阶段0：环境准备（1小时内搞定，绝不拖延）| 工具 | 用途 | 一句话使用建议 |
|---|
| Miniconda | Python环境隔离 | 每个项目建一个独立env，别用系统Python，血的教训 | | VS Code + Remote SSH | 远程开发 | 在本地写代码，在云端GPU运行，配置一次永久爽 | | Google Colab Pro | 免费GPU（T4） | 月费$10，比买显卡划算10倍，适合快速实验 |
今日动作：在Colab里跑通 !nvidia-smi，确认GPU可用，截图保存——这是你AI开发的第一张“驾驶证”。
阶段1：数据准备（花最少的时间处理数据）| 工具 | 用途 | 一句话使用建议 |
|---|
| Pandas + Polars | 表格数据读取/清洗 | 超过1GB用Polars，速度是Pandas的5-10倍 | | Albumentations | 图像数据增强 | 比torchvision自带增强快，且支持更多策略（如CutMix） | | datasets（Hugging Face） | 加载标准数据集 | 一行代码加载MNIST/CIFAR/IMDB，不用自己下载解压 |
关键认知：数据清洗占AI开发60%的时间，但这60%的回报率最高——干净的数据胜过复杂的模型。
阶段2：模型开发（写最少重复代码）| 工具 | 用途 | 一句话使用建议 |
|---|
| PyTorch Lightning | 训练流程封装 | 把train/val/test loop、checkpoint、日志全部自动化，专注写模型本身 | | timm（PyTorch Image Models） | CV预训练模型库 | 300+种模型，一行 create_model('resnet18', pretrained=True) 搞定 | | transformers（Hugging Face） | NLP预训练模型库 | 所有主流BERT/GPT变体，统一的API接口 |
避坑：Lightning不要一上来就用，先手写3次完整的train loop再封装，否则你永远不知道它在帮你省什么活。
阶段3：实验管理（别让你的实验“失忆”）| 工具 | 用途 | 一句话使用建议 |
|---|
| Weights & Biases (wandb) | 超参数/指标/图表自动记录 | 免费版足够个人使用，每次实验自动生成网页报告，可分享给导师 | | MLflow | 模型版本管理 | 如果团队用私有化部署，用MLflow替代wandb | | Optuna | 自动调参 | 比网格搜索聪明10倍，用TPE采样器，跑一夜可能找到比你手动调3天更好的参数 |
今日动作：在任意训练脚本中插入 wandb.init(project="my_first_exp")，记录loss曲线，生成分享链接。
阶段4：部署上线（让模型“见人”）| 工具 | 用途 | 一句话使用建议 |
|---|
| ONNX + ONNXRuntime | 模型格式转换与加速 | 推理速度提升2-3倍，且不依赖PyTorch环境 | | FastAPI + Uvicorn | 部署REST API服务 | 写一个@app.post("/predict")，10行代码就能提供HTTP接口 | | Gradio / Streamlit | 快速Web演示界面 | 不需要前端知识，写Python函数就能生成交互界面，适合给非技术人员展示 | | Hugging Face Spaces | 免费托管 | 支持Gradio/Streamlit应用，自带GPU选项，适合做Demo展示 |
关键认知：部署不是“做完模型后再做的事”，而是从第一天就要考虑的约束条件——边缘设备只能用ONNX，云服务可以上TorchScript，大模型必须量化。
一个完整的“最小可行项目”模板（1天内完成）# 1. 创建环境conda create -n my_ai_project python=3.10conda activate my_ai_project# 2. 安装核心库（一行全装）pip install torch torchvision transformers datasets wandb fastapi gradio onnx onnxruntime# 3. 写一个20行的训练脚本（用Lightning）# 4. 跑通后自动记录到wandb# 5. 导出onnx并写一个FastAPI接口# 6. 用Gradio写一个前端界面# 7. 部署到Hugging Face Spaces
最后一句扎心但有用的话“99%的AI项目死在‘环境冲突’和‘实验忘记记录’上，而不是死在模型不够SOTA。”
把这10个工具用熟练，你已经超越了80%的入门者。工具不是目的，帮你把精力省下来思考“问题本身”才是。
两篇文章的搭配使用建议周一/周三：读文章一，做自我诊断，明确自己当前在第几层 周二/周四：打开文章二的工具清单，选一个你没用过的（比如wandb或Optuna），今天就在老项目里集成进去 周五：用文章二的“最小可行项目模板”，从零开始跑通一个完整流程（数据→训练→记录→部署），不限任务，哪怕只是MNIST
如果你需要，我还可以继续给你写： 第三篇（代码篇）：“第二圈CNN完整代码 + 对比SVM的差异分析” 第四篇（数学篇）：“手推反向传播的5张纸练习——不用看懂，跟着抄一遍就行” 第五篇（大模型篇）：“用LoRA微调GPT-2生成你的第一段AI诗歌”
| 
