# ai_learning

**Repository Path**: OrgXxxx/ai_learning

## Basic Information

- **Project Name**: ai_learning
- **Description**: 为期8周的java工程师利用python学习AI应用开发的路线规划及学习过程记录项目
- **Primary Language**: Unknown
- **License**: AFL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-10
- **Last Updated**: 2026-04-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

核心思路：**用云端的 MiniMax API 替代本地大模型，为电脑“减负”；同时，运用轻量级工具，打造一个“省心”的开发环境**。

**⚙️ 关键调整点**

*   **云端推理**：弃用Ollama等本地模型，改用 **MiniMax API**。它在中文任务上表现出色，且API兼容OpenAI格式，集成非常方便。
*   **轻量级Embedding**：在RAG部分，引入 **`FastEmbed`** 作为嵌入模型。它无需安装PyTorch，以CPU运行为主，非常适合低配置电脑，同时保证不错的向量化效果。
*   **轻量级向量库**：继续沿用 **ChromaDB** 作为向量数据库。它足够轻量，通过 `pip install chromadb` 即可安装，是你的最佳拍档。
*   **清晰路线图**：计划分为4个阶段，**第一阶段（第1周）** 会直接带你上手MiniMax API，其余阶段的划分保持不变。
*   **技术拓展**：**第五阶段（第5周）** 将向你介绍 Spring AI Alibaba 如何与 MiniMax 集成，为你未来回归Java开发铺好路。

---

### 🐍 8周学习计划 (MiniMax + 轻量级工具版)

#### 📌 总体目标 (不变)
*   掌握Python开发环境及常用AI库。
*   能独立完成 **RAG 应用**（文档问答、知识库助手）。
*   能开发简单的 **AI Agent**（调用工具、多步推理）。
*   产出2个可展示的项目（简历级）。

---

### 🔰 第一阶段：Python 环境 & API 速通 (第1周) —— *已根据MiniMax调整*
*   **每日时间**：1.5 小时
*   **核心变化**：第1天就开始集成MiniMax API，让你快速获得正反馈。

| 天 | 内容 | 实战任务 |
|---|---|---|
| 1 | 安装Python 3.8+，配置VS Code/PyCharm，使用 `venv`。注册MiniMax开放平台并获取API Key和Group ID。 | 创建一个 `ai-learning` 虚拟环境。 |
| 2 | 学习使用 `python-dotenv` 管理密钥。使用 `pip install openai` 安装官方SDK。 | 编写代码，通过OpenAI SDK成功调用MiniMax模型，完成一次 `chat.completions.create`。 |
| 3 | **核心概念**：理解 `system prompt`、`user prompt`、`temperature`、`max_tokens` 等参数的作用。 | 修改参数，观察模型回答风格的变化。 |
| 4 | **对话管理**：学习如何维护 `messages` 列表，实现多轮对话。 | 实现一个能记住历史对话的简单聊天机器人。 |
| 5 | **流式输出**：通过设置 `stream=True`，实现类似ChatGPT的逐字输出效果。 | 改造你的聊天机器人，支持流式输出。 |
| 6 | **周末实战**：基于MiniMax API，写一个**命令行智能翻译助手**，支持中英互译。 | 使用 `argparse` 库接收命令行参数，如 `python translator.py "Hello"`。 |
| 7 | 休息 / 复盘，整理代码和笔记到GitHub。 | |

---

### 🤖 第二阶段：LangChain + MiniMax 核心组件 (第2-3周)

| 天 | 模块 | 关键类 / 库 | 实战小任务 |
|---|---|---|---|
| 1 | **环境搭建** | `langchain`, `langchain-community` | 安装LangChain，并配置使用`MiniMaxChat`模型。 |
| 2 | **Model I/O** | `ChatPromptTemplate`, `StrOutputParser` | 创建一个PromptTemplate，动态生成针对不同产品的营销文案。 |
| 3 | **输出解析** | `PydanticOutputParser` | 让MiniMax模型返回结构化的JSON数据，并用Pydantic模型解析。 |
| 4 | **文档加载** | `DirectoryLoader`, `PyPDFLoader` | 加载本地的一个PDF文件，并将其内容按特定规则分块。 |
| 5 | **向量存储** | `Chroma`, `FastEmbed` | 将分块后的文本用`FastEmbed`向量化，存入ChromaDB，并执行相似度搜索。 |
| 6 | **第一个RAG链** | `create_retrieval_chain` | 组装一个能根据文档内容回答问题的机器人（周末项目开始）。 |
| 7 | **对话记忆** | `ConversationBufferMemory` | 为你的RAG机器人加上多轮对话记忆功能，能基于上下文连续提问。 |

**第3周周末项目**：**企业规章制度问答机器人**。上传公司的《请假制度》、《报销流程》等多个PDF，实现一个能准确回答相关问题的智能助手。

---

### 🔍 第三阶段：手写 RAG 系统（不依赖LangChain）(第4周)
*   **每日时间**：2 小时
*   **核心变化**：Embedding部分替换为轻量级的 `FastEmbed`。

| 天 | 模块 | 实现方式 |
|---|---|---|
| 1 | 文档解析 | `pypdf` + 正则表达式清洗文本。 |
| 2 | 文本分块 | 按固定字符数（如500字符）进行递归分割，保留一定重叠。 |
| 3 | 向量化 | 使用 `FastEmbed` 将文本块转换为向量。 |
| 4 | 向量检索 | 用 `numpy` 或 `scikit-learn` 实现余弦相似度搜索。 |
| 5 | 上下文组装 | 手动拼接检索到的上下文和用户问题，构造最终Prompt。 |
| 6 | 完整流程串联 | 将所有模块封装成一个 `MyRAG` 类，实现 `query` 方法。 |
| 7 | 性能优化与总结 | 分析检索结果，调整分块大小，对比与LangChain方案的差异。 |

> 产出：一个完全由你手写的RAG引擎，深刻理解其原理，面试时能清晰讲解。

---

### 🛠️ 第四阶段：Agent 开发（让模型自主决策）(第5周)

| 天 | 内容 | 实战任务 |
|---|---|---|
| 1 | 理解 ReAct 原理 | 阅读一篇关于 ReAct 模式的博客文章。 |
| 2 | **定义工具** | 使用 `@tool` 装饰器，为 MiniMax 定义两个工具：一个用于计算，一个用于搜索天气。 |
| 3 | **创建 Agent** | 使用 `create_react_agent` 和 `AgentExecutor`，让模型学会在需要时调用工具。 |
| 4 | **带检索的 Agent** | 将你手写的RAG系统封装成一个工具，让Agent自主决定何时需要检索知识库。 |
| 5 | **错误处理与重试** | 为Agent加入异常处理逻辑，当工具调用失败时能进行重试。 |
| 6 | **周末项目**：**个人数据分析Agent** | 让Agent连接一个SQLite数据库，能根据自然语言查询并分析数据。 |
| 7 | **探索 `LangGraph`** | 简单了解更灵活的Agent框架LangGraph。 |

---

### 🚀 第五阶段：Java + Python 混合实战 (第6周)

| 天 | 任务 | 说明 |
|---|---|---|
| 1 | **API 封装** | 用 `FastAPI` 将你的RAG系统封装成RESTful API。 |
| 2 | **安全增强** | 为API增加简单的API Key鉴权和限流（`slowapi`）。 |
| 3 | **Java调用** | 在Spring Boot项目中，使用 `RestTemplate` 或 `WebClient` 调用你部署的Python服务。 |
| 4 | **工程化实践** | 在Java侧实现Redis缓存，对相同或相似问题的查询结果进行缓存，减轻Python服务的压力。 |
| 5 | **性能压测** | 使用 `locust` 或 `jmeter` 对你的Python API服务进行简单的压力测试。 |
| 6 | **技术拓展** | **了解 `Spring AI Alibaba`**，它是官方支持的Java AI框架，已集成MiniMax模型，配置简单。 |
| 7 | **一键部署** | 编写 `Dockerfile` 和 `docker-compose.yml`，实现Java和Python服务的容器化一键启动。 |

> 产出：一个能体现你后端工程能力的全栈项目，极大地提升简历含金量。

---

### 🧪 第六阶段：项目整合 & 面试准备 (第7-8周)

**项目A：企业内部知识库问答系统**
*   **核心**：上传PDF/Word，建立向量库，支持多轮对话和流式输出。
*   **亮点**：可引入BM25算法与语义检索结合，提升检索准确性。

**项目B：AI数据分析Agent**
*   **核心**：用自然语言查询数据库，自动生成SQL并执行。
*   **亮点**：设计“人类确认”环节，对 `DELETE`、`DROP` 等危险操作进行拦截，体现安全性设计。

### 📚 学习资源与建议

*   **核心资源**
    *   **MiniMax官方文档**：首要信息源，涵盖API Key获取与调用细节。
    *   **LangChain官方文档**：学习LangChain核心概念与用法。
    *   **Spring AI Alibaba文档**：Java集成MiniMax的首选，助你回归Java生态。
*   **硬件与成本控制**
    *   **电脑配置**：8GB及以上内存即可，推荐16GB以获得更流畅体验。纯CPU模式完全可行。
    *   **Token消耗**：学习阶段建议使用1.5B-3B的轻量级模型，如 `MiniMax-M2` 系列。API调用务必开启流式输出，体验更好且响应更快。
    *   **Embedding模型**：务必使用 **`FastEmbed`** 或 `BGE-small` 等轻量级模型。

这份路线图屏蔽了硬件门槛，可以聚焦于AI应用的核心开发。