，而是说它属于另一条路线。自建模型要解决的是数据、算力、训练技巧、部署优化，这些都会把零基础的人拖进泥潭。

有人问我：我不训练模型，是不是就不会“真正的AI”？我反问他：你用手机拍照片，需要自己研究CMOS传感器吗？不需要。你关心的是怎么拍出好照片、怎么构图、怎么调色。AI应用开发也是一样，大模型是你的工具，你的核心竞争力在于：懂得怎么在具体场景里用好它。对多数零基础学习者来说，与其花三个月学训练一个效果平庸的模型，不如花三个月做出一个能跑、能用、有人愿意用的AI应用。

5.4 学习计划怎么安排时间闭环（一个我自己验证过的时间表）

现在说说实操层面的时间安排。这个计划温和但可执行，适合业余时间学习的人：

• 第1-2周：Python基础，最小够用范围，同时跑通第一个大模型接口调用。
• 第3周：做一个命令行聊天机器人，加上上下文记忆，学基本的异常处理。
• 第4-5周：做一个小型应用。推荐做一个“个人知识库问答机器人”，把Markdown或txt文档丢进去，让AI能基于文档回答。这就是基础RAG。
• 第6-8周：给应用加上一个工具调用。做一个“信息查询助手”，让模型能调用你写的模拟函数。学Function Calling。
• 第9-10周：把之前的项目包装成一个简单的Web服务，用Flask或FastAPI暴露一个HTTP接口，做一个小网页页面。这一步让你从“脚本开发者”变成真正意义上的“应用开发者”。

这个路线走完，你会发现自己已经能独立完成一个像模像样的AI应用。后面就需要你根据兴趣来选择方向了：如果你想做知识库方向，就去深挖RAG的召回优化；如果你喜欢流程自动化，就去研究Agent框架；如果你对产品感兴趣，就去学更完整的后端、数据库和部署。

5.5 理解“成本”这个词，是AI应用开发者的职业素养

最后再说一个很多人忽略的点：大模型API是按token收费的，所以“会写代码”还不够，你还要“会省钱”。一个负责任的AI应用开发者，会在设计Prompt时控制长度，会在不需要长上下文时精简历史记录，会在模型选型时权衡效果和成本。

比如，同样是让模型帮忙写一封邮件，如果你要求它输出前后都是“好的，这是根据您的需求生成的邮件”这类客套话，那多出来的每个字都是在花你的钱。如果文档内容特别长，你可以先做摘要再送进Prompt。如果你只需要模型做分类、打标签，那选一个便宜的小模型就够了。

这些技巧看似细节，但积累起来省的成本非常可观，同时也是面试官非常看重的工程素养。

6. 什么时候可以开始找工作，面试会考什么

6.1 判断标准不是“学完了”，而是“做过闭环项目”

很多自学的人不知道什么时候算“准备好了”。我的判断标准很简单：你手里有没有一个别人能直接上手用的AI应用，并且你能把这个应用的每个技术决策讲清楚。

所谓“讲清楚”，包括这些方面：为什么选择这个模型而不选另一个？Prompt这样设计是想解决什么问题？RAG系统里为什么用这个切分长度？接口报错的时候你是靠什么日志定位问题的？如果你对这些都能对答如流，那你已经具备了初级AI应用开发者的核心能力。

6.2 面试最常问的知识点，提前划重点

我根据自己和朋友的经验，整理了一份AI应用开发面试的高频知识点清单：

• 大模型API的基本调用流程、认证方式、参数含义
• Prompt工程：怎么设计System Prompt、怎么给出结构化的输出要求、什么是少样本示例
• 上下文管理：多轮对话时怎么维护历史消息、如何处理超过token限制的情况
• 输出解析：怎么让模型稳定输出JSON、怎么处理模型输出格式不稳定的情况
• RAG流程：向量化原理、文本切分策略、检索与重排的作用
• Function Calling的实现逻辑、Agent里工具调用的错误处理
• 成本估算：一次请求消耗多少token、怎么降低调用成本
• 异常处理与限流：接口超时怎么办、被限流怎么办、内容安全审核报错怎么办

这些问题都不需要你背教材里的概念，它们考的是你在实际开发里有没有踩过坑、有没有自己摸索出解决方案。这也是为什么我一直强调，学习过程中一定要亲手做完项目，因为只有踩过坑，脑子里才有东西可讲。

6.3 简历上怎么展示你的AI应用开发能力

零基础转方向，简历上没有相关工作经验，这是很正常的事。你要做的，是把项目经历写得有含金量。不要说“我调用大模型API做了一个聊天机器人”，这种描述像实习生的第一周作业。更好的写法是突出你在项目里的思考和决策：

比如你做的知识库问答系统，你可以在简历里写：负责设计文档切分策略，对比不同切分粒度对检索效果的影响；负责Prompt模板设计，通过引入少样本示例，将结构化输出失败率从原先的较高水平降到接近于零；设计异常处理机制，处理接口限流和超时，提高系统可用性。

这不仅仅是简历技巧，更重要的是它会倒逼你养成“带着思考做项目”的习惯。每完成一个功能，多问自己一句“这个功能为什么要这样设计”，你的成长速度会快非常多。

7. 关于“要不要报班”和自学资源选择的心里话

7.1 培训班的价值和陷阱

现在市面上“AI应用开发训练营”特别多，质量良莠不齐。我不一刀切地说报班好或者不好，我只说判断标准：如果课程里超过三分之一的时间在讲模型原理、微调技巧这些应用开发很少用到的东西，那这个课可能不太适合零基础走应用路线的你。真正值得报的课，应该有大量可跟练的代码、完整的项目实战、能讲清楚每个步骤背后逻辑的讲师。

我的个人建议是：先用两周时间自学，把基础接口调用跑通，再决定要不要报班。自己试过之后，你才知道踩坑在哪里，也才具备判断课程好坏的能力。完全零基础直接报一个高价训练营，大概率会变成花钱买心理安慰。

7.2 官方文档永远是最好的学习材料

有个认知我想尽早传递给你：在AI应用开发领域，官方文档的价值远大于任何二手教程。新平台的接口每周都可能变，二手教程可能还停留在上个月的版本，但官方文档永远是实时的。所以从你动手做第一个项目开始，就要训练自己“先查文档，再问AI，最后问人”的排错顺序。

我见过很多新手，代码报错第一反应是截图发群里问别人，其实自己看一遍报错信息，再去文档里搜一下函数用法，绝大多数问题都能自己解决。这种独立解决问题的能力，在开发岗位上的价值比知识本身更高。

7.3 加入一个学习共同体的价值远大于“买了课”

自学最大的敌人不是智商，是孤独感。一个人写着写着遇到一个诡异报错，卡了两小时，很容易放弃。所以我不太建议纯闭门造车式的学习。你可以加入一些技术社群、开源项目的Discord群、或者找两三个水平差不多的朋友组一个学习小组。定期互相 review 代码、分享踩坑经验，效果比一个人闷头学翻倍。

我自己就带过几个从0开始学AI应用开发的朋友，他们的共同特点都不是智商超群，而是能坚持、能交流、能动手。这三个品质，比出身和基础都重要。

7.4 用“想法清单”驱动持续学习

走到最后，我想给你一个非常有用的习惯：维护一份属于自己的“AI应用想法清单”。

平时不管是在刷信息流、还是在生活里遇到麻烦，只要灵光一闪觉得“这个事儿好像可以用大模型解决”，就把它记下来。比如“做一个帮我把开会录音转成待办事项的小工具”“做一个能根据冰箱剩菜推荐菜谱的应用”“做一个自动给客户邮件分类的脚本”。这些想法不需要多靠谱，也不需要你现在有能力实现，你只管记。

然后，每学完一个新技能，就从清单里挑一个最接近当前能力的想法去实现。这样做有两大好处：第一，你永远不会面临“不知道做什么项目”的困境；第二，你做的每个项目都是你真正有感的，做起来不会那么容易半途而废。这份清单，就是你学习路上最持久的动力来源。

我自己现在的很多副业项目，也都是这个习惯的产物。从最初帮人做客户邮件自动分类，到后来做一个针对某垂直行业的知识库问答工具，都是从一个“随手一记”的想法开始的。

说回学习路线——如果是零基础，完全可以按我前面给的时间表走一遍。别贪快，别追求“一步到位”，也别因为某个知识点卡住就全盘否定自己。AI应用开发这个领域，入门路径已经很成熟了，剩下的就看谁能坚持动手做完第一个项目。