作为一名持续学习者，无论是啃专业书籍还是刷线上课程，“记笔记” 这件事总让我又爱又恨。爱它能帮我巩固知识，恨它总打断学习节奏，还常常因为总结不到位留下隐患。直到我尝试用 AI 大语言模型解决这个问题，才真正摆脱了传统笔记的困境。这篇博客会先聊聊学习笔记的痛点，再给出第一个实战代码案例（基于 DashScope SDK 调用通义千问），帮你迈出 AI 辅助学习的第一步。

一、为什么传统记笔记让我们疲惫？

先说说我的亲身经历吧。前段时间我读《数据分析实战：从入门到精通》，为了记笔记，经常看到一半就得停下来：要么在书本空白处写要点，写着写着就没地方了；要么打开 Word 逐段概括，一篇 20 页的章节要花 1 个多小时，等记完笔记，之前理解的知识点又忘了一半。

更麻烦的是后期复习。传统笔记要么是零散的要点，要么是大段的文字，没有清晰的逻辑结构。比如讲到 “数据清洗” 时，我记了 “缺失值处理方法”“异常值检测技巧”，但没写这些方法之间的适用场景差异，复习时还要重新翻书梳理，效率特别低。

相信很多人都有类似的困扰：边学习边记笔记，打断专注度；手动总结易遗漏重点，缺乏系统性；复习时找不到知识关联，回顾效率低。这时候，AI 大语言模型（如通义千问）就能帮我们解决这些问题。

二、AI 生成学习笔记的核心逻辑

用通义千问这类 AI 工具生成学习笔记，核心不是让 AI “替我们学习”，而是让 AI “帮我们整理知识”。具体来说，操作逻辑分三步：

  1. 提取核心信息：我们先快速浏览学习内容（比如书籍目录、章节重点、课程 PPT 要点），把关键框架和核心观点提炼出来（不用写得很详细，比如 “第 3 章 数据清洗：缺失值处理、异常值检测、重复值删除”）。
  2. 给 AI 明确指令：把提炼的信息和需求告诉 AI，比如 “基于这些内容，生成一份学习笔记，要求包含每个知识点的定义、方法、适用场景，还要举 1 个简单例子”。
  3. 调整补充优化：AI 生成笔记后，我们再根据自己的理解补充细节（比如自己在学习中遇到的疑问）、修正偏差（比如 AI 举例不准确的地方），形成最终的个性化笔记。

这种方式的优势很明显：既能保持学习时的专注度（不用边学边记），又能让笔记结构清晰、重点突出，还能通过 AI 举例加深理解。接下来，我们就用代码实现第一步：通过 DashScope SDK 调用通义千问，基于书籍目录和章节重点生成初步学习笔记。

三、实战代码：通过 DashScope SDK 调用通义千问生成学习笔记（基础版）

DashScope（灵积）是阿里云推出的大模型开发平台，通过其 Python SDK 能更便捷地调用通义千问系列模型，且支持免费额度，对个人学习者非常友好。要实现功能，需准备两样东西：一是阿里云账号及 DashScope API 密钥（新用户可免费申请）；二是 Python 环境（建议用 Python 3.8 及以上版本）。

3.1 环境准备

首先，完成 DashScope API 密钥的获取：

  1. 登录阿里云官网（阿里云-计算，为了无法计算的价值），进入 “DashScope 灵积平台”（模型服务灵积 DashScope - 阿里云）；
  2. 完成实名认证后，在平台控制台的 “API 密钥” 模块，创建并获取你的 API 密钥（即 “API-KEY”），务必妥善保存，避免泄露给他人。

然后安装 DashScope Python SDK，打开终端（Windows 系统打开命令提示符，Mac/Linux 系统打开终端），输入以下命令并回车：

pip install dashscope -U

“-U” 参数能确保安装最新版本的 SDK，避免因版本过旧导致调用异常。

3.2 基础代码实现

下面的代码会实现一个完整功能：输入书籍的基本信息（书名、目录、章节重点），通过 DashScope SDK 调用通义千问，生成符合结构化要求的学习笔记。

# 导入DashScope相关模块
import dashscope
from dashscope import Generation

# 1. 配置DashScope API密钥（替换成你的API-KEY）
def init_dashscope(api_key: str):
    """初始化DashScope，设置API密钥"""
    dashscope.api_key = api_key
    print("DashScope初始化完成，已配置API密钥")

# 2. 定义学习内容的核心信息（以《数据分析实战：从入门到精通》为例）
book_info = {
    "book_name": "数据分析实战：从入门到精通",
    "catalog": [
        "第1章 数据分析基础：数据分析定义、流程、常用工具（Python、SQL）",
        "第2章 数据采集：数据源类型（结构化、非结构化）、采集工具（Requests、Scrapy）",
        "第3章 数据清洗：缺失值处理（删除法、填充法）、异常值检测（箱线图、Z-score）、重复值删除"
    ],
    "chapter_highlights": [
        "第1章重点：数据分析流程包括明确目标→数据采集→数据清洗→数据分析→可视化→结论输出；常用工具中Python适合数据处理和建模，SQL适合数据查询。",
        "第2章重点：结构化数据来源包括数据库、Excel，非结构化数据包括网页、文本；Requests适合简单网页数据采集，Scrapy适合复杂爬虫项目。",
        "第3章重点：缺失值填充法分为均值填充（适合正态分布数据）、中位数填充（适合偏态分布数据）、众数填充（适合分类数据）；异常值检测中Z-score法适合正态分布数据，箱线图法对异常值不敏感。"
    ]
}

# 3. 构造给通义千问的指令（Prompt）
def build_prompt(book_info: dict) -> str:
    """根据书籍信息构建结构化Prompt"""
    catalog_str = ", ".join(book_info["catalog"])
    highlights_str = ", ".join(book_info["chapter_highlights"])
    
    prompt = f"""
请基于以下书籍信息，为我生成一份结构化的学习笔记：

1. 书籍名称：{book_info['book_name']}
2. 书籍目录：{catalog_str}
3. 章节重点：{highlights_str}

笔记必须满足以下要求：
- 严格分章节整理，每个章节下必须包含“核心概念”“关键方法”“适用场景”三个固定部分，不允许遗漏；
- 每个关键方法后面必须附带1个简单易懂的实际例子（例如：数据清洗方法举例需说明“当处理学生考试成绩（正态分布数据）时，用均值填充缺失值”）；
- 语言风格简洁明了，避免使用过于复杂的专业术语，若涉及术语需用通俗语言简要解释，适合复习时快速理解和回顾。
"""
    return prompt

# 4. 调用通义千问生成学习笔记
def generate_study_notes(api_key: str, prompt: str) -> str:
    """通过DashScope调用通义千问生成学习笔记"""
    try:
        # 初始化DashScope
        init_dashscope(api_key)
        
        # 配置生成参数并发送请求
        response = Generation.call(
            model=Generation.Models.qwen_turbo,  # 选用qwen-turbo模型，免费额度充足、响应快
            prompt=prompt,
            temperature=0.3,  # 控制随机性：0-1区间，0.3确保内容稳定准确，避免偏离知识点
            max_tokens=1500,  # 控制生成长度：1500 tokens约对应500-600汉字，覆盖3个章节核心内容
            top_p=0.9,  # 控制生成内容的多样性，0.9兼顾准确性和丰富度
            result_format="text"  # 输出格式为纯文本，方便直接打印和后续编辑
        )
        
        # 解析响应结果
        if response.status_code == 200 and response.output is not None:
            return response.output["text"]
        else:
            return f"生成失败：{response.message}（错误码：{response.status_code}）"
    except Exception as e:
        # 捕获常见异常（如API密钥错误、网络中断、额度不足等）
        return f"生成笔记时出现异常：{str(e)}"

# 5. 执行函数并打印最终笔记
if __name__ == "__main__":
    # 替换为你的DashScope API密钥
    YOUR_DASHSCOPE_API_KEY = "your-dashscope-api-key-here"
    
    # 构建Prompt
    prompt = build_prompt(book_info)
    
    # 生成并打印笔记
    study_notes = generate_study_notes(YOUR_DASHSCOPE_API_KEY, prompt)
    print("="*60)
    print(f"《{book_info['book_name']}》学习笔记（通义千问-基于DashScope生成）")
    print("="*60)
    print(study_notes)

3.3 代码说明

  1. DashScope 初始化：通过init_dashscope函数设置 API 密钥，这是调用通义千问的前提。需要注意的是，API 密钥是个人重要信息，若在公共环境（如共享代码库）使用，建议通过环境变量（如os.getenv("DASHSCOPE_API_KEY")）获取，避免直接硬编码。
  2. 学习内容定义：book_info字典保持了清晰的结构，包含书籍名称、目录和章节重点。当前需要手动提炼这些信息，后续博客会教大家通过 Python 自动提取 PDF 书籍 / PPT 的目录和重点，彻底省去手动输入的步骤。
  3. Prompt 构建：build_prompt函数将零散的书籍信息整合成结构化指令，明确要求 AI 按 “分章节 + 三部分内容” 生成笔记，且必须附带例子。这种 “明确要求 + 约束条件” 的 Prompt 设计，能让通义千问更精准地理解需求，避免生成不符合预期的内容。
  4. 核心调用参数：
    • model=Generation.Models.qwen_turbo：选用通义千问的 “qwen-turbo” 模型，该模型是 DashScope 平台的基础模型，免费额度充足（新用户可获得 100 万 tokens 免费额度），响应速度快（通常 1-3 秒出结果），完全能满足学习笔记生成的需求；
    • temperature=0.3：取值范围 0-1，数值越低，生成内容越稳定、准确。设置为 0.3 能有效避免 AI 生成偏离知识点的冗余信息，确保笔记重点突出；
    • max_tokens=1500：限制生成内容的最大长度，1500 tokens 约等于 500-600 个汉字，既能完整覆盖 3 个章节的核心内容，又不会因内容过长导致阅读和编辑负担；
    • result_format="text"：指定输出格式为纯文本，方便后续直接打印、保存为文档或进行二次编辑。

3.4 运行结果示例

将代码中的YOUR_DASHSCOPE_API_KEY替换为你的实际 API 密钥，运行代码后，会得到类似以下的输出（截取部分内容）：


DashScope初始化完成，已配置API密钥

============================================================

《数据分析实战：从入门到精通》学习笔记（通义千问-基于DashScope生成）

============================================================

# 第1章 数据分析基础

## 一、核心概念

数据分析：指从明确业务目标开始，通过收集相关数据、清洗无用/错误数据、用专业方法分析数据，再将结果可视化展示，最终输出有价值结论的完整过程，简单说就是“从数据中找答案”的过程。

## 二、关键方法

1. 数据分析流程

- 步骤：明确目标→数据采集→数据清洗→数据分析→可视化→结论输出

- 例子：某便利店想提升晚间（18:00-22:00）销售额，先明确“提升晚间销售额”的目标；再采集近1个月晚间的销售数据（包括商品销量、客单价、顾客性别/年龄）；接着清洗数据中“商品名称缺失”“销量为负数”的异常数据；然后分析哪些商品在晚间销量高、哪些顾客群体消费多；用折线图展示晚间各时段销量变化，用饼图展示热销商品占比；最后得出“晚间增加零食、饮料备货，对20-35岁顾客推出满减活动”的结论。

2. 常用工具

- Python：适合数据处理（比如用Pandas库整理表格数据）和建模（比如用Scikit-learn库做销量预测）

- 例子：用Pandas的`pd.read_csv()`函数读取便利店晚间销售的CSV数据，用Scikit-learn的`LinearRegression()`模型预测未来一周晚间的销售额。

- SQL：适合从数据库中快速找出需要的数据（比如特定时间段、特定商品的数据）

- 例子：用SQL语句“SELECT product_name, sales_count FROM evening_sales WHERE sales_time BETWEEN '2024-07-01 18:00' AND '2024-07-31 22:00'”，查询2024年7月晚间各商品的销量。

## 三、适用场景

- Python：适用于需要处理大量数据（比如几万条销售记录）、做复杂分析（比如预测未来销量）的场景；

- SQL：适用于从数据库中快速筛选数据（比如找某一周晚间销量前10的商品）的场景。

# 第2章 数据采集

## 一、核心概念

数据采集：指从不同来源获取所需数据的过程，简单说就是“把需要的数据找过来”，是数据分析的第一步，数据质量直接影响后续分析结果。

## 二、关键方法

1. 数据源分类及获取

- 结构化数据：指格式整齐、有固定结构的数据（比如数据库表、Excel表格），来源包括企业数据库、公开Excel数据集；获取方式：从数据库用SQL查询，从Excel直接读取。

- 例子：从便利店的销售数据库中，用SQL查询获取“2024年7月所有商品的销售记录”（结构化数据）；从统计局官网下载“某城市月度消费水平Excel表”（结构化数据）。

- 非结构化数据：指格式不固定、没有统一结构的数据（比如网页内容、微信文章、图片中的文字），来源包括网页、社交媒体、文档；获取方式：用爬虫工具采集网页内容，用OCR工具识别图片中的文字。

- 例子：用Requests工具采集某电商平台“便利店商品评价”的网页内容（非结构化数据）；用OCR工具识别便利店纸质销售单据上的商品名称和销量（非结构化数据转结构化）。

2. 常用采集工具

- Requests：适合采集简单网页的数据（比如只有静态内容的网页），操作简单，不需要复杂配置。

- 例子：用Requests库发送请求到某便利店品牌官网，获取“门店分布”页面的文字内容，提取各门店地址信息。

- Scrapy：适合采集复杂网页的数据（比如需要登录、有动态内容的网页），支持批量采集，效率高。

- 例子：用Scrapy框架搭建爬虫，采集某电商平台上“便利店商品”的价格、销量、评价数，批量保存到本地表格中。

## 三、适用场景

- Requests：适用于采集少量、简单的静态网页数据（比如个人学习时采集某篇文章的内容）；

- Scrapy：适用于采集大量、复杂的网页数据（比如需要获取某平台上千个商品的信息）。

# 第3章 数据清洗

...（后续内容省略）

从结果能明显看到，通义千问生成的笔记完全符合我们的要求：章节划分清晰，每个章节都包含 “核心概念”“关键方法”“适用场景”，且每个方法都附带了贴近生活的例子，语言通俗易懂。后续我们只需补充自己的学习疑问（比如 “用 Scrapy 采集数据时如何应对网站反爬？”），或修正 AI 举例中的小偏差，就能快速形成一份高质量的个性化学习笔记。

四、下一篇预告

这篇博客我们实现了 “基于手动提炼的信息生成笔记” 的基础功能，但还有两个关键问题需要解决：一是如何自动提取 PDF 书籍 / 课程 PPT 中的目录和重点（不用手动输入book_info，彻底解放双手）；二是如何让生成的笔记更贴合个人学习水平（比如新手需要更基础的术语解释，进阶学习者需要方法对比和实战技巧）。

下一篇博客，我会教大家用 Python 的PyPDF2或pdfplumber库提取 PDF 文件内容，实现 “上传 PDF→自动提炼目录和重点→生成笔记” 的全自动化流程；同时会优化 Prompt 设计，加入 “学习水平” 参数，让通义千问能根据你的基础生成适配的笔记内容。敬请期待！

# 人工智能 # python # AI
Logo
杭州城市开发者社区

纵情码海钱塘涌，杭州开发者创新动！ 属于杭州的开发者社区！致力于为杭州地区的开发者提供学习、合作和成长的机会；同时也为企业交流招聘提供舞台！

更多推荐

cover

openGauss 6.0.0 向量数据库实战：构建高性能RAG智能问答系统

avatar 杭州城市开发者社区
cover

GEO（AI搜索优化）：AI时代的品牌增长新引擎

avatar 杭州城市开发者社区
cover

基于定制开发开源AI智能名片S2B2C商城小程序的数据质量管控研究

avatar 杭州城市开发者社区