从工具上手到完整项目，再到行业场景与安全边界：每一步都有可执行的步骤清单和真实案例。 还没定方向？先看 学习路径 补齐基础。
共 24 个实操与案例条目 · 持续扩充
常用 AI 工具与开发框架的上手教程：每一步都能直接操作，并配套可落地的小项目。
30 分钟搭好可复用的 AI 学习环境：Python 虚拟环境 + Jupyter Notebook，后续所有实操都在这里跑。
先安装 Python 3.11+ 与 VS Code（或直接使用 Anaconda），为每个项目创建独立虚拟环境，避免依赖冲突。
Jupyter Notebook 适合边写边看结果，是学习阶段最顺手的工具；熟悉单元格、Markdown 与内核切换即可开始。
拿到一份脏数据后的标准动作：读入、看结构、处理缺失与重复、统一口径，最后导出干净数据。
选一份公开数据集（如 Kaggle 的 Titanic 或电商订单数据），按「概览 → 清洗 → 验证」三步走。
清洗的关键不是记住 API，而是养成先统计缺失率、再决定删还是填的习惯，并把每一步处理记录下来。
用一个手写数字识别任务走完训练闭环：数据加载、模型定义、训练循环、评估与保存。
MNIST 是深度学习的 Hello World：数据干净、模型小，适合把注意力放在训练循环的每个环节上。
跑通后建议做三个小实验：改学习率、改网络层数、去掉归一化，观察损失曲线的变化，比看十篇教程更有用。
用 transformers 加载一个开源模型，完成文本生成、摘要与情感分类三个最常见的推理任务。
Hugging Face 的 pipeline 把模型加载、分词、推理封装成三行代码，非常适合第一次接触大模型。
熟悉 pipeline 后，再试着手动加载 tokenizer 与 model，理解 input_ids、attention_mask 与生成参数各自的作用。
一条命令拉取并运行开源模型，通过本地 REST API 接入自己的脚本或应用。
Ollama 适合在个人电脑上验证想法：模型下载后即可离线使用，数据不出本机，隐私友好。
跑通后用 curl 或 Python 调用 /api/generate 与 /api/chat，把本地模型接入一个小型命令行助手。
把一份 PDF 变成可问答的知识库：文档切分、向量化入库、检索、带引用生成。
RAG 是当前企业落地最多的 LLM 应用形态：不训练模型，只把私有资料检索出来交给模型作答，显著降低幻觉。
先做一个最小闭环，再逐步加上切分调优、重排序与评测集，避免一上来就陷入框架细节。
理解 MCP 的 Tools / Resources / Prompts，接入官方服务器并用 Inspector 调试，再写一个自定义服务器。
MCP 把「模型连接外部世界」标准化：同一个服务器可以被不同客户端复用，无需为每个应用重复写集成代码。
建议先在客户端里接入 Filesystem 与 Fetch 两个官方服务器，感受标准化的价值，再用 Python SDK 发布一个自己的工具。
从简单到进阶的项目路线：数据分析、图像分类、问答助手、智能体与微调部署，附真实应用案例。
从一份公开数据集出发，完成清洗、探索性分析与可视化，产出可分享的 Notebook 报告。
目标不是模型，而是建立「数据 → 问题 → 结论」的完整链路。选题建议：电商订单、电影评分、城市出行等结构化数据。
真实案例：零售企业用同类分析定位销量下滑的门店与品类，分析结论直接进入运营周会。
用预训练模型微调一个自己的分类器，并包装成可上传图片的简单接口。
自建数据集（如垃圾分类、零件缺陷）只需每类几百张图即可起步；迁移学习让单卡也能在几十分钟内出结果。
真实案例：制造企业用轻量 CNN 做产线表面缺陷初筛，人工只复核被标记的样本，漏检率显著下降。
面向个人或团队文档的问答系统：检索增强生成、来源引用与幻觉控制。
在企业中这是落地最广的 LLM 应用：制度问答、产品手册、客服知识库都可以用同一套架构。
真实案例：客服团队把历史工单与产品文档接入 RAG，首轮解决率提升明显，复杂问题再转人工。
用结构化提示词与多轮工作流，做出可控风格的写作助手（提纲→初稿→润色→校对）。
重点练习提示词工程：角色设定、任务拆解、输出格式约束、少样本示例与自我检查，而不是调 API。
真实案例：内容团队把品牌语气规范写进提示词模板，新人产出的文案一致性明显提升。
让智能体定时抓取信息、调用工具、生成日报，并在失败时通知与重试。
Agent 项目的难点不在模型，而在可控性：明确工具边界、设置最大步数、记录每一步动作与结果。
真实案例：运营团队用定时智能体汇总竞品动态与舆情，每天早上自动生成简报，人工只需复核要点。
构造领域指令数据，用 LoRA 微调开源模型，量化后部署为可用的推理服务。
当提示词与 RAG 无法满足风格与稳定性要求时，微调是最后一步；它需要高质量数据而不是海量数据。
真实案例：金融客服场景用 2,000 条人工审核的问答对做 LoRA 微调，回答口径一致性明显提升，但合规内容仍需规则兜底。
教育、医疗、金融、制造、内容创作：各行业在做什么，以及进入这些行业需要补哪些技能。
AI 在教育中的应用：答疑辅导、作业批改、课程内容生成与学情分析。
典型场景：课后答疑机器人、作文批改与反馈、按学情生成分层练习、教师备课与课件生成。
行业特点：效果评估周期长、涉及未成年人数据，必须重视隐私保护与内容安全，AI 反馈应作为教师判断的辅助。
AI 在医疗中的应用：影像辅助筛查、病历结构化、医学文献检索与随访管理。
典型场景：影像辅助标注与初筛、病历文本结构化、临床指南与文献快速检索、患者随访提醒。
行业特点：错误成本极高，模型输出只能作为辅助意见；需要可追溯依据、严格权限与脱敏，且必须符合医疗合规要求。
AI 在金融中的应用：风险识别、投研摘要、合同与合规文本审查、智能客服。
典型场景：信贷材料初审、舆情与研报摘要、合同条款比对、客服问答与工单分流。
行业特点：强监管、强审计，任何结论都要能回溯到数据与规则；幻觉在此场景的代价很高，需检索增强与规则引擎配合。
AI 在制造中的应用：表面缺陷检测、设备预测性维护、工艺参数优化。
典型场景：产线视觉质检、振动/温度时序异常预警、排产与能耗优化。
行业特点：数据来自现场设备，标注成本高、类别不平衡；模型往往需要边缘部署，强调稳定、低延迟与可维护。
AI 在内容行业的应用：选题与脚本、配图与视频、配音配乐与多平台分发。
典型场景：短视频脚本与分镜、电商商品图与详情页、口播数字人、背景音乐生成。
行业特点：产能提升显著，但同质化与版权风险并存；从业者的核心竞争力正从「会生产」转向「会判断与编排」。
隐私、偏见、版权、幻觉与安全边界：把风险控制变成每次使用 AI 的固定动作。
不把敏感数据交给不该去的地方：最小化收集、脱敏、本地化处理与权限审计。
使用在线大模型时，输入的内容可能离开自己的设备；涉及个人信息、客户资料与商业机密时必须有明确边界。
基本原则：能不传就不传、必须传先脱敏、敏感场景优先本地模型，并对调用行为留痕可审计。
模型会放大训练数据中的偏差：识别来源、评估影响、在关键场景设置缓解措施。
偏见常来自数据不均衡、标注者主观判断与历史决策惯性，在招聘、信贷、医疗等场景可能造成实质性伤害。
做法：按群体拆解评估指标、建立敏感字段清单、对高风险决策保留人工复核与申诉渠道。
生成内容的版权边界：训练数据来源、生成物权属、引用规范与商用授权。
不同平台对生成内容的商用授权规则不同，训练数据来源也可能涉及版权争议；企业使用前应确认平台条款。
实践建议：保存生成记录与提示词、对明显模仿他人风格的内容谨慎使用、对外发布时按规范标注 AI 参与。
模型会自信地编造：建立「先怀疑、再核查、留依据」的固定动作，是使用 AI 的基本功。
幻觉常见于数字、引用、人物与时间线：回答越流畅越要警惕，尤其是无法给出处的内容。
四步核查法：① 要求给出处；② 用搜索引擎/官方文档交叉验证；③ 对关键数字回到原始数据；④ 高风险结论必须人工签字确认。
提示注入、越权调用与内容滥用：给智能体划清权限边界，并做红队测试。
接入工具与数据的智能体风险更高：恶意网页或文档可能通过提示注入诱导它泄露信息或执行危险操作。
措施：最小权限、工具白名单、操作确认与审计日志；上线前用红队用例测试，明确哪些动作必须人工确认。
AI 可以提效，但不能替代责任：明确人机分工、对外披露与问责机制。
在医疗、金融、司法、招聘等影响个人权益的场景，最终决策必须由人做出，并对结果负责。
建议在团队内明确：哪些环节 AI 可以做初稿、哪些必须人工确认、出现错误时如何追溯与纠正。
你将要访问的地址：