又到了暑期实习季。很多团队都会遇到这样一个问题来了几个文科背景的实习生专业可能是新闻、中文、英语或者管理学代码基础几乎为零但每个人都急着想学 AI。带教的人很纠结——让她们啃 Python 语法一个月下来可能连列表推导式都还没吃透让她们做资料整理又觉得有点浪费这段时间。我的判断是文科生学 AI真正要解决的并不是“学会编程”而是“建立人机协作的工作流”。换句话说她们的产出不是代码行数而是能不能用 AI 工具快速交付一个真实任务。带教过程中我发现思路转变快的实习生两三个月就能独立完成数据清洗、信息摘要、内部工具搭建这类小任务思路没转过来的可能还在纠结“我是不是应该先把数学补上”。这篇文章不打算灌鸡汤也不会让你从线性代数开始补起。我会把经过验证的文科生 AI 学习路线拆开来讲先解决认知问题再给三条学习主线然后是三个可以直接在电脑上跑起来的实操示例最后附上常见问题和工程建议。无论你是准备学 AI 的文科生还是要带教实习生的技术负责人这篇都值得收藏备用。1. 文科生学 AI先想清楚这个问题很多文科生学 AI 的第一个动作是买一本 Python 入门书然后从注释、变量、数据类型开始背。一个月后她们发现自己还是做不出任何东西于是得出结论AI 太难了我不适合。这个结论是错的。错不在“难”而在学习目标定错了。1.1 学 AI 不等于学算法如果目标是做算法工程师、模型训练工程师那确实需要数学、深度学习和大量编程基础。但绝大多数文科生进入 AI 领域目标不是训练模型而是“用 AI 解决工作中的具体问题”。同样是学 AI算法工程师关心的是 loss 曲线、训练效率和模型推理性能而一个市场岗位的实习生关心的是“能不能让 AI 帮我把 200 条用户评论自动归类成正面、负面、中性”。后者不需要推导反向传播只需要学会调用现成的大模型 API或者用好在线 AI 工具再把输出接进自己的工作流。这个定位一旦清晰学习路径就会完全不一样。1.2 真正要培养的是“人机协作”能力文科生学 AI 的核心能力其实是三件事把模糊需求拆解成 AI 能理解的任务。让 AI 稳定输出指定格式的结果。能判断 AI 的输出是否靠谱并完成人工修正。这三件事都不需要深厚的代码功底但它们恰恰是很多技术背景的人也容易忽略的部分。很多程序员习惯了精确的逻辑表达反而不太擅长设计一个能引导大模型稳定输出的提示词而文科生天然擅长语言组织、语义理解和信息整理这在提示词工程里反而是优势。所以文科生学 AI 的第一步不是打开 IDE而是重新理解自己的优势你不需要变成半个程序员你需要变成 AI 的“甲方”。1.3 什么样的任务适合 AI判别一个任务是否适合 AI可以看三个特征特征适合 AI 的任务不适合 AI 的任务信息处理量量大人工处理耗时只有几条手动更快判断标准有明确规则但表达多变需要复杂的业务决策容错程度允许修改和二次确认错误成本极高比如“把 50 页 PDF 转成要点摘要”“把 300 条客服记录按问题类型分类”“帮忙润色一段公告文案”这类任务非常适合 AI。而“在预算有限的情况下决定要不要上线某个功能”这种任务就不能直接丢给 AI 做决定。2. 三条学习主线提示词、低代码搭建、脚本辅助在有限的实习周期里建议文科生按三条主线推进。这三条不是并列关系而是递进关系先学会用好 Prompt再尝试搭建简单的 AI 应用最后让 Python 脚本帮你批量处理数据。2.1 主线一提示词工程最关键提示词工程是大模型时代的基础能力也是文科生最容易上手的切入点。它不需要安装任何环境只要有一个能访问的 AI 聊天工具就能开始练。学提示词的关键不是背模板而是理解大模型的工作方式。模型是“根据你给的文字预测后续内容”所以输入信息的结构越清晰输出就越稳定。你可以把提示词理解成一份给新同事的工作说明书背景、角色、任务、格式要求、参考示例写清楚了对方就不会自由发挥。实习期间建议完成的小目标能用结构化的提示词完成资料整理、文案写作、表格数据处理等至少五类任务并且输出的格式稳定到可以直接复制使用。2.2 主线二无代码/低代码搭建 AI 应用当提示词已经用得很熟练可以考虑接触低代码 AI 应用搭建平台比如国内的 Dify、阿里云百炼或者字节的 Coze 这类产品。它们把大模型、知识库、工作流、工具调用都封装成可视化组件拖拽就能搭一个客服机器人、内容生成助手或者知识库问答应用。文科生在这个阶段可以理解几个重要概念工作流里的节点是什么、知识库的切片和召回是怎么回事、Agent 的基本运作方式。不需要知道底层实现但需要理解调用关系。一个典型的练习任务是把团队的产品文档导入知识库做一个能回答常见问题的内部问答机器人。整个过程可以完全不写代码但能实实在在地感受到一个 AI 应用从数据准备到上线使用的完整链路。2.3 主线三Python 脚本辅助办公当可视化平台无法满足需求时就该引入 Python 了。但建议不要让文科生从 Python 基础语法开始学而是从“真实任务需要什么函数”开始学。最常用的库其实就几个pandas处理表格数据。openpyxl读写 Excel 文件。requests或openaiSDK调用大模型 API。python-dotenv管理 API Key 等环境变量。比如要做一个“批量给 Excel 里的用户反馈打标签”的小脚本需要的语法知识无非是读取文件、循环遍历、调用 API、写回文件。通过这个任务文科生会自然地接触到变量、函数、异常处理这些概念而且因为目标明确学习动力会强很多。三条主线的关系可以用一句话总结提示词解决“怎么问 AI”低代码平台解决“怎么把 AI 做成产品”Python 脚本解决“怎么让 AI 融入批量流程”。3. 新人最需要理解的五个核心概念文科生在学习过程中会被各种名词包围大模型、Token、上下文窗口、Temperature、Agent、RAG、幻觉。如果每一个都去深挖原理很快就劝退了。但只要理解其中最核心的五个后续就不会发懵。3.1 大模型与 API大模型全称是“大规模语言模型”本质是一个通过海量文本训练出来的概率模型。它做的事情是根据前文内容预测最可能出现的下一个词。你给它一个输入它不断预测下一个词直到生成完整回答。API 是“应用程序编程接口”的缩写。对大模型来说API 就是官方提供的“调用入口”。你不必下载模型到本地只需要把问题发给远端的服务器服务器返回答案。对使用者来说API 就是一台可以远程使用的“文字生成机器”。理解这个区别很重要本地什么都不用装也不用考虑显卡配置只要有网络就能在代码里调用 AI 能力。3.2 Token 与上下文窗口Token 是模型处理文本的基本单位。一个 Token 可以是一个词、一个中文字符或者一个标点具体取决于模型的分词方式。你可以把 Token 理解为“积木块”模型一次能装下的积木数量是有限的这个上限就叫“上下文窗口”。上下文窗口越大模型能一次性“看到”的文本就越多。如果你提交给模型的内容超过了窗口大小就需要做截断或者分段处理。实际项目里经常出现“长文档总结不了”的问题多半就是上下文窗口或单次请求长度限制导致的。3.3 Temperature 参数Temperature 控制模型输出的随机性。取值一般在 0 到 2 之间。数值越低模型输出越保守、越稳定数值越高输出越多样、越有创造性。做数据分类、信息抽取这类需要准确性的任务建议把 Temperature 调低比如 0.1 到 0.3写文案、想创意的时候可以调到 0.7 以上。这个参数是工程实践里最常用到的调试手段之一。3.4 System Prompt 与 User Prompt在用 API 调用大模型时通常可以设置两类消息。System Prompt 是“给模型设定的身份和规则”相当于给员工定岗位职责User Prompt 是“用户输入的具体任务”相当于具体的工作安排。两者的职责要分开把规则放到 System Prompt把任务放到 User Prompt。这样模型在每轮对话中都能稳定地遵循规则不会因为任务内容变化而“忘记”自己是什么角色。3.5 AI 幻觉AI 幻觉指模型生成看似合理、实际错误甚至完全虚构的信息。大模型本质是预测下一个词它并不知道“事实”是什么。当它不确定答案时可能会用流畅的语言编造一个看似可信的错误答案。这不是模型“坏了”而是它固有的一种局限性。应对幻觉的常见做法要求模型标注信息来源、在提示词里明确“不确定时就说不知道”、关键数据通过人工复核或外部工具校准。4. 环境准备与学习工具链对于文科生来说环境准备阶段最容易劝退但其实只需要装好下面几样东西。4.1 硬件与系统一台普通的笔记本电脑即可不需要独立显卡。无论是调用在线大模型 API 还是运行小型 Python 脚本普通办公电脑完全够用。操作系统不限Windows 和 macOS 都行。4.2 Python 环境不建议直接装最新版 Python 后手动配置推荐使用 Anaconda。它自带 Python 解释器和常用的数据科学库还提供虚拟环境管理能力对新手非常友好。安装完成后在终端里执行下面的命令创建项目环境conda create -n ai-learning python3.10 -y conda activate ai-learning这里把环境名定为ai-learningPython 版本使用 3.10。具体版本不一定要完全一致只要不低于 3.9 即可。4.3 VS Code 编辑器VS Code 是目前最主流的代码编辑器安装免费插件丰富。装好之后建议再安装 Python 插件和 Pylance 插件这样可以获得代码提示和错误检查。对于刚接触代码的文科生先不用理解所有功能。只需要知道左侧是文件列表、中间是编辑区、底部是终端这三个区域就够了。4.4 大模型 API 的准备工作如果想在代码里调用大模型需要一个支持 API 的平台账号。目前国内有多个合规的大模型服务平台可供选择比如阿里云百炼、智谱 AI、百度千帆等。具体注册和计费方式以平台官方文档为准。拿到 API Key 之后强烈建议不要直接写在代码里而是放在.env文件里管理。先在项目目录下创建.env文件# 文件路径.env API_KEY你的密钥 BASE_URLhttps://your-provider.example.com/v1 MODEL_NAME你的模型名称然后在代码中加载这个文件。这样即使代码提交到 Git 仓库也不会泄露密钥。4.5 安装 Python 依赖在终端中执行pip install openai pandas python-dotenv openpyxl解释一下这几个库的用途openaiOpenAI 兼容的 API 调用库国内很多平台也支持同样的协议所以通用性很强。pandasExcel 和 CSV 数据处理工具。python-dotenv读取.env配置文件。openpyxl让 pandas 支持 Excel 文件读写尤其是.xlsx格式。如果你的平台不支持 OpenAI 兼容协议也没关系大部分平台都会提供对应的 Python SDK 或者 HTTP 接口调用方式大同小异。5. 实操示例一从提示词到结构化输出第一个示例不需要代码用任意一个 AI 聊天工具就能完成。但它是后面所有示例的基础请务必练熟。5.1 一个可复用的提示词模板假设现在需要让 AI 做一份“社区团购竞品调研”要求输出 Markdown 格式的报告。很多新手会直接输入“帮我写一份社区团购竞品调研”得到的答案往往比较空泛。更好的方式是提供角色、背景、任务、格式和示例你是一位有 5 年经验的社区电商行业分析师。 背景我们是一家正在筹备社区团购业务的本地生鲜公司需要了解主要竞争对手的玩法。 任务 1. 列举 3 个当前市场上有代表性的社区团购平台。 2. 对每个平台分别说明其目标用户、核心优势、主要获客方式、常见痛点。 3. 最后给出针对本地生鲜公司进入市场的 3 条建议。 格式要求 - 使用 Markdown 二级标题组织内容。 - 每个平台用表格列出信息。 - 建议部分用编号列表每条建议不超过 50 字。 注意如果某个平台信息不确定请明确标注“信息有待核实”不要编造数据。这个提示词之所以有效是因为它把“你是谁、背景是什么、做什么、按什么格式输出、出错怎么办”都说清楚了。模型在明确的约束下输出质量远比一句宽泛的提问稳定。5.2 进阶需求输出 JSON 方便程序处理当后续要写代码调用 API 时常常需要模型输出 JSON 格式方便程序读取。可以在提示词中明确指定格式请从下面的用户反馈中提取三个字段内容分类、情感倾向、建议标签。 只输出 JSON不要输出其他解释文字。 示例格式 { 分类: 配送问题, 情感倾向: 负面, 建议标签: [配送时效, 客服响应] } 用户反馈昨天下午下单的生鲜今天中午才送到而且客服一直联系不上。这里用了“示例格式”和“只输出 JSON”两个关键约束。前者告诉模型结构长什么样后者避免模型在 JSON 前后增加解释文字省去后续解析的麻烦。5.3 如何验证提示词质量每次拿到输出不要只是看“像不像”要从三个角度检查格式是否完全符合要求。内容是否存在明显的事实错误。如果换个输入结果是否仍然稳定。如果模型输出格式总是变可以在提示词中增加更强的约束比如“必须输出 JSON不要包含 Markdown 代码块标记”。如果内容总是泛泛而谈就给一个高质量示例作为参照。6. 实操示例二用 Python 调用大模型 API 处理 Excel 数据这个示例演示一个非常典型的办公场景Excel 里有一批用户反馈需要逐条判断情感倾向。人工做需要几个小时脚本几十秒就能跑完。6.1 准备 Excel 数据假设项目目录下有一个feedback.xlsx内容如下ID反馈内容1昨天下午下单的生鲜今天中午才送到而且客服一直联系不上。2水果很新鲜包装也很仔细下次还会回购。3价格比超市贵一点不过胜在方便。先创建脚本读取数据# 文件路径analyze_feedback.py import pandas as pd df pd.read_excel(feedback.xlsx) print(df.head())运行python analyze_feedback.py正常情况下能看到两列数据。这一步的目的是先把数据读进内存确认后续可以逐行处理。6.2 调用大模型 API 完成分类接下来编写调用大模型 API 的完整脚本。这里使用 OpenAI 兼容的接口方式很多国内大模型平台都支持同样的写法# 文件路径analyze_feedback.py import os import pandas as pd from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), # 从 .env 读取密钥 base_urlos.getenv(BASE_URL), # 指向你使用的大模型平台 ) MODEL_NAME os.getenv(MODEL_NAME) def analyze_text(text: str) - str: 判断单条反馈的情感倾向和问题分类 response client.chat.completions.create( modelMODEL_NAME, messages[ { role: system, content: 你是客服文本分析助手。只输出JSON不要输出任何解释。, }, { role: user, content: f请判断以下用户反馈的情感倾向正面/负面/中性和问题分类。 只输出如下JSON格式 {{ 情感: 正面, 分类: 无 }} 反馈内容{text} , }, ], temperature0.2, ) return response.choices[0].message.content df pd.read_excel(feedback.xlsx) results [] for index, row in df.iterrows(): result_text analyze_text(row[反馈内容]) results.append(result_text) print(f第 {index 1} 条{result_text}) df[AI分析结果] results df.to_excel(feedback_result.xlsx, indexFalse) print(处理完成结果已保存到 feedback_result.xlsx)6.3 运行与验证在终端执行python analyze_feedback.py预期输出类似第 1 条{情感: 负面, 分类: 配送时效} 第 2 条{情感: 正面, 分类: 商品质量} 第 3 条{情感: 中性, 分类: 价格} 处理完成结果已保存到 feedback_result.xlsx判断成功的标准有两条程序没有报错正常完成循环。生成的 Excel 里每条反馈后面都有对应的情感与分类结果。如果某些行输出乱码先检查 API 返回内容是否被当成纯文本写入 Excel。如果模型偶尔返回不完整的 JSON可以在analyze_text函数里加一个异常处理分支重新请求一次或者把原始内容保存到日志中人工查看。7. 实操示例三把数据处理工具打包成 Streamlit 网页脚本能解决问题但只对会运行 Python 的人友好。如果想把能力交付给团队里的其他同事可以用 Streamlit 做一个简单的网页界面。7.1 安装 Streamlit在刚才的环境里执行pip install streamlitStreamlit 是一个 Python 网页应用框架。它的特点是写起来像写普通 Python 脚本运行起来自动生成网页非常适合做内部小工具。7.2 编写网页应用新建app.py内容如下# 文件路径app.py import os import pandas as pd import streamlit as st from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(BASE_URL), ) MODEL_NAME os.getenv(MODEL_NAME) def analyze_text(text: str) - str: response client.chat.completions.create( modelMODEL_NAME, messages[ { role: system, content: 你是客服文本分析助手。只输出JSON不要输出任何解释。, }, { role: user, content: f请判断以下用户反馈的情感倾向正面/负面/中性和问题分类。 只输出如下JSON格式 {{ 情感: 正面, 分类: 无 }} 反馈内容{text} , }, ], temperature0.2, ) return response.choices[0].message.content st.title(用户反馈自动分类助手) uploaded_file st.file_uploader(上传包含反馈内容的 Excel 文件, type[xlsx]) if uploaded_file is not None: df pd.read_excel(uploaded_file) st.write(数据预览) st.dataframe(df.head(5)) if st.button(开始分析): results [] progress_bar st.progress(0) total len(df) for index, row in df.iterrows(): content str(row.get(反馈内容, )) if content: result analyze_text(content) else: result {情感: 未知, 分类: 空内容} results.append(result) progress_bar.progress((index 1) / total) df[AI分析结果] results st.success(分析完成) st.dataframe(df) output_file feedback_result.xlsx df.to_excel(output_file, indexFalse) with open(output_file, rb) as f: st.download_button(下载结果文件, f, file_nameoutput_file)7.3 运行并验证在终端执行streamlit run app.py浏览器会自动打开一个页面。在这个页面里同事可以上传 Excel、点击按钮、等待进度条完成、在页面上预览结果并下载处理后的文件。这个示例的意义不仅是学会一个库而是让实习生理解“从自己用”到“交付给团队”之间只差一层交互界面。这也是 AI 应用开发里的一个常见模式底层是模型能力中间是业务逻辑上层是交互入口。8. 常见问题与排查思路新手在跑这些示例时大概率会遇到下面几个问题。提前知道原因能省下不少时间。问题现象可能原因排查方式解决方案程序报找不到API_KEY.env文件不存在或load_dotenv()没有正确加载检查项目目录下是否存在.env文件确认.env在脚本同级目录并检查变量名是否一致401 认证失败API Key 错误、过期或格式不正确打印os.getenv(API_KEY)前后几位确认是否被正确读取重新复制平台上的 API Key检查是否有空格请求超时或限流请求频率过高或单次请求内容过长查看平台返回的错误码确认是限流还是超时增加延时time.sleep(1)或缩小单次处理文本长度输出不是合法 JSON模型偶尔在 JSON 前后加注释或解释打印原始返回文本查看实际输出在提示词中强调“只输出JSON”或写一个修正函数提取{}之间的内容Excel 写入后中文乱码数据编码或 Excel 格式处理问题先用print看结果是否正确再检查写入确认to_excel前内容是字符串避免直接写入嵌套字典模型回答明显不实触发 AI 幻觉检查任务是否超出了模型能力边界提示词中要求“不确定就说明”关键结论人工复核这里的核心原则是先看原始返回再判断问题在哪一层。很多新手一报错就慌其实只要把模型返回内容打印出来问题就解决了一半。9. 最佳实践与工程建议9.1 API Key 安全是第一红线所有调用大模型 API 的项目第一条安全规则就是密钥永远不要提交到 Git 仓库。建议在项目中创建.gitignore并加入下面两行# 文件路径.gitignore .env __pycache__/如果你的代码已经提交过且密钥意外泄漏正确的做法是立即到平台后台删除旧密钥并生成新密钥而不是只改代码。9.2 数据安全边界公网大模型接口处理的数据并不适合包含身份证号、手机号、银行卡、企业内部未公开的经营数据等敏感信息。如果业务场景必须处理敏感数据应该优先考虑私有化部署模型或者采用脱敏、匿名化的方式处理后再调用外部 API。这个边界对文科生尤其重要。她们刚接触 AI 时往往很兴奋会把能找到的所有数据都丢给模型“试试”这是非常危险的操作。9.3 Prompt 也要做版本管理很多人会反复调整提示词但每次调整后效果怎么样过几天就忘了。建议用最简单的文本文件维护一个提示词版本记录记录每次修改的日期、目的和效果。对个人学习来说这是积累经验的最快方式对团队来说稳定的提示词就是可复用的资产。9.4 建立 AI 与人之间的分工边界AI 适合做初稿、批量处理、信息整理但对关键决策只能给参考。一个稳妥的工作流是AI 生成初稿人负责审核、修正和最终拍板。所有面向外部用户的文案、数据报告和法律相关文本必须经过人工复核。9.5 对带教者的建议用作品驱动学习如果团队真的打算带文科实习生入门不要给她们安排“先学两周 Python”之类的课程而是直接给一个真实但低风险的任务。比如“帮我把这 300 条用户反馈按问题分类”“整理竞品近期动态并输出周报”。任务完成后引导她们复盘流程哪些环节用了 AI哪些环节是人工处理哪些地方可以优化。这种“作品驱动”的学习方式比任何课程都有效。10. 总结文科生学 AI真正的成果长什么样回到开头的问题暑期实习的文科生学 AI 一段时间后应该拿出什么成果我的答案是不在于她能背出多少专业名词也不在于她能写出多复杂的代码而在于她能不能独立完成一条完整的 AI 工作流。比如从一份 Excel 开始调用大模型 API在网页上做一个小工具最后交付给团队使用。这条路并不需要数学天赋也不需要先花三个月啃语法。它需要的是清晰的目标、正确的工具选择以及愿意把 AI 当成一个需要调试的“协作对象”而不是万能答案机。如果你也是零基础的文科生建议按这样的顺序实践先用提示词完成 5 类真实任务建立对模型输出模式的感觉。再用低代码平台搭一个知识库问答应用理解 AI 应用的组成结构。最后照着本文的示例跑通“读取数据—调用 API—写入结果”的最小脚本。等你跑通这三步再回看最初那本 Python 入门书你会发现一切都变得容易理解了。因为那时候你已经有具体问题学习语法只是在给真实问题找答案。建议收藏本文当你准备动手时从第 4 节的环境准备开始每一步都照着做就行。 文科生学AI：从提示词到Python的零基础实战指南
又到了暑期实习季。很多团队都会遇到这样一个问题来了几个文科背景的实习生专业可能是新闻、中文、英语或者管理学代码基础几乎为零但每个人都急着想学 AI。带教的人很纠结——让她们啃 Python 语法一个月下来可能连列表推导式都还没吃透让她们做资料整理又觉得有点浪费这段时间。我的判断是文科生学 AI真正要解决的并不是“学会编程”而是“建立人机协作的工作流”。换句话说她们的产出不是代码行数而是能不能用 AI 工具快速交付一个真实任务。带教过程中我发现思路转变快的实习生两三个月就能独立完成数据清洗、信息摘要、内部工具搭建这类小任务思路没转过来的可能还在纠结“我是不是应该先把数学补上”。这篇文章不打算灌鸡汤也不会让你从线性代数开始补起。我会把经过验证的文科生 AI 学习路线拆开来讲先解决认知问题再给三条学习主线然后是三个可以直接在电脑上跑起来的实操示例最后附上常见问题和工程建议。无论你是准备学 AI 的文科生还是要带教实习生的技术负责人这篇都值得收藏备用。1. 文科生学 AI先想清楚这个问题很多文科生学 AI 的第一个动作是买一本 Python 入门书然后从注释、变量、数据类型开始背。一个月后她们发现自己还是做不出任何东西于是得出结论AI 太难了我不适合。这个结论是错的。错不在“难”而在学习目标定错了。1.1 学 AI 不等于学算法如果目标是做算法工程师、模型训练工程师那确实需要数学、深度学习和大量编程基础。但绝大多数文科生进入 AI 领域目标不是训练模型而是“用 AI 解决工作中的具体问题”。同样是学 AI算法工程师关心的是 loss 曲线、训练效率和模型推理性能而一个市场岗位的实习生关心的是“能不能让 AI 帮我把 200 条用户评论自动归类成正面、负面、中性”。后者不需要推导反向传播只需要学会调用现成的大模型 API或者用好在线 AI 工具再把输出接进自己的工作流。这个定位一旦清晰学习路径就会完全不一样。1.2 真正要培养的是“人机协作”能力文科生学 AI 的核心能力其实是三件事把模糊需求拆解成 AI 能理解的任务。让 AI 稳定输出指定格式的结果。能判断 AI 的输出是否靠谱并完成人工修正。这三件事都不需要深厚的代码功底但它们恰恰是很多技术背景的人也容易忽略的部分。很多程序员习惯了精确的逻辑表达反而不太擅长设计一个能引导大模型稳定输出的提示词而文科生天然擅长语言组织、语义理解和信息整理这在提示词工程里反而是优势。所以文科生学 AI 的第一步不是打开 IDE而是重新理解自己的优势你不需要变成半个程序员你需要变成 AI 的“甲方”。1.3 什么样的任务适合 AI判别一个任务是否适合 AI可以看三个特征特征适合 AI 的任务不适合 AI 的任务信息处理量量大人工处理耗时只有几条手动更快判断标准有明确规则但表达多变需要复杂的业务决策容错程度允许修改和二次确认错误成本极高比如“把 50 页 PDF 转成要点摘要”“把 300 条客服记录按问题类型分类”“帮忙润色一段公告文案”这类任务非常适合 AI。而“在预算有限的情况下决定要不要上线某个功能”这种任务就不能直接丢给 AI 做决定。2. 三条学习主线提示词、低代码搭建、脚本辅助在有限的实习周期里建议文科生按三条主线推进。这三条不是并列关系而是递进关系先学会用好 Prompt再尝试搭建简单的 AI 应用最后让 Python 脚本帮你批量处理数据。2.1 主线一提示词工程最关键提示词工程是大模型时代的基础能力也是文科生最容易上手的切入点。它不需要安装任何环境只要有一个能访问的 AI 聊天工具就能开始练。学提示词的关键不是背模板而是理解大模型的工作方式。模型是“根据你给的文字预测后续内容”所以输入信息的结构越清晰输出就越稳定。你可以把提示词理解成一份给新同事的工作说明书背景、角色、任务、格式要求、参考示例写清楚了对方就不会自由发挥。实习期间建议完成的小目标能用结构化的提示词完成资料整理、文案写作、表格数据处理等至少五类任务并且输出的格式稳定到可以直接复制使用。2.2 主线二无代码/低代码搭建 AI 应用当提示词已经用得很熟练可以考虑接触低代码 AI 应用搭建平台比如国内的 Dify、阿里云百炼或者字节的 Coze 这类产品。它们把大模型、知识库、工作流、工具调用都封装成可视化组件拖拽就能搭一个客服机器人、内容生成助手或者知识库问答应用。文科生在这个阶段可以理解几个重要概念工作流里的节点是什么、知识库的切片和召回是怎么回事、Agent 的基本运作方式。不需要知道底层实现但需要理解调用关系。一个典型的练习任务是把团队的产品文档导入知识库做一个能回答常见问题的内部问答机器人。整个过程可以完全不写代码但能实实在在地感受到一个 AI 应用从数据准备到上线使用的完整链路。2.3 主线三Python 脚本辅助办公当可视化平台无法满足需求时就该引入 Python 了。但建议不要让文科生从 Python 基础语法开始学而是从“真实任务需要什么函数”开始学。最常用的库其实就几个pandas处理表格数据。openpyxl读写 Excel 文件。requests或openaiSDK调用大模型 API。python-dotenv管理 API Key 等环境变量。比如要做一个“批量给 Excel 里的用户反馈打标签”的小脚本需要的语法知识无非是读取文件、循环遍历、调用 API、写回文件。通过这个任务文科生会自然地接触到变量、函数、异常处理这些概念而且因为目标明确学习动力会强很多。三条主线的关系可以用一句话总结提示词解决“怎么问 AI”低代码平台解决“怎么把 AI 做成产品”Python 脚本解决“怎么让 AI 融入批量流程”。3. 新人最需要理解的五个核心概念文科生在学习过程中会被各种名词包围大模型、Token、上下文窗口、Temperature、Agent、RAG、幻觉。如果每一个都去深挖原理很快就劝退了。但只要理解其中最核心的五个后续就不会发懵。3.1 大模型与 API大模型全称是“大规模语言模型”本质是一个通过海量文本训练出来的概率模型。它做的事情是根据前文内容预测最可能出现的下一个词。你给它一个输入它不断预测下一个词直到生成完整回答。API 是“应用程序编程接口”的缩写。对大模型来说API 就是官方提供的“调用入口”。你不必下载模型到本地只需要把问题发给远端的服务器服务器返回答案。对使用者来说API 就是一台可以远程使用的“文字生成机器”。理解这个区别很重要本地什么都不用装也不用考虑显卡配置只要有网络就能在代码里调用 AI 能力。3.2 Token 与上下文窗口Token 是模型处理文本的基本单位。一个 Token 可以是一个词、一个中文字符或者一个标点具体取决于模型的分词方式。你可以把 Token 理解为“积木块”模型一次能装下的积木数量是有限的这个上限就叫“上下文窗口”。上下文窗口越大模型能一次性“看到”的文本就越多。如果你提交给模型的内容超过了窗口大小就需要做截断或者分段处理。实际项目里经常出现“长文档总结不了”的问题多半就是上下文窗口或单次请求长度限制导致的。3.3 Temperature 参数Temperature 控制模型输出的随机性。取值一般在 0 到 2 之间。数值越低模型输出越保守、越稳定数值越高输出越多样、越有创造性。做数据分类、信息抽取这类需要准确性的任务建议把 Temperature 调低比如 0.1 到 0.3写文案、想创意的时候可以调到 0.7 以上。这个参数是工程实践里最常用到的调试手段之一。3.4 System Prompt 与 User Prompt在用 API 调用大模型时通常可以设置两类消息。System Prompt 是“给模型设定的身份和规则”相当于给员工定岗位职责User Prompt 是“用户输入的具体任务”相当于具体的工作安排。两者的职责要分开把规则放到 System Prompt把任务放到 User Prompt。这样模型在每轮对话中都能稳定地遵循规则不会因为任务内容变化而“忘记”自己是什么角色。3.5 AI 幻觉AI 幻觉指模型生成看似合理、实际错误甚至完全虚构的信息。大模型本质是预测下一个词它并不知道“事实”是什么。当它不确定答案时可能会用流畅的语言编造一个看似可信的错误答案。这不是模型“坏了”而是它固有的一种局限性。应对幻觉的常见做法要求模型标注信息来源、在提示词里明确“不确定时就说不知道”、关键数据通过人工复核或外部工具校准。4. 环境准备与学习工具链对于文科生来说环境准备阶段最容易劝退但其实只需要装好下面几样东西。4.1 硬件与系统一台普通的笔记本电脑即可不需要独立显卡。无论是调用在线大模型 API 还是运行小型 Python 脚本普通办公电脑完全够用。操作系统不限Windows 和 macOS 都行。4.2 Python 环境不建议直接装最新版 Python 后手动配置推荐使用 Anaconda。它自带 Python 解释器和常用的数据科学库还提供虚拟环境管理能力对新手非常友好。安装完成后在终端里执行下面的命令创建项目环境conda create -n ai-learning python3.10 -y conda activate ai-learning这里把环境名定为ai-learningPython 版本使用 3.10。具体版本不一定要完全一致只要不低于 3.9 即可。4.3 VS Code 编辑器VS Code 是目前最主流的代码编辑器安装免费插件丰富。装好之后建议再安装 Python 插件和 Pylance 插件这样可以获得代码提示和错误检查。对于刚接触代码的文科生先不用理解所有功能。只需要知道左侧是文件列表、中间是编辑区、底部是终端这三个区域就够了。4.4 大模型 API 的准备工作如果想在代码里调用大模型需要一个支持 API 的平台账号。目前国内有多个合规的大模型服务平台可供选择比如阿里云百炼、智谱 AI、百度千帆等。具体注册和计费方式以平台官方文档为准。拿到 API Key 之后强烈建议不要直接写在代码里而是放在.env文件里管理。先在项目目录下创建.env文件# 文件路径.env API_KEY你的密钥 BASE_URLhttps://your-provider.example.com/v1 MODEL_NAME你的模型名称然后在代码中加载这个文件。这样即使代码提交到 Git 仓库也不会泄露密钥。4.5 安装 Python 依赖在终端中执行pip install openai pandas python-dotenv openpyxl解释一下这几个库的用途openaiOpenAI 兼容的 API 调用库国内很多平台也支持同样的协议所以通用性很强。pandasExcel 和 CSV 数据处理工具。python-dotenv读取.env配置文件。openpyxl让 pandas 支持 Excel 文件读写尤其是.xlsx格式。如果你的平台不支持 OpenAI 兼容协议也没关系大部分平台都会提供对应的 Python SDK 或者 HTTP 接口调用方式大同小异。5. 实操示例一从提示词到结构化输出第一个示例不需要代码用任意一个 AI 聊天工具就能完成。但它是后面所有示例的基础请务必练熟。5.1 一个可复用的提示词模板假设现在需要让 AI 做一份“社区团购竞品调研”要求输出 Markdown 格式的报告。很多新手会直接输入“帮我写一份社区团购竞品调研”得到的答案往往比较空泛。更好的方式是提供角色、背景、任务、格式和示例你是一位有 5 年经验的社区电商行业分析师。 背景我们是一家正在筹备社区团购业务的本地生鲜公司需要了解主要竞争对手的玩法。 任务 1. 列举 3 个当前市场上有代表性的社区团购平台。 2. 对每个平台分别说明其目标用户、核心优势、主要获客方式、常见痛点。 3. 最后给出针对本地生鲜公司进入市场的 3 条建议。 格式要求 - 使用 Markdown 二级标题组织内容。 - 每个平台用表格列出信息。 - 建议部分用编号列表每条建议不超过 50 字。 注意如果某个平台信息不确定请明确标注“信息有待核实”不要编造数据。这个提示词之所以有效是因为它把“你是谁、背景是什么、做什么、按什么格式输出、出错怎么办”都说清楚了。模型在明确的约束下输出质量远比一句宽泛的提问稳定。5.2 进阶需求输出 JSON 方便程序处理当后续要写代码调用 API 时常常需要模型输出 JSON 格式方便程序读取。可以在提示词中明确指定格式请从下面的用户反馈中提取三个字段内容分类、情感倾向、建议标签。 只输出 JSON不要输出其他解释文字。 示例格式 { 分类: 配送问题, 情感倾向: 负面, 建议标签: [配送时效, 客服响应] } 用户反馈昨天下午下单的生鲜今天中午才送到而且客服一直联系不上。这里用了“示例格式”和“只输出 JSON”两个关键约束。前者告诉模型结构长什么样后者避免模型在 JSON 前后增加解释文字省去后续解析的麻烦。5.3 如何验证提示词质量每次拿到输出不要只是看“像不像”要从三个角度检查格式是否完全符合要求。内容是否存在明显的事实错误。如果换个输入结果是否仍然稳定。如果模型输出格式总是变可以在提示词中增加更强的约束比如“必须输出 JSON不要包含 Markdown 代码块标记”。如果内容总是泛泛而谈就给一个高质量示例作为参照。6. 实操示例二用 Python 调用大模型 API 处理 Excel 数据这个示例演示一个非常典型的办公场景Excel 里有一批用户反馈需要逐条判断情感倾向。人工做需要几个小时脚本几十秒就能跑完。6.1 准备 Excel 数据假设项目目录下有一个feedback.xlsx内容如下ID反馈内容1昨天下午下单的生鲜今天中午才送到而且客服一直联系不上。2水果很新鲜包装也很仔细下次还会回购。3价格比超市贵一点不过胜在方便。先创建脚本读取数据# 文件路径analyze_feedback.py import pandas as pd df pd.read_excel(feedback.xlsx) print(df.head())运行python analyze_feedback.py正常情况下能看到两列数据。这一步的目的是先把数据读进内存确认后续可以逐行处理。6.2 调用大模型 API 完成分类接下来编写调用大模型 API 的完整脚本。这里使用 OpenAI 兼容的接口方式很多国内大模型平台都支持同样的写法# 文件路径analyze_feedback.py import os import pandas as pd from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), # 从 .env 读取密钥 base_urlos.getenv(BASE_URL), # 指向你使用的大模型平台 ) MODEL_NAME os.getenv(MODEL_NAME) def analyze_text(text: str) - str: 判断单条反馈的情感倾向和问题分类 response client.chat.completions.create( modelMODEL_NAME, messages[ { role: system, content: 你是客服文本分析助手。只输出JSON不要输出任何解释。, }, { role: user, content: f请判断以下用户反馈的情感倾向正面/负面/中性和问题分类。 只输出如下JSON格式 {{ 情感: 正面, 分类: 无 }} 反馈内容{text} , }, ], temperature0.2, ) return response.choices[0].message.content df pd.read_excel(feedback.xlsx) results [] for index, row in df.iterrows(): result_text analyze_text(row[反馈内容]) results.append(result_text) print(f第 {index 1} 条{result_text}) df[AI分析结果] results df.to_excel(feedback_result.xlsx, indexFalse) print(处理完成结果已保存到 feedback_result.xlsx)6.3 运行与验证在终端执行python analyze_feedback.py预期输出类似第 1 条{情感: 负面, 分类: 配送时效} 第 2 条{情感: 正面, 分类: 商品质量} 第 3 条{情感: 中性, 分类: 价格} 处理完成结果已保存到 feedback_result.xlsx判断成功的标准有两条程序没有报错正常完成循环。生成的 Excel 里每条反馈后面都有对应的情感与分类结果。如果某些行输出乱码先检查 API 返回内容是否被当成纯文本写入 Excel。如果模型偶尔返回不完整的 JSON可以在analyze_text函数里加一个异常处理分支重新请求一次或者把原始内容保存到日志中人工查看。7. 实操示例三把数据处理工具打包成 Streamlit 网页脚本能解决问题但只对会运行 Python 的人友好。如果想把能力交付给团队里的其他同事可以用 Streamlit 做一个简单的网页界面。7.1 安装 Streamlit在刚才的环境里执行pip install streamlitStreamlit 是一个 Python 网页应用框架。它的特点是写起来像写普通 Python 脚本运行起来自动生成网页非常适合做内部小工具。7.2 编写网页应用新建app.py内容如下# 文件路径app.py import os import pandas as pd import streamlit as st from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(BASE_URL), ) MODEL_NAME os.getenv(MODEL_NAME) def analyze_text(text: str) - str: response client.chat.completions.create( modelMODEL_NAME, messages[ { role: system, content: 你是客服文本分析助手。只输出JSON不要输出任何解释。, }, { role: user, content: f请判断以下用户反馈的情感倾向正面/负面/中性和问题分类。 只输出如下JSON格式 {{ 情感: 正面, 分类: 无 }} 反馈内容{text} , }, ], temperature0.2, ) return response.choices[0].message.content st.title(用户反馈自动分类助手) uploaded_file st.file_uploader(上传包含反馈内容的 Excel 文件, type[xlsx]) if uploaded_file is not None: df pd.read_excel(uploaded_file) st.write(数据预览) st.dataframe(df.head(5)) if st.button(开始分析): results [] progress_bar st.progress(0) total len(df) for index, row in df.iterrows(): content str(row.get(反馈内容, )) if content: result analyze_text(content) else: result {情感: 未知, 分类: 空内容} results.append(result) progress_bar.progress((index 1) / total) df[AI分析结果] results st.success(分析完成) st.dataframe(df) output_file feedback_result.xlsx df.to_excel(output_file, indexFalse) with open(output_file, rb) as f: st.download_button(下载结果文件, f, file_nameoutput_file)7.3 运行并验证在终端执行streamlit run app.py浏览器会自动打开一个页面。在这个页面里同事可以上传 Excel、点击按钮、等待进度条完成、在页面上预览结果并下载处理后的文件。这个示例的意义不仅是学会一个库而是让实习生理解“从自己用”到“交付给团队”之间只差一层交互界面。这也是 AI 应用开发里的一个常见模式底层是模型能力中间是业务逻辑上层是交互入口。8. 常见问题与排查思路新手在跑这些示例时大概率会遇到下面几个问题。提前知道原因能省下不少时间。问题现象可能原因排查方式解决方案程序报找不到API_KEY.env文件不存在或load_dotenv()没有正确加载检查项目目录下是否存在.env文件确认.env在脚本同级目录并检查变量名是否一致401 认证失败API Key 错误、过期或格式不正确打印os.getenv(API_KEY)前后几位确认是否被正确读取重新复制平台上的 API Key检查是否有空格请求超时或限流请求频率过高或单次请求内容过长查看平台返回的错误码确认是限流还是超时增加延时time.sleep(1)或缩小单次处理文本长度输出不是合法 JSON模型偶尔在 JSON 前后加注释或解释打印原始返回文本查看实际输出在提示词中强调“只输出JSON”或写一个修正函数提取{}之间的内容Excel 写入后中文乱码数据编码或 Excel 格式处理问题先用print看结果是否正确再检查写入确认to_excel前内容是字符串避免直接写入嵌套字典模型回答明显不实触发 AI 幻觉检查任务是否超出了模型能力边界提示词中要求“不确定就说明”关键结论人工复核这里的核心原则是先看原始返回再判断问题在哪一层。很多新手一报错就慌其实只要把模型返回内容打印出来问题就解决了一半。9. 最佳实践与工程建议9.1 API Key 安全是第一红线所有调用大模型 API 的项目第一条安全规则就是密钥永远不要提交到 Git 仓库。建议在项目中创建.gitignore并加入下面两行# 文件路径.gitignore .env __pycache__/如果你的代码已经提交过且密钥意外泄漏正确的做法是立即到平台后台删除旧密钥并生成新密钥而不是只改代码。9.2 数据安全边界公网大模型接口处理的数据并不适合包含身份证号、手机号、银行卡、企业内部未公开的经营数据等敏感信息。如果业务场景必须处理敏感数据应该优先考虑私有化部署模型或者采用脱敏、匿名化的方式处理后再调用外部 API。这个边界对文科生尤其重要。她们刚接触 AI 时往往很兴奋会把能找到的所有数据都丢给模型“试试”这是非常危险的操作。9.3 Prompt 也要做版本管理很多人会反复调整提示词但每次调整后效果怎么样过几天就忘了。建议用最简单的文本文件维护一个提示词版本记录记录每次修改的日期、目的和效果。对个人学习来说这是积累经验的最快方式对团队来说稳定的提示词就是可复用的资产。9.4 建立 AI 与人之间的分工边界AI 适合做初稿、批量处理、信息整理但对关键决策只能给参考。一个稳妥的工作流是AI 生成初稿人负责审核、修正和最终拍板。所有面向外部用户的文案、数据报告和法律相关文本必须经过人工复核。9.5 对带教者的建议用作品驱动学习如果团队真的打算带文科实习生入门不要给她们安排“先学两周 Python”之类的课程而是直接给一个真实但低风险的任务。比如“帮我把这 300 条用户反馈按问题分类”“整理竞品近期动态并输出周报”。任务完成后引导她们复盘流程哪些环节用了 AI哪些环节是人工处理哪些地方可以优化。这种“作品驱动”的学习方式比任何课程都有效。10. 总结文科生学 AI真正的成果长什么样回到开头的问题暑期实习的文科生学 AI 一段时间后应该拿出什么成果我的答案是不在于她能背出多少专业名词也不在于她能写出多复杂的代码而在于她能不能独立完成一条完整的 AI 工作流。比如从一份 Excel 开始调用大模型 API在网页上做一个小工具最后交付给团队使用。这条路并不需要数学天赋也不需要先花三个月啃语法。它需要的是清晰的目标、正确的工具选择以及愿意把 AI 当成一个需要调试的“协作对象”而不是万能答案机。如果你也是零基础的文科生建议按这样的顺序实践先用提示词完成 5 类真实任务建立对模型输出模式的感觉。再用低代码平台搭一个知识库问答应用理解 AI 应用的组成结构。最后照着本文的示例跑通“读取数据—调用 API—写入结果”的最小脚本。等你跑通这三步再回看最初那本 Python 入门书你会发现一切都变得容易理解了。因为那时候你已经有具体问题学习语法只是在给真实问题找答案。建议收藏本文当你准备动手时从第 4 节的环境准备开始每一步都照着做就行。