1-AI大模型原理与API使用|CASE-API使用

这门课的名字里虽然有「AI大模型原理」，但它的重心其实不在讲论文和数学推导，而是落在一件很具体的事上：让你能拿着 API，把一个模型接进自己的脚本或小工具里，跑出结果。如果你之前看过不少大模型科普，却始终没动手调过一次接口，这门课就是补这一段的。

它解决的是什么问题

日常工作里最常见的卡点，不是「不懂 Transformer」，而是拿到一个 API Key 之后不知道从哪写起：请求怎么发、返回的 JSON 怎么取、多轮对话的状态怎么维护、模型输出不稳定怎么办。课程用四个案例把这些问题串起来——情感分析、天气查询的函数调用、表格信息提取、运维事件处置。这四个场景选得挺实在：前两个偏基础，后两个开始涉及结构化输出和工具调用，也就是让模型不只是聊天，而是按你的格式返回数据，或者触发一个外部函数。学完之后，你至少能判断一件事：某个需求到底适不适合用大模型做，以及大概要写多少代码。

适合什么基础，先看哪几块

需要你能读懂 Python 代码，知道函数、字典、循环是怎么回事，会用 pip 装包。不需要你懂深度学习，也不需要训练模型的经验。如果你完全没写过 Python，建议先补基础再来，否则案例里的代码会变成抄写练习。

建议的看课顺序是：先过一遍原理部分的文档，不用抠细节，只要搞清楚 token、上下文长度、温度参数这几个概念大概影响什么；然后跟着第一个情感分析案例把环境跑通，这一步的重点是确认你的 Key 能用、请求能通；接着看表格提取，这个案例最贴近真实办公需求，也最能暴露模型输出的不稳定性；最后再看天气 Function 和运维事件处置，理解模型如何调用外部能力。笔记文件可以当作复习提纲，在跑完代码之后再看，比一开始就通读有用。

学完能独立做什么，资料怎么配合

比较现实的预期是：你能独立写出一个几十行的小脚本，把一段文本丢给模型做分类或抽取，把结果整理成表格；能照着函数调用的写法，让模型去查一个你自己写的接口；遇到返回格式不对时，知道该从提示词、参数还是后处理入手调整。这不算「AI 工程师」，但足够应付不少重复性的文本处理工作，也是继续往下学的基础。

资料里的代码文件同时提供了 notebook 和 py 两种形式，建议先用 notebook 逐段运行、看中间输出，理解每一步在做什么；等跑通了，再对照 py 文件把它整理成一个能直接执行的脚本。每看完一个案例，最好换一份自己的数据重跑一遍，比如把情感分析换成你们公司的用户评论，把表格提取换成你手上的报表截图。改数据这一步比多看一个案例更有价值，因为真实数据的脏乱程度才是你要面对的东西。

最后提醒一句：API 调用会产生费用，课前先把 Key 的额度和计费方式确认清楚，练习时用小样本，别一上来就批量跑。