def 函数名(参数1, 参数2, ...):"""文档字符串（可选，说明函数作用）"""代码块return 返回值 # 可选Lambda 函数就是“一句话函数”——没有名字、只能写一行表达式的函数。lambda 参数1, 参数2, ... : 表达式print(age) # age 从未定义test()排查：检查变量是否拼写错误，或是否在函数外部定义但未传递进来。境界标志能写会定义和调用函数，理

装 PyCharm 之前先把 Python 装好，并且记得在安装时勾选“Add Python to PATH”——这个勾没打上，后面 PyCharm 可能找不到解释器。补充一句：2026 年后的 PyCharm 做了一些调整，安装后默认会送你 30 天专业版试用，试用期结束自动切回社区版的核心功能。如果报错，看红色的错误信息——PyCharm 会把出错的行号标出来，点一下就能跳到对应位置。如果还没

在日常开发中，我们常常被繁琐的重复性任务拖累：批量重命名文件、跨目录查找替换代码片段、或是根据模板生成大量 boilerplate 代码。这些工作不仅消耗时间，还容易因为人为疏忽导致错误。很多开发者试图编写脚本来解决，但往往陷入“为了写脚本而花更多时间”的怪圈，或者脚本缺乏灵活性，稍微变动需求就要推倒重来。其实，利用 Node.js 强大的生态系统配合现代化的自动化工具，我们可以构建出一套既灵活又

新手最容易漏的就是“写清楚版本号”。光写“React”不够，得写“React 18.2 + TypeScript 5.0”，不然 AI 可能用旧版语法。

Few-shot和思维链，本质上是你在教AI如何思考，而不是替它思考。你给的每一个例子、每一条步骤，都是在给AI搭建一个思维的脚手架。新手最容易犯的错是贪多——又想给10个例子，又想写超级详细的步骤，结果提示词长到模型都糊涂了。从最简单的开始。先拿一个你手头真实的任务，给2个例子+3步CoT，跑通了再慢慢加料。【模式】Few-shot + Chain-of-Thought【示例】[此处放2个你的黄

到这为止，你已经把从环境配置到成本控制的全流程过了一遍。别急着全部记住，把这篇存下来，遇到问题回来翻对应的章节。动手敲一遍代码比看十遍都有用。有什么卡住的，去 GitHub 上搜“llm api tutorial”或者直接问模型（当然，问的时候注意提示词优化，省点 Token 🙂）。

大模型 API 调用从"能调通"到"调得稳"，中间隔着的是对异常处理的重视程度。服务中断在大模型生态里不是意外，而是常态。把重试、超时、熔断、降级这些基本功做好，你的服务才能在各种抖动中依然保持可用。只重试可恢复的错误——别在认证失败上浪费时间用指数退避 + 抖动——别让重试变成二次攻击设置上限——最大重试次数、超时时间、并发数，都得有天花板。

先跑通：Ollama 装好，拉一个 7B 模型，能对话再调优：调整量化版本、上下文长度，让模型在你的机器上跑得最顺后微调：准备 200-500 条数据，用 LLaMA-Factory 跑一遍 LoRA最后上线：评估效果，切到 vLLM 提供 API 服务每一步都有明确的产出，卡住了就回头看对应的章节。本地部署大模型没有想象中那么难——选对工具、用对方法，普通开发者的电脑完全够用。

模块（Module）本质上就是一个.py 文件，里面包含变量、函数、类等代码。当我们把不同功能的代码分门别类放进不同的文件里，每个文件就是一个模块。在my_project文件夹下新建一个文件my_math.py"""两数相加""""""两数相减"""这个文件本身就是一个模块，名字叫my_math（不含 .py 后缀）。新建main.py，与my_math.py# main.py核心概念要点模块定义

优势是速度最快，GPU 版本在百万级数据集上毫秒级出结果，支持多种索引类型（FlatL2、IVF、HNSW 等），社区成熟。的存储架构更灵活，2.x 版本将存储层解耦为 RocksDB（本地存储）和对象存储（分布式存储），配合 etcd 管理元数据。FAISS 这边，当数据量从 500 万增长到 2000 万时，IVF_FLAT 索引的查询延迟从 12ms 飙升至 87ms，内存占用增加了 3.2