1.1 AI编程的定义与边界：传统编程、机器学习、大模型辅助编程
我理解的AI编程，其实包含三个层面。传统编程是写规则，机器学习是让模型从数据里找规律，大模型辅助编程是用自然语言生成代码。这几种模式在真实工作里经常混着用。
边界在哪里？传统编程处理确定性任务，机器学习处理模糊识别和预测，大模型辅助编程更像高级自动补全和代码解释器。我刚开始学的时候，以为AI编程就是调库，后来发现完全不是。和几个同学聊，他们也有同感，总觉得会调sklearn就算入门了。
举个例子，做房价预测。传统编程写公式很难，机器学习训练回归模型可以，大模型辅助编程能帮我快速写出数据清洗代码。三者配合，效率很高。我现在的习惯是，用大模型辅助写样板代码，自己动手改核心逻辑，再用传统编程思路做工程化封装。
1.2 入门基础自查：Python、数学、数据处理与英文阅读
我给自己做了一次基础自查。Python不用学到精通，能写函数、循环、类，会用列表字典就够了。数学方面，线性代数、概率统计、微积分的基础概念要能看懂公式。
数据处理能力，指的是会用Pandas清洗数据、处理缺失值、做特征工程。英文阅读，是为了看官方文档、论文、Stack Overflow。我英文一般，借助翻译工具也能啃下来。身边有朋友因为英文不好就放弃，我觉得挺可惜。
自查完，我发现缺口在概率统计和英文阅读。于是制定了补缺计划。每天花半小时看英文技术博客，周末补数学。这个过程不要追求完美，边做项目边补效率更高。我还在社区里看到有人分享类似经历，大家都是从别扭到习惯的。
1.3 目标设定与学习误区：避免只调包、只收藏、只学理论
我一开始设定了“三个月转行AI”的目标，结果发现太虚。后来改成“能独立完成一个Kaggle入门赛并解释模型”。目标具体了，行动才清晰。和同行交流时，他们也说目标太虚容易放弃。
我踩过三个坑。只调包，sklearn的API一查就会，但不知道为什么这样调参。只收藏，硬盘里存了100G教程，看完的不到5%。只学理论，推导公式很爽，但写不出一个完整项目。
避免这些误区的办法：每个知识点都写代码验证一遍。收藏夹里的内容，看完一个删一个。理论学到够用就去实践。我现在的习惯是，每周至少提交一次代码到GitHub。哪怕只是几行，也比光看强。
1.4 学习成果衡量：能独立完成小项目并解释模型流程
怎么判断自己入门了？我的标准是能独立完成一个小项目。比如，从数据获取、清洗、特征工程、模型训练、评估到部署，全部自己走一遍。
解释模型流程，意味着能向别人讲清楚：数据怎么来的，特征怎么选的，模型为什么选这个，评估指标为什么用这个，结果怎么解读。能讲明白，才是真懂。我参加读书会时，尝试向别人解释，才发现自己有些地方没真懂。
我第一个拿得出手的项目是鸢尾花分类，虽然简单，但我把每一步都写成了博客。后来面试时，面试官问的就是这个项目。成果衡量不看项目大小，看你能不能讲透。
2.1 第一阶段：编程与工具基础（Python、Git、Jupyter/Colab）
我当初从Python语法开始，没敢直接碰AI。变量、循环、函数、类，这些基础花了两周。每天写几十行代码，做点小练习。光看视频不行，必须动手。Git是另一个坎，我一开始只会git add和commit。有次把本地代码搞乱了，才明白版本控制的意义。现在我用Git管理所有学习笔记和项目，哪怕是小脚本也提交。
Jupyter和Colab是我的实验田。Jupyter适合本地调试，Colab免费GPU很香。我用Colab跑过第一个线性回归，虽然简单，看到结果那一刻挺兴奋。和同学交流，有人推荐VS Code加Jupyter插件，也有人坚持用PyCharm。工具顺手就好，别在这上面纠结太久。
这个阶段我花了大概一个月。每天两小时，周末多写点。资源方面，我看了廖雪峰的Python教程，还有官方文档。Git看的是Pro Git的前三章。Colab的教程在Google官方就有。不要贪多，把基础打牢，后面才顺。
2.2 第二阶段：数据与数学核心（NumPy、Pandas、概率统计、线性代数）
NumPy和Pandas是数据处理的双子星。我学NumPy时，重点练数组运算和广播机制。Pandas的DataFrame操作，刚开始很晕，后来用泰坦尼克数据集练手，清洗、筛选、分组，慢慢就熟了。现在处理表格数据，Pandas是我的首选。
数学部分，概率统计和线性代数让我头疼。我重新捡起大学教材，配合可汗学院视频。线性代数重点看矩阵运算、特征值。概率统计重点看分布、期望、方差、贝叶斯。我给自己定规矩：每个数学概念都用NumPy实现一遍。用代码算协方差矩阵，比手推公式直观多了。
身边有朋友跳过数学直接学模型，调参时一头雾水。我的建议是边学边用，不用等到完全精通。遇到不懂的公式，回头补。我花了六周左右，每天抽一小时啃数学。现在看论文里的公式，至少不慌了。
2.3 第三阶段：机器学习与深度学习入门（scikit-learn、PyTorch/TensorFlow）
scikit-learn是我入门机器学习的第一个库。我跟着官方文档做分类、回归、聚类。用鸢尾花、波士顿房价这些经典数据集。重点是理解流程：划分数据、训练、预测、评估。我一开始只会调默认参数，后来学会用GridSearchCV调参。Kaggle的入门赛给了我很大帮助，排名不高，完整走了一遍流程。
深度学习我选了PyTorch。TensorFlow也看过，PyTorch的动态图更符合直觉。我搭了一个简单的全连接网络做手写数字识别。训练过程很慢，调参很玄学，跑通那一刻很爽。后来用CNN做CIFAR-10，准确率慢慢提升。这个阶段我花了两个月，踩了不少坑，比如梯度爆炸、过拟合。
有朋友推荐先学理论再动手，我觉得反了。先跑通代码，再回头看理论，理解更深。我建议每个模型都自己写一遍，哪怕照抄。抄完改参数，改完再总结。PyTorch的官方教程和《动手学深度学习》都不错。
2.4 第四阶段：大模型与AI应用开发（Prompt、API、RAG、Agent）
大模型来了，学习路线也得更新。我从Prompt工程开始，学写清晰的指令、给例子、设角色。OpenAI的API文档我翻了好几遍。用Python调用GPT接口，做一个简单的聊天机器人。后来接触LangChain，发现它能简化很多流程。
RAG是我觉得最实用的方向。把文档切块、向量化、存进向量数据库，再用大模型检索回答。我拿自己的笔记做了一个知识库问答，效果还行。Agent更复杂，需要设计工具调用和任务规划。我跟着AutoGPT和LangChain的示例，做了一个能查天气和搜索的助手。这个过程让我对大模型应用有了直观感受。
这个阶段变化快，我保持每周看新项目。社区里有人分享RAG优化技巧，比如重排序、混合检索。我边学边做，把代码放到GitHub。有次API key泄露了，被扣了几美元，从此学会用环境变量。大模型应用开发，动手比观望重要。
2.5 第五阶段：按方向深化与路线复盘（CV、NLP、LLM应用）
走完前四个阶段，我面临方向选择。CV、NLP、LLM应用，每个都吸引人。我花了一周复盘自己的兴趣和优势。我更喜欢文本和交互，于是选了NLP和LLM应用。CV我也了解基础，没深入。这个选择没有对错，看你想解决什么问题。
我给自己定了深化计划。NLP方面，学Transformer、BERT、微调。LLM应用方面，研究RAG、Agent、评估。我参加了一个开源项目，贡献文档和测试。复盘时，我把每个阶段的项目整理成作品集，写清技术栈和收获。有朋友选择CV，在做目标检测，也做得不错。
路线复盘不是一次性的。我每三个月回看一次，调整学习重点。社区里的讨论、招聘要求的变化，都会影响我的计划。我现在的状态是，能独立完成一个RAG应用，也能解释清楚背后的原理。从零到项目落地，我走了大约八个月。不算快，每一步都算数。
3.1 本地开发环境搭建：Python、VS Code、Jupyter、虚拟环境
我刚开始学AI编程时，环境搭建差点把我劝退。装Python就出了岔子，官网下载的安装包默认没勾选“Add to PATH”，结果命令行里输入python提示找不到命令。后来重装，手动勾选选项，才搞定。我的建议是直接装Anaconda，它帮你把Python、conda、常用科学计算库打包好了。省心。装完Anaconda，命令行里conda命令能用，python也能用。这一步过了，后面就顺了。
VS Code是我的主力编辑器。装个Python插件，再装Jupyter插件，就能在VS Code里写notebook。我喜欢它的原因是轻量、插件多、社区活跃。有段时间我用PyCharm，功能强，但启动慢，对我这种老电脑不友好。选编辑器看个人习惯，别在这上面反复横跳。
虚拟环境是我踩坑最多的地方。最开始我所有项目共用一个环境，装包装到冲突，numpy版本打架，代码跑不起来。后来学会用conda创建独立环境：conda create -n myproject python=3.11。每个项目一个环境，互不干扰。这个习惯帮我省了无数时间。Jupyter里切换内核也要注意，选对环境再跑代码。
3.2 云端算力与实验平台：Colab、Kaggle、AutoDL、GPU租用
我的笔记本没有独立显卡，跑深度学习很吃力。Colab救了我。免费版给一块T4 GPU，做小项目够用。我最早在Colab上跑通了一个图像分类的notebook，加载数据、定义模型、训练、评估，全程在浏览器里完成。Colab的缺点是会话会断，跑长任务要盯着。Colab Pro按月付费，GPU更好，时长更久。我用过几个月，觉得值。
Kaggle不只是竞赛平台，它的notebook环境也很强。每周有GPU时长，还能直接调用平台上的数据集。我在Kaggle上复现过别人的baseline，学习他们的代码组织方式。Kaggle的社区氛围好，讨论区里能看到各种思路。我参加过一个入门赛，排名靠后，但完整走了一遍流程，收获很大。
国内的话，AutoDL是我用得比较多的GPU租用平台。按小时计费，价格透明，适合跑大模型微调或者需要长时间训练的任务。我租过一张3090，跑了几个小时的实验，花费可控。选平台时注意看显卡型号、显存大小、带宽和数据盘大小。数据上传下载的速度也要考虑。有朋友用恒源云、矩池云，体验类似。云端算力让普通人也能玩转大模型。
3.3 AI编程辅助工具：Copilot、Cursor、通义灵码、Claude Code
Copilot是我第一个付费的AI编程工具。它在VS Code里补全代码，写函数、写注释、写测试都能帮上忙。我最喜欢的功能是根据注释生成代码。写一句“读取CSV文件并计算每列均值”，它就能给出可运行的代码。省去了查文档的时间。Copilot对Python和常见库的支持很好。用久了会形成依赖，我提醒自己还是要理解代码逻辑。
Cursor是基于VS Code的AI编辑器，内置了聊天和代码生成功能。我用它重构过一个项目，选中代码，输入需求，它就能改。Cursor的Composer功能可以跨文件编辑，适合较大规模的重构。通义灵码是阿里的免费工具，中文支持好，对国内开发者友好。我在写中文注释和文档时用它比较多。Claude Code是命令行工具，适合喜欢终端操作的开发者。我用它在终端里生成脚本和调试代码。
这些工具的共同点是提高效率，不能替代理解。我见过有人完全依赖Copilot，结果代码出错不知道怎么修。我的用法是：让AI生成初稿，自己审查、修改、测试。AI辅助编程是趋势，学会和它协作比自己硬扛更聪明。
3.4 版本管理与协作：Git/GitHub、数据与模型版本管理
Git我学了两遍。第一遍只学了add、commit、push，够用但不够。第二遍学了分支、合并、rebase、cherry-pick。真正让我理解Git的是协作。我和朋友一起做一个项目，他改了文件我没同步，直接push，冲突了。那次之后我养成了先pull再push的习惯。Git的图形化工具我用过GitHub Desktop和VS Code内置的，命令行还是最灵活的。
GitHub是我的代码仓库和作品集。我把学习笔记、小项目、复现的论文都放上去。README写清楚项目背景、技术栈、运行方式。有次面试，面试官直接看了我的GitHub，问了项目细节。那一刻我庆幸自己平时有整理。GitHub Actions可以做自动化测试和部署，我还没深入用，但看过一些例子。
数据和模型的版本管理是个容易被忽略的问题。代码用Git管，数据和模型文件太大，不适合直接进Git。我用过DVC，它能把大文件存到远程存储，Git里只保留元数据。模型版本管理我还在摸索，简单的做法是按日期和参数命名文件夹，复杂场景用MLflow或者Weights & Biases。这一步做好了，实验可复现，省去很多麻烦。
3.5 常用框架与库速查：NumPy、Pandas、scikit-learn、PyTorch、LangChain
NumPy和Pandas是我每天都会用的库。NumPy处理数组和矩阵运算，速度比原生Python快很多。Pandas处理表格数据，read_csv、groupby、merge、pivot_table这几个函数我用得最多。学这两个库没有捷径，找几个真实数据集练手。我用泰坦尼克和鸢尾花数据集反复练，直到操作流畅。
scikit-learn是传统机器学习的瑞士军刀。分类、回归、聚类、降维、模型选择、预处理，它都有。API设计一致，fit、predict、transform，学会一个模型就会用其他模型。我建议从官方文档的流程图入手，搞清楚什么时候用什么模型。PyTorch是深度学习的主力框架，动态图让调试更直观。我从全连接网络开始，然后学CNN、RNN、Transformer。官方教程和《动手学深度学习》是我主要的学习材料。
LangChain是大模型应用开发的脚手架。它把Prompt、模型调用、输出解析、记忆、检索这些组件封装好，用链式的方式组合。我用LangChain做过一个RAG问答系统，加载文档、切分、向量化、检索、生成回答，整个流程很清晰。LangChain更新快，API有时会变，看官方文档最靠谱。这几个库不用一次学完，用到哪个学哪个，边做边查。
4.1 入门级项目：数据清洗、可视化、房价/鸢尾花预测
我做的第一个正经项目是鸢尾花分类。数据集小到可以塞进脑子，150行数据，4个特征，3个类别。我用pandas读进来，看了看分布，画了散点图，然后扔给scikit-learn的LogisticRegression。准确率跑到95%以上，那一刻我觉得自己行了。后来才明白，干净的数据集是奢侈品，真实世界根本不这样。
第二个项目我选了泰坦尼克生存预测。这个数据集有意思，有缺失值，有类别变量，有看起来跟结果无关的列。我花了大量时间在数据清洗上。Age列缺了快两成，我试过填均值、填中位数、用其他特征预测填充。Fare列有几个极端值，拉高了均值，我做了对数变换。Embarked列缺了两个，我直接删了那两行。这些操作看起来琐碎，但模型效果从0.76提到了0.81，数据质量比模型选择重要得多。
房价预测是我第一个回归项目。Kaggle上的House Prices竞赛，特征多得让人头大。我花了三天做特征工程，把地下室面积、车库面积、整体质量这些列拆开组合。可视化帮了大忙，我画了SalePrice的分布图，发现它右偏，做了log变换。相关性热力图让我扔掉了几个冗余特征。最后用随机森林跑了一遍，提交成绩排在前40%。这个名次不重要，走完整个流程才是收获。我养成了一个习惯：拿到新数据集，先看分布，再看缺失，再看相关性，最后才碰模型。
4.2 进阶级项目：图像分类、文本情感分析、推荐系统小案例
图像分类我选了CIFAR-10。这个数据集有6万张32x32的彩色图，10个类别。我用PyTorch搭了一个简单的CNN，卷积、池化、全连接，训练了20个epoch，准确率停在65%左右。我知道这远不是上限，调了学习率，加了数据增强，换了更深的网络，慢慢爬到75%。调参的过程像在黑暗里找开关，每次改动都不知道会不会有提升。
我记得有一次把学习率从0.01降到0.001，训练损失下降得更平滑，验证准确率反而涨了。另一次我加了Dropout层，训练集准确率降了，验证集涨了。这些反馈让我理解了正则化和过拟合的关系。图像分类项目让我学会了用TensorBoard看曲线，用早停法防止过拟合。这些技能后来在别的项目里反复用到。
文本情感分析我用了IMDB影评数据集。5万条评论，正面负面各一半。我用TorchText处理文本，建词表，把句子转成索引序列。模型用的是LSTM，双向的，两层。训练速度比图像慢很多，一个epoch要跑十几分钟。准确率到88%左右就上不去了。我试过用预训练的GloVe词向量，准确率涨到91%。预训练词向量有用，它把词语之间的语义关系带进来了。
推荐系统我做了个简单的电影推荐。用MovieLens数据集，用户对电影的评分矩阵。我用了基于物品的协同过滤，算电影之间的相似度，给用户推荐看过的相似电影。矩阵稀疏得让人绝望，大部分用户只评价了很少的电影。我试了矩阵分解，把评分矩阵拆成用户和物品的隐向量，效果好了不少。这个项目让我理解了冷启动问题，新用户没有历史行为，推荐系统就瞎了。
4.3 大模型应用项目：智能问答、文档摘要、RAG知识库
智能问答是我做的第一个大模型项目。我用OpenAI的API，写了个简单的问答机器人。给一段背景文本，让模型根据文本回答问题。Prompt写得很粗糙，就一句话：“根据以下内容回答问题”。模型经常瞎编，或者把背景文本里没有的东西说成有。后来我学了Few-shot Prompting，给几个例子，效果好多了。温度参数调到0.2，回答稳定了不少。
文档摘要我用的是LangChain。把一篇长文章切分成段，每段让模型生成摘要，再把所有摘要合并成总摘要。这个Map-Reduce的思路很直观。切分尺寸要注意，太小了上下文不够，太大了超出模型限制。我试过500字一段，效果不错。摘要质量跟Prompt关系很大，我用了“用一句话概括这段话的核心信息”，比“总结一下”好很多。
RAG知识库是我花时间最多的项目。我想做一个能回答我私人笔记问题的系统。流程是：加载文档、切分成块、用Embedding模型向量化、存进向量数据库、查询时先检索相关块、再让模型生成回答。听起来简单，做起来坑很多。切分策略影响召回率，我试过按段落切、按固定长度切、按语义切。Embedding模型我用了OpenAI的和开源的BGE，BGE对中文更友好。
向量数据库我用了Chroma，轻量、本地跑、容易上手。检索环节我加了重排序，先粗召回20个块，再用交叉编码器精排取前5个。重排序让回答准确率提升明显。生成环节我写了System Prompt，让模型只根据检索到的内容回答，不自己发挥。这套组合跑通了之后，我的笔记问答系统准确率到了能用的程度。RAG让我理解了一个道理：大模型不是万能的，给它配个好检索系统，它才能靠谱。
4.4 Agent与自动化项目：多工具调用、工作流自动化、AI编程助手
Agent项目是我觉得最有意思的。我做了个能查天气、算数学、搜网页的Agent。用LangChain的Agent框架，把几个工具函数注册进去，模型自己决定什么时候调用哪个工具。第一次跑通的时候很兴奋，我问它“北京今天天气怎么样，适合穿什么衣服”，它先调天气API，拿到温度，再推理穿衣建议。这个推理链条是模型自己规划的。
多工具调用有个坑，模型有时候会调错工具，或者参数传错。我给每个工具写了详细的描述，告诉模型这个工具干什么、输入格式是什么。描述写得越清楚，模型调用越准确。我还加了错误处理，工具调用失败就返回错误信息给模型，让它重新规划。这比直接崩溃好得多。
工作流自动化我做了个每日简报生成器。每天早上定时跑一个脚本，抓几条新闻，让模型摘要，再抓天气，最后拼成一条消息发到手机上。用GitHub Actions做定时触发，整个流程跑在云端。这个项目让我学会了把大模型嵌进自动化流程里，不是每次都手动问，而是设定好条件让它自己跑。
AI编程助手我基于开源模型做了个简化版。用户输入需求，模型生成代码，我把代码跑一遍，把报错信息返回给模型，让它修正。这个循环跑两三轮，代码基本能跑。我加了个安全层，代码要先通过语法检查，再在沙箱里跑。这个项目让我理解了Agent的核心：模型加工具加反馈循环。没有反馈，模型就是瞎猜。有了反馈，它就能迭代。
4.5 项目复盘与作品集：README、部署、Demo、GitHub展示
项目做完不整理，等于白做。这是我踩过的坑。第一个项目做完，代码扔在本地，文件夹叫“test1”，过两个月自己都看不懂。后来我强迫自己每个项目都建GitHub仓库，写README。README要有项目背景、数据来源、技术栈、运行方式、结果截图。我还会写一段“踩坑记录”，把遇到的问题和解决方案记下来。这些东西面试的时候直接能讲。
部署是很多人忽略的一步。模型在notebook里跑通，跟别人能用，完全是两码事。我用Streamlit做了几个Demo，把模型包装成网页应用。用户输入文本，点按钮，看到结果。Streamlit简单到令人发指，几行代码就能跑起来。Gradio也用过，对机器学习模型更友好，自带输入输出组件。部署到Hugging Face Spaces或者Streamlit Cloud，免费，分享个链接别人就能用。
Demo做出来之后，简历上写“开发了某某系统”才站得住脚。面试官会问：用户量多少？响应时间多久？遇到过什么线上问题？这些问题逼着我思考工程层面的东西，不是只跑通notebook就完事。
GitHub主页是我的技术名片。我把项目置顶，README写清楚，代码结构整理好。有次面试官直接打开我的GitHub，看了RAG项目的代码，问了检索策略和分块逻辑。我答得流利，因为这些东西我亲手调过。项目复盘不是形式主义，是把经历转化成能力的过程。每个项目做完，问自己三个问题：做了什么？怎么做的？还能怎么改进？这三个问题的答案，就是作品集的灵魂。
5.1 学习资源推荐：课程、书籍、官方文档、社区、竞赛
我刚开始学AI编程的时候，收藏夹里塞了上百个链接。Coursera、B站、知乎、公众号，什么火就收藏什么。真正打开看完的不到十分之一。后来我给自己定了个规矩：一门课没看完，不买新课。这个规矩救了我。现在我的学习资源就三类：官方文档、经典课程、能跑代码的社区。官方文档永远排第一，PyTorch、scikit-learn、LangChain的文档写得比大多数教程清楚。
课程我只推荐三个。吴恩达的机器学习课，适合建立直觉，他讲梯度下降的时候画的那个图我至今记得。李沐的《动手学深度学习》，代码和理论结合得特别好，我跟着敲了一遍，对反向传播的理解深了很多。fast.ai的课实战性强，上来就训模型，适合喜欢边做边学的人。书籍方面，《Python数据科学手册》当工具书用，《Hands-On Machine Learning》当项目指南用，《深度学习》花书当参考书用，别从头读到尾。
社区和竞赛是另一个维度。Stack Overflow解决具体报错，Kaggle学别人怎么思考。我刚开始参加Kaggle的时候，连提交格式都搞错。后来我养成了一个习惯：每做一个竞赛，先看前三名的方案分享。他们用的特征工程、模型融合、调参技巧，比任何课程都实在。Hugging Face的社区也值得逛，模型卡和讨论区里有很多实战经验。竞赛拿不拿牌不重要，把别人的思路拆解一遍，收获比看十小时视频大。
5.2 进阶方向选择：机器学习工程、NLP/CV、大模型应用、AI产品
学到一定程度会面临方向选择。我有一阵子特别焦虑，NLP想学，CV想学，大模型也想追。每个方向都浅尝辄止，简历上写满了“了解”，面试一问就露馅。后来我逼自己做了个决定：主攻大模型应用，其他方向保持能读懂论文的水平。这个决定基于两点：我更喜欢做产品原型，而不是调模型结构；大模型应用岗位多，入门门槛相对友好。
机器学习工程偏工程侧。你要会写干净的代码，懂Docker、Kubernetes、CI/CD，能把模型部署成API，监控线上表现。我做过一个推荐系统项目，训练只花了两天，部署和调优花了两周。这个方向适合喜欢折腾系统、对延迟和稳定性敏感的人。NLP和CV偏算法侧。Transformer、注意力机制、扩散模型这些要啃，论文得追，实验要跑。我试过复现一篇CV论文，卡在数据预处理上一周，后来放弃了。这个方向适合坐得住冷板凳、数学底子好的人。
大模型应用是这两年最热的方向。Prompt工程、RAG、Agent、微调，每个子方向都有大量机会。我做的几个项目都是这个方向，门槛不高，但天花板很高。你要懂业务，懂用户，还要懂模型的能力边界。AI产品方向更偏商业。你得理解用户需求，能把技术翻译成价值，会写PRD，会做用户调研。我认识一个朋友，技术一般，但对场景特别敏感，做出来的AI工具月活几十万。这个方向适合沟通能力强、对商业感兴趣的人。选方向没有标准答案，看你想成为什么样的人。
5.3 常见问题与避坑：环境冲突、过拟合、API成本、数据隐私
环境冲突是我踩的第一个大坑。我在base环境里pip install了一堆包，后来又用conda装，版本打起来了。花了一整天卸载重装，最后还是靠重建虚拟环境解决。现在我的原则很明确：每个项目一个独立环境，用conda create或者python -m venv。依赖写进requirements.txt，版本号锁死。别偷懒，偷懒的代价是半夜debug。
过拟合是第二个坑。我做过一个文本分类，训练集准确率99.8%，测试集只有62%。我盯着那个数字看了很久，以为模型在骗我。后来我加了Dropout，做了数据增强，用了早停，测试集爬到了78%。过拟合的本质是模型记住了噪声。判断方法很简单：训练损失还在降，验证损失开始涨，那就是过拟合了。解决办法：更多数据、更强正则、更简单模型。
API成本是个容易被忽略的坑。我有一次调OpenAI的API做实验，忘了设预算，跑了一晚上，账单出来两百多美元。心疼。后来我学会了：先用小模型验证流程，再换大模型；缓存重复请求；设置用量上限。数据隐私更严重。我有次图省事，把公司内部文档贴到ChatGPT里做摘要。事后想起来一身冷汗。现在我的做法是：敏感数据本地处理，用开源模型；非要走API就用企业版，签数据处理协议。合规不是小事，出事就是大事。
5.4 持续学习与社区参与：论文、开源、Kaggle、技术博客
持续学习需要节奏。我试过每天读三篇论文，坚持了四天就崩了。后来改成每周精读一篇，泛读三篇。精读就是逐段理解，复现代码，写笔记。泛读只看摘要和结论。论文读不懂很正常，我第一遍读Attention is All You Need的时候，一半公式跳过了。第二遍读完，第三遍才有点感觉。别怕慢，怕的是停。
开源参与让我成长很快。我最早只是提文档修改的PR，改错别字、补例子。后来给一个小库修了个bug，维护者回复说“nice catch”。那个瞬间比涨工资还开心。Kaggle我打了两年，从铜牌到银牌，最大的收获不是名次，是学会了看别人的notebook。技术博客我写了三年，一开始没人看，后来有一篇RAG踩坑记被推上了首页。写博客是倒逼输入，你写不清楚，说明你没想清楚。
社区参与还有一层价值：认识人。我在一个AI群里认识了现在的合伙人，一起做了个小产品。线下的meetup也值得去，听听别人在做什么，聊聊自己的困惑。很多机会不是投简历投来的，是聊出来的。保持开放，别把自己关在书房里。
5.5 从入门到求职/副业：项目包装、面试准备、接单与合规
项目包装是求职的第一步。我一开始的简历上写“用PyTorch实现了图像分类”，面试官问“数据集多大？模型结构是什么？准确率多少？有没有对比实验？”我答得磕磕巴巴。后来我改了写法：“在CIFAR-10上训练ResNet-18，通过数据增强和余弦退火学习率，将准确率从72%提升到89%，推理延迟降低到15ms。”数字和对比让面试官能判断你的水平。GitHub主页要干净，README要有截图和运行说明。别放半成品。
面试准备分三块：项目、八股、手撕代码。项目要能讲清楚背景、方案、难点、改进。八股包括偏差方差、正则化、Transformer结构、RAG流程。手撕代码常考注意力机制、卷积、损失函数。我面过一家公司，让我手写多头注意力，我写了二十分钟，面试官说“结构对了，细节再补”。面试是练习出来的，面十家比看十本书管用。
接单和副业要合规。我在Upwork上接过几个小单，做数据清洗、模型微调、AI工具开发。报价按小时或者按项目，合同写清楚交付物和版权。别接灰色地带的活，比如爬取隐私数据、生成虚假内容、绕过平台风控。副业可以做AI咨询、企业培训、小工具订阅。我有个朋友做AI简历优化工具，每月被动收入几千块。合规是底线，口碑是资产。这条路不急，慢慢走，走得远。
