Day7 了。说实话我的“从零开始学AI”计划前6天一直处于一种“看起来很忙实际上不知道自己学会了什么”的状态。作为大三双非二本学生我给自己定了一个三个月逆袭计划结果头一周下载了十几个G的资料收藏了四个B站up主的学习路线笔记本上密密麻麻写满了“Transformer”“自注意力”“SOTA”“微调”这些词——可一旦有人让我用自己的话解释“大模型到底是怎么工作的”我就会陷入沉默。这种状态在第7天终于被打断了。我想明白了一件事我的目标不是成为理论研究型选手而是用三个月时间做到“能独立做出一个能演示的AI小作品”。这两个目标的学习路径完全是两条路。所以Day7我只给自己定了一个任务亲手调用一次大模型API让它在我的屏幕上吐出一段文字。就这一个任务比前面六天看的任何资料都值钱。下面这些内容就是我Day7的全记录和踩坑过程包括环境准备、第一段代码、参数实验以及我总结的零基础避坑思路。如果你也在从零开始学AI或者同样是普通院校学生想用三个月给自己加点竞争力那这份记录应该能帮你省下不少摸索时间。1. 前6天踩的坑我差点把“收藏”当成“学会”1.1 资料囤积症越收集越焦虑前6天我具体干了什么现在回想起来都觉得有点好笑。Day1刷到一份“AI学习路线图”从Python、PyTorch一路排到大模型微调规划得井井有条我如获至宝收藏。Day2又刷到一个视频标题是“三个月进大厂做AI”顺藤摸瓜找到了配套笔记收藏。Day3看到一篇万字长文把大模型基础理论从头梳理了一遍甚至附了数学公式我又收藏了。到了Day6我的收藏夹里躺着将近100个链接文件夹建了七八个叫“必看”“待整理”“第二轮学习”……但真正打开过的不超过五个。回头分析这就是典型的“输入型满足感”。看视频、存资料的时候大脑会分泌一种“我在进步”的错觉因为你持续在被新概念冲击觉得自己离“懂AI”越来越近。问题在于知识和技能之间隔着一道巨大的传送门看别人演示代码和你自己敲出能跑的代码是两种完全不同的体验。Day6晚上我给自己做了个测试关掉所有资料凭记忆写一篇“我对大模型的理解”。结果只写出三行半其中还包括一句“大模型是一种基于深度学习的语言模型”这种车轱辘话。那一刻我才意识到我收藏了别人嚼过的东西却没有真正咀嚼过哪怕一口。1.2 为什么“知道”和“会做”之间隔着一条鸿沟这个道理其实你早就听过无数遍但只有自己撞上去一次才会真的明白。就拿“API”这个词来说我以前以为懂了——不就是应用程序接口嘛程序之间通信用的。可真到动手那天我面临的是一连串非常具体的问题API Key去哪申请base_url填什么model参数填什么名字为什么我填了“deepseek-chat”却报错哪来的一堆HTTP状态码403、401又是什么意思这些问题教程一概没讲。因为教程默认你有一点点基础或者默认你会遇到问题之后自己去查。但双非学生最缺的恰恰是这种“自己查”的底气——不是不会查而是面对报错时连“该去哪里看文档”“该搜什么关键词”都不知道。依赖肌肉记忆我跌跌撞撞花了两个小时才跑通。但跑通之后的那种踏实感是看十个小时视频都给不了的。1.3 Day7的定位给三个月的计划打第一根桩我把三个月的逆袭计划简单分成了三个阶段第一个月打基础核心目标是“跑通能跑通的一切”第二个月做项目核心目标是“用AI工具解决一个真实问题”第三个月沉淀作品核心目标是“把做过的东西整理成别人能直接看到、直接用的东西”。Day7正好落在第一个月的第一个完整学习周之后。为什么一定要在第7天安排实操因为网上“XX天学会AI”的标题太多了但真正能被量化的里程碑永远是你亲手跑通第一个模型调用的那一天。Day7之前我的计划只是一张PPTDay7之后我的计划里终于有了一根活生生的桩。说白了当你能用自己的代码让大模型回话你就从一个“看戏的”变成了“搭台子的”。这种身份切换带来的学习动力比再多打鸡血的视频都管用。2. Day7实操全流程从零到第一次API调用2.1 环境准备真的不用装PyTorch这大概是零基础同学最大的误解——以为学大模型必须要先装深度学习框架把CUDA、GPU、PyTorch折腾一遍才算开始。Day7我用的环境寒酸得令人发指一台带Windows系统的普通笔记本、Python 3.11、一个VSCode外加一个浏览器。没有显卡没有训练框架甚至没有一个像样的IDE照样完成了第一次模型调用。具体步骤我列出来照着做就行先确认电脑有没有Python。命令行输入python --version如果提示命令不存在就去Python官网下载3.10以上的版本安装时记得勾选“Add Python to PATH”。这一步不做后面所有指令都会找不到python。新建一个项目文件夹比如D:\ai-learning\day7用VSCode打开这是以后所有代码的家。在VSCode的终端里执行pip install openai安装OpenAI官方SDK。这里有个关键判断国内很多大模型服务商都兼容OpenAI的接口格式所以只装这一个SDK以后换服务商基本不用改代码。这是我在Day7做的最划算的一笔投资。去模型服务商官网注册账号创建API Key。新用户一般都有免费额度足够新手练习一两个星期。为什么我不提装CUDA、装GPU版PyTorch因为对纯新手来说第一天就本地跑大模型既不现实也没必要。你接下来要学的是“调用模型”而不是“训练模型”最贵的计算资源云端已经帮你准备好了。等以后真到微调模型那一步再回头研究显卡也不迟。提前做超出阶段的事只会白白消耗你的热情。提示API Key相当于你的账户密码千万别写死在代码里往GitHub上传也千万别截图发到群里。我现在的习惯是先写在一个临时变量里等第三周再统一改成.env文件管理。2.2 3分钟的第一段代码大模型第一次“开口”环境就绪之后我写下了人生中第一段真正意义上的AI调用代码大概只有十几行from openai import OpenAI client OpenAI( api_keysk-你的key, # 在服务商控制台创建 base_urlhttps://api.deepseek.com/v1, # 兼容OpenAI格式的国产大模型 ) resp client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一名耐心、喜欢打比方的AI学习导师}, {role: user, content: 请用2句话讲清楚什么是大语言模型}, ], temperature0.7, max_tokens200, ) print(resp.choices[0].message.content)按下运行之后终端停顿了两三秒然后像变魔术一样吐出一段文字“大语言模型是一种基于海量文本数据训练出来的深度学习模型它通过学习语言规律能够理解并生成自然流畅的文字。你可以把它想象成一个读了无数本书的学生你说上句它能根据概率接下句但比自己死记硬背厉害得多。”那一刻我的感觉非常奇妙。之前所有抽象概念——参数、训练、生成、上下文——突然有了一个实实在在的落点。原来“大模型”不是PPT里的一个框而是一个我亲手写出来的代码里、一个会回话的东西。这个体验直接治好了我前6天积攒的焦虑。2.3 别急着往下学把参数“玩坏”才算入门很多人调通第一步就满足了赶紧去看下一节视频课。我的建议是停一停花半小时把几个关键参数挨个改一遍你得到的体感会远超十篇教程。我做的第一个实验是改temperature。改成0之后输出变得非常稳定但语气明显干巴、单调改成1.3之后文字开始“飘”甚至出现逻辑跳跃。查了原理才知道temperature控制的是模型采样时的随机程度——越接近0模型越保守几乎总是选概率最高的词越大越容易去选那些概率低“但说不定更好玩”的词。这解释了为什么代码补全类工具喜欢低温度而文案创作可以拉高一点。第二个实验是改max_tokens。改成50之后回答硬生生被截断了话说到一半戛然而止。这个参数限制的是生成的最大长度给太少回答不完整给太多则增加等待时间和费用。对我来说还要养成一个习惯看返回结果里的usage字段它会告诉你这次调用消耗了多少输入token和输出token。做AI工程实践时刻知道自己消耗了多少资源是最基本的成本意识。第三个实验是改system消息。把它从“耐心的AI学习导师”改成“毒舌程序员”同一个问题得到的回答风格彻底变了。这一刻我才真正理解提示词不是玄学而是在明确地给模型设定任务边界和行为人设。我把这三个实验的结果整理成了一个小表格这就是我Day7的第一个“作品”参数实验值观察到的现象temperature0输出稳定但语气呆板temperature0.7自然流畅平衡temperature1.3有想象力偶尔逻辑跳跃max_tokens50回答被硬生生截断max_tokens500内容完整费用略微上升system导师人设解释耐心通俗system毒舌人设输出犀利简短3. 零基础学大模型基础理论三个必须想清楚的取舍3.1 数学要不要啃先开起来再研究发动机我见过太多零基础的朋友兴致勃勃买了《深度学习》《统计学习方法》然后在前三章的数学推导里彻底放弃。我自己前6天也在干类似的事收藏了好几个带着拉普拉斯变换的学习视频一个都没看完。Day7跑通之后我反而释然了。现在的你第一目标应该不是理解“为什么大模型能生成文字”而是“怎么能让它为我生成文字”。打个比方你不需要会造发动机才敢开车上路你现在要做的第一件事是踩油门让车动起来。等你在路上遇到“为什么起步会顿挫”这类具体问题时再回头研究发动机结构那时候你的学习动机和吸收速度和为了学而学完全不一样。这不等于完全放弃数学。我给自己定的路线是第一个月只要求术语级别的理解——比如“梯度下降就是一个不断让误差变小的过程”不要求推导第二个月做项目时如果用到RAG检索增强生成或者微调再回头补对应的数学直觉。不要求会证明但要求能用自己的话说清楚“它在干什么”。这个标准对三个月逆袭来说足够了。3.2 理论、应用、工程三线并进的配比“学AI”这三个字太模糊了我把它拆成了三条线每一条对应不同的内容和权重。学习线包含内容我给的权重理论线token、上下文窗口、大模型基础理论、RAG与微调的区别30%应用线提示词工程、API调用、AI编程提示词、工具链使用40%工程线Python、命令行、版本管理、模型部署的基础认知30%为什么应用线权重最高因为对零基础的人反馈最快。你改一行提示词立刻能看到效果变化这种即时反馈能支撑你走下去。理论线负责给你判断力避免别人说什么你都信工程线负责让你做出来的东西不是只在你自己电脑上能跑。三条线缺一不可但顺序上一定是应用先行用应用倒逼理论再用理论反哺工程。3.3 检验“学明白了”的三个标准我发现很多教程只教输入知识却很少讲怎么检验你是“真会了”还是“看懂了”。这里分享三个我给自己定的检验标准每个都能在15分钟内完成。第一讲给室友听。如果你能不用任何专业术语让一个文科室友听懂什么是大模型、什么是提示词那你是真懂了如果只能复述“它是一种语言模型”这种车轱辘话那还没到位。第二预测行为。改temperature之前先凭直觉预测输出会怎么变再运行代码验证。预测对了说明你建立了因果直觉预测错了恭喜你刚刚找到自己的认知盲区。第三改造样例。不看任何教程把Day7这段代码改成“给AI设定一个新角色连续问答三轮”的小程序越丑越好只要跑得通就说明这段知识已经进了你的手指。4. “双非二本”这个标签怎么变成动力而非包袱4.1 诚实面对起点资源不多但机会窗口还在先交代我的处境三线城市的普通二本计算机相关专业但课程内容偏旧教材里的技术栈比市场至少落后三五年。周围同学大多在准备考研考公能聊AI的不超过三个。没有学长内推没有实验室氛围有时候连一个报错信息都找不到人请教。但Day7我想通了一个事实AI这个领域现在最大的特点是“还没定型”。今天热门的工具三个月后可能被淘汰今天没几个人听过的概念明天就可能出现在招聘JD里。这意味着什么意味着在这个赛道上真正的优势不是静态的资源而是“谁更能持续学习”。双非学生确实没有牌子加持但也没有太多可失去的东西。当一个人没什么可失去时冲的胆子反而会更大。我不想把这句理解成鸡汤——它是我前6天焦虑到失眠之后实实在在用来稳住自己的逻辑。4.2 每天4小时普通学生的可持续节奏作为一个大三学生白天要上课、写作业、偶尔应付社团活动能稳定利用的时间段其实只有晚上。我给自己定的作息是这样早上8点到8点半复习前一天的笔记不学新东西晚上8点到10点半两个半小时的大块学习这是每天的核心临睡前15分钟写学习日志记录今天跑通的、卡住的内容。周末则是双倍时间上午两小时下午两小时专门用来做小项目或者补理论。这个安排没有任何惊艳之处关键就四个字雷打不动。3个月里最怕的不是学得少而是断两天之后彻底放弃。所以我把底线设得很低——哪怕某天状态奇差只学20分钟也比完全停摆强。习惯断开再想接上成本至少翻倍。4.3 低成本甚至零成本的资源清单双非学生的现实约束是拿不出几万块报培训班。但好消息是现在AI学习能找到的高质量免费资源比很多付费内容都好。模型API多个国产大模型平台都有新用户免费额度够新手练习一阵子。之后按量计费一次问答几分钱到几毛钱完全承受得起。官方文档不要只看二手教程服务商官网的文档准确、更新及时是最好的老师。遇到英文看不懂就开翻译但一定要读原文。Hugging Face查模型、读论文、看开源项目全部免费还能看到全球开发者的最新动态。GitHub搜“awesome-ai”这类仓库能找到高质量学习清单遇到不懂的项目就去看Issues很多疑惑早就有人问过。免费算力以后要跑开源模型Colab和Kaggle的免费GPU够做小型实验。写这段时我想强调一句资源不在多在用透。我身边不少同学手里捏着几百个课程链接却连一次API都没调过。把一条路径走穿比收藏一百条路径有用一百倍。5. 从Day8到Day14我给自己定的下一周清单5.1 先把“单次问答”升级成“多轮对话”Day7的代码只能一问一答就像两个人见面只准说一句话。我给自己定的第一个升级任务是让程序支持多轮对话每轮都能带上之前的聊天内容。这其实是一个AI Agent的雏形。大模型本身没有记忆你要做的就是手动维护记忆——把用户每次说的话追加到messages列表里再整体发给模型。我最开始的版本长这样messages [] while True: user_input input(你) if user_input exit: break messages.append({role: user, content: user_input}) messages messages[-20:] # 粗暴但有效的截断只保留最近10轮 resp client.chat.completions.create( modeldeepseek-chat, messagesmessages, ) reply resp.choices[0].message.content messages.append({role: assistant, content: reply}) print(AI, reply)这段代码里最容易被忽略的是截断逻辑。如果一直往里追加消息上下文会无限变长费用和延迟都会上涨。只保留最近十轮是我第一次认真思考“上下文窗口”这个概念的契机。别小看这一步消息结构、上下文管理、成本控制都是后续所有复杂AI应用的地基。5.2 建一个属于你自己的提示词模板库很多人用AI是当场瞎写提示词效果不好就一句“AI不行”收场。实际上提示词是有方法论的角色设定、任务描述、输入输出格式、约束条件这四件套写清楚效果立刻不一样。我给自己的小目标是一周内收集20个场景的提示词模板包括“代码解释器”“学习规划师”“文案润色”“简历修改”等。每个模板至少要实测三次把“哪些说法有效、哪些说法无效”记录下来迭代出一个稳定的版本。这个模板库既是我练习AI编程提示词能力的手感来源也顺手成了我的第一个可展示作品——以后写简历时“熟悉提示词工程”这句话终于不是空话了。5.3 周末挑战跑通一个最简单的Agent流程下一个周末我准备挑战一个“带工具的小助手”。场景很具体让大模型根据用户提问决定要不要调用一个“天气查询函数”然后基于函数的真实返回结果来组织回答。这就是网上天天在讲的AI Agent的一个最简形态——模型不只是会聊天还会决定调用工具、根据工具结果继续行动。我提前写的伪代码是这样的算是给自己立个靶子# 伪代码Day12-14要落地的东西 def get_weather(city: str): # 真实场景会在这里调用天气API return f{city}今天晴25℃ tools [ { type: function, function: { name: get_weather, description: 查询一个城市的当前天气, parameters: { type: object, properties: {city: {type: string}}, required: [city], }, }, } ] # 循环逻辑 # 1. 把用户问题和工具列表发给模型 # 2. 模型返回 tool_calls 就执行对应函数 # 3. 把函数结果追加回 messages # 4. 模型不再要求调用工具时输出最终回答这套流程我预期会踩不少坑比如工具参数格式解析、函数执行出错后的兜底处理。但踩完这些坑我对“AI Agent搭建”就有了真正的体感而不是停留在“智能体”三个字的概念层面。等单Agent流程跑顺下一阶段就可以研究多AI协作让一个Agent拆解任务另一个负责执行再一个负责检查结果。5.4 每周复盘把“学过”变成“作品”月底前我想把这三周的内容整合成一个小作品。目前有两个备选方向一个是“专业课程问答机器人”把我们专业课老师发的课件转成问答数据做一个能陪同学复习的机器人另一个是“课程资料摘要工具”把课程PDF自动生成复习提纲。无论最终选哪个我都打算把过程写成博客就像今天这篇一样。因为输出是最快的照妖镜哪里没想通一写就暴露。而且三个月后当别人还在简历上写“熟悉大模型”时我可以直接甩出一个能跑的链接和一份完整的开发记录。对双非学生来说这种看得见摸得着的东西比任何形容词都有说服力。顺带提一句现在比较热门的AI漫剧、AI短视频方向底层需要的也是这套能力——先用大模型生成文案框架再用图像模型出图最后剪辑合成本质上还是提示词和工程链路的功夫路径是相通的。最后说点不太“正能量”的话。三个月逆袭计划能不能成功说实话我到现在也没底。Day7之前我差点放弃因为“从零开始学AI”这种标题网上遍地都是我不确定自己会不会又是三分钟热度。但今天跑通第一次API调用之后那种“我真的让它开口说话了”的实感让我开始相信一件事这条路不需要你天赋异禀只需要你愿意一次次把“看不懂”变成“跑通了”。Day7的一切就是从一行代码开始的。明天的我打算从十行代码开始。