Generative AI for Beginners 完整指南21 节课从零上手构建生成式 AI 应用【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginnersgenerative-ai-for-beginners是一个面向初学者的生成式 AI 实战课程仓库包含 21 节可独立学习的内容前段讲透大语言模型LLM、提示词工程等核心概念后段带着你在 Python 和 TypeScript 中逐步搭出文本生成、对话、检索、图像生成等真实应用。如果你只想花最少的时间入门生成式 AI 开发照着本文走一遍即可跑通第一个程序。学什么、值不值得学这门课覆盖生成式 AI 应用开发的完整知识链路概念课与实践课交替出现每节内容独立成篇可以从任意一节开始阶段课程你将掌握概念入门01–05 课生成式 AI 工作原理、模型选型、负责任使用、提示词工程基础与进阶技巧应用构建06–11 课文本生成应用、聊天应用、向量检索应用、图像生成应用、低代码 AI、Function Calling工程进阶12–21 课AI 应用 UX 设计、安全加固、LLMOps 生命周期、RAG 与向量数据库、开源模型、AI Agent、微调、小型语言模型相比零散的教程它的价值在于每节实践课都配有可直接运行的完整代码示例python/目录下的.py脚本和.ipynb笔记本以及typescript/、js-githubmodels/目录下的 JS/TS 项目并且统一了环境变量与工具模块你不需要为每节课重新搭环境。50 多种语言的翻译版位于translations/目录中文学习者可以直接阅读translations/zh-CN/。环境准备与一键部署步骤系统要求项目要求Python3.10 及以上运行 Python 示例Git最新版Node.js仅运行 TypeScript/JavaScript 示例时需要VS Code可选推荐Docker Desktop仅容器化方案需要可跳过克隆仓库仓库包含 50 多种语言的翻译和大量图片完整克隆体积较大。推荐用稀疏检出跳过translations和translated_images只下载课程正文和代码git clone --filterblob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners git sparse-checkout set --no-cone /* !translations !translated_images如果下载速度可以接受也可以直接完整克隆git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners创建虚拟环境并安装依赖python -m venv .venv source .venv/bin/activate # macOS / Linux # Windows PowerShell 下使用 .\.venv\Scripts\activate pip install -r requirements.txtrequirements.txt中已固定了 openai、python-dotenv、azure-ai-inference 等关键依赖运行 JS/TS 示例的目录如06-text-generation-apps/js-githubmodels/再单独执行npm install即可。云端替代方案仓库自带.devcontainer配置在有 Docker 的机器上用 VS Code 打开仓库后选择 Reopen in Container即可获得与官方 Codespaces 一致的运行环境省去本地配置。目录结构与配置约定课程按编号目录 一节课程组织每节内部结构高度一致这也是它易于维护的原因00-course-setup/ # 环境搭建指引先读这里 01-introduction-to-genai/ # 每节课README.md images/ 代码目录 06-text-generation-apps/ ├── python/ # Python 示例oai-app.py、aoai-app.py 等 ├── typescript/ # TS 项目自带 package.json └── js-githubmodels/ # JS 项目自带 package.json shared/python/ # 各课共用的环境变量与 API 工具模块 tests/ # 工具模块的单元测试 .env.copy # 环境变量模板仓库根目录关键约定有两条代码文件用前缀区分模型服务商oai-开头走 OpenAI APIaoai-开头走 Azure OpenAIgithubmodels-开头走 Microsoft Foundry Models。缺哪个服务商的凭据对应文件运行时会直接报错互不影响。凭据统一放.env所有示例通过python-dotenv读取环境变量.env已被 gitignore不要把密钥写进代码。核心工作流从配置到跑通第一节课第一步配置 .env仓库根目录提供.env.copy模板复制后填入对应服务商的凭据即可cp .env.copy .env.env中各变量的作用变量用途OPENAI_API_KEYOpenAI API 密钥AZURE_OPENAI_API_KEY/AZURE_OPENAI_ENDPOINTAzure OpenAI 资源密钥与端点AZURE_OPENAI_DEPLOYMENT文本生成模型的部署名建议gpt-4o-miniAZURE_OPENAI_EMBEDDINGS_DEPLOYMENT向量模型的部署名建议text-embedding-3-smallAZURE_INFERENCE_ENDPOINT/AZURE_INFERENCE_CREDENTIALMicrosoft Foundry Models 端点与密钥HUGGING_FACE_API_KEYHugging Face 访问令牌你只需要配置其中一个服务商其余留空。完整说明见课程文档00-course-setup/03-providers.md本地部署细则见00-course-setup/02-setup-local.md。第二步运行 Python 示例以第 6 课文本生成应用的 OpenAI 版脚本为例06-text-generation-apps/python/oai-app.py只需 3 行核心逻辑——加载.env、创建客户端、发起一次补全请求from dotenv import load_dotenv load_dotenv() # 读取 .env 中的 OPENAI_API_KEY client OpenAI() response client.responses.create(modelgpt-4o-mini, inputprompt, storeFalse) print(response.output_text)运行方式python 06-text-generation-apps/python/oai-app.py.ipynb格式的练习则建议用 Jupyter 打开jupyter notebook在浏览器中导航到任意笔记本例如08-building-search-applications/python/oai-solution.ipynb逐格执行即可。第三步运行 JavaScript / TypeScript 示例以第 6 课的 JS 项目为例进入目录装依赖后直接运行cd 06-text-generation-apps/js-githubmodels npm install node app.jsTypeScript 项目如06-text-generation-apps/typescript/recipe-app/在各自目录内执行npm install后按其package.json中的脚本命令运行。关键配置项速查课程代码里没有训练参数真正影响体验与成本的是模型与服务商的配置配置项调整方向说明模型选择日常练习用gpt-4o-mini第 2 课专门讲如何按任务选模型小模型便宜且够快AZURE_OPENAI_API_VERSION保持模板默认的稳定版本升级前先确认接口兼容采样参数temperature等创意类任务调高抽取/分类类任务调低第 4、5 课的提示词课程中有大量对比示例服务商追求省事选 OpenAI企业合规选 Azure离线场景选 Foundry Local / Ollama见00-course-setup/03-providers.md的对比表本地运行不想开云订阅时用 Foundry Local 获得 OpenAI 兼容端点示例代码几乎不用改第 19 课有实操结果验证与问题排查验证学习效果逐课验证每节课程的README.md末尾都有练习assignment和期望输出说明对照.ipynb中留空的代码格补全后运行输出符合预期即通过。单元验证仓库自带针对共用工具模块的测试可随时回归pip install pytest pytest tests/tests/下覆盖env_utils、api_utils、input_validation三个模块能帮你确认环境配置是否被正确加载。高频卡点与解法现象解法401 Unauthorized密钥错误或已过期检查.env中对应 Key 的值ModuleNotFoundError: dotenv未装依赖执行pip install -r requirements.txtpython: command not foundPython 未加入 PATH重装后重开终端Windows 下 pip 构建报错先执行pip install --upgrade pip setuptools wheelDocker 构建提示磁盘不足Docker Desktop 设置中增大虚拟磁盘VS Code 反复提示在容器中重开同时启用了 venv 和容器两种方案二选一即可笔记本找不到内核Notebook 菜单 → Kernel → 选择 Python 3429 限流错误请求过于频繁降低调用频率或升级服务商配额性能与效率优化建议大仓库提速如前文稀疏检出命令跳过翻译目录后下载量减少大半本地只需docs/、各课程目录和shared/。降本把.env中的模型统一换成小模型如gpt-4o-mini完成练习成本比旗舰模型低一个量级需要旗舰能力时再切回。离线零成本安装 Foundry Local 或 Ollama 后用本地 OpenAI 兼容端点跑大部分示例完全不需要云订阅。多环境隔离用 venv 或 Conda 把课程环境锁死在 3.10避免与系统全局 Python 冲突重装依赖时直接重建虚拟环境最快。容器化保一致团队协作或多机切换时用.devcontainer配置构建容器环境杜绝我这能跑的问题。源码导航想深挖看哪里路径内容00-course-setup/环境搭建三篇指引云、本地、服务商配置遇到问题先翻这里shared/python/env_utils.py环境变量安全读取与校验的核心实现get_required_env、validate_env_varsshared/python/api_utils.py各课复用的 API 调用工具理解它就能看懂所有示例的公共逻辑shared/python/input_validation.py输入校验逻辑tests/工具模块的 pytest 用例可当如何测试配置的范例docs/_sidebar.md课程站点侧边栏导航15-rag-and-vector-databases/RAG 与向量数据库的完整实现notebook-rag-vector-databases.ipynb与data/下的语料18-fine-tuning/微调专题python/下有数据文件与练习笔记本写在最后generative-ai-for-beginners 把学概念和写代码压缩在同一个仓库里21 节课从 LLM 原理讲到 AI Agent 与微调每节都有能直接运行的 Python / TypeScript 示例和配套环境模板。你现在只需三件事——克隆仓库、填好.env中任一服务商的密钥、运行06-text-generation-apps/python/oai-app.py。看到模型返回的第一段生成文本时你的生成式 AI 开发之路就已经跑起来了。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考