Python机器学习入门：从零开始学习AI，一个被裁外包仔的血泪实践
大家好，我是老K，坐标北京天通苑，目前在昌平13号线边上租了个3500块一个月的小单间。去年十月，我被某大厂“毕业”了——HR找我谈话那天是周三下午三点，会议室里空调开得贼低，她说“公司战略调整”，我点头说“理解理解”，心里却在想：“房租下个月怎么交？”
那会儿我月薪15k，虽然不算高，但胜在稳定。被裁之后，老婆（对，我结婚了）看着我愁眉苦脸的样子，直接拍板：“要不你接点外包试试？你不是老说Python能搞AI吗？”
于是，我开始了从全栈开发转型“AI打工人”的奇幻旅程。
一、AI编程≠魔法，Function Calling才是真功夫
很多人一听“AI编程”，脑子里立刻浮现那种敲两行代码，模型自动写完整App的画面。别天真了兄弟们！现实是：你写十行代码，模型给你返回八行报错，剩下两行还是print("Hello World")。
我最早接触的是百度的文心一言。为啥选它？因为免费啊！刚失业那阵子，连服务器都舍不得开，更别说买OpenAI API了。文心一言4.5版本支持Function Calling，这是个关键功能——简单说，就是让大模型知道什么时候该调用你的代码函数，而不是瞎编答案。
举个例子：我想做一个天气查询工具，用户问“北京明天冷不冷？”，模型不能凭空回答，得调用我写的get_weather(city)函数去查真实数据。这就叫Function Calling。
但文心一言的Function Calling……怎么说呢？有点像我家楼下那家沙县小吃——便宜，但偶尔吃出头发。有次我定义了一个函数叫calculate_tax(income)，结果模型硬是把参数传成了字符串"income"，而不是变量值。调试到凌晨两点，差点想砸键盘。
后来我对比了几个主流工具：
- 文心一言（ERNIE Bot）：中文支持好，免费额度够用，但Function Calling的稳定性一般，文档也有些地方语焉不详。
- 通义千问（Qwen）：阿里系，Function Calling逻辑清晰，但需要实名认证+企业资质才能开API，对我这种个体户不太友好。
- OpenAI GPT-4 Turbo：稳如老狗，Function Calling几乎零失误，但——贵！一次请求几毛钱，跑个demo一天烧掉50块，我这外包仔扛不住。
- Claude 3：推理能力强，但国内访问不稳定，经常连不上，心态直接崩。
最后我折中选了文心一言 + 本地轻量模型微调的组合拳。毕竟，省钱才是王道。
二、从“Hello World”到第一个机器学习项目
说实话，我本科是学电子信息的，机器学习只在研究生选修课听过几节。被裁后翻出当年的《机器学习实战》教材，书页都发黄了。
我给自己定了个小目标：三个月内做出一个能赚钱的小工具。
第一个项目是帮本地一家宠物店做“客户流失预测”。店主是我邻居，看我整天在家敲代码，问我能不能帮忙分析哪些客户可能不再来消费。我说可以，报价2000块（其实是试探价，没想到他秒答应了）。
技术栈选得很朴实：
- 数据处理：Pandas + NumPy
- 模型训练：Scikit-learn 的 RandomForestClassifier
- 部署：Flask + Nginx 跑在阿里云学生机（99块一年那个）
整个过程比想象中难多了。数据脏得要命：有的客户手机号填成“138****”，有的消费记录时间是“2023/13/45”。清洗数据花了整整三天，期间我老婆看我对着Excel发呆，忍不住问：“你这是在算命还是写代码？”
但最崩溃的是模型效果。第一次跑出来准确率只有62%，店主问我：“这跟扔硬币有啥区别？”我哑口无言。
后来我加了特征工程：计算客户最近三次消费间隔、平均客单价、是否参与过促销活动……准确率提到78%。虽然不高，但店主说：“至少能让我重点回访那20%高风险客户。” 于是他爽快付了尾款。
那一刻，我突然觉得：AI不是神，但只要用对场景，哪怕是个小模型，也能创造价值。
三、Function Calling：让AI真正“干活”的钥匙
回到开头说的Function Calling。为什么它这么重要？
因为真正的AI编程，不是让模型生成代码，而是让模型协调工具。
比如我现在接的一个外包需求：给一个教育机构做“智能课程推荐”。用户输入“我想学Python数据分析，预算3000以内”，系统要返回匹配的课程列表。
如果只靠大模型自由发挥，它可能会编造不存在的课程，或者推荐价格超标的班。但通过Function Calling，我可以这样设计：
def search_courses(skill: str, max_price: float) -> list:
# 实际查询数据库
return db.query(...)
# 告诉模型：当你需要课程信息时，必须调用这个函数
文心一言的API支持定义工具（tools），格式如下：
{
"name": "search_courses",
"description": "根据技能和预算搜索课程",
"parameters": {
"type": "object",
"properties": {
"skill": {"type": "string"},
"max_price": {"type": "number"}
}
}
}
模型收到用户问题后，会先判断是否需要调用工具。如果需要，就返回一个函数调用请求，我再执行真实查询，把结果塞回去。
这种方式，既保证了信息准确性，又保留了自然语言交互的体验。而且——最重要的是——客户愿意为此多付钱！
上周五晚上，我在天通苑的出租屋里调试这个功能，老婆端来一碗泡面，看我屏幕上满是JSON和函数定义，笑着说：“你现在说话都带‘调用’俩字了。”
我苦笑：“可不是嘛，生活逼得我连做梦都在处理API回调。”
四、外包仔的AI生存法则
经过半年折腾，我总结了几条血泪经验：
- 别追求SOTA（State-of-the-Art）：客户不在乎你用的是Transformer还是LSTM，他们只在乎结果能不能用、多少钱。
- Function Calling是性价比最高的AI集成方式：比起端到端生成，用工具链组合更可控、更便宜。
- 中文场景优先考虑国产模型：文心一言在处理中文意图识别上确实有优势，比如“帮我找个性价比高的班”这种模糊表达，GPT反而容易误解。
- 小数据+简单模型 > 大数据+复杂模型：大多数中小企业根本没有百万级数据，硬上深度学习纯属浪费。
- 永远留一手：我在所有交付项目里都加了“人工审核开关”，万一AI抽风，还能手动兜底——这招让客户特别安心。
现在我的月收入稳定在22k左右，虽然没大厂高，但时间自由，还能在家陪老婆。上周刚续租了房子，房东看我按时交租，还主动说“下季度不涨了”。
五、写在最后：AI不是终点，而是新起点
有时候我会想，如果没被裁员，可能还在大厂里写着CRUD，抱怨着需求变更，幻想着35岁退休。
但现实是，AI浪潮不会等任何人。与其焦虑“会不会被取代”，不如想想“怎么用AI把自己变成不可替代的人”。
Function Calling教会我的，不仅是技术，更是一种思维方式：把AI当作工具箱里的一个扳手，而不是期待它替你盖整栋楼。
如果你也像我一样，正在从零开始摸索AI，别怕慢，别怕错。从一个小需求做起，跑通一个端到端流程，赚到第一笔钱——那种成就感，比拿年终奖还爽。
对了，如果你也在北京，想找人一起搞AI外包，或者单纯想吐槽文心一言的奇怪bug，欢迎加我微信（私信要）。天通苑虽远，但代码世界没有边界。
共勉。
—— 老K，于北京天通苑出租屋
2024年6月
评论 0