Python 1000 期特辑——我用 Python 做 AI 工程这3年的最大10个教训
Python 1000 期特辑——我用 Python 做 AI 工程这3年的最大10个教训
适读人群：所有关注「老张聊AI转型」的读者 | 阅读时长：约25分钟 | 核心价值：三年 AI 工程实战的真实历程与血泪教训，写给每一个在这条路上的人
写在第1000期之前
今天是个特殊的日子。
三年前，我在一个深夜坐在出租屋里，打开了一个新建的 Markdown 文件，写下了第一篇公众号文章的第一个字。当时我不知道这会成为什么，只知道我有很多东西想说——关于 Python，关于 AI，关于从传统 Java 后端工程师转型 AI 工程师这条路上，我一个人摸爬滚打踩过的那些坑。
今天，写完这篇，就是整整1000期。
我没想到会坚持这么久。老实说，中间有几次我几乎放弃了——连续发三个月没什么流量，某个周末我看着后台的阅读数，心里默默想：算了，没人看的。但最终让我继续的，是每隔一段时间就会有读者在评论区留言："这篇文章帮了我大忙"、"按你的方法试了，确实解决了"、"终于搞明白了这个问题"。
这些留言，比任何数据都更让我觉得有意义。
这1000期，我写的不是教科书，是我真实工作过的痕迹。每一篇背后，都有一个真实发生过的故事，一个真实踩过的坑，一段真实经历的挣扎。
今天的第1000期，我不想再写技术干货，我想写一写这三年最真实的10个教训——关于 Python，关于 AI 工程，关于职业，关于我自己。
我是怎么走上这条路的
时间回到2021年初，那时候我在一家传统软件公司做了五年 Java 后端，做的是一个工厂管理系统，业务稳定，薪资一般，技术没什么成长。
那年我34岁，有一个隐约的焦虑：如果我再做五年同样的工作，然后公司裁员，我还能找到好工作吗？
就在那段时间，GPT-3 出来了。我看到一篇文章，说 AI 能写代码了，我第一反应是不信——这东西怎么可能替代程序员？但我还是好奇，用了一下，然后沉默了很久。
我意识到：不是 AI 要替代我，而是懂 AI 的工程师会替代不懂 AI 的工程师。
那天下班，我花了三个小时把 Python 装上，跑通了第一个 PyTorch 示例。从那天起，我开始系统自学 Python 和 AI，每天下班后学两个小时，周末学五六个小时，坚持了将近一年。
公众号就是在那时候开始写的——写给同样在这条路上的人，也写给那个每天在出租屋里学习、不确定方向对不对的自己。
教训一：Python 学习方法错了，浪费了三个月
我最初学 Python 的方式，是把一本厚厚的 Python 书从头到尾刷了一遍。600多页，读了三个月，刷完感觉学了很多，然后开始写项目，发现基本什么都不会。
后来我才弄清楚：学编程语言要靠手，不靠眼。看懂了不等于会写，写了一遍不等于真的掌握。
真正有效的方法是：找一个小项目驱动学习。我第二次学 Python，直接从"写一个自动备份文件的脚本"开始，遇到什么不会的查什么。第一周就写了200行真正能用的代码，比前三个月读书学到的还多。
现在我给想学 Python 的朋友的建议永远是：先找一个你真实需要的小任务，然后去搜怎么用 Python 做到它。 课程和书是辅助，任务才是驱动力。
教训二：高估了 AI 能力，低估了数据工程的重要性
2022年我加入了第一家 AI 公司做工程师，负责一个 NLP 分类项目。我当时满脑子都是模型——用什么架构、调什么参数。
项目做了三个月，模型准确率一直不理想。我换了好几个模型，从 TextCNN 换到 BERT，再换到 GPT-2，还是不行。
最后来了一个做了十年数据工程的前辈，他花了三天时间，什么模型都没换，只是重新清洗了数据——把那些标注错误的样本清理掉，把数据分布重新均衡，把文本预处理规范化——准确率从68%跳到了83%。
这件事让我彻底改变了认知：AI 项目里，70% 的价值在数据，20% 在工程，10% 在模型。 你花在调参上的时间，大多数情况下不如花在数据质量上。
这个教训我花了三个月和很多挫败感才学会，但它是我职业生涯里最重要的认知升级之一。
教训三：过度工程化浪费了大量时间
有一段时间我迷上了"优雅的代码"，喜欢搞设计模式、写各种抽象层、用最新的框架。有个项目，我用了三周时间搭建了一个"完美的"微服务架构，有服务发现、有消息队列、有分布式追踪……但实际上那个项目只有我一个人开发，日活不到100人。
那个架构后来成了噩梦——每次改一个小功能，要在五个服务里改代码；调试一个 bug，要看三个系统的日志。最后项目黄掉了，原因不是业务问题，是我自己被自己写的代码搞崩溃了。
教训是：Don't engineer for problems you don't have yet. 做最简单的能工作的东西，等遇到真实的规模问题再优化。一个跑在单机上的 SQLite + FastAPI，在大多数场景里比分布式微服务更适合。
教训四：不写测试，迟早会哭
我有一段时间是典型的"不写测试"派，觉得测试是浪费时间，能运行就行。
有次我在给一个运行中的 AI 推理服务做性能优化，改了数据预处理的逻辑，上线后发现推理结果完全不对，但因为没有任何测试，当时完全不知道是哪里改出了问题。我花了将近六个小时做 diff，才找到是归一化公式改错了一个符号。
如果当初有单元测试，5秒钟就能发现。
从那以后，我养成了至少写关键路径单元测试的习惯。不要求100%覆盖率，但核心计算逻辑、数据处理管道、API 合约——这三类必须有测试。
教训五：忽视了 Java 经验的价值，反而做了弯路
转型初期我有一种奇怪的想法：我要"从头学起"，不能用 Java 的思维方式来学 Python，要彻底 Python 化。
于是我刻意压制了自己的 Java 工程经验，很多在 Java 里本能知道要做的事情（连接池、事务、异常处理、并发安全），在 Python 里反而没去考虑，写了很多不鲁棒的代码。
后来我发现：工程能力是通用的，不同语言只是语法不同，好的代码结构、错误处理习惯、系统设计思维，这些东西是跨语言的。 我的 Java 背景反而是优势，因为我天然理解线程安全、事务、API 设计这些东西。
给 Java 转 Python 的同学：不用抛弃你的工程积累，Java 的工程规范在 Python 里大多数是适用的，只是写法不同。
教训六：只会用工具，不理解原理，总是被动
有一段时间我用 LangChain 做了不少东西——RAG 系统、Agent、工具调用，都能跑起来。但当出了问题，我完全不知道为什么，只会重启或者换版本。
有次 RAG 系统召回质量突然下降，我折腾了两天，换了三个 LangChain 版本，最后发现是 Embedding 模型的输入 token 超了限制，导致截断后向量失真。
如果我当时真正理解了 Embedding 的原理，这个问题五分钟就能排查出来。
只会用框架不理解原理，遇到问题就抓瞎。 这条路上我在 Transformer 架构、Embedding 原理、向量数据库的工作方式上花了额外的时间补课，这些时间花得很值。
教训七：沟通能力比技术能力重要，但我学得太慢
我在第一家 AI 公司的时候，技术能力在团队里算中上，但升职反而比技术比我差的同事慢。
后来一个前辈告诉我原因：你写代码很好，但你不会"让别人知道你写了什么"。做完了一件事情，默默放着，也不汇报，也不总结，也不复盘——管理层怎么知道你做了多少东西？
这是我那几年最大的短板：只做不说，只写代码不写文档，只解决问题不总结经验。
后来我开始写内部技术周报，每周一篇，200字，讲我这周做了什么、遇到什么问题、怎么解决的。三个月后，Leader 开始在团队里主动分享我的周报，六个月后我晋升了。
写这个公众号，除了分享技术，其实也是在锻炼这种"表达自己工作价值"的能力。
教训八：身体垮了，什么都是零
2022年下半年，我陷入了一段很疯狂的加班期——主导了一个重要项目，连续两个月几乎没有周末，平均每天工作12个小时以上。
项目上线了，成功了，得到了表扬，也拿了奖金。
但接下来两个星期，我躺平了——不是假期，是真的身体不行了，头疼、腰疼、注意力涣散，到医院检查，血压高了，睡眠质量极差。
那是我第一次真实感受到：身体不是一台机器，不能无限透支。 之后我强迫自己每天十一点之前睡觉，每周至少运动两次，哪怕加班最厉害的时候也不破这个底线。
对技术人来说，身体是最底层的基础设施，它挂了，代码、职业、一切都是零。
教训九：选择比努力重要，但不是不努力
这句话说烂了，但我是真实体会过的。
2021年初到2022年底，我选择进了一家传统软件公司的"AI部门"——其实只是给老业务加了点机器学习的包装，没有真正的 AI 产品，没有 GPU 资源，没有 AI 技术氛围。
同样的努力，在那里的一年，和后来在真正 AI 公司的一年，成长量差了三倍不止。
选平台、选方向、选赛道，这些"选择"的杠杆效应，远超个人努力。 这不是说努力不重要，而是说努力要用在正确的方向上。
给还在选择的同学：宁可降薪去一个有真实 AI 氛围的团队，也不要在一个"AI 化妆"的传统公司里虚度时间。
教训十：坚持比聪明更稀缺
说到这一条，我想说回这个公众号本身。
1000期，不是一个特别大的数字，但它代表了1000次"我今天不想写，但还是写了"。
我见过比我聪明的人，技术比我好很多，写了几篇文章，然后停了，因为"没什么人看"。我也见过很多人热血开始，三个月后就消失了。
技术能力是可以提升的，聪明程度多少是天赋，但坚持是一种可以刻意练习的选择。每周做一件有价值的事情，持续三年，就是三年后的你和三年前的你之间的差距。
如果非要说这三年最大的收获，不是技术，不是钱，是"我知道我能坚持做一件事"这个认知。
写给下一个1000期
这1000期，我写了 Python 的几乎每一个核心模块，写了 AI 工程的方方面面，写了我自己这几年的真实经历。
接下来的1000期，我想写得更深——不只是 Python，更多是 AI 系统设计、AI 工程最佳实践，以及更多真实工程故事。
如果你是最近才关注我的，欢迎翻一翻历史文章，很多干货在里面，特别是 983 到 999 这一批，是近期最系统的一批 Python 工程实践。
如果你是一直陪我走到今天的老读者——谢谢你。真的。每一个阅读，每一条留言，每一次"在看"，都是我继续写下去的理由。
我们在下一个1000期见。
# 最后，送上这段代码——它不是技术，是态度
from datetime import date
start_date = date(2021, 1, 1)
today = date.today()
days = (today - start_date).days
articles = 1000
words_per_article = 3500
total_words = articles * words_per_article
print(f"开始写作: {start_date}")
print(f"今天: {today}，已过 {days} 天")
print(f"写了 {articles} 篇文章")
print(f"约 {total_words:,} 字")
print(f"平均每天: {total_words / days:.0f} 字")
print()
print("感谢每一位读者。")
print("继续写，继续学，继续进步。")
print("—— 老张")