Python 学习：先从 AI Application 入手

学习目标

1. ai application（重点）
2. python 工程化（如何写代码，如何组织代码，主要是基础的语法和独特的接口， 代码组织应该和传统后端差不多）

刚开始对 AI 应用的理解

当前只知道可以只接入ai能力，大致是 ai(deps): structured data

AI 内部主要有两种工作模式：

1. Workflow：按照一定的流程，有规划好、有顺序的节点去执行。
2. Agent：更偏向于让 AI 在运行时及时地规划自己后续要干什么，一个关键词是 ReAct。

总之，它们最后都需要返回结构化的数据，这是两种大致的工作模式。

至于这两个模式内部的其他工作细节，

1. 调用 LLM 大模型，通过大模型去进行迭代、循环或者进入下一步。
2. prompt 提示词， 通过提示词去约束大模型的输出
3. 大模型本身只能生成文本、输出内容，这时候就需要接入一些 Function Tool（工具）让大模型去调用。这个调用过程叫 Function Calling，通过它来给大模型提供更多的能力。后续让 AI 程序选择工具，以及进行业务层的数据持久化，也都是通过 Function Calling 来实现的。

AI 层负责“不确定性的工作”：理解自然语言、推理、生成结构化候选数据、选择工具、规划执行步骤。 业务后端负责“确定性的工作”：身份、权限、业务规则、事务、状态机、一致性和持久化。

在项目里边做边学

在学习 Pydantic AI 的过程中，ChatGPT 给了我一个专题，让我去边做边学。我突然想在我的 bodysense 项目中边做边学，却发现原来我用的是 LangGraph 框架，并没有用 Pydantic AI。

于是我问 AI，这个 LangGraph 是否也可以拿来学习，是不是也是一个比较好的学习资料？但结果并不是。LangGraph 的 workflow 做的比较好，但是它的代码可能并不适合初学者去学习，不适合作为一个 Python 基础写法之类的学习材料。

那我就想看看其他推荐的几个项目是否有用 Pydantic AI 的，或者说，我应该拿什么更适合作为学习的材料？

和 AI 一顿对话后，我更明确了下面这几点知识： 首先，就是它这些 Pydantic AI 或者说 LangGraph 的框架，它不是最基本的抽象，它本质上是已经对基本抽象的一些实现。