Python → AI 开发知识库入口
一条从零基础到大模型应用开发的学习路径：Python 语言 → Web 框架（Flask/Django）→ 数据处理 → 机器学习/深度学习 → LLM 应用开发 → 工程化部署。每一站都有对应章节，按顺序学即可，不必纠结"下一步学什么"。
一、为什么是 Python 到 AI 这条路
- Python 是 AI 领域的唯一通用货币：模型训练（PyTorch）、应用开发（LangChain/LlamaIndex）、服务化（FastAPI）、数据处理（Pandas）全在 Python 生态里。
- 2026 招聘市场上，"AI 应用工程师 / LLM 应用开发"岗的核心要求是：Python 工程能力 + 大模型 API/LangChain/RAG/Agent + 服务化部署——不需要你会训练基础大模型，但要求你能把模型能力变成可用产品。
- Flask/Django 解决的是"会写脚本"到"会写服务"的中间跳：Web 请求、数据库、鉴权、部署这些工程能力，在任何后端/AI 岗都是地基。
二、学习顺序总览（六站路线）
第 1 站 语言基础 第 2 站 语言进阶 第 3 站 Web 框架
Python 语法/OOP → 并发/装饰器/工程化 → Flask 最小可用 → Django 全家桶
（2-3 周） （2-3 周） （各 2-3 周）
↓
第 6 站 工程与求职 第 5 站 大模型应用 第 4 站 数据处理
部署/监控/简历项目 ← LangChain/RAG/Agent ← NumPy/Pandas/MySQL/Redis
（持续） （3-4 周） （2-3 周）| 站 | 章节 | 学完能做什么 | 建议时长 |
|---|---|---|---|
| 1 | Python 基础入门 | 写出正确的脚本：数据类型、流程控制、函数、面向对象、异常、文件 | 2-3 周 |
| 2 | Python 进阶与工程化 | 写出地道的 Python：生成器、装饰器、类型注解、并发/异步、虚拟环境 | 2-3 周 |
| 3a | Flask Web 开发 | 独立搭一个 REST API 服务：路由、蓝图、SQLAlchemy、鉴权 | 2 周 |
| 3b | Django 全栈框架 | 用"全家桶"快速做出带后台管理的完整站点：ORM、Admin、DRF | 3 周 |
| 4 | 数据处理三件套 | NumPy 向量化、Pandas 清洗分析、SQL/Redis 的 Python 姿势 | 2-3 周 |
| 5 | 机器学习与深度学习 | sklearn 跑通建模全流程；PyTorch 理解张量/自动求导/训练循环 | 3-4 周 |
| 6 | 大模型应用开发 | 调用 LLM API、LangChain/LlamaIndex、RAG、Agent、微调概念 | 3-4 周 |
| 7 | AI 工程化与求职 | FastAPI 服务化、GPU/Docker 部署、监控、简历项目与面试清单 | 持续 |
顺序的两条硬规则：
- 不要跳过第 2、4 站直奔 AI——看不懂类型注解和 Pandas 的 AI 教程寸步难行；AI 岗面试一半时间在考 Python 工程与数据处理基本功。
- Web 框架站（3）与数据站（4）可以并行；目标纯 AI 岗的，Flask 学最小可用即可，把时间留给第 5、6 站；目标后端岗的，Django/Flask 二选一深入。
三、市场 JD 对照（2026 Python/AI 应用岗）
| JD 上的写法 | 实际要求 | 对应章节 |
|---|---|---|
| "Python 基础扎实，熟悉数据结构" | 可变/不可变、深浅拷贝、GIL、推导式、OOP、类型注解 | 基础 / 进阶 |
| "熟悉 Flask/Django 至少一种" | 路由与中间件、ORM、REST 设计、鉴权、项目分层 | Flask / Django |
| "熟悉 Pandas/NumPy 数据处理" | groupby/merge/透视表、向量化思维、缺失值处理 | 数据处理 |
| "了解机器学习基本原理" | 监督/无监督、过拟合、评估指标、sklearn 流程 | 机器学习 |
| "有 LangChain / RAG / Agent 开发经验" | 链式调用、向量库、检索策略、工具调用、多轮记忆 | 大模型应用 |
| "熟悉 FastAPI / 模型服务化部署" | Pydantic 校验、异步端点、流式响应、Docker/GPU | 工程化 |
| "了解 PyTorch 优先"（算法岗） | Tensor 操作、autograd、训练循环、transformers 库 | 深度学习 / 大模型应用 |
| "有微调经验（LoRA/SFT）加分" | 概念+一次实操经历即可，应用岗不要求手推公式 | 大模型应用 微调节 |
四、贯穿项目路线（把六站串起来）
每个阶段做一个"能跑起来"的东西，比刷完所有教程有效十倍：
- 第 1-2 站：命令行工具——批量重命名/账单 CSV 汇总器（练文件 IO + argparse + 类型注解）。
- 第 3 站：Flask 或 Django 写一个"待办 API + 简单后台"，带 SQLite 和 token 鉴权。
- 第 4 站：拿一份真实公开数据集（如 Kaggle 泰坦尼克），Pandas 清洗 + 可视化 + 结论输出。
- 第 5 站：sklearn 对同一数据集做分类模型，交叉验证 + 混淆矩阵讲清效果。
- 第 6-7 站（简历主打项目）：知识库问答机器人——FastAPI + LangChain + RAG + 向量库 + 流式输出 + Docker 部署，完整走一遍"从模型 API 到线上服务"。这个项目与 Java 岗的 Spring AI 项目、前端 Agent 知识库互为印证，简历上按目标岗位挑一个主打。
五、学习资源
Python 官方文档(中文)Flask 官方Django 官方FastAPI 中文Pandas 文档PyTorch 入门教程LangChain 文档HuggingFace 课程廖雪峰 Python 教程
六、常见版本与工具链速查（2026）
| 项 | 现状口径 |
|---|---|
| Python 版本 | 3.12/3.13 生产主流；3.14（2025-10 发布）带来实验性 free-threading（无 GIL 构建）与 JIT——面试提一句"知道 GIL 及其演进方向"即可 |
| 包/环境管理 | venv + pip 是基础；新项目推荐 uv（快 10-100 倍）或 poetry；conda 用于数据科学环境 |
| Web 框架 | Flask（轻）/ Django（全栈）/ FastAPI（异步 + AI 服务化事实标准） |
| 深度学习 | PyTorch 一统研究界，工业推理常见 ONNX/TensorRT |
| LLM 应用 | LangChain / LlamaIndex / 各家 SDK（openai-python 兼容多数国产模型）；概念体系见本站 Agent 知识库 |
前端同学转 AI：语言站（1-2）重点补 Python 与 JS 的心智差异（缩进即语法、GIL、动态类型+类型注解）；Web 站（3）与 Node/Express 概念一一对应，可快速带过。