写给新手的自动化脚本与AI辅助开发指南
大家好，我是一名开源项目的维护者，同时也是一线开发工具的讲师。在开源社区和日常教学中，我见过太多初学者把大量时间耗费在重复性的机械劳动上。我当初学的时候，也曾为了重命名几百个格式混乱的实验数据文件，手动操作到深夜，最后还因为眼花弄错了好几个。
那时候我就想，如果能有一篇教程，不仅教新手怎么写自动化脚本，还能教他们如何利用当下最强大的AI工具来“写”脚本，那该多好。这就是我决定写这篇教程的原因。
今天，我们将以“问题解决思路”为核心，带你零基础入门自动化脚本。我们不仅会学习Python脚本的基础，还会将 Ollama、Anthropic 和 Amazon Q 这三款强大的AI工具融入其中，让你体验现代AI辅助开发的魅力。
环境准备：工欲善其事，必先利其器
对于零基础新手，我们选择 Python 作为自动化脚本的语言，因为它最接近人类自然语言，学习曲线最平缓。在开始写代码前，我们需要搭建好基础环境和AI工具链。
1. 基础开发环境
首先，你需要安装 Python。去 Python 官网下载最新版本的安装包，安装时务必勾选“Add Python to PATH”（将Python添加到环境变量），这是新手最容易踩坑的地方。
2. AI 辅助工具链配置
在自动化脚本的开发中，不同的AI工具有着不同的定位。我为大家整理了以下工具矩阵：
| 工具名称 | 核心定位 | 在自动化脚本中的作用 | 获取/安装方式 |
|---|---|---|---|
| Amazon Q | IDE 智能助手 | 代码补全、解释、重构，像副驾驶一样陪你写代码 | 在 VS Code 插件市场搜索 "Amazon Q" 安装 |
| Anthropic | 云端大模型 API | 提供强大的逻辑推理和代码生成能力（Claude模型） | 访问 Anthropic 官网注册并获取 API Key |
| Ollama | 本地大模型运行 | 在本地运行开源模型，处理敏感数据，零API费用 | 访问 Ollama 官网下载安装，命令行运行 ollama run llama3 |
安装与配置步骤：
- Amazon Q：打开 VS Code，点击左侧扩展图标，搜索
Amazon Q并安装。使用 AWS Builder ID 免费登录。 - Ollama：下载安装后，打开终端（Terminal），输入
ollama run llama3。它会自动下载模型并在本地运行。 - Anthropic：注册账号后，在控制台生成一个 API Key，并将其保存在你的环境变量或项目的
.env文件中。
核心概念：用“问题解决思路”理解自动化
很多新手一上来就背语法，这是不对的。写脚本的本质是解决问题。我通常会把这个过程分为四个步骤，我们可以用一个文字流程图来表示：
[发现重复性痛点] -> [拆解任务步骤] -> [编写/生成代码] -> [测试与迭代]
↑ |
└─────────── [发现问题并优化] <─────────────┘
通俗理解关键概念
- 自动化脚本：你可以把它想象成一份“给电脑看的菜谱”。你告诉电脑第一步切菜、第二步开火，电脑就会严格按照顺序执行，而且永远不会手抖。
- API（应用程序接口）：把它想象成餐厅的服务员。你的脚本（顾客）不需要知道厨房（Anthropic服务器）怎么做菜，只需要把需求（Prompt）告诉服务员（API），服务员就会把做好的菜（结果）端给你。
- 本地模型 vs 云端模型：使用 Ollama 就像在自己家厨房做饭，数据绝对安全，但受限于你电脑的硬件；使用 Anthropic 就像去米其林餐厅，能力极强，但需要付费且数据要传上网。
实战项目：智能文件整理与摘要生成器
光说不练假把式。接下来，我们跟着教程一步步完成一个实战项目。
项目目标：编写一个 Python 脚本，自动扫描“下载”文件夹，将文件按类型分类移动到子文件夹中；对于文本文件，利用 AI 生成内容摘要并重命名。
步骤 1：需求拆解与 AI 辅助编码
面对复杂需求，不要自己死磕。我们可以打开 VS Code，唤出 Amazon Q 的聊天面板，输入以下提示词（Prompt）：
“我需要写一个 Python 脚本，遍历指定目录下的所有文件。请帮我生成基础代码：1. 根据文件后缀名（如 .pdf, .jpg, .txt）将文件移动到对应的分类文件夹中。2. 包含基本的异常处理，防止文件被占用时报错。”
Amazon Q 会迅速在 IDE 中为你生成基础的文件操作代码。你只需要点击“Accept”（接受）即可。这极大地降低了新手编写文件 I/O 操作的门槛。
步骤 2：引入 Anthropic 处理复杂逻辑
对于非标准命名的文件，简单的后缀名分类不够。我们需要 AI 来理解文件名并重新命名。这里我们调用 Anthropic 的 Claude API。
你需要先安装依赖库：
pip install anthropic python-dotenv
在项目根目录创建 .env 文件，填入你的密钥：
ANTHROPIC_API_KEY=sk-ant-xxxxxx你的密钥xxxxxx
步骤 3：引入 Ollama 处理本地隐私数据
对于 .txt 或 .md 等文本文件，我们可能需要提取摘要。如果文件包含个人隐私（如日记、本地笔记），上传到云端是不安全的。这时，Ollama 就派上用场了。
安装 Ollama 的 Python 库：
pip install ollama
步骤 4：完整代码实现与解析
将以下代码保存为 auto_organizer.py。我加入了详细的注释，帮助你理解每一行的作用。
import os
import shutil
import anthropic
import ollama
from dotenv import load_dotenv
# 加载环境变量
load_dotenv()
# 配置路径
TARGET_DIR = "./my_downloads"
# 确保目标目录存在
os.makedirs(TARGET_DIR, exist_ok=True)
# 初始化 Anthropic 客户端
client_anthropic = anthropic.Anthropic()
def get_file_category(filename):
"""使用 Anthropic Claude 智能判断文件应该属于哪个类别"""
prompt = f"请根据文件名 '{filename}' 判断它属于以下哪个类别：[文档, 图片, 视频, 代码, 其他]。只返回类别名称，不要其他废话。"
try:
message = client_anthropic.messages.create(
model="claude-3-haiku-20240307", # 使用快速且便宜的模型
max_tokens=10,
messages=[{"role": "user", "content": prompt}]
)
return message.content[0].text.strip()
except Exception as e:
print(f"Anthropic 调用失败: {e}，使用默认分类")
return "其他"
def generate_local_summary(filepath):
"""使用 Ollama 本地模型为文本文件生成摘要，保护隐私"""
try:
with open(filepath, 'r', encoding='utf-8') as f:
content = f.read()[:2000] # 只读取前2000个字符，防止超出上下文
# 调用本地 Ollama 模型
response = ollama.chat(model='llama3', messages=[
{'role': 'user', 'content': f"请用一句话总结以下内容：\n{content}"}
])
return response['message']['content'].strip()
except Exception as e:
return f"摘要生成失败: {e}"
def organize_files():
"""主执行逻辑"""
for filename in os.listdir(TARGET_DIR):
filepath = os.path.join(TARGET_DIR, filename)
# 跳过目录
if os.path.isdir(filepath):
continue
# 1. 智能分类
category = get_file_category(filename)
category_dir = os.path.join(TARGET_DIR, category)
os.makedirs(category_dir, exist_ok=True)
# 2. 处理文本文件摘要 (使用 Ollama)
if filename.endswith(('.txt', '.md')):
summary = generate_local_summary(filepath)
# 将摘要追加到原文件末尾
with open(filepath, 'a', encoding='utf-8') as f:
f.write(f"\n\n--- AI 摘要 ---\n{summary}\n")
print(f"已为 {filename} 生成本地摘要。")
# 3. 移动文件
dest_path = os.path.join(category_dir, filename)
try:
shutil.move(filepath, dest_path)
print(f"成功移动: {filename} -> {category}/")
except Exception as e:
print(f"移动文件 {filename} 失败: {e}")
if __name__ == "__main__":
print("开始自动化整理...")
organize_files()
print("整理完成！")
步骤 5：运行与调试
在终端中运行 python auto_organizer.py。你会看到脚本开始工作。
- 当遇到奇怪的文件名时，它会请求 Anthropic 帮忙分类。
- 当遇到本地文本文件时，它会调用 Ollama 在本地生成摘要，全程数据不出你的电脑。
常见问题：新手排坑指南
在运行脚本时，新手通常会遇到以下问题，我为大家整理了解决方案：
Q1：运行代码提示 ModuleNotFoundError: No module named 'anthropic'
- 原因：没有安装第三方库，或者安装了但运行脚本的 Python 环境不对。
- 解决：确保在终端中运行了
pip install anthropic。如果你使用了虚拟环境（如 conda），请确保激活了正确的环境后再安装和运行。
Q2：Ollama 运行报错 Error: pull manifest manifest unknown
- 原因：网络问题导致模型没有下载完整，或者模型名称拼写错误。
- 解决：检查 Ollama 是否正在后台运行。尝试重新拉取模型：
ollama pull llama3。如果网络不佳，可以考虑配置代理或更换国内镜像源。
Q3：Anthropic API 报错 429 Too Many Requests 或 401 Unauthorized
- 原因：429 表示请求频率过高，触发了限流；401 表示 API Key 无效或未配置正确。
- 解决：检查
.env文件中的 Key 是否复制完整，且没有多余的空格。如果是限流，可以在代码中加入time.sleep(1)来降低请求频率。
Q4：AI 生成的分类结果不符合预期怎么办？
- 解决思路：这就是“问题解决思路”中的迭代环节。不要指望 AI 一次就完美。你需要优化 Prompt。例如，把提示词改为：“请根据文件名判断类别，必须且只能从 [工作文档, 个人照片, 学习资料, 娱乐视频, 其他] 中选择一个返回。” 约束越明确，结果越稳定。
学习建议与下一步路径
恭喜你完成了第一个结合 AI 的自动化脚本！作为讲师，我想给初学者几点真诚的建议：
避坑指南
- 不要做“复制粘贴工程师”：AI（如 Amazon Q）能帮你生成代码，但你必须读懂每一行代码在做什么。如果不懂，就问 AI：“请逐行解释这段代码的逻辑”。
- 注意权限与安全：自动化脚本拥有操作文件的权限。在让脚本批量删除或移动文件前，一定要先备份，或者先用
print()打印出将要执行的操作，确认无误后再真正执行。 - 合理选择 AI 工具：不要杀鸡用牛刀。简单的正则匹配能解决的问题，就不要去调用大模型 API，既浪费钱又增加延迟。记住：本地 Ollama 处理隐私，云端 Anthropic 处理复杂逻辑，Amazon Q 辅助日常编码。
下一步学习路径
- 深入 Python 基础：学习面向对象编程（OOP）、装饰器和生成器，这能让你的脚本更优雅。
- 学习定时任务：了解 Linux 的
cron或 Windows 的“任务计划程序”，让你的自动化脚本能够每天定时自动运行。 - 探索更多 API：尝试接入邮件发送 API、微信通知 API，让你的脚本在完成任务后能主动给你发通知。
自动化脚本的本质，是把人类从重复劳动中解放出来，去思考更有创造力的事情。而 AI 工具的加入，则是把人类从“编写重复代码”的劳动中也解放了出来。
希望这篇教程能成为你开启自动化与 AI 辅助开发大门的钥匙。不要害怕报错，每一个报错都是你进步的阶梯。去打开你的编辑器，写下你的第一行自动化代码吧！如果在实践中遇到问题，欢迎在开源社区或我的博客下留言交流。祝大家编码愉快！
评论 0