零基础入门AI编程开发：用Python和小工具快速上手

很多刚开始接触编程的同学会问我连变量、循环、函数都还没完全弄明白能不能直接借助 AI 来写程序我的答案是能但不要抱着“完全不用学编程”的心态。传统学习路径是先学语法再做项目而 AI 编程开发可以反过来走先让 AI 工具帮你把一个小项目生成出来并运行成功再在调试和修改代码的过程中逐步补齐 Python 基础、程序逻辑和工程规范。尤其对于非计算机专业、想用编程解决实际问题的读者这种“先用起来、再补理论”的方式更容易坚持。这篇文章会围绕零基础怎么学 AI 编程开发展开先讲清楚背后几个关键概念再带大家动手完成两个真实小工具一个是待办事项命令行管理工具一个是批量文件分类整理脚本。项目代码都使用 Python 标准库不依赖复杂框架只要你准备好 Python 环境跟着复制、运行、观察结果就能完整走一遍 AI 辅助开发的流程。1. 零基础学习 AI 编程开发前先搞清楚这些1.1 AI 编程开发本质上是什么AI 编程开发简单说就是把“用自然语言描述需求”转换成“可运行的代码”。传统编程需要我们自己去记语法、查文档、调试报错而 AI 编程助手可以根据你输入的提示词直接生成一段代码、一份配置或者一行 Shell 命令。不过它并不只是一个“代码生成器”。完整的 AI 辅助开发还包括代码解释选中一段看不懂的代码让 AI 逐行解释报错排查把运行时报错贴给 AI让它分析原因并给出修复建议单元测试生成让 AI 根据函数功能生成测试用例代码重构把冗长的代码改写成更清晰的结构学习辅导让 AI 扮演导师按你的认知水平讲解知识点。所以你可以把 AI 编程开发理解为“教练 代码生成器 文档查询”的组合。对于零基础学习者来说它最大的作用不是替你做决定而是帮你缩短从“想实现一个东西”到“看到一个能跑的结果”之间的距离。1.2 零基础真的能学会吗很多人的焦虑来自“我还不懂算法、数据结构怎么用好 AI”这个问题要分开看。使用 AI 编程开发和深入计算机科学不是一个维度的事情。如果你只是需要写一个小脚本来批量处理 Excel、整理文件夹、统计文本词频那么掌握 Python 基础语法、标准库常用模块、文件读写逻辑已经足够。而像排序、搜索、哈希、动态规划等算法知识通常会在项目规模变大之后才需要系统补上。但零基础也不代表不需要学习。AI 生成代码之后你要负责三件事能运行代码能看懂代码大概在做什么能在代码出错时把问题描述清楚继续向 AI 提问。这三点要求你至少掌握最基础的 Python 语法、命令行操作和调试思路。所以更准确的说法是零基础可以快速上手 AI 编程开发但要真正用得好仍需要保持持续学习。1.3 AI 编程开发的典型应用场景我自己看到比较多的一类应用是“个人效率工具”和“业务数据小处理”。例如把多个 Excel 文件合并成一个并做简单汇总统计批量修改文件名称按日期或规则整理目录定时读取某个数据源生成日报内容把网页表格或接口返回的 JSON 数据转换成更容易阅读的格式根据用户输入生成二维码、批量图片压缩、Word 转 PDF写自动化测试脚本模拟接口请求。这些项目说不上“高并发、高可用”但能实实在在地节省时间。初学者如果能利用 AI 把这些小工具快速做出来会获得正反馈从而更有动力往下学。2. 开发环境准备零基础也能快速搭好2.1 Python 版本选择与安装虽然现在很多 AI 编程工具也能生成 Java、Go、前端代码但零基础开始学习时我更推荐从 Python 入手。原因是语法接近自然语言库非常丰富AI 训练语料中 Python 的优质示例也很多生成结果通常更稳定。版本建议选择 Python 3.9 以上版本不需要追求最新但也不要使用已经停止维护的 Python 2。安装时注意操作系统差异Windows去 Python 官网下载安装包安装过程中一定要勾选“Add Python to PATH”否则之后在命令行运行python会提示找不到命令macOS同样推荐从官网下载安装包避免直接依赖系统自带 PythonLinux很多发行版自带 Python 3可在终端执行python3 --version确认版本。安装完成后在命令行执行python3 --version如果输出类似Python 3.11.9就说明环境正常。Windows 下如果提示没有命令可以尝试py --version不同系统命令略有差异这属于正常现象不必卡在这一步很久。2.2 开发工具选择AI 编程开发并不一定需要重型 IDE一个支持代码高亮和集成终端的编辑器就足够。比较常见的选择是 Visual Studio Code它在 Windows、macOS、Linux 上都可用扩展生态完善。在 VS Code 中建议安装 Python 官方扩展这样就能获得代码高亮、语法检查、智能提示等功能。如果你需要 AI 辅助插件也可以根据自己所在地区和团队要求选择合适的 AI 编程助手例如 GitHub Copilot、通义灵码、CodeGeeX 等。不同插件安装方式略有区别但通常都是在扩展市场搜索名称后点击安装。对于初学者也可以先不用插件直接使用网页版 AI 对话助手。这个阶段的重点是掌握“如何描述需求”工具形态反而不是最重要的。2.3 新建一个练习项目目录为了不让代码文件到处散落建议先建立一个专门的目录。这里以ai-study为例mkdir ai-study cd ai-study后续实战项目生成的 Python 文件都放到这个目录下。这样做的原因是 Python 脚本中可能会产生数据文件项目文件集中在一个目录里定位问题会更方便。3. 学会与 AI 对话三个核心概念一次讲清3.1 先理解大语言模型AI 编程开发背后的主流技术是大语言模型英文简称 LLM。它的核心能力是根据你输入的一段文本预测接下来最可能出现的文本片段。代码本质上也是一种文本所以模型经过大量开源代码训练后能够根据自然语言描述生成对应代码。这意味着 AI 生成的代码并不是从数据库里“查”出来的而是基于概率预测出来的。因此它可能看起来正确也可能存在逻辑错误。输出质量受到提示词清晰度、模型能力、上下文长度等多个因素影响。理解这一点后你就不会盲目相信 AI 给出的所有代码。对初学者来说合理的态度是把它看作一位“经验不一定靠谱的同事”每一次输出都需要你通过运行结果去验证。3.2 写好 Prompt 是成败关键Prompt 是用户给 AI 的一段指令。写 Prompt 看似门槛不高但同样一句话不同写法得到的代码质量差距很大。来看一个反例帮我写一个 Python 脚本统计文章词频。这个提示词信息量太少。AI 可以默认从命令行读取文件也可能输出一个只支持英文、不考虑标点、不处理大小写的简单脚本。等你运行后会发现问题一大堆。更好的 Prompt 应该包含角色和目标输入是什么输出是什么关键约束期望的代码结构或异常处理方式。同样一个词频统计需求可以这样描述你是一位熟悉 Python 的软件工程师。请帮我编写一个脚本功能是统计一份中文文本中每个词语出现的次数。 要求 1. 输入是一个本地文本文件路径由命令行参数传入 2. 输出词频最高的前 20 个词格式为“词语:次数” 3. 忽略标点符号和常见停用词 4. 使用 Python 标准库不依赖第三方库 5. 代码要包含中文注释并解释使用方式。信息越明确AI 越不容易自由发挥出“你以为但不是你要”的结果。3.3 Prompt 的五要素在多次实操后我建议初学者在写 Prompt 时尽量覆盖以下五个部分要素说明示例角色希望 AI 扮演什么角色你是有经验的 Python 开发工程师任务目标要完成什么功能读取命令行传入的文件并统计词频输入输出输入是什么输出是什么输入文本路径输出到控制台限制条件技术栈、性能、平台等使用 Python 标准库特殊要求错误处理、注释、测试增加异常处理提供运行示例把这些信息写成连续段落或列表都可以。对于初学者分点列出通常更容易被 AI 理解也方便你自己发现需求描述中的漏洞。3.4 理解“提问-验证-迭代”闭环AI 编程开发不是一次对话就结束。一个完整的流程是描述需求 - 生成代码 - 本地运行 - 查看报错或结果 - 把问题反馈给 AI - 修改代码 - 再次验证很多初学者在第一次拿到代码后一运行就报错然后不知道怎么办。此时正确的做法不是放弃也不是让 AI 从头再写一遍而是把完整的报错信息复制给 AI并告诉它你执行了什么命令、希望达到什么效果。例如我运行你生成的代码后出现如下报错 FileNotFoundError: [Errno 2] No such file or directory: data.txt 这是因为程序运行目录和我文件所在目录不同导致的吗请帮我修改脚本让它支持跨目录运行。这种“不断反馈修改”的能力其实是 AI 编程时代最需要培养的核心能力之一。4. 实战一开发一个待办事项命令行工具下面我们从零开始模拟一次完整的 AI 辅助开发。4.1 需求描述第一个项目是一个待办事项管理工具。它需要支持三个操作添加一条待办事项查看当前所有待办事项把某条事项标记为已完成。数据需要持久化保存不能每次运行都从空列表开始。我决定把数据存储到同目录下的tasks.json文件中。为了让 AI 生成可运行的脚本我的提示词设计如下你是一位 Python 开发导师。请帮我编写一个 Python 命令行脚本 todo.py功能是管理待办事项。 功能要求 1. 支持三个命令行子命令add、list、done 2. add 后面接待办内容例如 python todo.py add 完成学习笔记 3. list 展示所有任务按添加顺序显示包含编号、完成状态、创建时间和内容 4. done 后面接任务编号例如 python todo.py done 1将该任务标记为已完成 5. 任务数据保存在任务文件同目录的 tasks.json 中首次运行自动创建 6. 数据内容包含 id、content、done、created_at 四个字段 7. 使用 Python 标准库不要使用第三方框架 8. 需要加入中文注释和基本的异常处理 9. 最后给出完整的运行示例。这个提示词足够具体AI 基本上可以直接生成初版代码。4.2 AI 生成的初版代码下面是模拟 AI 生成后整理出来的代码文件路径为ai-study/todo.py# 文件路径ai-study/todo.py import json import sys from datetime import datetime from pathlib import Path # 任务数据文件路径 DATA_FILE Path(__file__).parent / tasks.json def load_tasks(): 读取本地任务列表 if not DATA_FILE.exists(): return [] try: with open(DATA_FILE, r, encodingutf-8) as f: return json.load(f) except json.JSONDecodeError: print(提示tasks.json 内容损坏将按空任务处理。) return [] def save_tasks(tasks): 将任务列表保存到本地文件 with open(DATA_FILE, w, encodingutf-8) as f: json.dump(tasks, f, ensure_asciiFalse, indent2) def add_task(content): 添加一条任务 if not content.strip(): print(任务内容不能为空) return tasks load_tasks() # 获取已有任务中最大的 id加 1 作为新任务的 id new_id max((task[id] for task in tasks), default0) 1 tasks.append({ id: new_id, content: content.strip(), done: False, created_at: datetime.now().strftime(%Y-%m-%d %H:%M:%S) }) save_tasks(tasks) print(f已添加任务{content.strip()}) def list_tasks(): 展示所有任务 tasks load_tasks() if not tasks: print(当前没有待办任务。) return for task in tasks: status 已完成 if task[done] else 未完成 print(f{task[id]}. [{status}] {task[content]} ({task[created_at]})) def done_task(task_id): 将指定编号的任务标记为已完成 tasks load_tasks() for task in tasks: if task[id] task_id: task[done] True save_tasks(tasks) print(f任务 {task_id} 已完成{task[content]}) return print(f没有找到编号为 {task_id} 的任务) if __name__ __main__: if len(sys.argv) 2: print(用法python todo.py add|list|done ...) sys.exit(1) command sys.argv[1] if command add and len(sys.argv) 3: # 将命令行中剩余参数拼接成任务内容 add_task( .join(sys.argv[2:])) elif command list: list_tasks() elif command done and len(sys.argv) 3: try: done_task(int(sys.argv[2])) except ValueError: print(任务编号必须是数字) else: print(用法python todo.py add|list|done ...)这段代码虽然不长但已经覆盖了文件读写、JSON 解析、命令行参数处理和基础异常处理。4.3 代码关键点解读初学者刚拿到 AI 生成的代码时不要急着全部读完可以先抓几个关键点。第一点是数据存储。DATA_FILE Path(__file__).parent / tasks.json这行代码使用了pathlib模块目的是把tasks.json放在脚本所在目录。__file__表示当前脚本文件路径.parent返回它所在的目录。这样不管你从哪个目录运行命令都能找到同一个数据文件。第二点是 JSON 使用。json.load()负责把文件中的 JSON 文本转成 Python 对象json.dump()则把 Python 对象写回文件。设置ensure_asciiFalse是为了让中文以原文形式保存方便直接用文本编辑器查看。第三点是 id 生成。代码不是简单地用len(tasks) 1而是取已有任务中的最大 id 再加 1。虽然当前工具没有删除功能看不出区别但用最大值生成 id 是一种更稳健的习惯将来增加删除时不会因为列表长度变化导致 id 重复。第四点是主入口判断。if __name__ __main__:是 Python 脚本常见写法表示只有在直接运行该文件时下面的代码才会执行。这样做的好处是以后如果需要把脚本作为模块导入不会意外触发命令处理逻辑。4.4 运行验证在终端进入ai-study目录执行以下命令python todo.py add 完成AI编程入门笔记 python todo.py add 整理本周项目文档 python todo.py list预期输出类似已添加任务完成AI编程入门笔记 已添加任务整理本周项目文档 1. [未完成] 完成AI编程入门笔记 (2025-01-01 10:23:45) 2. [未完成] 整理本周项目文档 (2025-01-01 10:23:45)然后执行python todo.py done 1 python todo.py list可以看到第一条任务状态变为“已完成”。整个过程中目录下会自动生成tasks.json文件里面保存了结构化任务数据。如果是在 Windows 命令行运行输出中文出现乱码可以先执行chcp 65001切换控制台代码页然后重新运行脚本。4.5 继续迭代优化初版能够正常运行后可以继续让 AI 加功能。例如我想增加一个“清空已完成任务”的子命令就可以把目标描述清楚请修改当前 todo.py 脚本增加一个 clear 子命令。执行 python todo.py clear 时删除所有 done 为 true 的任务并输出被删除的数量。任务 id 保持不重复新添加任务时继续使用当前最大 id 1。这类“基于现有代码继续改”的对话方式比让 AI 重写整个脚本更高效也更接近真实开发中的迭代过程。5. 实战二开发批量文件分类整理工具5.1 场景与需求第二个实战更贴近办公场景。很多人的下载目录或桌面文件越来越多命名混乱类型复杂。手动建立文件夹再逐个移动非常耗时我们让 AI 写一个批量整理脚本。需求是给定一个目录脚本扫描其中的普通文件根据扩展名自动规划移动到images、documents、archives、code、videos、audio、others等子目录中。这里涉及文件移动风险比上一个项目高所以设计上必须默认“演练模式”只打印计划而不真正移动文件。只有看到计划无误后再显式加入--move参数执行。5.2 提示词设计对应的提示词可以这样写你是一位 Python 工程经验丰富的开发者。请帮我编写一个 Python 脚本 organize.py用来按文件类型整理一个文件夹。 功能要求 1. 使用 argparse 解析参数支持 --dir 文件夹路径参数 2. 默认启用演练模式只打印每个文件将被移动到哪个子目录不真正移动文件 3. 当参数中包含 --move 时才真正创建子目录并移动文件 4. 文件类型分类规则需要覆盖图片、文档、压缩包、代码、视频、音频其他类型归为 others 5. 如果目标目录下已经存在同名文件自动在文件名后追加时间戳避免覆盖 6. 使用 pathlib 和 shutil 标准库不依赖第三方库 7. 代码写入详细中文注释 8. 给出运行示例。5.3 核心代码与关键设计按照提示词生成的代码整理如下文件路径为ai-study/organize.py# 文件路径ai-study/organize.py import argparse import shutil from datetime import datetime from pathlib import Path # 文件扩展名到分类目录的映射 CATEGORY_RULES { images: {.jpg, .jpeg, .png, .gif, .bmp, .webp, .svg}, documents: {.pdf, .doc, .docx, .xlsx, .pptx, .txt, .md}, archives: {.zip, .rar, .7z, .tar, .gz}, code: {.py, .js, .java, .c, .cpp, .html, .css, .json, .xml, .yaml, .yml}, videos: {.mp4, .avi, .mkv, .mov, .flv}, audio: {.mp3, .wav, .flac, .aac}, } def classify_file(file_path: Path) - str: 根据扩展名返回文件所属分类名称 suffix file_path.suffix.lower() for category, extensions in CATEGORY_RULES.items(): if suffix in extensions: return category return others def organize_directory(target: str, dry_run: bool True): 整理 target 目录下的普通文件 base_dir Path(target) if not base_dir.exists(): print(f目录不存在{target}) return if not base_dir.is_dir(): print(f路径不是目录{target}) return # 只处理当前目录下的一级文件不递归处理子目录 files [item for item in base_dir.iterdir() if item.is_file()] if not files: print(该目录下没有需要整理的普通文件。) return print( 文件整理计划 ) for file_path in files: category classify_file(file_path) category_dir base_dir / category dest_path category_dir / file_path.name # 如果目标文件已存在追加时间戳避免覆盖 if dest_path.exists(): timestamp datetime.now().strftime(%Y%m%d_%H%M%S) dest_path category_dir / f{file_path.stem}_{timestamp}{file_path.suffix} if dry_run: print(f[演练] {file_path.name} - {category}/{dest_path.name}) else: category_dir.mkdir(exist_okTrue) shutil.move(str(file_path), str(dest_path)) print(f[已移动] {file_path.name} - {category}/{dest_path.name}) if dry_run: print( 演练结束 ) print(以上只是移动计划文件没有被改动。确认无误后可加上 --move 参数执行。) if __name__ __main__: parser argparse.ArgumentParser(description按扩展名整理文件夹中的文件) parser.add_argument(--dir, requiredTrue, help需要整理的文件夹路径) parser.add_argument(--move, actionstore_true, help真正执行移动不加该参数只做演练) args parser.parse_args() # 默认 dry_run 为 True只有显式加上 --move 时才允许真实移动 organize_directory(args.dir, dry_runnot args.move)这段代码有几个很重要的设计点值得展开说。一是“默认不执行破坏性操作”。脚本默认dry_runTrue只有当用户显式传入--move时才移动文件。这个习惯对涉及文件修改、删除、覆盖的脚本尤其重要AI 生成的脚本不一定替你想到了这层风险需要你在需求描述中主动提出。二是分类逻辑不需要覆盖所有扩展名。无法识别的扩展名统一进入others测试时也更安全。三是安全处理同名文件。如果目标分类目录中已经存在同名文件代码不会覆盖而是在文件名后追加时间戳生成一个唯一的新名称。这类细节如果不在提示词中强调很多 AI 版本会直接覆盖或报错。5.4 运行演示与注意事项先在测试目录中放几个模拟文件再演练python organize.py --dir /tmp/ai-demo --dry-run输出示例 文件整理计划 [演练] 会议记录.docx - documents/会议记录.docx [演练] 项目代码.py - code/项目代码.py [演练] 设计图.png - images/设计图.png [演练] 未命名文件.tmp - others/未命名文件.tmp 演练结束 上面“未命名文件.tmp”因为扩展名.tmp不在规则集合中所以归入others这是符合预期的。仔细检查计划无误后再执行python organize.py --dir /tmp/ai-demo --move需要再次提醒涉及真实文件移动时一定要先在测试目录里演练并使用--dry-run看计划。正式目录执行前最好先备份避免因为分类规则不完善造成文件混乱。移动文件不是删除文件所以风险相对可控但仍属于影响磁盘数据的行为不能盲目在生产目录执行。6. 零基础用 AI 编程的常见问题与排查思路6.1 运行脚本时报 ModuleNotFoundError如果 AI 生成的代码使用了第三方库而本机没有安装终端会出现ModuleNotFoundError: No module named requests之类的报错。解决思路是安装缺少的库。建议先在项目目录中创建虚拟环境避免把包安装到全局环境。例如python -m venv venv source venv/bin/activate pip install requests如果不想引入第三方库也可以直接修改提示词要求 AI 改用 Python 标准库重写。本次文章中的两个示例都刻意使用标准库就是为了规避环境问题让零基础读者能顺利跑通。6.2 代码能运行但结果不符合预期这种情况通常不是语法错误而是逻辑或路径问题。例如文件分类脚本没有输出任何文件可能是目标目录为空或者目录路径写错词频统计结果包含大量标点可能是提示词没有要求清洗文本。排查时建议分步验证先用print打印关键变量的值缩小输入范围用最小测试文件验证把实际输出和期望输出对比把差异反馈给 AI再次修改。很多初学者在“程序不报错但结果不对”时容易卡住这时候最有效的不是反复改代码而是把“我输入了什么”“我期望得到什么”“实际得到什么”三句话说清楚。6.3 不知道 AI 生成代码是否正确AI 生成代码可能包含隐藏问题比如无限循环、路径拼接错误、权限要求过高、文件名冲突等。可通过以下方式验证先阅读代码确认没有os.remove、shutil.rmtree、eval一类高风险调用用临时目录和模拟数据测试不在真实目录直接执行让 AI 为函数补充测试用例请 AI 用中文解释代码里的关键逻辑用自己的话复述一遍。对待 AI 生成内容的正确态度是“先怀疑再验证”。尤其涉及网络请求、数据库操作和文件删除时不要因为代码能运行就直接放到生产环境。6.4 常见问题汇总表问题现象可能原因排查思路python命令找不到未将 Python 加入 PATH重新安装并勾选 Add Python to PATH或使用py中文输出乱码Windows 控制台编码问题执行chcp 65001或调整终端编码tasks.json不更新工作目录和脚本目录不一致检查DATA_FILE是否基于脚本所在目录文件移动结果不符合预期目录下有子目录被扫描或路径写错先打印文件路径确认只处理一级文件AI 生成的代码频繁报错提示词约束不足补充版本、平台、库限制和异常处理要求不确定 AI 代码是否安全代码包含删除/覆盖/网络操作用小目录测试加入 dry-run人工审查关键代码如果以上方法仍然不能解决最简单的办法是把整个报错堆栈和运行命令原样提供给 AI。提问时不要只说“报错了”要说清楚操作步骤、期望结果、实际结果这样 AI 才能给出更有针对性的修复方案。7. AI 编程开发的工程建议与下一步学习路线7.1 把“描述需求”当成一门核心能力AI 编程时代写代码的门槛在降低但描述问题的门槛反而凸显出来。一个能清晰描述输入、输出、约束、异常场景的人使用 AI 的效率远高于只会说“帮我写个程序”的人。日常练习中你可以刻意把需求拆成几个要素输入是什么输出是什么运行时需要哪些参数哪些边界情况需要处理是否需要安全确认把这些写成要点再交给 AI会更容易得到高质量结果。7.2 看懂代码比死记语法更重要零基础学习者不必一开始就记熟所有语法但应当养成“逐段阅读”的习惯。拿到 AI 生成的代码后先看它导入了哪些模块再看每个函数的输入输出最后看主流程如何串起来。遇到不懂的函数可以打开搜索引擎或者直接让 AI 解释。例如“解释一下max((task[id] for task in tasks), default0) 1这行代码的作用”。这种“基于真实项目学习语法”的方式记忆效果通常比背语法书更好。7.3 工程化与安全红线把 AI 编程用于个人学习很自由但如果进入公司业务或生产环境就必须注意安全红线不要把公司内部敏感代码直接粘贴到公有 AI 工具中遵守公司信息安全规范涉及删除、覆盖、移动文件时先写演练模式再在测试目录验证执行可能改变系统状态的命令前先确认命令含义数据库更新语句必须包含 WHERE 条件并且在事务中执行操作前做好备份为不同项目创建 Python 虚拟环境避免全局依赖冲突使用 Git 管理代码版本AI 的每次改动都能对比和回滚。AI 生成的代码有时代码风格良好但有时也会引入过时依赖或隐藏漏洞。工程化的核心不是完全依赖 AI而是建立“生成—审查—测试—发布”的规范流程。7.4 给零基础读者的下一步行动路线如果今天只记住一句话那就是让 AI 先帮你把一个小工具运行起来再通过反复修改和提问补齐基础知识。接下来可以按照这样的路线继续第一周跑通本文两个实战项目尝试改掉提示词中的分类规则、日期格式、输出样式观察代码变化第二周学习 Python 基础语法重点放在变量、字符串、列表、字典、函数、文件读写第三周自己定义一个生活中的重复任务用 AI 编写脚本解决例如合并 Excel、批量压缩图片、整理下载目录第四周开始接触虚拟环境、Git、单元测试并让 AI 为你的脚本生成测试用例之后根据自己的工作方向决定继续深入数据分析、自动化办公还是 Web 开发。AI 并不能替你跳过编程思维的积累但它能把“从想法到可运行程序”的时间压缩到极短让你把更多精力放在理解问题、验证结果和改进方案上。希望你读完这篇文章后不要只收藏代码而是真正打开终端运行第一个脚本然后对 AI 说出你想做的下一个工具。如果这篇文章对你有帮助可以先收藏起来等实际运行遇到问题再回来对照排查。下一步建议从改造todo.py开始给它增加一个截止日期字段或者让已完成任务在列表中排序到末尾这会是很好的一次 AI 编程练习。