第一章 AI 到底是什么

开篇：先讲一件事

你大概有过这样的体验——打开手机，问 AI 帮你写一封请假邮件，它三秒钟就吐出来了，措辞得体、理由充分，比你自己写的还顺。你心里咯噔一下：这东西到底是怎么做到的？它真的"懂"我在说什么吗？

本文就是来回答这个问题的。不绕弯子，不堆名词。

不过在开始之前，我想先把你脑子里可能有的两个极端印象都打掉。一个来自科幻电影：AI 是要统治世界、取代人类的硅基生命。另一个来自最近的舆论疲劳：AI 不就是个会说话的搜索引擎嘛，吹得挺玄。

两个都不太对。真相在中间，而且中间这部分比两端都有意思得多。

1.1 AI 不是凭空冒出来的

很多人以为 AI 是 2022 年底 ChatGPT 横空出世那一瞬间蹦出来的。其实这件事已经磨了七十年。

1950 年代，一批科学家相信"让机器思考"是可能的，最早的做法是手写规则——把人类知识一条条编码进去，让机器按规则推理。这条路走了三十年，造出过一些能用的专家系统，比如给医生做诊断辅助的 MYCIN。但很快撞了墙：真实世界的知识太杂、太模糊，根本写不完。

1980 年代末开始有人换思路：不让机器背规则，让它从数据里自己学。这就是机器学习。再到 2012 年，深度学习在图像识别比赛里把错误率砍掉一半，整个领域才真正热起来。2017 年 Google 发了一篇论文，提出 Transformer 架构，这是后来所有大语言模型的底子。2022 年 ChatGPT 的爆发，不过是这条路上的一个里程碑，不是起点。

知道这段历史有什么用？它能帮你判断哪些说法靠谱、哪些是炒作。凡是不谈七十年积累、只谈"突然突破"的，多半是在卖课。

1.2 大模型是怎么炼成的

现在你用的 ChatGPT、Claude、文心一言、通义千问，背后都是同一种东西：大语言模型（LLM，Large Language Model）。

训练它的方法听起来简单到有点可笑：给模型看一句话的前半段，让它猜下一个词是什么。猜错了调参数，猜对了加强，然后换个新句子再来。就这样。

但这件事的关键不在"方法"，在"量"。训练数据是几千万本书规模的文字——网页、书籍、论文、代码、对话记录。训练次数是几千亿次。当一个这么简单的预测游戏被玩到这个规模，量变会引起质变：模型开始展现出类似"理解"的能力，能写文章、能写代码、能推理、能翻译。研究人员管这个现象叫"涌现"，但说实话，目前没人能完全说清楚为什么涌现会发生。

训练一个顶级大模型的成本在数千万到数亿美元之间。算力、数据、人才，三样都贵。所以全球能从头训出顶级模型的公司屈指可数：OpenAI、Anthropic、Google、Meta，中国这边有字节、阿里、百度、智谱、深度求索等。差距是客观存在的，但不是不可追赶——后面会讲。

1.3 三个最基本的概念

关于 AI 的术语有很多，新手容易被绕晕。我先把最基础的三个讲清楚，剩下的等你遇到再说。

▌ Prompt：你给 AI 说的话

你打字问 AI"帮我写个请假邮件"，这一整句就是 Prompt。同一个问题，问法不同，AI 的回答可以差出十倍质量。比如你问"怎么学 Python"，它给你一段泛泛而谈的回答；你改成"我是做销售的，每周有 5 小时学习时间，目标是三个月内能写自动化处理 Excel 的脚本，给我一个具体计划"，它给你的就是一份能直接照着做的方案。

所以 Prompt Engineering（提示词工程）这件事不是玄学。它的本质是：你越清楚自己要什么，AI 越能给到你要的东西。

▌ Token：AI 算钱的基本单位

你把一份 50 页合同发给 AI 让它总结，结果扣了你 2 块钱，你以为是按"次"收费。其实不是。AI 不按字读，也不按次收费，它按 Token 算。1 个汉字大约是 1 到 2 个 Token，1 个英文单词大约是 1 个 Token。

你输入的内容越长，消耗的 Token 越多；AI 回复越长，消耗的也越多。输出通常比输入贵。所以写给 AI 的话要精准，废话少塞——这既是省钱，也是让 AI 抓得住重点。

▌ Context：AI 的记忆窗口

AI 没有真正的长期记忆。你跟它聊了 20 万字之后，第 1 万字的内容它已经不记得了。这个能记住的窗口大小叫 Context Window（上下文窗口）。不同模型大小不一样，2025 年主流模型大约在 10 万到 200 万 Token 之间。

听起来很大，但其实很容易超。一篇长论文加上几次来回对话，可能就把窗口占满了。所以重要的信息最好放在对话开头或者最近几条，别埋在中间。

1.4 进阶概念：从"用"到"开发"

上面三个够你日常用了。如果你想做点更复杂的事，下面这几个迟早会碰到。

▌ Model（模型）

不同 AI 产品背后跑的是不同的模型，就像不同的引擎。ChatGPT 用 GPT 系列，Claude 用 Anthropic 的 Claude 系列，文心一言用百度的文心，通义千问用阿里的 Qwen。每个模型擅长的事不一样、价格不一样、限制不一样。选模型不是越贵越好，而是看场景——这个第三章会展开。

▌ API（应用程序接口）

你在网页上用 Claude，看到的是聊天界面。但如果你想让自己写的程序也能跟 AI 对话，就得走另一条路：API。可以把它理解成餐厅的点菜窗口——你的程序按规定格式递个请求过去，AI 服务商的服务器处理后把结果递回来。这件事第三章会详细讲，因为它几乎是所有 AI 应用的核心。

▌ Agent（智能体）

普通 AI 对话是"你问一句，它答一句"。Agent 不一样，它能主动行动：浏览网页、读文件、调工具、连外部系统，自己拆任务、自己执行。2024 年开始这个概念火起来，2025 年已经有一批能真干活的 Agent 产品。说它是"数字员工"有点夸张，但说它是"会自己办事的 AI 助手"是合适的。

▌ RAG（检索增强生成）

AI 的知识有截止日期，问它昨天的新闻它不知道，问它你公司的内部文档它更不知道。RAG 解决的就是这个：在 AI 回答前，先让它去你指定的知识库里搜一遍相关内容，再基于搜到的内容回答。这样它就能回答关于你私有数据的问题了。企业级 AI 应用几乎都靠这套。

1.5 AI 能做什么、不能做什么

先说擅长的：

• 处理自然语言——写作、翻译、总结、改写

• 回答知识性问题——它读过的东西比任何人都多

• 写代码、调代码、解释代码

• 分析数据、提炼洞察

• 头脑风暴、创意生成

• 处理文档——合同、报告、论文

再说它办不到或者办不好的。

第一，它会"幻觉"。意思是它有时候会一本正经地胡说八道。2023 年美国有个真实案例：一位律师用 ChatGPT 帮他写诉讼文书，AI 编了六个根本不存在的判例，连案号、法官名字、判决日期都编得有模有样。律师没核实就提交了法庭，最后被法官当庭揭穿，本人被罚。所以记住一条：AI 给你的关键数字、引用、专有名词，一定要去原始来源验证。

第二，它的知识有截止日期。除非接了搜索工具，否则它不知道昨天发生的事。

第三，它没有真正的"理解"。它做的本质是概率预测——根据上文猜下文最可能是什么。在需要严格逻辑推理的场景下，它会出错，而且错得很自信。

第四，它容易被带跑。你的 Prompt 带了倾向，它的回答就会顺着你的倾向走。所以用 AI 做决策参考时，要尽量中立地提问。

第五，它自己不会行动，除非你给它接工具。这就是 Agent 在解决的事。

1.6 不止会说话：多模态 AI

前面讲的主要是文字 AI。但 2024 年以来最明显的进展其实在多模态——AI 不只会读字，还会看图、听声音、生成视频。

GPT-4o、Gemini、Claude 都能看图：你拍一道数学题的照片给它，它能解题；你发一份产品截图，它能挑出 UI 的问题。Sora、可灵、即梦这类产品能根据文字描述生成短视频。语音方面，AI 已经能做到几乎以假乱真的语音克隆。

这意味着什么？意味着 AI 正在从"聊天工具"变成"通用感官"。你给它看、给它听、给它读，它都能处理。下一波的爆发大概率不是文字，而是多模态和 Agent 的结合。

1.7 主流 AI 产品怎么选

列一下 2025 年到 2026 年初你会经常碰到的产品，按场景给你一个参考。

给个粗糙的判断标准：日常聊天问问题，豆包、通义够用还免费；写代码做开发，Claude 或 DeepSeek；要处理超长文档，Kimi；要做多模态，Gemini 或 GPT-4o。

关于国内模型，我想多说一句。整体上跟国际顶尖模型确实还有差距，但这两年追得很快。DeepSeek 在 2025 年的几项基准测试上已经追平甚至超过 GPT-4 级别模型，而且价格只有几十分之一。在中文、代码、特定垂直领域，国产模型正在快速接近第一梯队。盲目悲观和盲目乐观都不对。

1.8 你得知道的另一面：AI 的风险

大多数 AI 科普文章只讲"能做什么"，不讲"会出什么问题"。我觉得对科普读者不太负责。下面这几件事你得知道：

偏见。AI 的知识来自训练数据，数据里有什么偏见，AI 就学什么偏见。比如它对某些职业的描述可能默认男性、对某些地区的描述可能带有刻板印象。这不是 AI 故意作恶，是数据本身的偏差被它学进去了。

隐私。你发给 AI 的内容，有可能被它拿去训练。OpenAI、Anthropic 现在都允许用户关闭"数据用于训练"的选项，但默认是开的。涉及公司机密、个人隐私的内容，要么关掉训练选项，要么用企业版。

深度伪造。AI 克隆声音、生成人脸视频已经到了普通人难辨真伪的程度。诈骗、舆论操纵、名誉攻击都在用这个。看到任何音视频"证据"，先存个疑。

版权。AI 生成的文章、图片、代码，著作权归谁？目前全球都没定论。商用前最好查清楚所用产品的条款。

就业冲击。AI 真的在重塑就业市场，但方式比"取代人类"复杂——它取代的是任务，不是岗位。会用 AI 的人，效率是不会用的人的好几倍。这意味着同一岗位的门槛在变。

1.9 动手任务

5 分钟试一试

打开任意一个 AI 产品（豆包、Kimi、通义都行，免费）。问它同一个问题三种问法，对比回答质量：

1. "怎么学 Python"

2. "我是销售，每周 5 小时学习时间，三个月内想能写脚本自动处理 Excel，给我计划"

3. "Python 入门要避开哪些坑"

你会直观感受到 Prompt 质量是怎么影响 AI 输出的。这个感受比读十篇教程都有用。

第二章 扣子（Coze）这类平台，为什么不是真正的 AI 开发

2.1 先说清楚扣子是什么

扣子（Coze）是字节跳动出的一个 AI 应用搭建平台。国内版叫扣子，国际版叫 Coze。宣传口号很诱人：不用写代码，拖拖拽拽就能搭出自己的 AI 应用。界面是可视化的工作流编辑器，看着挺有科技感。

市面上类似的还有一堆：Dify、n8n、Make（以前的 Integromat）、Zapier，都打着"无代码/低代码 AI 自动化"的旗号。

这些平台有没有价值？有。让完全不懂代码的人快速搭一个能跑的原型，这是它们实实在在的贡献。但问题在于：很多人把"在扣子上拖一个 Bot"等同于"我在做 AI 开发了"，这个认知会把你卡在半路。

2.2 这类平台的四个真实问题

我不用"骗人"这种词，因为这不准确。准确的说法是：这类平台给了用户一个误导性的认知。具体来说有四个问题。

▌ 问题一：平台锁定

你在扣子上搭的所有东西，都只能在扣子上跑。今天它免费，明天可能改收费；今天支持这个功能，明天可能下线。你花了几十小时搭的工作流、Bot、模板，平台政策一变，你几乎没有低成本迁移的办法。

这不是危言耸听。最近几年调整政策或直接关停的无代码平台不少。2023 年到 2025 年间，海外就有多个 AI 自动化平台缩减免费额度、调整 API 权限，甚至整个产品线关停。用户花心思搭的东西，迁移成本极高。你越依赖一个你控制不了的平台，你的风险就越高。

▌ 问题二：能力上限低

可视化工作流本质上就是把"如果……那么……"的逻辑画成图。简单自动化够用。但需求稍微复杂一点就捉襟见肘——处理异常、动态判断、跟外部系统深度集成，这些平台的"节点"根本不够用，你也没法写自定义逻辑。

打个比方，这就像用乐高搭房子。搭一个展示用的小模型没问题，但你真要住进去，它撑不住。

举个具体对比。同样做一个"自动总结邮件"的需求：

扣子的做法：拖一个"读取邮件"节点 → 拖一个"调用大模型"节点 → 拖一个"发送回复"节点 → 连线。如果中间某封邮件格式特殊、模型返回的不是预期格式、或者需要根据邮件内容动态决定要不要回复，你基本就卡住了。

代码的做法：写一个 Python 脚本，调邮箱 API 读邮件，调大模型 API 处理，根据返回内容用 if-else 判断怎么处理，出错了有 try-except 兜底，需要的话还能记日志、重试、发通知。逻辑想怎么写就怎么写。

差距不在"难不难"，在"能表达多少东西"。工作流图能表达的逻辑，代码全能表达；代码能表达的，工作流图表达不了多少。

▌ 问题三：教错了心智模型

这是最严重的问题。你用扣子学"AI 自动化"，学到的是：AI 就是拖节点、连线、填模板。这个认知会限制你的想象力。

真正的 AI 开发是另一回事。你可以通过代码调用任何模型、接入任何系统、实现任何逻辑。没有平台给你画的那条线。一旦你的思维被工作流图固化，再往下走进入真正的开发层面会非常难。这个弯路我见过太多人走过。

▌ 问题四：警惕付费课程陷阱

围绕扣子、Dify 这类平台，出现了大量付费课程、付费社群、付费模板。我不否认有些课程有价值，但判断标准你得有：

值得买的课程教什么？教底层原理（API 怎么调、Prompt 怎么写、模型怎么选）、教可迁移的技能（Python 基础、工程实践）。这类知识平台变了也不会过时。

不值得买的课程教什么？只教某个平台的操作步骤。平台一更新，你学的东西全废。你自己还不会真做开发。

判断标准很简单：这门课教的技能，换个平台还有用吗？如果答案是没有，那大概率是在卖焦虑。

2.3 工作流这个概念本身的问题

需要先声明一句：工作流在数据管道、ETL、运维编排这些成熟领域是行业标准，没问题。我这里批评的是"把工作流当作 AI 应用的核心架构"这件事。

工作流的思路是：把任务拆成一步步节点，每个节点做一件事，数据从上一个节点流到下一个。听起来合理。但在实际 AI 系统里，有几个根本问题工作流解决不了：

动态性。AI 的决策是动态的，工作流是静态的图。现实里任务很少能提前设计好每一步。当 AI 判断需要走一条你没预先画出的路径，工作流就卡死了。

异常处理。真实世界充满意外。API 超时了怎么办？返回了意料之外的格式怎么办？工作流图里加异常分支，节点一多就成一团乱麻，比直接写代码难维护十倍。

可维护性。工作流看起来直观，但节点超过二十个之后，比代码还难维护。你没法用版本控制、没法写注释、没法搜索某个逻辑。每次改动都是视觉上的迷宫。

协作。代码可以放 GitHub，多人协作、Code Review、自动化测试都成熟。工作流图封闭在平台里，协作成本极高，测试几乎不可能系统化。

调试。代码出错了，你有完整的错误堆栈、断点调试、日志系统。工作流出错了，你只能一个节点一个节点手动查，找起来像大海捞针。

我的结论是：工作流适合做简单的线性任务演示，不适合作为生产级 AI 系统的核心架构。要做能跑起来、能持续维护的 AI 系统，你需要的是代码，不是工作流图。

2.4 那我该怎么办

这一章全是"不推荐"，你可能要问：那我应该用什么？给你一个明确路径：

1. 先用对话工具（Claude、豆包、Kimi 都行）把 AI 用熟，理解它到底能干什么。

2. 学 Python 基础语法，不需要精通，能读懂代码就行。

3. 学会调用大模型 API，这是从"用 AI"到"开发 AI"的关键一跃。

4. 用代码做第一个小项目，比如自动总结一篇文章、自动回邮件。代码可能就一两百行。

扣子和 Dify 不是不能用，作为入门理解的工具可以。但不要在上面投入太多时间，更不要花钱买只教平台操作的课程。把那些时间和精力用来学 Python 基础，回报率高得多。

2.5 动手任务

10 分钟体验一下

去扣子或 Dify 注册一个账号，搭一个最简单的 Bot（比如"总结一段文字"）。亲身体验一下：

1. 搭起来快不快？

2. 能不能让它处理一种稍微特殊一点的输入（比如带表格的内容）？

3. 如果 Bot 返回结果不对，你能不能精准定位是哪一步出了问题？

体验完你就明白这一章在说什么了。

第三章 AI 编程是怎么一回事

3.1 AI 编程不是"让 AI 帮你写代码"

很多人听到"AI 编程"，第一反应是：让 ChatGPT 帮我写代码。这是一种用法，但不是 AI 编程的全部，甚至不是最重要的部分。

更准确的说法是：AI 编程是"以 AI 为核心能力、通过代码驱动的应用开发"。你写代码，但代码的目的是调用 AI 的能力来解决具体问题。就像汽车工程师写代码是为了控制发动机，你写代码是为了驾驭 AI 这个引擎，让它做你要它做的事。

所以这里有两件事：一是"用 AI 辅助写代码"（Cursor、Copilot 这类工具），二是"写代码调用 AI"（API 开发）。这章主要讲后者，因为它是真正做出 AI 应用的关键。

3.2 一个 AI 应用长什么样

看一个具体例子。假设你想做一个"自动处理客服邮件"的工具，它的流程是：

1. 接收邮件（连邮箱 API，监听新邮件）—— 这一步是代码

2. 读取内容，提取关键信息（用 AI 理解邮件意图：投诉？咨询？退款？）—— 这一步是 AI

3. 根据邮件类型选处理策略（程序逻辑判断，不同类型走不同分支）—— 这一步是代码

4. 调 AI 生成回复，加上知识库内容（RAG）—— 这一步是 AI

5. 发回复，把对话记录存数据库（再调邮箱 API 和数据库）—— 这一步是代码

你看，整个流程里代码和 AI 是交替出现的。代码负责流程调度和接口对接，AI 负责理解和生成。两者缺一不可。

这就是为什么光会用 AI 对话工具不够。你不会写代码，就只能做第 2 步和第 4 步，第 1、3、5 步卡死。整个流程串不起来。

3.3 AI 辅助编程工具降低了门槛

好消息是：现在学编程比五年前容易太多。因为出现了一批 AI 辅助编程工具。

Claude Code：在命令行里直接和 Claude 协作写代码，能读你的整个项目，理解上下文后给精准的修改建议。我自己日常开发的核心工具。

Cursor：基于 VS Code 的编辑器，内置 AI 对话、代码补全、自动修 Bug。新手体验最好。

GitHub Copilot：微软出品，写代码时实时补全，对常见代码模式预测很准。

这些工具的本质是同一个循环：你描述要做什么，AI 帮你写第一版代码；你运行、发现问题，再告诉 AI 哪里不对，AI 帮你改。这个循环让你在写代码的过程中学代码，是目前最高效的入门方式。

但有个前提：你要能读懂 AI 给你的代码，知道它大概在做什么。完全不懂代码逻辑，你没法判断 AI 写的是对是错，也没法给它正确的反馈。基础代码能力仍然必要，只是门槛降低了很多。

3.4 Python 还是 JavaScript

两个都是主流语言，都有大量 AI 相关库和教程。建议根据目标选：

选 Python：如果你主要做数据处理、脚本自动化、AI 模型调用、后端服务。Python 是 AI 领域的第一语言，绝大多数 AI 库（OpenAI、Anthropic SDK、LangChain 等）都优先支持 Python。语法简单，入门快。

选 JavaScript/TypeScript：如果你想写 Web 应用和交互界面。Web 前端必须用 JavaScript，没得选。Node.js 让 JavaScript 也能做后端，所以一个语言前后端全包。

实际上一个完整 AI 应用通常两个都要——Python 做后端，JavaScript 做前端。但你可以先学一个，边干边扩展。我建议大多数人从 Python 开始，AI 相关资源更多，上手更快。

3.5 调用大模型 API：AI 开发的核心操作

这一节是最重要的，必须讲清楚。

你在网页上用 Claude 或 ChatGPT，走的是人机对话界面。但如果你想让程序也能跟 AI 对话，要走另一条路：API 调用。

全流程是：

1. 注册账号，拿 API Key（密钥）。每个 AI 服务商都会给你一个类似 sk-ant-xxxxxxxx 的字符串。这是你调用服务的"门票"，要妥善保管，不能泄露，不能上传到 GitHub。

2. 在代码里构造一个"请求"，发给 AI 服务商的服务器。请求里包含：你的密钥（证明你是谁）、想用哪个模型、发给 AI 的消息（Prompt）、各种参数。

3. 等待 AI 服务器处理，返回"响应"。响应是一段 JSON 数据，里面有 AI 的回复文本，以及使用信息（用了多少 Token）。

4. 从响应里提取你要的内容，在程序里继续使用。

一个最简单的 Claude API 调用，Python 代码只有十几行：

import anthropic, os

# 1. 创建客户端，传入 API Key
client = anthropic.Anthropic(
    api_key=os.environ.get("ANTHROPIC_API_KEY")
)

# 2. 发送一条消息给 Claude
message = client.messages.create(
    model="claude-sonnet-4-5",     # 用哪个模型
    max_tokens=1024,                # 最多回多少 Token
    messages=[
        {"role": "user", "content": "用一句话解释什么是 API"}
    ]
)

# 3. 打印 AI 的回复
print(message.content[0].text)

运行之后，AI 的回复就打印出来了。你的第一个 AI 应用就跑起来了。

▌ 几个关键参数

model（模型名）：指定用哪个模型。不同模型能力不同、价格不同。Claude 系列里 sonnet 综合性价比最高，opus 最强但最贵，haiku 最快最便宜。按任务选，不是越贵越好。

max_tokens（最大生成长度）：限制 AI 最多回多少 Token。设太小会截断，设太大花钱多。

temperature（温度）：控制输出的"随机性"。给你一个直观的对比——同样问"写一首关于秋天的诗"：temperature=0 时，每次输出几乎一模一样；temperature=1 时，每次都不一样，可能写出意想不到的句子。写代码、格式化数据用 0；写文章、头脑风暴用 0.7 到 1。

system（系统提示）：在 messages 之前加一条 system 角色的消息，给 AI 设定背景、角色、规则。比如"你是一个专业的客服，只回答关于产品的问题，语气简洁友好"。这是 Prompt Engineering 里最重要的技巧之一。

messages（消息列表）：对话历史。要模拟多轮对话，把历史消息全部带上。AI 本身没有记忆，你每次要把它需要知道的上下文都塞进请求里。

▌ 流式输出

你用网页版 Claude 时，AI 的回复是一个字一个字蹦出来的，不是等全部生成完才显示。这就是流式输出（Streaming）。API 里也能开：

with client.messages.stream(
    model="claude-sonnet-4-5",
    max_tokens=1024,
    messages=[{"role": "user", "content": "讲一个故事"}]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

如果你做的是用户能看到的界面，流式输出能大幅提升体验——用户不用干等 AI 全部生成完才看到内容。

▌ 费用怎么算

按 Token 计费，输入和输出分别计价，输出通常更贵。正常开发调试费用极低，几美元能跑几千次。但用户量上来或 Prompt 很长时，费用会快速上升。习惯要养好：Prompt 尽量精简，别塞无关内容。

▌ 国内怎么调

Anthropic 和 OpenAI 的 API 在国内直接访问有障碍。两个解法：一是用网络代理；二是用国内能直接调的模型 API，比如 DeepSeek、通义千问、智谱 GLM。这些国产模型的 API 调用方式跟 Claude 几乎一样，把 SDK 换一下、模型名换一下就行。

如果你一定要调 Claude 或 GPT，可以用 API 中继服务（比如 OpenRouter），它在国内可访问的服务器上转发你的请求。但中继服务涉及第三方，密钥安全要自己评估。

3.6 你不需要成为专业程序员

这里说清楚一件事：你不需要把自己训练成全职工程师，才能做出有用的 AI 应用。

举个真实的例子。我认识一个做市场调研的朋友，不会编程，花了两周学 Python 基础，又花一周学会调 DeepSeek API。最后写了大概 200 行 Python 代码，做了一个工具：每天早上自动抓 5 个行业的新闻，让 AI 总结成 500 字简报，发到他的微信。原来每周要花 5 小时干的活，现在 0 小时。代码不复杂，但价值实实在在。

你需要的是：能读懂代码在做什么、能跑起来第一个版本、能在出错时知道去哪里找答案。剩下的，AI 工具帮你填补。目标是"能用"，不是"写得完美"。

3.7 动手任务

30 分钟跑通第一次 API 调用

1. 去 DeepSeek 官网注册账号，充值 10 块钱，拿到 API Key。

2. 在电脑上装 Python（3.10 以上版本），运行 pip install openai。

3. 复制下面这段代码，把 YOUR_API_KEY 换成你的 Key，保存为 test.py：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "用一句话解释什么是 API"}]
)

print(response.choices[0].message.content)

1. 运行 python test.py。看到 AI 的回复打印出来，你的第一个 AI 应用就跑起来了。

整个过程不会超过 30 分钟。跑通之后，你已经超过 90% 还在"想学 AI"但没动手的人了。