Python AI 应用开发入门

这个仓库聚焦“Python + AI 工作流”的落地方式。它不讲模型底层训练，而是专注如何把原始文本、业务规则和结构化输出连接起来，做成真正能演示、能教学、能扩展的小应用。

当前包含的工作流

1. 运营周报摘要助手
2. 课程 FAQ 草稿生成器

这个仓库适合谁

• 想从 Python 走向 AI 应用开发的人
• 想做大模型教学案例但不想过度依赖线上 API 的讲师
• 需要展示工作流设计能力的开发者
• 想做“能跑起来、能讲明白、能后续接真模型”的项目的人

你会学到什么

• 如何把 AI 需求拆成清晰的输入、处理和输出步骤
• 如何用离线 mock provider 先验证工作流
• 如何把原始文本整理成结构化 Markdown 结果
• 如何设计适合教学和演示的轻量级 AI 项目

效果预览

运行周报摘要：

python app.py ops-brief --input examples/weekly_ops_notes.txt --output output/ops_brief.md

生成的结果会包含：

## Summary
5 operational notes were processed into a single action brief.

## Follow-Up Actions
- Need to confirm the supplier delivery date for the hardware batch.

运行 FAQ 草稿生成：

python app.py faq-draft --input examples/course_faq_notes.txt --output output/course_faq.md

会输出结构化 FAQ 草稿，适合后续再接真实模型做润色。

仓库结构

• src/ai_app_starter/providers.py：离线 mock provider
• src/ai_app_starter/workflows.py：周报摘要工作流
• src/ai_app_starter/faq_tools.py：FAQ 草稿工作流
• examples/weekly_ops_notes.txt：运营周报样例
• examples/course_faq_notes.txt：课程问答样例
• app.py：统一 CLI 入口
• output/：生成的演示结果

快速开始

python app.py ops-brief --input examples/weekly_ops_notes.txt --output output/ops_brief.md
python app.py faq-draft --input examples/course_faq_notes.txt --output output/course_faq.md

推荐使用方式

• 如果你是初学者：先理解“输入文本 -> 规则处理 -> 输出文档”的工作流
• 如果你是讲师：用离线 mock 路线演示 AI 项目结构，避免直播时 API 出问题
• 如果你是开发者：在现有脚手架上替换成真实模型接口

为什么这个仓库值得 Star

• 两条工作流都能脱离线上模型直接演示
• 更适合教学、直播和课程录制，不怕 API 环境翻车
• 结构清晰，后续很容易替换成真实模型接口
• 非常适合展示“我会做 AI 应用，而不是只会调用一下模型”的能力

常见扩展方向

• 增加摘要结果的 JSON 结构化输出
• 接入真实 LLM provider，并保留离线 mock 模式
• 增加第三个 workflow，如工单分类或会议纪要摘要

仓库维护

• 开源协议：MIT
• 更新记录见 CHANGELOG.md
• 贡献方式见 CONTRIBUTING.md