如果你最近关注AI编程工具，可能会发现一个有趣的现象：GitHub Trending榜上，那些曾经专注于代码生成的明星项目，比如Claude Code和Cursor，其社区讨论和衍生项目的焦点，正悄然从“写代码”转向“做视频”。这背后指向一个更根本的趋势：AI能力的泛化与融合。开发者们不再满足于让AI只当“程序员”，开始探索如何用同样的智能体（Agent）工作流，去自动化另一个内容创作的堡垒——视频制作。

这并非空穴来风。一个名为OpenMontage的项目正在引起广泛关注。它没有选择从零训练一个视频大模型，而是做了一件更“开发者友好”的事：将现有的顶尖AI工具（如GPT、Claude、Stable Diffusion、Suno等）像乐高积木一样拼接起来，通过智能体协调，打通从文案、配音、画面生成到剪辑合成的全链路。这意味着，一个会写Python脚本的开发者，现在可以用类似的思维和工具链，去批量生成高质量的短视频。 其核心价值不在于创造了新的底层AI能力，而在于通过工程化编排，显著降低了AI视频创作的综合门槛和操作成本。

本文将为你深入解析这一现象背后的技术逻辑。我们不仅会探讨Claude Code、Cursor这类智能编程工具的能力如何迁移到视频领域，更会以OpenMontage为例，提供一个完整的、可实操的技术方案拆解。你会了解到：

  1. “智能体转岗”的本质是什么？ 从代码生成到视频生成的范式迁移。
  2. OpenMontage如何工作？ 其架构设计、核心模块与工作流。
  3. 如何亲手搭建一个自动化AI视频流水线？ 从环境准备到运行第一个视频的完整指南。
  4. 实践中会遇到哪些“坑”？ 资源消耗、模型选择、效果调优等关键问题。
  5. 这代表了什么方向？ 对开发者、内容创作者以及AI应用生态的启示。

无论你是想为自己的项目制作宣传视频，还是探索AI多模态应用开发的新机会，这篇文章都将提供从理论到实践的完整路径。

1. 现象背后：为什么是“编程智能体”跨界“视频生成”？

要理解Claude Code、Cursor的相关讨论为何转向视频，首先要明白它们的核心是什么。它们并非简单的代码补全工具，而是 基于大语言模型（LLM）的智能体（Agent） 。其核心能力可以拆解为：

  • 任务理解与规划 ：将用户模糊的需求（如“实现一个登录API”）分解为具体的子任务（定义路由、编写验证逻辑、连接数据库等）。
  • 上下文感知与工具调用 ：能理解当前代码库的上下文，并调用代码编辑器、终端、浏览器等工具执行具体操作（如创建文件、运行命令、搜索文档）。
  • 迭代与调试 ：根据执行结果（如错误信息）进行反思，并调整后续计划。

当我们将“生成一个关于Python入门教程的短视频”作为需求输入给这类智能体时，上述能力恰好能映射到视频制作流程：

  1. 任务规划 ：智能体将视频制作分解为“撰写脚本 -> 生成分镜提示词 -> 为每段分镜生成画面 -> 生成背景音乐和配音 -> 合成时间线”。
  2. 工具调用 ：智能体可以调用不同的“工具”：
    • 调用 GPT/Claude 撰写视频脚本和分镜描述。
    • 调用 Stable Diffusion/DALL·E 3 根据描述生成图片或视频帧。
    • 调用 Suno/Bark 生成背景音乐和语音配音。
    • 调用 FFmpeg/MoviePy 进行最终的视频剪辑与合成。
  3. 迭代优化 ：智能体可以根据生成的中间结果（如某张图片质量不佳、配音语调不对）自动调整提示词或重新调用工具。

因此，所谓的“转岗”，实质上是同一套智能体范式在不同领域（从代码到多媒体内容）的应用扩展。 开发者熟悉的“用自然语言描述需求，让AI完成复杂工程”的模式，正在变得通用化。OpenMontage这类项目，可以看作是为视频生成这个特定领域，预先配置好了一套标准化工具链和流程的“智能体应用框架”。

2. 核心概念：智能体编排与全链路AI视频生成

在深入OpenMontage之前，需要明确几个关键概念，这有助于理解其设计哲学。

2.1 智能体（Agent）与编排（Orchestration）

  • 智能体 ：在此语境下，指能够理解目标、制定计划、调用工具并执行任务的大模型驱动系统。Claude Code、Cursor中的AI助手就是一个面向编程领域的智能体。
  • 编排 ：指协调多个智能体或工具，按照特定工作流顺序执行任务的过程。就像导演指挥编剧、摄影师、配音演员共同完成一部电影。

2.2 全链路AI视频生成

与传统单一功能的AI视频工具不同，全链路方案追求端到端的自动化：

  • 输入 ：一个简单的主题或关键词（如“咖啡拉花教程”）。
  • 输出 ：一个包含画面、配音、字幕、背景音乐的完整视频文件。
  • 中间过程 ：完全由AI自动完成，涵盖 文案、音频、视觉、剪辑 四大核心环节。

2.3 OpenMontage的定位

OpenMontage不是一个单一的AI模型，而是一个 开源的工作流编排框架 。它：

  1. 集成 ：将多个开源的或提供API的AI服务（LLM、文生图、文生音频、语音合成）连接起来。
  2. 编排 ：定义了一套制作短视频的标准流程（脚本->分镜->图/声->合成）。
  3. 可扩展 ：允许开发者替换其中的任一模块（例如，把Stable Diffusion换成Midjourney API，把Suno换成ElevenLabs）。

它的出现，解决了AI视频制作中最大的痛点： 流程碎片化 。用户不再需要手动在五六个网站和工具间来回切换、下载上传文件、调整格式。

3. 环境准备：搭建你的AI视频工作室

在开始运行OpenMontage之前，你需要准备一个具备足够计算资源的开发环境。由于涉及多个AI模型，对硬件有一定要求。

3.1 基础环境要求

  • 操作系统 ：推荐 Linux (Ubuntu 20.04+) 或 macOS。Windows可通过WSL2运行。
  • Python ：版本 3.8 - 3.11。建议使用虚拟环境。
  • 硬件 ：
    • CPU ：现代多核处理器。
    • 内存 ：至少16GB RAM，推荐32GB以上。多个模型同时运行非常消耗内存。
    • GPU（强烈推荐） ：用于加速Stable Diffusion等图像生成模型。至少需要8GB显存的NVIDIA GPU（如RTX 3070/4060 Ti及以上）。使用CPU生成图像将极其缓慢。
    • 存储 ：至少20GB可用空间，用于存放模型和生成的中间文件。

3.2 关键依赖与API准备

OpenMontage依赖多个外部服务，部分需要API密钥或本地部署模型。

  1. 大语言模型（LLM）服务 ：用于生成脚本和分镜描述。

    • 选项A（在线API，简单） ：准备一个OpenAI API密钥或 Anthropic Claude API密钥。
    • 选项B（本地部署，隐私好） ：部署一个本地LLM，如Qwen、Llama等，并通过Ollama或vLLM提供API接口。

  2. 图像生成模型 ：用于生成视频画面。

    • 选项A（在线API，质量高） ：准备Stability AI或Replicate的API密钥。
    • 选项B（本地部署，控制性强） ：部署Stable Diffusion WebUI（Automatic1111）或ComfyUI，并启用其API功能。这是最常用的方式。

  3. 语音合成模型 ：用于生成配音。

    • 选项A（在线API） ：准备ElevenLabs、Microsoft Azure TTS或Google Cloud TTS的API密钥。
    • 选项B（本地部署） ：部署Bark、XTTS等开源TTS模型。

  4. 背景音乐生成 ：可选，Suno API目前需申请，也可使用本地模型如MusicGen，或直接使用无版权音乐库。

3.3 安装OpenMontage

假设你已经准备好了Python环境，我们通过克隆仓库和安装依赖来开始。

# 1. 克隆项目仓库（请替换为实际的仓库地址，此处为示例）
git clone https://github.com/your-org/openmontage.git
cd openmontage

# 2. 创建并激活Python虚拟环境（推荐）
python -m venv venv
source venv/bin/activate  # Linux/macOS
# venv\Scripts\activate  # Windows

# 3. 安装项目依赖
pip install -r requirements.txt

注意：实际的OpenMontage项目依赖可能包含 torch , transformers , openai , ffmpeg-python , moviepy 等，请以项目官方 requirements.txt 为准。

4. 核心流程拆解：OpenMontage如何一步步生成视频？

理解工作流是有效使用和调试的关键。OpenMontage的典型流程可分为以下五个阶段，我们可以将其类比为一个电影制片厂的生产线：

4.1 第一阶段：创意与剧本（LLM驱动）

  • 输入 ：用户提供一个主题（ prompt ），例如“Explain the concept of quantum computing in 60 seconds”。
  • 过程 ：系统调用配置的LLM（如GPT-4），根据主题生成一个结构化的视频脚本。脚本通常包括：
    • 整体旁白文案。
    • 按时间线分割的多个 scene （场景）。
    • 每个 scene 对应的视觉描述（ visual_description ）和配音文本（ narration_text ）。
  • 输出 ：一个JSON或YAML格式的脚本文件，包含了视频的“蓝图”。

4.2 第二阶段：视觉化（文生图模型驱动）

  • 输入 ：第一阶段生成的每个 scene 的 visual_description 。
  • 过程 ：系统为每个场景描述调用图像生成模型（如Stable Diffusion），生成对应的静态图片或短动画序列。这里可能涉及复杂的提示词工程，OpenMontage可能会在原始描述前添加一些通用的质量修饰词（如“cinematic, high quality, 4k”）。
  • 输出 ：一系列图片文件（如 scene_1.png , scene_2.png ）。

4.3 第三阶段：听觉化（语音与音乐合成）

  • 输入 ：
    1. 每个 scene 的 narration_text （用于配音）。
    2. 视频的整体风格或情感（用于背景音乐）。
  • 过程 ：
    1. 配音 ：调用TTS服务，将每一段 narration_text 合成为语音音频文件（如 scene_1_voice.mp3 ）。
    2. 背景音乐 ：调用音乐生成模型或从库中选择，生成一段与视频时长、风格匹配的背景音乐（ bgm.mp3 ）。
  • 输出 ：语音音频文件和背景音乐文件。

4.4 第四阶段：剪辑与合成（编程库驱动）

  • 输入 ：所有生成的图片、语音片段、背景音乐，以及它们的时间线信息（每个场景持续多久）。
  • 过程 ：系统使用 moviepy 、 FFmpeg 等多媒体处理库，执行以下操作：
    1. 将图片序列转换为视频流。
    2. 将语音音频文件按顺序拼接。
    3. 混合语音和背景音乐，调整音量平衡。
    4. 可选：添加字幕（根据语音文本生成 .srt 字幕文件并烧录）。
    5. 将所有轨道对齐，渲染输出最终视频。
  • 输出 ：一个完整的视频文件（如 output_final.mp4 ）。

4.5 第五阶段：优化与迭代（智能体驱动）

这是一个高级环节。更完善的系统会引入“评审智能体”，对生成的中间产物（如图像质量、语音情感）进行评估，如果不达标，则自动重新生成该部分，形成一个闭环。

5. 配置与实战：从零生成你的第一个AI视频

下面我们以一个简化版的配置和运行示例，演示如何使用OpenMontage（或其类似项目）的核心思想来生成视频。我们将使用本地部署的Stable Diffusion和在线TTS API。

5.1 配置文件详解

大多数此类项目使用一个配置文件（如 config.yaml ）来管理所有参数和API密钥。

# config.yaml
openai:
  api_key: "sk-..." # 用于生成脚本，如果使用本地LLM则不需要
  model: "gpt-4o-mini"

text_to_image:
  engine: "stable_diffusion_local" # 使用本地SD
  api_base: "http://127.0.0.1:7860" # Stable Diffusion WebUI 的API地址
  sd_model: "dreamshaper_8.safetensors" # 指定使用的模型
  width: 1024
  height: 576
  steps: 20

text_to_speech:
  engine: "elevenlabs" # 使用在线TTS
  api_key: "your_elevenlabs_api_key"
  voice_id: "21m00Tcm4TlvDq8ikWAM" # 特定配音演员的ID

video:
  output_dir: "./generated_videos"
  fps: 24
  resolution: "1024x576"
  background_music: "./assets/calm_bgm.mp3" # 预下载的背景音乐

5.2 核心脚本示例

我们来看一个执行核心流程的Python脚本主函数。

# main.py
import yaml
import asyncio
from script_generator import generate_script
from image_generator import generate_images_for_scenes
from audio_generator import generate_narration_audio
from video_composer import compose_video

def load_config(config_path='config.yaml'):
    with open(config_path, 'r') as f:
        return yaml.safe_load(f)

async def main():
    # 1. 加载配置
    config = load_config()
    
    # 2. 用户输入主题
    topic = input("请输入视频主题: ") or "The Life Cycle of a Butterfly"
    
    # 3. 生成视频脚本（JSON结构）
    print("正在生成视频脚本...")
    video_script = await generate_script(topic, config['openai'])
    print(f"脚本生成成功，共 {len(video_script['scenes'])} 个场景。")
    
    # 4. 为每个场景生成图像
    print("正在生成场景图像...")
    image_paths = await generate_images_for_scenes(video_script['scenes'], config['text_to_image'])
    
    # 5. 为每个场景生成配音
    print("正在生成配音...")
    audio_paths = await generate_narration_audio(video_script['scenes'], config['text_to_speech'])
    
    # 6. 合成最终视频
    print("正在合成视频...")
    output_path = compose_video(
        script=video_script,
        image_paths=image_paths,
        audio_paths=audio_paths,
        bgm_path=config['video']['background_music'],
        output_config=config['video']
    )
    
    print(f"视频生成完成！保存路径: {output_path}")

if __name__ == "__main__":
    asyncio.run(main())

5.3 关键模块实现片段

以图像生成模块为例，展示如何调用本地Stable Diffusion API。

# image_generator.py
import aiohttp
import base64
import os
from io import BytesIO
from PIL import Image

async def generate_image(prompt, config):
    """调用本地Stable Diffusion WebUI API生成单张图片"""
    api_url = f"{config['api_base']}/sdapi/v1/txt2img"
    
    payload = {
        "prompt": f"{prompt}, masterpiece, best quality, 4k",
        "negative_prompt": "worst quality, low quality, blurry",
        "steps": config.get('steps', 20),
        "width": config['width'],
        "height": config['height'],
        "cfg_scale": 7,
    }
    
    async with aiohttp.ClientSession() as session:
        async with session.post(api_url, json=payload) as response:
            if response.status == 200:
                r = await response.json()
                # API返回base64编码的图片
                image_data = base64.b64decode(r['images'][0])
                return Image.open(BytesIO(image_data))
            else:
                error_text = await response.text()
                raise Exception(f"Image generation failed: {error_text}")

async def generate_images_for_scenes(scenes, config):
    """为所有场景生成图片"""
    image_paths = []
    os.makedirs("temp_images", exist_ok=True)
    
    for i, scene in enumerate(scenes):
        print(f"生成第 {i+1} 个场景图像: {scene['visual_description'][:50]}...")
        try:
            image = await generate_image(scene['visual_description'], config)
            path = f"temp_images/scene_{i:03d}.png"
            image.save(path)
            image_paths.append(path)
        except Exception as e:
            print(f"场景 {i+1} 图像生成失败: {e}")
            # 可以提供一个默认图片或重试逻辑
            image_paths.append(None)
    return image_paths

5.4 运行与验证

  1. 启动依赖服务 ：确保本地Stable Diffusion WebUI（如Automatic1111）已启动，并开启了 --api 选项。
  2. 配置API密钥 ：将 config.yaml 中的 openai.api_key 和 text_to_speech.api_key 替换为你自己的。
  3. 运行主程序 ： 
    python main.py
  4. 观察控制台 ：程序会按阶段打印日志。成功后会输出视频文件路径。
  5. 验证结果 ：播放生成的视频，检查画面、配音、节奏是否匹配。第一版通常不完美，这引出了下一个关键部分：问题排查与调优。

6. 常见问题与排查思路

在实际操作中，你几乎一定会遇到各种问题。下表列出了典型问题及其解决方法。

问题现象 可能原因 排查方式 解决方案
脚本生成内容空洞或跑题 1. LLM提示词（Prompt）不精确。
2. 使用的LLM能力不足（如用了GPT-3.5）。		 1. 检查发送给LLM的提示词模板。
2. 查看生成的原始脚本JSON。		 1. 优化提示词，明确要求结构（如“分5个场景，每个场景包含视觉描述和配音文本”）。
2. 升级到更强的LLM（如GPT-4、Claude 3）。
生成的图片风格不一致或质量差 1. Stable Diffusion提示词未优化。
2. 使用了不合适的模型。
3. 显存不足导致图像尺寸小。		 1. 查看发送给SD的最终提示词。
2. 单独测试SD模型生成效果。
3. 检查GPU显存使用情况。		 1. 在 visual_description 前后添加统一的风格化修饰词（如“cinematic shot, photorealistic”）。
2. 更换更适合的SD模型（如Realistic Vision, DreamShaper）。
3. 降低生成图片的分辨率或使用 --medvram 参数启动SD。
语音合成不自然或语速不对 1. TTS引擎或语音ID选择不当。
2. 文本未进行朗读优化（如数字、缩写）。		 1. 试听不同语音ID的样本。
2. 检查合成的原始音频。		 1. 在ElevenLabs等平台预览并选择合适的声音。
2. 对文本进行预处理，将“2024”转为“二零二四年”，将“AI”转为“人工智能”。
视频合成失败或音画不同步 1. 图片/音频列表与脚本中的场景数量不匹配。
2. moviepy / FFmpeg 版本或编码器问题。
3. 每个场景的持续时间计算错误。		 1. 检查 image_paths 和 audio_paths 的长度。
2. 查看详细的错误堆栈信息。
3. 打印每个场景的起止时间。		 1. 增加健壮性检查，确保每个场景都有对应的媒体文件。
2. 固定 moviepy 和 FFmpeg-python 的版本，确保编码器可用。
3. 根据配音音频的 实际时长 动态调整场景图片的显示时长，而不是预设固定时长。
整个流程运行速度极慢 1. 在CPU上运行图像生成。
2. 串行执行所有任务（等图生成完才生成语音）。
3. 网络请求（API调用）未使用异步。		 1. 监控CPU/GPU使用率。
2. 分析各阶段耗时。
3. 检查是否为异步IO。		 1. 必须使用GPU 进行图像生成。
2. 将 独立的任务并行化 （如图像生成和语音生成可以同时进行）。
3. 使用 asyncio 和 aiohttp 进行并发API调用。
内存不足（OOM）崩溃 1. 同时加载多个大模型（LLM, SD, TTS）。
2. 高分辨率图片处理占用大量内存。		 1. 监控系统内存和显存。
2. 观察崩溃发生在哪个阶段。		 1. 采用 懒加载 策略，用完一个模型后释放其资源。
2. 降低图像生成分辨率，或在合成前将图片缩放到目标尺寸。

7. 最佳实践与进阶优化指南

当你成功运行基础流程后，以下实践能帮助你提升视频质量和系统效率。

7.1 提示词工程：从“能生成”到“生成得好”

  • 结构化脚本提示 ：给LLM的指令必须清晰。例如：“你是一个专业的视频脚本作家。请为一个时长60秒的科普短视频撰写脚本。主题是：[主题]。要求：1. 脚本包含5个场景。2. 每个场景提供：视觉描述（用于AI生成画面，详细且包含风格）、配音文本（用于TTS朗读，口语化）。3. 整体风格为：[风格]。”
  • 图像提示词优化 ：为 visual_description 添加 通用质量标签 和 风格锁定器 。例如，在描述前固定加上“ (masterpiece, best quality, 4k, cinematic), [具体描述] ”。对于需要风格一致的视频，可以在每个提示词中加入相同的艺术家或风格关键词，如“in the style of Studio Ghibli”。
  • 负面提示词 ：在Stable Diffusion中配置全局负面提示词，如“ worst quality, low quality, blurry, text, watermark ”，以过滤常见低质元素。

7.2 工作流优化：提升速度与稳定性

  • 并行化执行 ：图像生成和音频生成是I/O密集型任务，彼此独立。使用 asyncio.gather() 并发执行，可以大幅缩短总耗时。 
    # 优化后的执行片段
image_task = asyncio.create_task(generate_images_for_scenes(scenes, image_config))
audio_task = asyncio.create_task(generate_narration_audio(scenes, audio_config))
image_paths, audio_paths = await asyncio.gather(image_task, audio_task)
  • 缓存与复用 ：对于经常使用的元素（如片头片尾、背景音乐、通用转场），生成一次后存入缓存，避免重复生成。
  • 错误处理与重试 ：网络请求和AI生成具有不确定性。必须为每个关键步骤（API调用）添加重试机制和降级方案（如生成失败时使用默认图片/语音）。

7.3 效果增强：让视频更专业

  • 动态运镜 ：不要只生成静态图片。可以指示SD生成“zoom in”, “pan left”等效果的图片序列，或在剪辑时使用 moviepy 添加缩放、平移动画。
  • 多音轨与混音 ：背景音乐音量应低于配音。使用 moviepy 的 CompositeAudioClip 时，用 volumex 参数调整音量平衡。 
    from moviepy.editor import CompositeAudioClip, AudioFileClip
voice_audio = AudioFileClip("voice.mp3")
bgm_audio = AudioFileClip("bgm.mp3").volumex(0.3) # 背景音乐音量设为30%
final_audio = CompositeAudioClip([voice_audio, bgm_audio])
  • 智能字幕 ：利用语音识别（如OpenAI Whisper）将生成的配音转成字幕，再使用 moviepy 的 TextClip 动态添加到视频中，提升观看体验。

7.4 工程化与部署

  • 配置中心化 ：将所有API密钥、模型路径、生成参数放在环境变量或配置文件中，切勿硬编码在脚本里。
  • 日志与监控 ：为每个生成任务生成唯一ID，记录详细的日志（耗时、使用的模型、成功/失败状态），便于问题追溯和成本分析。
  • 容器化部署 ：使用Docker将整个环境（Python依赖、FFmpeg、模型文件）打包，确保在不同服务器上运行一致。

8. 总结：从“玩具”到“工具”的思考

Claude Code、Cursor社区对AI视频生成的关注，以及OpenMontage这类项目的出现，标志着一个清晰的拐点： AI智能体技术正从解决单一的、结构良好的编程问题，迈向解决复杂的、多模态的创意生产问题。 对于开发者而言，这不仅仅是多了一个做视频的工具，其深层意义在于：

  1. 能力范式的扩展 ：你掌握的智能体编排、工具调用、工作流自动化等技能，变得高度可迁移。今天你在代码编辑器里用Agent重构函数，明天你就可以用同样的思维架构一个自动化营销内容工厂。
  2. 开发门槛的降低 ：过去需要组建专业团队（编导、拍摄、剪辑）才能完成的内容生产，现在可能由一个具备工程思维的开发者主导。这催生了新的产品形态和创业机会。
  3. 关注点的转移 ：竞争焦点从“谁拥有最牛的单一模型”，部分转向“谁能最优雅、最稳定、最高效地 集成和编排 这些模型”。工程化能力、系统设计能力变得前所未有的重要。

当然，目前这类全链路方案生成的视频，在画面连贯性、叙事逻辑、情感表达上，与专业人类作品仍有差距。它更适合信息密度高、对画面艺术性要求相对固定的场景，如知识科普、产品介绍、新闻简报、社交媒体短视频等。

给你的行动建议是 ：不要只停留在惊叹。最好的学习方式是动手复现一个最小可行流程。从配置一个本地Stable Diffusion开始，尝试用Python脚本将一段文本变成几张图，再合成一段带配音的幻灯片视频。在这个过程中，你会深刻理解提示词工程、资源管理、异步编程、错误处理等一系列实际问题。这远比单纯阅读文章更有价值。

技术的浪潮总是从边缘创新开始，最终席卷主流。AI视频生成的“编程式”创作时代已经开启，而钥匙正掌握在理解自动化与集成的开发者手中。

# AI智能体 # 视频生成
Logo
亚马逊云科技技术品牌专区

更多推荐

2026年量化工具选择，要跟着能力基础走

读者应理解，选择工具前要先判断自己的能力基础和当前任务。工具应该帮助自己补上当前最关键的缺口，而不是替代学习顺序本身。

avatar 亚马逊云科技技术品牌专区

加州理工 CS367 C 语言系统编程笔记（一）

C语言是一种强大且广泛使用的编程语言，尤其在系统编程领域。本节课我们将学习C语言的基础语法，包括如何编写“Hello, World!”程序、声明变量以及使用基本数据类型。我们将通过实际的代码示例来加深理解。本节课中我们一起学习了C语言的基础语法，包括如何编写和运行一个简单的C程序、声明变量以及使用基本数据类型。我们还介绍了如何使用Shell环境来编译和运行程序。通过对比Java，你可以看到C语言在

avatar 亚马逊云科技技术品牌专区

近期零基础学量化，先按基础差异拆学习顺序

读者应明白，拆解学习顺序时要先看自己的基础缺口，再决定哪一段需要放慢。不同流程阶段都有不同检查任务，学习路线要能反映这些差异。

avatar 亚马逊云科技技术品牌专区