修炼AI技能
AI 教程 / 学习路径与考证 / AI 实战项目路线：从教程到作品集

AI 实战项目路线：从教程到作品集

为什么必须做项目

教程帮你建立直觉，但招聘方和协作者看的是你交付过什么。做项目能把零散知识点串成可运行的系统，也会逼你面对真实问题：数据脏、依赖冲突、模型答非所问。一个能在线打开、代码公开的项目，比十张课程证书更有说服力。建议每学完一个主题就立刻做一个小项目，再用作品集把它固化下来。

项目清单

下面每个方向都配 1 到 2 个真实可核验的实战资源，先动手再回看理论。建议从 RAG 问答起步，它最贴近日常需求，也最容易做出能演示的成果。

RAG 问答

用检索增强生成搭建一个能基于私有文档回答问题的助手。先读 DeepLearning.AI 的实战课「Retrieval Augmented Generation (RAG)」，它带你从原型到生产级系统，覆盖分块、向量库与评估：https://www.deeplearning.ai/courses/retrieval-augmented-generation-rag/ 。配套可参考 LangChain 官方应用开发短课里的问答章节：https://www.deeplearning.ai/courses/langchain 。动手时先准备几十篇自己的文档，搭一条「切块、向量化、检索、拼提示、生成」的最小链路，再逐步加入混合检索与回答评估。

微调分类器

拿自己的数据微调一个文本分类模型，体会微调与提示工程的区别。DeepLearning.AI 的「Finetuning Large Language Models」（Sharon Zhou 主讲）提供数据准备、训练与评估的完整代码：https://www.deeplearning.ai/courses/finetuning-large-language-models 。实现细节以 Hugging Face Transformers 文档为准：https://huggingface.co/docs/transformers 。可先用一个公开情感分类数据集跑通流程，再换成你关心的类别，记录准确率与混淆矩阵的变化。

Agent

让多个 Agent 分工完成一条工作流。DeepLearning.AI 与 crewAI 合作的「Multi AI Agent Systems with crewAI」手把手教你用自然语言编排多智能体：https://www.deeplearning.ai/courses/multi-ai-agent-systems-with-crewai 。试着让一个 Agent 负责搜索、一个负责总结、一个负责校验，把单条提示解决不了的任务拆给团队。

图像生成

理解扩散模型并从零生成图像。fast.ai 的「From Deep Learning Foundations to Stable Diffusion」是经典代码优先课程：https://www.fast.ai/posts/2023-04-04-part2-2023.html 。动手可用 Hugging Face Diffusers 库：https://huggingface.co/docs/diffusers 。从文生图起步，再尝试图生图与 LoRA 微调，做一个能按风格稳定出图的演示。

数据分析

用真实数据集做完「清洗到洞察」的闭环。Kaggle 提供公开数据集、Notebook 与竞赛，是练手首选：https://www.kaggle.com 。进阶可看 DeepLearning.AI 的「Data Analytics」职业证书体系：https://www.deeplearning.ai/ 。挑一个你熟悉领域的数据集，回答一个具体问题，并用图表把结论讲清楚。

项目结构怎么搭

一个清晰的结构让他人一眼看懂，也方便你三个月后还能跑起来。推荐：

  • README.md：说清项目解决什么问题、怎么运行、效果截图。
  • src/：核心代码，按模块拆分。
  • data/ 与 notebooks/：示例数据与探索过程。
  • requirements.txt 或 pyproject.toml：固定依赖版本。
  • 一个可复现的入口：如 app.py 或 Gradio 启动脚本。

先写 README 再写代码，能避免做成一个跑不通的脚本堆。务必保证「 clone 下来按 README 就能跑」，这是作品集与玩具脚本的分界线。

用 Spaces 与 GitHub 沉淀作品集

GitHub 放完整代码与版本历史，是技术能力的硬证据：https://github.com 。把每个项目独立成仓库，写好 README 与运行说明，并配上清晰的 commit 记录。仓库描述里直接贴 Spaces 演示链接，降低他人体验门槛。

Hugging Face Spaces 负责「在线即开即用」：上传 Gradio 或 Streamlit 应用，别人点开链接就能体验，不用本地配环境：https://huggingface.co/spaces 。建议每个项目同时保留 GitHub 仓库与 Spaces 演示，前者展示工程能力，后者展示交付能力。免费额度足够托管大部分演示项目。

从项目到复盘

做完不等于结束。写一段复盘：目标是什么、卡在哪里、怎么解决、下次如何改进。把复盘放进仓库的 NOTES.md，或写成一篇短文。复盘能把一次经验变成可迁移的方法，也是面试时最有价值的素材。坚持每个项目都复盘，半年后你会拥有一份彼此关联、可讲出成长曲线的作品集。

小结

教程建立直觉，项目把它变成能力。优先做 RAG 问答、微调分类器、Agent、图像生成、数据分析五类项目，用 GitHub 存代码、Spaces 做演示，再用复盘闭环。不必等学完所有理论再开始，带着问题做项目，进步最快。持续积累，作品集自然成形。

参考与延伸阅读

本文累计阅读 — 次