第 9 章 · 长期执行
动手实践指南：把知识变成技能
第 0 章说过：学 AI 像学游泳，不下水永远学不会。这一章给你三条由浅入深的实践路径、代码示例的使用地图、让大模型当私人导师的提问方法，以及一个 21 天的电力数据小项目。
9.1 三条实践路径，从零门槛开始
| 路径 | 门槛 | 能练什么 | 什么时候走这条 |
|---|---|---|---|
| ① 网页版大模型 | 零（会打字就行） | 提示词技巧、让它写代码、让它当导师、验证第 1–8 章概念 | 现在、每天 |
| ② 在线 Notebook （Colab / Kaggle，浏览器里跑 Python，不用装任何东西） |
低（注册账号即可） | 跑本书全部代码示例、改参数看效果、做第一个数据分析 | 第 3 周起，配合第 4 章 |
| ③ 本地 Python （自己电脑装 Anaconda + VS Code） |
中（装一次环境） | 处理自己真实的数据（违章/光伏/业财）、接大模型 API、做 RAG 原型 | 第 7 周起，做毕业项目时 |
顺序建议：先走 ① 积累概念 → ② 无痛跑代码 → ③ 上自己的数据。大多数人在 ② 卡住的原因不是难，而是跳过了 ① 的积累，看不懂代码在干嘛。
9.2 环境准备：装还是不装？
零安装路线（推荐前 6 周）：注册 Google Colab（或国内可访问的同类服务），打开即用，自带 pandas、sklearn、torch。把本书 code/ 里的 .py 文件内容粘进 Notebook 就能跑。
本地路线（第 7 周起再装）：装 Anaconda（一个全家桶，自带 Python 和常用库）→ 装 VS Code → 在 VS Code 里打开 .py 文件点运行。遇到"pip install 某某库"就照提示装。不要一次装齐全家桶之外的任何东西，用到再装。
代码报错时，把完整报错信息 + 相关代码复制给网页版大模型，说"我是初学者，请解释这个报错并给出修改后的完整代码"。这比翻文档快十倍，也是你练习提示词的最佳场景。但你也要坚持让它解释原因，别只抄答案。
9.3 代码示例使用地图
| 文件 | 它让你理解什么 | 依赖 | 配合章节 |
|---|---|---|---|
01_手写注意力机制.py |
用几十行代码把 Q/K/V 注意力一步步算出来，打印每一步中间结果——看完你就"亲手摸过"第 4 章 | numpy（Colab 自带） | 第 4 章 |
02_迷你Transformer.py |
一个极简的字符级"猜下一个词"模型，训练 5 分钟看它学会"写诗"——大模型最小缩影 | torch（Colab 自带） | 第 4、5 章 |
03_违章数据分类.py |
决策树/随机森林/逻辑回归在"违章数据集"上对比，打印规则和准确率——第 7 章落地 | pandas + scikit-learn（Colab 自带） | 第 7 章 |
04_光伏功率预测.py |
用"昨天的出力+辐照度"做简单回归预测，画出预测 vs 实际曲线——时序预测第一课 | pandas + scikit-learn + matplotlib | 第 3、7 章 |
05_调用大模型API.py |
用 API 调大模型 + 一个最小 RAG 雏形（本地知识库相似度检索→拼接→生成）——第 8 章落地 | openai 库 + API key（注释里有申请说明） | 第 8 章 |
每个文件顶部都有中文注释说明"在干什么、怎么改着玩"。改参数（学习率、层数、温度）看效果变化，是理解概念最有效的方式。
9.4 让大模型当"私人导师"的提问法
普通人把大模型当搜索用，高手把它当"不厌其烦的老师"。四个高效用法：
- 费曼讲解："请假设我完全不懂【概念】，用大白话 + 比喻讲清楚，然后让我用自己的话复述，你检查我哪里说错了。"
- 主动出题："就【主题】给我出 5 道由浅入深的选择题，先不给答案；我答完你逐题点评，并指出我暴露的知识漏洞。"
- 挑错模式："以下是我的理解，请逐句判断对错并纠正：【粘贴你的笔记】"——比复读一遍教材有用得多。
- 分步拆解："我卡在【问题】上，请用苏格拉底式提问引导我自己想出来，不要直接给答案。"
你带过的新人怎么成长最快？——师傅讲、徒弟复述、师傅挑错、徒弟再练。这套循环复制给大模型就是上面的四招。它永远有空、永远耐心、永远不嫌你问得蠢——这是这个时代给自学者最好的红利。
9.5 21 天电力数据小项目（可选但强烈推荐）
学完第 7、8 章后，用你自己的数据做一个小项目，把全书的线串起来：
- 第 1–3 天（数据）：找一份你手头可脱敏的数据（如一年光伏出力，或 5000 条违章记录）。用 pandas 读进来，打印前 10 行，做缺失值统计。目标：敢碰数据。
- 第 4–9 天（分析）：按 7.5 选型表挑一个模型（违章→随机森林；出力→回归/时序），跑通 code/03 或 04，调整特征看准确率变化。目标：理解"特征影响结果"。
- 第 10–14 天（解释）：把模型结果（重要特征排名、预测曲线）整理出来，用网页版大模型帮你写分析报告初稿，坚持"只准基于你的结果写"。目标：人机协作写作。
- 第 15–21 天（工程化）：按第 8 章五问评估"这个分析要不要每周自动化"。要的话，试着把脚本固化成一个每周跑一次的最小流程（哪怕先用定时提醒+手动运行）。目标：体会"工程"与"对话"的分界。
它不是作业，是给你领导看的能力证明：一个从"数据 → 模型 → 报告 → 自动化"完整走通的小案例。做完它，你就能在部门里说清楚"哪些活可以交给 AI 提效、怎么做、边界在哪"——这比任何证书都值钱。
9.6 常见坑与排错
| 坑 | 表现 | 解法 |
|---|---|---|
| 环境装到一半放弃 | pip 报错、版本冲突 | 退回路径 ②（Colab），先别碰本地安装；本地版本问题报错丢给大模型 |
| 数据泄露上公共网页版 | 把真实员工/合同数据贴给大模型 | 养成"脱敏第一"习惯：姓名→编号，金额→归一化；敏感数据只走内网 |
| 把幻觉当结论 | 报告里出现模型编的数据 | 规则：凡数字必来自代码输出；凡事实必可溯源；模型文字只做"表达" |
| 一上来就训模型 | 想微调/训练自己的大模型 | 第 8 章：先 harness（提示词/RAG/工具），训练是最后手段且基本轮不到你 |
| 只看不练 | 书都读完，代码一行没跑 | 把"每周跑一个示例"写进 12 周计划的检查点（配套计划文件已内置） |
| 被报错劝退 | "我不是程序员，学不会" | 报错=对话的开始。复制给大模型："我是初学者，请解释+改好"——90% 的报错 5 分钟内解决 |
9.7 本章小结
- 三条路径：网页版（每天）→ Colab（第 3 周起）→ 本地（第 7 周起）；
- 5 个代码示例覆盖第 4、7、8 章全部关键机制；
- 导师四招：费曼讲、主动出题、挑错模式、苏格拉底追问；
- 21 天小项目把全书串成"能力证明"；
- 记住三条铁律：数据先脱敏、数字必须来自代码、报错问大模型。
到这里，主教材 10 章全部读完。你拥有了：Transformer 的完整直觉（第 4 章）、大模型的能力边界（第 5 章）、模型家族的全景（第 6、7 章）、以及工作落地的判断框架（第 8 章）。剩下的路在配套文件里：12 周计划告诉你每周干什么，自测题检验你懂了没有，术语表随时查，代码随时练。祝你学得开心——遇到任何卡点，记得你的私人导师（大模型）永远在线。