实战 Lab · 三个可独立完成的项目

预计投入 12-20 小时 / 个难度 ★★☆ - ★★★前置 第 6、7 章数据 合成 / 公开

本章你会学到：三个 Lab 该怎么选、环境怎么搭、作品集按什么标准验收，以及怎么判断自己是真的做完了，而不是「跟着教程跑通了」。

一句话：Lab 不是教程，是三份迷你交付合同；验收标准是「别人能复现、能判断好坏」，不是「代码能跑」。

一个现场片段

以下为合成场景，用于说明典型情境，不对应任何真实项目。

你读完了前六章，概念都懂：现场五问、六阶段、价值证据金字塔。然后你打开一个真实需求——客服工单分错、合同看不完、内部知识找不到——突然发现无从下手：数据在哪？标签怎么定？什么叫「做得好」？

这个卡点是正常的。从「知道方法」到「交付结果」之间，隔着一个完整项目的肌肉记忆。三个 Lab 就是为这段过渡设计的：每个都足够小，能在十几小时内做完；又足够完整，能让你走一遍发现、定义、原型、评测、上线检查和复盘。

Labs 是什么，不是什么

• 是：一个可复现的小项目、一份评测报告、一份上线检查清单、一次复盘。做完你会拥有一页能放进作品集的材料。
• 不是：跟着视频敲一遍的教程。代码只是载体，真正的产出是「你怎么定义问题、怎么证明有效、怎么控制风险」。

每个 Lab 有三种用法，按你的时间选：

用法	做什么	适合谁	耗时
跟读	用页面里的合成数据和方法跑通流程	第一次做项目	8-12 小时
独立	只看章节结构，自己造数据、自己设计评测	有开发经验	12-16 小时
改造	把场景换成你熟悉的业务（如招聘筛选、售后 FAQ）	想直接用于工作	16-24 小时

只做一个，但要做完

同时开三个 Lab 是最常见的死法。选一个做完、写成作品集，比三个都停在「跑通 demo」有价值得多。

怎么选

Lab	场景	适合谁	技术重点	产出	难度	时间
A · 客服工单智能分流	工单分类与分派	想练完整六阶段的人	分类 + 置信度 + 人工复核	分流系统 + 评测报告	★★☆	15-20 小时
B · 合同条款审查	合同风险条款识别	法务、采购、咨询背景	RAG + 引用校验 + 缺失检查	审查助手 + 漏检分析	★★★	12-16 小时
C · 企业知识助手	内部知识问答	企业 IT、产品、知识管理	检索 + 权限 + 无答案处理	知识助手 + 权限红队	★★★	12-16 小时

怎么选，看三个问题：

• 想先建立完整项目感、以后再做文档类场景 → 选 A，它的六阶段最完整；
• 对合规、法务、合同、风险敏感，或想练「引用与核对」→ 选 B；
• 在企业内部做落地、关心权限与知识治理 → 选 C。

三个都做也可以，建议顺序 A → B → C：A 练闭环，B 练引用与缺失检查，C 练权限与拒答。

环境准备

你需要什么

组件	最低要求	说明
Python	3.11+	Lab 代码以 Python 为例；也可用 Node 20+ 实现
Node.js	20+（可选）	只在你想用 TypeScript 或做演示页时需要
编辑器	VS Code / Cursor 等	能调试、能看 JSON
Git	任意版本	版本管理，也是作品集的一部分
LLM 访问	三选一，见下表	没有 API key 也能做
向量库	可选	小数据量用内存 / SQLite 就够，不必上 Milvus
GPU	不需要	本地跑小模型是加分项，不是门槛

LLM 访问的三种模式

模式	怎么用	成本	适合
云端 API（OpenAI 兼容）	用 OPENAI_BASE_URL + OPENAI_API_KEY 调任意兼容网关	约 5-20 美元可完成一个 Lab	想验证真实效果
本地模型	Ollama / llama.cpp 等，按硬件选小模型	电费 + 硬件	数据不能出本机、想离线
纯离线模拟	写一个 stub 返回固定 JSON，或只用规则基线	0	先跑通流程、写评测脚本

API key 是可选的，但「真实调用一次」建议保留：模拟能验证流程，不能验证模型行为。

# 建议用 .env 管理，不要把 key 写进代码或提交到仓库
export OPENAI_API_KEY="你的 key"
export OPENAI_BASE_URL="你的兼容网关地址，可选"
export LLM_MODEL="你使用的模型名"

# Python 环境
python3 -m venv .venv
source .venv/bin/activate
pip install openai pandas scikit-learn

三条数据红线

1. 只用合成数据、公开数据或已获书面授权的脱敏数据；不要用真实客户数据、员工数据、合同。
2. 不要把敏感内容提交到仓库、截图、演示视频或第三方 API。
3. 公开数据要确认许可证允许学习用途，并在 README 里写清来源。

建议的项目结构

lab-a/
  README.md          # 问题、指标、如何运行
  data/              # 合成数据 + 生成脚本（固定随机种子）
  src/               # 分类/检索/生成代码
  eval/              # 评测集与评测脚本
  reports/           # 评测报告、截图
  .env.example       # 环境变量示例（不含真实 key）

三条工程约定，直接决定作品集质量：

1. 数据可重建：提供生成脚本和随机种子，别人能生成同一份数据；
2. 评测可一键跑：一条命令输出全部指标；
3. 报告可读：不打开代码也能看懂结论、口径和局限。

作品集标准

做完一个 Lab，按下面六项验收。每一项都给「通过 / 不通过」的判断依据。

标准	通过的样子	不通过的样子
问题与基线	一段话说清谁痛、现在怎么解、基线是多少	只有「我做了个 AI 工具」
方案与取舍	架构图 + 为什么这样选（含放弃的方案）	罗列技术栈，没有取舍
评测报告	评测集结构、主指标、分层结果、错误分析齐全	只有一张截图或一个准确率
成本与延迟	单次成本、P95、规模估算都算过	「大概不贵」
上线与安全	检查清单、灰度、回滚、人工复核有具体动作	只有「已测试」
复盘	写清失败、误判和改进	只写成绩，全是夸奖

加分项：有真实用户试用反馈、有 5 分钟演示视频、仓库能被别人复现、被社区指出问题并改进。

常见夸大，别写

「准确率 95%」却不说是哪个集合、多少样本；「效率提升 10 倍」却没算人工时间；Demo 很酷但没有评测。面试官最容易追问的就是口径，夸大一次就会失去信任。

交付清单（所有 Lab 通用）

• README：问题、用户、指标口径、如何运行
• 数据说明：来源、合成方法、许可证、集合划分
• 可运行代码：一条命令跑通主流程与评测
• 评测报告：总表、分层结果、错误分析、局限
• 架构图或数据流图（ASCII 也可）
• 上线检查清单与回滚方案
• 5 分钟演示脚本（含「哪里会失败」）
• 复盘：做对了什么、失败在哪、重做会怎么改

6 周节奏建议

每周 8-10 小时，适合在职学习：

周	做什么	本周产出
第 1 周	选 Lab、搭环境、写项目章程、造数据	一页章程 + 数据说明
第 2 周	规则基线 + 评测集 v1	基线结果
第 3 周	模型 / 检索方案 + 提示词迭代	可演示原型的 v1
第 4 周	评测、错误分析、指标对比	评测报告 v1
第 5 周	上线检查、灰度方案、安全清单	上线就绪包
第 6 周	作品集包装、演示、复盘	作品集一页纸 + 复盘

怎么判断自己真的做完了

找一个人（同学、同事、社区里的陌生人），让他只看你的 README 和报告，回答三个问题：

1. 你能复现这个结果吗？
2. 指标是在什么数据、什么口径下得到的？
3. 系统出错时会发生什么，怎么退回来？

三个都能答上来，才算做完。答不上来，回去补文档或补评测——这本身就是 FDE 工作的一部分。

常见误区

• 同时开三个 Lab：精力分散，最后三个都是半成品。
• 只跑 demo 不写评测：demo 是演示，评测才是证据。
• 追求花哨技术栈：向量库、Agent 框架堆一堆，却说不清基线是多少。
• 忽视数据许可：拿真实数据做实验，作品集变事故。
• 把「跟教程跑通」当作品：没有自己的取舍和失败记录，面试里讲不出深度。

本章小结

• 三个 Lab 是三份迷你交付合同，验收标准是「可复现、可判断好坏」。
• 按背景选一个做完，比三个都浅尝更有价值；推荐顺序 A → B → C。
• 环境门槛不高：Python + 可选 API key，没有 key 也能用模拟模式跑通。
• 作品集看六项：问题与基线、方案取舍、评测、成本延迟、上线安全、复盘。
• 数据和合规是红线，合成与公开数据足够完成全部 Lab。

练习

1. 选一个 Lab，写一页项目章程：问题、用户、指标、边界、数据来源、风险。判断标准：另一个人读完能说出「做什么、不做什么、怎么算成功」。
2. 搭环境并跑通一次调用：完成 venv、依赖、环境变量，用 OpenAI 兼容接口返回一个 JSON。判断标准：换一台机器能按 README 复现。
3. 用作品集标准自评：找一份你过去的项目，按六项标准打分。判断标准：至少找出两项「不通过」并写出改进动作。

本章资料来源： 三个 Lab 的场景、数据与指标均为合成教学示例，不代表任何真实公司或项目。方法与模板见 第 6 章、第 7 章 与 附录 B · 模板工具箱；行业参考数字见 附录 C · 案例与资料来源。

下一步：从 Lab A · 客服工单智能分流 开始，或者回到 第 7 章 先看六阶段怎么贯穿一个项目。