记录我的学习之路Python是一种高级编程语言，被广泛用于各种软件开发和应用领域。它由荷兰程序员吉多·范罗苏姆（Guid

Python是一种高级编程语言，被广泛用于各种软件开发和应用领域。它由荷兰程序员吉多·范罗苏姆（Guido van Rossum）在1980年代末期发明，并于1991年首次发布。Python的设计哲学强调代码的可读性，其语法清晰简洁，这使得Python成为编程初学者的理想选择。

Python支持多种编程模式，包括过程式编程、面向对象编程以及函数式编程。它有一个庞大且活跃的社区，提供了大量的标准库和第三方模块，覆盖了网络编程、数据分析、人工智能、科学计算、图像处理等多个领域。

由于其易学性和强大的功能，Python已经成为学术界、工业界乃至业余编程爱好者中非常流行的编程语言之一。无论是网站开发、自动化脚本编写、数据挖掘还是机器学习项目，Python都展示了它的灵活性和强大能力。

1.命名规范

Python 的命名规范遵循 PEP 8（Python Enhancement Proposal 8），这是 Python 官方推荐的代码风格指南。以下是 Python 命名规范的核心内容：

1.1. 变量命名

小写字母 + 下划线：使用小写字母，单词之间用下划线 _ 分隔。

user_name = "Alice"
total_count = 100

避免单字母变量：除非是临时变量（如循环中的 i、j），否则应使用有意义的名称。

for i in range(10):  # 允许
for index in range(10):  # 更推荐

1.2. 常量命名

全大写字母 + 下划线：常量通常定义在模块的顶部，使用全大写字母。

MAX_CONNECTIONS = 100
DEFAULT_TIMEOUT = 30

1.3. 函数命名

小写字母 + 下划线：与变量命名规则一致。

def calculate_total_price():
    pass

1.4. 类命名

驼峰命名法（CamelCase） ：类名首字母大写，不使用下划线。

class UserProfile:
    pass

1.5. 模块命名

小写字母 + 下划线：模块文件名应简短且全小写。

# 模块文件名
data_processor.py

1.6. 包命名

小写字母 + 下划线：包名应简短且全小写，避免使用下划线（除非必要）。

# 包名
my_package/

1.7. 私有变量与函数

单下划线前缀：表示内部使用的变量或函数，外部不应直接访问。

_internal_variable = 42

def _helper_function():
    pass

双下划线前缀：表示名称改写（Name Mangling），用于避免子类中的命名冲突。

private_variable = 42

1.8. 特殊方法命名

双下划线前缀和后缀：Python 的特殊方法（如 __init__、__str__）使用双下划线。

class MyClass:
    def __init__(self):
        pass

    def __str__(self):
        return "MyClass"

1.9. 避免的命名

避免与 Python 关键字冲突：如 class、def、import 等。

避免使用内置函数名：如 list、str、dict 等。

# 不推荐
list = [1, 2, 3]

1.10. 命名一致性

保持一致性：在同一个项目中，命名风格应保持一致。
可读性优先：命名应清晰、简洁且易于理解。

2.Python 基础与变量

学习内容

Python 交互模式：通过命令行或终端进入 Python 交互环境。

>>> print("Hello, Python!")
Hello, Python!

变量赋值：

- 变量无需声明类型，直接赋值。

示例：

name = "Alice"        # 字符串
age = 25              # 整数
price = 19.99         # 浮点数
is_student = True     # 布尔值

动态类型：变量类型可随时改变。

x = 10      # 整数
x = "hello" # 变为字符串

练习题

定义变量 a = 5，b = 3.2，c = "Python"，并打印它们的类型（使用 type()）。

print(type(a))  # <class 'int'>
print(type(b))  # <class 'float'>
print(type(c))  # <class 'str'>

交换两个变量的值：x = 10, y = 20，不使用临时变量。

常见错误

语法错误：忘记冒号或引号不匹配。

# 错误示例
if x == 5
    print("x is 5")

修复：添加冒号 if x == 5:。

3.运算符与表达式

学习内容

算术运算符：

a = 10 + 5   # 15
b = 10 - 5   # 5
c = 10 * 2   # 20
d = 10 / 3   # 3.333...
e = 10 // 3  # 3（整除）
f = 10 % 3   # 1（取余）
g = 2 ** 3   # 8（幂运算）

字符串操作：

s1 = "Hello"
s2 = "World"
s3 = s1 + " " + s2  # "Hello World"
s4 = s1 * 3         # "HelloHelloHello"

练习题

计算圆的面积（半径 r = 5，公式：πr²）。

import math
r = 5
area = math.pi * r ** 2
print(area)  # 约78.54

输入两个数，输出它们的和、差、积、商（用 input()）。

常见错误

类型错误：字符串与数字直接运算。

age = 25
print("Age: " + age)  # 报错！

修复：转换为字符串 print("Age: " + str(age))。

4.控制结构（条件与循环）

学习内容

条件语句：

score = 85
if score >= 90:
    print("A")
elif score >= 80:
    print("B")  # 输出 B
else:
    print("C")

循环语句：

for 循环：

for i in range(3):  # 0, 1, 2
    print(i)

while 循环：

count = 0
while count < 3:
    print(count)
    count += 1

练习题

判断一个数是否为偶数。

num = int(input("输入一个数: "))
if num % 2 == 0:
    print("偶数")
else:
    print("奇数")

打印 1 到 100 的所有奇数（用 for 或 while）。

常见错误

缩进错误：Python 依赖缩进定义代码块。

# 错误示例
if x > 0:
print("正数")  # 缺少缩进

修复：添加缩进 print("正数")。

5.数据结构（列表、元组、字典、集合）

学习内容

列表（List） ：

fruits = ["apple", "banana", "cherry"]
fruits.append("orange")  # 添加元素
fruits[1] = "mango"     # 修改元素
print(fruits[0:2])       # ["apple", "mango"]

字典（Dictionary） ：

person = {"name": "Alice", "age": 25}
print(person["name"])    # Alice
person["age"] = 26       # 修改值

**元组（Tuple）**和集合（Set）：

coordinates = (10, 20)   # 元组不可修改
unique_numbers = {1, 2, 3, 3}  # 集合自动去重

练习题

合并两个列表：list1 = [1, 2, 3]，list2 = [4, 5, 6]。

combined = list1 + list2 # [1, 2, 3, 4, 5, 6]
统计列表中元素的频率：words = ["apple", "banana", "apple", "cherry"]。

常见错误

索引越界：访问不存在的索引。

fruits = ["apple", "banana"]
print(fruits[2])  # 报错！索引最大为1

修复：检查列表长度 len(fruits)。

6.函数

学习内容

定义与调用函数：

def greet(name):
    return f"Hello, {name}!"
print(greet("Alice"))  # Hello, Alice!

参数类型：

默认参数：

def power(base, exponent=2):
    return base ** exponent
print(power(3))     # 9
print(power(3, 3))  # 27

可变参数：

def sum_all(*args):
    return sum(args)
print(sum_all(1, 2, 3))  # 6

练习题

编写函数计算斐波那契数列前 n 项。
编写函数检查字符串是否为回文（如 "madam"）。

常见错误

未返回值：函数默认返回 None。

def add(a, b):
    result = a + b
print(add(2, 3))  # 输出 None

修复：添加 return result。

7.文件操作与异常处理

学习内容

读写文件：

# 写文件
with open("data.txt", "w") as file:
    file.write("Hello, File!")

# 读文件
with open("data.txt", "r") as file:
    content = file.read()
    print(content)  # Hello, File!

异常处理：

try:
    num = int(input("输入一个整数: "))
except ValueError:
    print("输入的不是整数！")

练习题

将用户输入的多个句子保存到文件 notes.txt。
读取文件并统计单词数量。

常见错误

文件未关闭：使用 with 语句自动关闭文件。

# 错误示例
file = open("data.txt", "w")
file.write("Hello")
# 忘记 file.close()

修复：使用 with open(...) as file:。

ollama

Get up and running with large language models.

Ollama 是一个开源的本地大语言模型运行框架，专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计。

Ollama 支持多种操作系统，包括 macOS、Windows、Linux 以及通过 Docker 容器运行。

Ollama 提供对模型量化的支持，可以显著降低显存要求，使得在普通家用计算机上运行大型模型成为可能。

1.Ollama 环境部署

1.1. 系统要求与前置准备

硬件要求：

- CPU：建议 Intel i5 及以上（支持 AVX2 指令集）。
- GPU（可选）：NVIDIA GPU（需安装 CUDA 11.8+）可加速推理。
- 内存：至少 16GB（7B 模型），70B 模型需 64GB+。
- 存储：预留 50GB+ 空间（模型文件通常 5GB~100GB）。

软件依赖：

- Windows：需安装 WSL2（推荐 Ubuntu 22.04）。
- macOS：需安装 Homebrew。
- Linux：需安装 curl 和 docker（可选）。

1.2. 安装 Ollama

Windows/macOS：

1. 访问 Ollama 官网下载安装包。
2. 双击安装包，按提示完成安装。

验证安装：

ollama --version # 应输出类似 ollama version 0.1.20

Linux（手动安装）：

curl -fsSL ollama.com/install.sh | sh

1.3. 配置模型存储路径

Windows：

1. 右键“此电脑” → “属性” → “高级系统设置” → “环境变量”。
2. 新建系统变量：

- - 变量名：OLLAMA_MODELS
  - 变量值：D:\ollama-models（自定义路径）。

macOS/Linux：

export OLLAMA_MODELS=/path/to/your/models
# 永久生效：将命令写入 ~/.bashrc 或 ~/.zshrc

1.4. 启动 Ollama 服务

后台运行：

ollama serve # 默认监听 http://localhost:11434

验证服务状态：

curl http://localhost:11434 # 应返回 Ollama is running

2.模型拉取与运行

2.1. 模型选择与拉取

官方模型库：
访问 Ollama 模型库查看支持的模型，例如：

- llama3:8b（通用对话）
- deepseek-r1:7b（中文优化）
- mistral:7b-instruct（指令跟随）

拉取模型：

ollama pull llama3:8b # 下载 8B 版本

多线程加速（Linux/macOS）：

export OLLAMA_NUM_PARALLEL=4 # 使用 4 线程下载
ollama pull llama3:8b

2.2. 模型运行与交互

命令行交互模式：

ollama run llama3:8b
>>> 你是谁

批量生成文本：

ollama run llama3:8b "写一篇关于人工智能的短文，300字左右"

2.3. API 调用示例

Python 脚本调用：

import requests
response = requests.post(
    "http://localhost:11434/api/generate",
    json={
        "model": "llama3:8b",
        "prompt": "你是谁？",
        "stream": False
    }
)
print(response.json()["response"])

2.4. 模型管理命令

查看已安装模型：

ollama list
# 输出示例
NAME            ID              SIZE    MODIFIED
llama3:8b       a78b43c1b1c3    4.7 GB  2 hours ago

删除模型：

ollama rm llama3:8b

langchain

LangChain是一个由大型语言模型 (LLM) 驱动的应用程序开发框架。

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

开发：使用 LangChain 的开源组件和第三方集成构建您的应用程序。使用LangGraph构建具有一流流媒体和人机交互支持的状态代理。
生产化：使用LangSmith检查、监控和评估您的应用程序，以便您可以不断优化和自信地部署。
部署：使用LangGraph 平台将您的 LangGraph 应用程序转变为可用于生产的 API 和助手。

1.LangChain 核心概念

1. 六大核心模块

模型（Models） ：支持多种 LLM（如 GPT-4、Llama2）和聊天模型（如 ChatGPT）。
提示（Prompts） ：管理提示模板，优化输入结构（例如动态变量替换）。
链（Chains） ：将多个组件串联成工作流，如“提示→模型→输出解析器”。
索引（Indexes） ：结合外部数据（如文档、数据库），通过向量存储实现检索增强生成（RAG）。
代理（Agents） ：让模型自主调用工具（如计算器、搜索引擎）完成任务。
内存（Memory） ：管理对话历史，维持多轮交互的上下文。

2.快速入门

2.1. 调用大模型生成文本

openAi

import os
from langchain_openai import ChatOpenAI

OPENAI_API_KEY  = os.getenv("OPENAI_API_KEY")
OPENAI_API_URL = os.getenv("OPENAI_API_URL")
# 初始化模型
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    openai_api_key=OPENAI_API_KEY,
    base_url= OPENAI_API_URL
)
# 执行调用
response = llm.invoke("你是谁")
print(response)  # 输出: content='我是一个人工智能助手，旨在提供信息和帮助解答问题。如果你有任何问题或需要支持，随时可以问我！' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 30, 'prompt_tokens': 9, 'total_tokens': 39, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': 'fp_b705f0c291', 'finish_reason': 'stop', 'logprobs': None} id='run-c0e446c0-a295-49d4-b164-a776ae478a2d-0' usage_metadata={'input_tokens': 9, 'output_tokens': 30, 'total_tokens': 39, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

本地大模型

from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="deepseek-r1:1.5b")

# 执行调用
response = llm.invoke("你是谁")
print(response.content) # 输出: 您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。

3.Prompts 核心概念

3.1. 什么是 Prompts？

Prompts 是与大语言模型（LLM）交互的输入文本，用于引导模型生成特定输出或执行特定任务。它是模型理解用户意图的关键工具，直接影响模型输出的质量和准确性。

3.2. Prompts 的分类

文本提示（Text Prompts） ：简单的文本输入，如“写一篇关于人工智能的文章”。
任务提示（Task Prompts） ：明确任务目标，如“将以下文本翻译成法语”。
示例提示（Few-Shot Prompts） ：提供少量示例，引导模型完成任务。
约束提示（Constraint Prompts） ：添加限制条件，如“生成至少 5 个句子”

3.3.LangChain 中的 Prompts 工具

3.3.1. PromptTemplate

用于创建动态提示模板，支持变量插值。

from langchain_core.prompts import PromptTemplate

# 创建模板
template = "请讲一个关于{who}的{what}故事"
prompt_template = PromptTemplate.from_template(template)

# 填充变量
prompt = prompt_template.format(who="小狗", what="伤感")
print(prompt)  # 输出：请讲一个关于小狗的伤感故事

适用场景：单轮对话或无需上下文的简单任务。

3.3.2. ChatPromptTemplate

用于构建聊天式提示，支持多角色消息（如系统、用户、AI）。

from langchain_core.prompts import ChatPromptTemplate

# 创建聊天模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个复述助手，擅长重复用户的输入。"),
    ("human", "{text}"),
])

# 填充变量
messages = chat_template.format_messages(text="我不喜欢你。")
print(messages)  # 输出：[SystemMessage(content='你是一个复述助手，擅长重复用户的输入。', additional_kwargs={}, response_metadata={}), HumanMessage(content='我不喜欢你。', additional_kwargs={}, response_metadata={})]

适用场景：多轮对话或需要上下文的复杂任务。

3.3.3. FewShotPromptTemplate

用于少样本学习，通过示例引导模型完成任务。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 定义示例
examples = [
    {"input": "2+2", "output": "4"},
    {"input": "2+3", "output": "5"},
]

# 定义示例模板
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="输入: {input}\n输出: {output}",
)

# 创建少样本模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="回答以下数学问题：",
    suffix="输入: {input}\n输出:",
    input_variables=["input"],
)

# 填充变量
prompt = few_shot_prompt.format(input="3+4")
print(prompt)

适用场景：需要模型学习特定格式或风格的任务。

3.3. 4. 安全防护模板

输入语句：床前明月光下一句
安全评估结果：通过

修改建议：床前明月光的下一句是“疑是地上霜”。这句诗出自李白的《静夜思》。
输入语句：描述战争厮杀场面
安全评估结果：拒绝  
拒绝原因：内容涉及暴力和敏感信息。  
友好提示：如果您对战争或历史事件有兴趣，可以询问有关战争的历史背景、影响或相关人物的故事，而不是具体的厮杀场面。这样可以更好地理解战争的复杂性和后果。

查看中间步骤

3.3. 5. 医疗报告模板生成

输入语句：
患者小笼包（病历号H1234567890），男，56岁，手机号13800138000。
主诉：持续胸痛2小时，放射至左臂。BP 160/100mmHg，HR 110bpm。
心电图示前壁ST段抬高，肌钙蛋白T 0.45ng/ml（正常<0.01）。

患者身份报告：

隐私数据脱敏，展示主要报告，易理解语言

医生身份报告：

展示所有报告，专业化报告

风险预警：

隐私审计追踪：

4.LLM 模块核心概念

4. 1. LLM 模块的定位

LangChain 的 LLM 模块是连接各类大语言模型的统一接口，支持：

- 本地模型（Ollama、Hugging Face）
- 云端 API（OpenAI、Anthropic、Google Gemini）
- 开源模型（Llama、Mistral）

4. 2. 核心功能

统一接口：标准化 invoke()、stream() 等方法。
参数控制：调节 temperature、max_tokens 等生成参数。
扩展能力：支持自定义模型包装器。

4.3.环境准备与基础调用

4.3. 1. 安装依赖

pip install langchain langchain-openai langchain-community

4.3. 2. 调用 OpenAI 模型

from langchain_openai import ChatOpenAI

# 初始化模型
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7,
    max_tokens=500
)

# 同步调用
response = llm.invoke("解释量子纠缠")
print(response.content)

# 流式调用
for chunk in llm.stream("生成 Python 排序算法教程"):
    print(chunk.content, end="", flush=True)

4.3. 3. 调用本地模型（Ollama）

# 先启动 Ollama 服务并下载模型
ollama pull llama2
ollama serve

from langchain_community.llms import Ollama

llm = Ollama(model="llama2")
response = llm.invoke("法国的首都是哪里？")
print(response)

4.4.高级配置与优化

4.4. 1. 参数调优

llm = ChatOpenAI(
    model="gpt-4",
    temperature=0.5,        # 控制随机性 (0-2)
    max_tokens=1000,        # 最大生成长度
    top_p=0.9,              # 核心采样概率
    frequency_penalty=0.5,  # 抑制重复内容
    timeout=30              # API 超时时间
)