很多教程一上来就介绍框架、提示词和外部接口,写完还是容易把大模型当成“黑盒”。这套专栏换一种做法:从最小可运行的 Python 代码出发,亲手把关键机制拆开看透,再逐阶段叠加能力。

当前已完成第一阶段的全部 5 课,后续阶段会在整理完成后陆续补充。

整体学习路线

flowchart LR
S1["第一阶段:从数据学参数\n第 1~5 课已发布"] --> S2["后续阶段:多参数自动调参\n连续优化与梯度直觉"]
S2 --> S3["后续阶段:模型与工具\n结构化输出与工具调用"]
S3 --> S4["后续阶段:Agent 循环\n观察 → 决策 → 行动"]

已上线内容

课次教程本课只解决这一件事
第 1 课程序怎样从数据里“学”到东西用约 20 行纯 Python 从固定候选列表里挑出误差最小的参数,再预测新输入
第 2 课让程序自己小步调整参数不再枚举固定列表,改用左右试探与步长让程序沿误差曲线自己走到 2.5
第 3 课让模型学会“乘一个数,再加一个数”引入第二个参数 bias,让程序从 25 组搭配里同时学出斜率与偏置
第 4 课用新数据检查模型拆分 train_samples 与 test_samples,用平均误差揭开“训练全对却测错”的原因
第 5 课先变换输入,再训练参数在 predict() 中加入 2 ** x 输入变换,复用训练循环直接拟合翻倍规律

适合谁看、怎么学

  • 前置要求:你已经了解变量、for 循环、if 判断和函数调用(比如用过 Java、JavaScript、C/Go 等任意语言),不需要先学高等数学或安装深度学习框架。
  • 环境要求:本机安装 Python 3 即可;第一阶段只使用 Python 标准功能,不需要 pip install。
  • 阅读方式:每课只聚焦一个核心动作,先跑通代码、看懂动态执行图解,再动手修改参数做一次验收练习。

示例源码