悠游AI

截面动量 vs 时序动量

2026-06-30T00:00:00+08:00

截面动量 vs 时序动量——策略选择的关键区别

Lesson 0004策略进阶~20 min

本课目标：理解截面动量（CSM）和时序动量（TSM）的核心区别、适用场景和实现方式。

截面动量（CSM）

在横截面上比较所有资产，做多相对强势的，做空（或避开）相对弱势的。

CSM: signal_i = rank(ret_i) - mean(rank(ret))

def csm_signal(returns):
    """截面动量：在股票之间排序"""
    rank = returns.rank(ascending=True)
    return (rank - rank.mean()) / rank.std()

时序动量（TSM）

每只资产独立看：如果自己过去涨了，就买入；跌了就卖出/空仓。

TSM: signal_i = sign(ret_i - 0) 或使用连续值

def tsm_signal(returns):
    """时序动量：只看资产自身"""
    return returns / returns.abs().mean()  # 标准化信号强度

关键区别

维度	截面动量	时序动量
信号来源	相对强弱	绝对涨跌
多空	多+空	仅多头（或空仓）
适用市场	股票（多资产）	期货、ETF、指数
牛市表现	好	好
熊市表现	差（强制做多最差的）	好（可空仓）
容量	大	中

实际应用建议

A股多头策略：CSM更适合，选top-k做多
期货CTA：TSM更适合，单品种趋势跟踪
ETF轮动：两者结合效果更好

熊市中，哪种动量策略表现更好？

截面动量
时序动量（可空仓）
两者一样

显示答案

📚 延伸资料

提示：有任何不清楚的地方，随时问我。

第一个回测

2026-06-29T00:00:00+08:00

第一个回测——实现最简单的动量策略

Lesson 0003回测基础~20 min

本课目标：用 Python 实现第一个动量策略回测——买入过去 N 日涨幅最大的股票，持有 M 日。

策略逻辑

最简单的截面动量策略：

每 N 个交易日，计算每只股票过去 N 日的收益率
选收益率最高的 K 只股票买入（等权）
持有 M 个交易日
重复

实现代码

import numpy as np
import pandas as pd

def simple_momentum_backtest(price_df, lookback=20, hold=10, topk=5):
    """
    price_df: DataFrame, 每列是一只股票的收盘价
    lookback: 回顾期（计算过去 N 日收益）
    hold: 持有期
    topk: 选几只股票
    """
    returns = price_df.pct_change(lookback)  # N 日收益
    positions = pd.DataFrame(0, index=price_df.index, columns=price_df.columns)

    for i in range(lookback, len(price_df) - hold, hold):
        rank = returns.iloc[i].rank(ascending=False)
        selected = rank <= topk  # 选 top-k
        for j in range(i, i + hold):
            if j < len(positions):
                positions.iloc[j] = selected.astype(int)

    # 计算策略收益
    daily_ret = price_df.pct_change()
    strategy_ret = (positions.shift(1) * daily_ret).sum(axis=1) / topk
    nav = (1 + strategy_ret).cumprod()

    return nav

运行回测

nav = simple_momentum_backtest(price_df, lookback=20, hold=10, topk=5)

# 计算关键指标
total_ret = nav.iloc[-1] - 1
annual_ret = (nav.iloc[-1]) ** (252 / len(nav)) - 1
sharpe = strategy_ret.mean() / strategy_ret.std() * np.sqrt(252)
max_dd = (nav / nav.cummax() - 1).min()

print(f"总收益率: {total_ret:.2%}")
print(f"年化收益率: {annual_ret:.2%}")
print(f"夏普比率: {sharpe:.2f}")
print(f"最大回撤: {max_dd:.2%}")

可视化

import matplotlib.pyplot as plt

nav.plot(figsize=(12, 6), title='动量策略净值曲线')
plt.ylabel('净值')
plt.grid(True)
plt.show()

简单动量策略的核心步骤是什么？

随机选股买入持有
回顾期→选top-k→持有期→重复
每天买卖所有股票

显示答案

📚 延伸资料

提示：有任何不清楚的地方，随时问我。

理解动量策略

2026-06-29T00:00:00+08:00

动量策略入门——什么是动量效应？为什么有效？

Lesson 0001基础概念~15 min

📋 课程目录数据获取与处理——用Python拉取A股行情数据 →

本课目标：理解动量效应的核心概念、学术起源，以及为什么它能在不同市场持续赚钱。

什么是动量效应？

动量效应（Momentum Effect）是指：过去表现好的资产，未来一段时间继续表现好；过去表现差的资产，未来继续表现差。简单说就是"强者恒强，弱者恒弱"。

动量策略 = 买入过去赢家 + 卖出过去输家

经典论文

Jegadeesh & Titman (1993)：首次系统验证美国股市动量效应，买入过去6个月赢家、卖出输家，持有6个月，月均超额收益约1%
Moskowitz, Ooi & Pedersen (2012)：时间序列动量（TSM），发现单资产自身过去收益能预测未来收益

动量有效性的主流解释

理论	核心观点
行为金融	投资者反应不足（underreaction）和反应过度（overreaction）导致趋势延续
信息扩散	新信息逐步传播，价格需要时间充分反映
风险补偿	动量策略承担了"趋势逆转"的风险，超额收益是对风险的补偿

A股市场也有效吗？

是的，A股同样存在显著的动量效应，但有中国特色：

短期反转效应更强（1-3个月），中期动量效应明显（6-12个月）
散户主导的市场导致趋势形成后惯性更强
需要特别注意涨跌停板制度和停牌

本课小结

动量效应是金融学中最稳健的异象之一
行为金融学提供了最令人信服的解释
A股市场同样适用，但需要调整参数
接下来的课程中，我们将用Python实现并回测动量策略

动量效应指的是什么现象？

过去涨的未来跌
过去涨的未来继续涨
价格随机游走

显示答案

📚 延伸资料

提示：有任何不清楚的地方，随时问我。

数据获取与处理

2026-06-29T00:00:00+08:00

数据获取与处理——用Python拉取A股行情数据

Lesson 0002基础数据~20 min

本课目标：学会使用 AKShare 库获取 A 股历史行情数据，并做基础的数据清洗和预处理。

安装 AKShare

pip install akshare

AKShare 是一个免费、开源的 Python 财经数据接口库，覆盖 A 股、期货、基金、债券等。

获取单只股票的历史数据

import akshare as ak

# 获取贵州茅台日线数据（前复权）
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20100101",
    end_date="20241231",
    adjust="qfq"  # 前复权
)
print(df.head())

数据清洗要点

# 1. 日期列转为 datetime 并设为索引
df['日期'] = pd.to_datetime(df['日期'])
df = df.set_index('日期')

# 2. 排序（AKShare 默认降序，需要变为升序）
df = df.sort_index()

# 3. 检查缺失值
print(df.isnull().sum())

# 4. 统一列名（英文方便后续处理）
df.columns = ['开盘', '收盘', '最高', '最低', '成交量', '成交额',
              '振幅', '涨跌幅', '涨跌额', '换手率']

批量获取多只股票

import pandas as pd

stock_list = ["600519", "000858", "000568", "600809", "000596"]
data = {}

for symbol in stock_list:
    df = ak.stock_zh_a_hist(symbol, adjust="qfq")
    df = df.set_index('日期')
    df.index = pd.to_datetime(df.index)
    data[symbol] = df['收盘']

# 合并为一个 DataFrame
price_df = pd.DataFrame(data)
price_df = price_df.sort_index()
print(price_df.head())

注意：AKShare 有频率限制，不要短时间内大量请求。建议单次请求间隔 0.5-1 秒。

保存数据

# 保存为 CSV
price_df.to_csv('stock_prices.csv')

# 下次读取
price_df = pd.read_csv('stock_prices.csv', index_col=0, parse_dates=True)

AKShare 中获取前复权数据的参数是？

adjust='qfq'
adjust='hfq'
adjust='none'

显示答案

📚 延伸资料

提示：有任何不清楚的地方，随时问我。

模型接入与配置实战

2026-06-28T00:00:00+08:00

第三课

模型接入与配置实战

让 Dify 真正"有脑可动"——手把手配置大模型

⏱ 预计时间：10-15 分钟

🎯 本课目标

在 Dify 控制台里完成至少 2 个模型的接入配置，并理解不同模型类型（系统推理 / 对话 / Embedding）的区别与用途。

一、Dify 里的 4 种模型类型

在配置模型之前，先搞清楚 Dify 把模型分成哪几类——这关系到你该配置哪些模型：

模型类型	作用	举例	必须？
系统推理模型	平台核心大脑，用于工作流、Agent 等所有 AI 推理	DeepSeek-V3、GPT-4o、Claude 3.5	✅ 必须
对话模型	聊天应用的专用模型，支持多轮对话	同上（通常共用）	⚠️ 建议
Embedding 模型	把文本转成向量，用于知识库语义检索（RAG）	text-embedding-3-small、bge-m3	✅ 用知识库必须
语音/图像模型	语音转文字、图像生成等扩展能力	Whisper、Stable Diffusion	❌ 可选

💡 最小配置方案：至少配置 1 个系统推理模型 + 1 个 Embedding 模型，就能跑通"聊天 + 知识库问答"的完整流程。

二、推荐模型供应商对比

国内用户推荐以下 3 家，免费额度充足、中文支持好、接入简单：

⭐ 最推荐

DeepSeek

¥1 / 百万 Token（输入）

中文理解极佳，推理能力强，价格极低，新用户送 500 万 Token。

接入步骤：

注册 platform.deepseek.com
API 密钥 → 新建 Key
Dify 设置 → 模型供应商 → DeepSeek → 输入 Key

免费额度

通义千问（阿里）

有免费额度，按量计费

阿里系，国内访问稳定，与阿里云生态深度整合。

接入步骤：

注册 dashscope.aliyun.com
API-KEY 管理 → 创建 Key
Dify 设置 → 模型供应商 → 通义千问 → 输入 Key

ChatGLM（智谱 AI）

有免费额度

国产大模型，中文能力强，GLM-4 系列表现优秀。

接入步骤：

注册 open.bigmodel.cn
API 密钥 → 新建
Dify 设置 → 模型供应商 → ChatGLM → 输入 Key

Ollama（本地模型）

完全免费（本地运行）

在 Debian 虚拟机里跑本地模型，数据完全不出本机，适合高隐私场景。

接入步骤：

Debian 里安装 Ollama
拉取模型：ollama pull qwen2.5:7b
Dify 设置 → 模型供应商 → Ollama → 配置地址

三、实战：配置 DeepSeek（推荐首选）

跟着步骤走，5 分钟完成：

获取 DeepSeek API Key

访问 platform.deepseek.com，注册/登录
左侧菜单 → API 密钥
点击"创建密钥"，名称随意（如 dify-test）
复制 Key 并保存（只显示一次！）

在 Dify 里添加 DeepSeek

打开 Dify 控制台（http://你的虚拟机IP）
右上角头像 → 设置
左侧 → 模型供应商
找到 DeepSeek，点击"+"或"添加模型"
填入 API Key，模型类型选"LLM"，模型名称选 deepseek-chat
点击"保存"

添加 Embedding 模型（知识库必备）

在同一个 DeepSeek 供应商页面，继续添加模型
模型类型选 "Text Embedding"
模型名称选 deepseek-embedder（如果 DeepSeek 没有 Embedding 模型，改用下面的备选方案）

⚠️ DeepSeek 没有 Embedding 模型！

DeepSeek 目前只提供对话/推理模型，不提供 Embedding 模型。配置知识库需要单独接入一个 Embedding 模型，推荐用 OpenAI（text-embedding-3-small） 或 本地 Ollama + bge-m3。

✅ 推荐组合（国内用户） 系统推理：DeepSeek-V3（便宜、中文好） Embedding：Ollama 本地跑 bge-m3（完全免费，数据不出本机）

四、进阶：在 Debian 里跑本地模型（Ollama）

如果不想依赖任何第三方 API，可以在 Debian 虚拟机里直接跑模型。这样数据完全不出本机，适合对隐私要求高的场景。

安装 Ollama

# 在 Debian 虚拟机里执行 curl -fsSL https://ollama.com/install.sh | sh # 安装完成后，Ollama 会自动以服务运行 # 验证 ollama --version

拉取并运行 Embedding 模型

# 拉取 bge-m3（中文 Embedding 效果最好） ollama pull bge-m3 # 拉取一个对话模型（可选，完全离线运行） ollama pull qwen2.5:7b # 查看已安装的模型 ollama list

在 Dify 里配置 Ollama

⚠️ 网络配置关键点

Dify 的容器里访问 localhost 指的是容器自己，不是 Debian 宿主机。需要在 Dify 的 Ollama 配置里填 Debian 的内网 IP（如 http://192.168.1.105:11434），而不是 localhost:11434。

Dify 控制台 → 设置 → 模型供应商 → 找到 Ollama
模型类型：Text Embedding，模型名称：bge-m3
Base URL：填 http://你的DebianIP:11434
点击保存

五、验证模型配置成功

✅ 验证清单

✅ 设置 → 模型供应商页面能看到已添加的模型，状态为"已启用"
✅ 创建一个"聊天助手"应用，能正常对话
✅ 创建一个知识库，能成功上传文档并完成向量化

快速测试对话：

工作台 → 创建应用 → 聊天助手
应用名称随意（如"测试助手"）
提示词：简单写一句，如"你是一个有帮助的 AI 助手"
选择你刚配置的模型（如 DeepSeek-V3）
点击"预览"，输入一句话测试

📷 提示：第一次对话会稍慢（模型冷启动），之后就快了如果报错，检查 API Key 是否正确、账户是否有余额

六、费用控制与最佳实践

💰 费用参考（2026 年价格）

DeepSeek-V3：输入 ¥1/百万 Token，输出 ¥2/百万 Token
DeepSeek-R1（推理模型）：输入 ¥4/百万 Token，输出 ¥16/百万 Token
一次普通对话：约消耗 500-2000 Token，成本约 ¥0.001-¥0.004
结论：个人/小团队测试，¥10 能用很久

最佳实践

分开配置多个模型：轻量任务用便宜模型（DeepSeek-V3），复杂推理用强模型（Claude/GPT-4o）
设置 Token 限制：在 Dify 应用设置里限制最大 Token 数，防止异常消耗
本地 Embedding：用 Ollama 跑 bge-m3，知识库检索不花 API 钱
定期检查用量：Dify 控制台 → 观测 → 日志，可以看到每次对话的 Token 消耗

七、常见问题排查

❌ 报错："模型供应商 API 请求失败"

检查 API Key 是否正确（注意前后空格）
检查账户是否有余额（DeepSeek 新用户有免费额度，但也会用完）
检查 Debian 虚拟机能否访问外网（curl https://api.deepseek.com）

❌ Ollama 模型在 Dify 里连不上

确认 Ollama 服务在运行：systemctl status ollama
确认 Dify 里填的是 Debian 内网 IP，不是 localhost
确认防火墙放行 11434 端口：sudo ufw allow 11434

❌ 知识库上传文档后向量化失败

检查是否配置了 Embedding 模型
检查 Embedding 模型的 API Key / 连接是否正常
文档格式是否支持（PDF/Word/TXT/Markdown 都支持）

八、本节课重点回顾

✅ Dify 有 4 种模型类型，最小配置需要"系统推理 + Embedding"
✅ 推荐组合：DeepSeek-V3（推理）+ Ollama/bge-m3（Embedding，免费）
✅ DeepSeek 接入：获取 API Key → Dify 设置 → 模型供应商 → 添加
✅ Ollama 本地模型：数据不出本机，适合高隐私场景
✅ 验证方法：创建聊天助手应用，发一条消息测试
✅ 费用极低：个人测试 ¥10 能用很久

▶ 下一课预告

第 4 课：知识库构建与 RAG 实战——上传你的第一份文档，搭建专属问答系统

模型已配好，下一步就是让 AI "读懂"你的私有资料！

参考资料

DeepSeek 开放平台 — 注册获取 API Key
Ollama - bge-m3 模型 — 中文 Embedding 最佳选择
Dify 官方文档 - 模型供应商配置
Dify 官方文档 - 知识库 — 第 4 课预习

配置过程中遇到问题，把报错截图或文字发给我，我帮你排查 🔧

在 Debian 虚拟机上部署 Dify

2026-06-27T00:00:00+08:00

第二课

在 Debian 虚拟机上部署 Dify

跟着步骤走，5 分钟让你的第一个 AI 平台跑起来

⏱ 预计时间：15-20 分钟（不含镜像下载等待时间）

🎯 本课目标

在你的 Debian 虚拟机上，用 Docker Compose 一键部署 Dify，并完成初始化设置，看到 Dify 的登录页面。

一、前置检查

在动手之前，先确认你的 Debian 虚拟机已经准备好：

✅ 你需要有的

一台运行中的 Debian 虚拟机（推荐 Debian 12）
已安装 Docker Engine（如果没装，下面有步骤）
虚拟机网络可访问外网
Windows 宿主机能 ping 通虚拟机 IP（桥接模式最佳）
虚拟机至少 4GB 内存 + 20GB 空闲磁盘

检查 Docker 是否已安装

debian-vm ~

$ docker --version Docker version 27.5.1, build 9f9e405 $ docker compose version Docker Compose version v2.32.4

Docker 已有，直接跳到第 2 步

没有 Docker？→ 往下看"安装 Docker"

如果没装 Docker，先装它

# 1. 安装依赖 sudo apt update sudo apt install -y ca-certificates curl gnupg lsb-release # 2. 添加 Docker 官方源 sudo install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/debian/gpg | \  sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg echo \  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] \  https://download.docker.com/linux/debian $(lsb_release -cs) stable" | \  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 3. 安装 Docker sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io \  docker-buildx-plugin docker-compose-plugin # 4. 将当前用户加入 docker 组（避免每次输 sudo） sudo usermod -aG docker $USER # ⚠️ 然后注销重新登录（或执行 newgrp docker）

⚠️ 国内镜像加速 —— 如果不配置，拉取 Dify 镜像可能很慢（有时会超时）。强烈建议执行下面这步：

sudo mkdir -p /etc/docker sudo tee /etc/docker/daemon.json <<-'EOF' {  "registry-mirrors": [    "https://docker.m.daocloud.io",    "https://hub-mirror.c.163.com",    "https://mirror.baidubce.com"  ],  "log-driver": "json-file",  "log-opts": {    "max-size": "10m",    "max-file": "3"  } } EOF sudo systemctl daemon-reload sudo systemctl restart docker

二、部署 Dify

Step 1：克隆 Dify 仓库

git clone https://github.com/langgenius/dify.git cd dify/docker

成功后会看到dify/docker/目录，里面有docker-compose.yml和.env.example

Step 2：创建配置文件

cp .env.example .env

默认配置已经可以直接使用。如果你后续需要调整模型密钥、数据库密码等，后续再修改 .env 文件。

Step 3：启动 Dify

# 启动所有服务（后台运行） docker compose up -d # 查看启动状态 docker compose ps

首次启动会拉取镜像，需要等待几分钟（取决于网络速度）。这是最耗时的步骤，耐心等待。

debian-vm ~/dify/docker

$ docker compose up -d [+] Running 6/6 ✔ Container dify-nginx-1 Started ✔ Container dify-api-1 Started ✔ Container dify-worker-1 Started ✔ Container dify-web-1 Started ✔ Container db-1 Started ✔ Container redis-1 Started

看到所有容器都是 Up 状态，就说明启动成功了。

Step 4：检查日志（可选）

# 查看 Dify API 的启动日志 docker compose logs dify-api --tail=50 # 如果某服务挂了，查看具体错误 docker compose logs [服务名] --tail=100

三、初始化设置

Step 5：访问 Dify

在 Windows 浏览器（而非虚拟机内）访问：

访问地址

http://你的虚拟机IP

💡 如何查看虚拟机 IP？在 Debian 里执行 ip addr show | grep 'inet '

桥接模式 vs NAT 模式

桥接模式：虚拟机有独立 IP（如 192.168.1.105），可直接访问 NAT 模式：需要在 VirtualBox 设置端口转发（主机 80 → 子系统 80）

在浏览器打开的页面应该是这样的：

首次访问会自动跳转到初始化管理员账号页面

Step 6：创建管理员账号

填写邮箱、姓名、密码
点击"创建管理员"
登录进入 Dify 控制台

💡 建议：使用真实邮箱，后续找回密码、邮件通知等功能会用到。密码用强密码（大小写 + 数字 + 特殊字符）。

Step 7：接入大模型（关键一步！）

Dify 本身不包含大模型，需要你自己配置 API Key。进入控制台后：

设置 → 模型供应商 → 添加模型

如果是国内用户，推荐以下两种方式：

🅰️ DeepSeek（推荐）

注册：platform.deepseek.com
新用户送 500 万 Token
便宜、中文好、速度快

🅱️ 通义千问

注册：dashscope.aliyun.com
有免费额度赠送
阿里生态，国内访问稳定

配置完成后，你就可以创建你的第一个 AI 应用了！

四、常见问题排查

❌ 浏览器打不开页面

确认虚拟机 IP 正确：ip addr show
检查防火墙：sudo iptables -L -n，必要时关掉：sudo iptables -F
确认容器在运行：docker compose ps
NAT 模式需配置端口转发

❌ 容器启动后不断重启（Restarting）

查看日志：docker compose logs 容器名
常见原因：端口被占用、.env 配置错误、内存不足
尝试重启整个服务：docker compose restart

❌ 拉取镜像超时

检查 Docker 镜像加速是否配置正确（参照前面的国内镜像配置）
尝试单独拉取：docker pull nginx:latest 测试网络
挂梯子或换用国内镜像源

❌ 权限不足（Permission denied）

执行 sudo usermod -aG docker $USER 后记得注销重新登录
或用 newgrp docker 立即生效
临时方案：所有命令前加 sudo

五、验证部署成功

按照以下清单确认一切正常：

☑️ 部署完成检查清单

✅ 浏览器能打开 Dify 初始化页面
✅ 成功创建管理员账号并登录
✅ 成功配置至少一个模型供应商（DeepSeek / 通义千问）
✅ 能看到 Dify 主控制台（工作台页面）

debian-vm ~/dify/docker

$ docker compose ps NAME IMAGE STATUS PORTS dify-api langgenius/dify-api:1.1.3 Up 2 hours 5001/tcp dify-web langgenius/dify-web:1.1.3 Up 2 hours 3000/tcp dify-worker langgenius/dify-worker:1.1.3 Up 2 hours 5001/tcp dify-nginx nginx:latest Up 2 hours 0.0.0.0:80->80/tcp db postgres:15-alpine Up 2 hours 5432/tcp redis redis:7-alpine Up 2 hours 6379/tcp

六、日常管理命令

部署完成后，记住这几个常用命令就够了：

# 启动 / 停止 / 重启 docker compose start docker compose stop docker compose restart # 查看实时日志（按 Ctrl+C 退出） docker compose logs -f # 更新 Dify（备份后执行） docker compose pull docker compose up -d # 彻底卸载 docker compose down -v

⚠️ docker compose down -v 会删除所有数据（包括数据库和向量库），生产环境千万别乱用！

七、本节课重点回顾

✅ 确认 Docker 环境已就绪（需 Docker + Docker Compose）
✅ 配置国内镜像加速，避免拉取超时
✅ git clone → cp .env.example .env → docker compose up -d 三步搞定部署
✅ 通过 Windows 浏览器 → 虚拟机 IP 访问 Dify
✅ 创建管理员账号 → 配置大模型 API Key → 开始使用
✅ 记住日常管理命令（启动/停止/日志）

▶ 下一课预告

第 3 课：模型接入与配置实战——DeepSeek 通义千问任你挑

部署已完成，下一步就是让你的 Dify 真正"有脑可动"——配置大模型！

参考资料

部署遇到问题随时问我！发一下你的报错信息，我帮你排查 🚀

Dify 是什么

2026-06-26T00:00:00+08:00

第一课

Dify 是什么？—— 核心概念与架构概览

了解 Dify 的前世今生、核心功能模块和整体架构，建立对整个平台的宏观认知。

⏱ 预计阅读时间：15 分钟

一、Dify 是什么？

Dify 是一个开源的 LLM 应用开发平台。简单说，它让你不用写大量代码，就能搭建出专业级的 AI 应用——比如智能客服、企业内部知识库、自动化工作流等。

一句话总结

Dify = 可视化搭建 AI 应用的"乐高平台"——把大模型、知识库、工具链组装在一起，通过拖拽界面变成可用的产品。

核心定位

对标 Coze：Coze 是字节跳动的 SaaS 产品，Dify 是开源版本——你可以自己部署、数据完全掌控
面向开发者 + 业务人员：可视化界面让非技术人员也能参与，同时也提供 API 让开发者深度集成
全生命周期覆盖：从开发原型 → 测试 → 部署上线 → 监控运维，一站式完成

截至 2026 年 6 月，Dify 在 GitHub 上已收获 14 万 + Star，成为全球增长最快的开源 AI 平台之一。

二、五大核心概念

Dify 的功能围绕以下 5 个核心模块展开：

⚙️

工作流（Workflow）

可视化画布编排 AI 流程，支持条件分支、循环、并行执行，如同"AI 版 n8n"

📚

知识库（Knowledge Base）

上传文档（PDF/Word/TXT），自动向量化存储，实现 RAG（检索增强生成）

🤖

智能体（Agent）

基于 Function Calling 或 ReAct 模式的智能代理，可调用工具执行任务

🧠

模型管理

统一接入 OpenAI、Claude、DeepSeek、通义千问等 20+ 模型，一键切换

🔗

工具链（Tools）

50+ 内置工具（搜索、计算、图像生成等），也支持自定义 API 工具

📊

观测分析

日志追踪、Token 用量统计、性能监控，便于持续优化

理解了这些概念，你就理解了 Dify 的核心设计哲学

这 5 个模块不是孤立的——你可以组合它们，比如：

示例：一个客服机器人 = 知识库（存产品手册） + Agent（主动分析问题） + 工作流（自动拉取订单信息） + 工具（调用查物流 API）

三、系统架构概览

了解 Dify 的架构有助于后续排查部署问题和理解开发流程：

┌─────────────────────────────────────────────────────────┐
│                    用 户 访 问 层                          │
│          Web 界面 (Next.js)  │  API 接口 (RESTful)        │
└──────────────────────┬──────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────┐
│                  应 用 服 务 层                           │
│  ┌─────────────┐ ┌──────────┐ ┌──────────────────┐     │
│  │  Workflow   │ │  Agent   │ │  Knowledge Base   │     │
│  │  Engine     │ │  Engine  │ │  (RAG Pipeline)  │     │
│  └─────────────┘ └──────────┘ └──────────────────┘     │
│  ┌─────────────┐ ┌──────────┐ ┌──────────────────┐     │
│  │  LLM       │ │  Tools   │ │  Observability   │     │
│  │  Gateway   │ │  Runtime │ │  (Log/Monitor)   │     │
│  └─────────────┘ └──────────┘ └──────────────────┘     │
└──────────────────────┬──────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────┐
│                  数 据 存 储 层                           │
│  PostgreSQL (业务数据) │ Redis (缓存)                     │
│  Weaviate/Qdrant (向量数据库) │ S3/本地 (文件存储)        │
└─────────────────────────────────────────────────────────┘

Dify 采用前后端分离架构，后端基于 Python Flask，前端基于 Next.js + React

关键组件详解

PostgreSQL：存储用户、应用配置、会话记录等业务数据
Redis：缓存、会话管理、消息队列
Weaviate / Qdrant：向量数据库，用于知识库的语义检索
LLM Gateway：统一模型调用层，屏蔽不同厂商 API 的差异
Workflow Engine：可视化工作流编排的执行引擎，支持 DAG（有向无环图）

💡 新手不需要立刻理解全部架构。 先记住"前端 + 后端 API + 数据库（含向量库）"这个三层架构就够了。后续课程会在部署和开发中逐步深入。

四、Dify 能构建什么类型的应用？

💬

聊天助手

普通对话机器人，支持 Prompt 设定和上下文管理

📄

文本生成

批量文案生成、翻译、摘要、报告撰写

🔍

RAG 问答系统

基于私有知识库的问答，回答附带来源引用

🛠️

Agent 智能体

能调用 API、执行代码、联网搜索的自主代理

🔄

工作流应用

多步骤流程，如"文档翻译 → 审核 → 导出"

📱

嵌入应用

通过 API 或 iframe 嵌入到现有网站/系统

五、动手环节：规划你的第一个 Dify 应用

✍️ 课后任务（5 分钟）

在脑海中（或纸上）回答以下问题——这会在后续课程中直接用到：

你希望 Dify 帮助你解决什么具体业务问题？
这个应用需要用到哪些核心功能（工作流 / 知识库 / Agent / 工具）？
你打算用哪家的大模型（DeepSeek / 通义千问 / OpenAI...）？

如果暂时想不清楚也没关系——我们会在第 2 课部署完 Dify 后，结合实际界面来边看边想。

六、本节课重点回顾

✅ Dify 是一个开源的 LLM 应用开发平台，可以自部署、自控数据
✅ 五大核心模块：工作流、知识库、Agent、模型管理、工具链
✅ 系统架构：前端（Next.js）+ 后端（Python Flask）+ 数据库（PostgreSQL + Redis + 向量数据库）
✅ 能构建聊天助手、RAG 问答、Agent、工作流等多种应用类型
✅ 适合小微企业：开源免费、数据可控、低代码快速落地

▶ 下一课预告

第 2 课：在 Debian 虚拟机上用 Docker Compose 部署 Dify——手把手带你跑起来！

建议先完成课后任务，带着目标进入后续课程

参考资料

学习过程中有任何疑问，随时问我。祝你学有所获！🚀

变量与数据类型

2026-06-24T00:00:00+08:00

第一阶段：基础语法

## 第二课：变量与数据类型

程序本质上是在处理数据。这节课学习如何用变量存储数据，以及Python中最常用的几种数据类型。

一、理论知识

### 1.1 什么是变量？

变量就像一个贴了标签的盒子，用来存储数据。给变量赋值就是往盒子里放东西。

name = "小明" # 把字符串"小明"放入名为name的变量 age = 18 # 把整数18放入名为age的变量 height = 1.75 # 把浮点数1.75放入名为height的变量

### 1.2 Python的变量特点

动态类型：不需要提前声明类型，赋值时自动推断
强类型：一旦确定类型，不会自动转换（字符串不能直接和整数相加）
命名规则：只能包含字母、数字、下划线；不能以数字开头；区分大小写

### 1.3 五大基本数据类型

类型	关键字	示例	用途
整数	`int`	`42`, `-7`, `0`	计数、索引
浮点数	`float`	`3.14`, `-0.001`	带小数的数值
字符串	`str`	`"hello"`	文本内容
布尔值	`bool`	`True`, `False`	真假判断
空值	`NoneType`	`None`	表示"没有值"

### 1.4 查看数据类型

print(type(42)) # <class 'int' print(type("hello")) # <class 'str' print(type(3.14)) # <class 'float' print(type(True)) # <class 'bool'

### 1.5 类型转换

``` # 转换为整数 int("42") # 42 int(3.9) # 3（截断小数，不是四舍五入）

# 转换为浮点数 float(42) # 42.0

# 转换为字符串 str(42) # "42"

# 转换为布尔值 bool(0) # False bool(1) # True bool("") # False（空字符串为False） bool("hi") # True ```

⚠️ 常见错误

int("hello") 会报错！因为"hello"无法转换为整数。只有数字字符串才能转。

## 二、实操演示

### 2.1 变量交换

``` # 交换两个变量的值 a = 10 b = 20 print("交换前:", a, b) # 交换前: 10 20

a, b = b, a print("交换后:", a, b) # 交换后: 20 10 ```

### 2.2 字符串拼接与格式化

``` name = "小明" age = 18

# f-string（推荐） print(f"我叫{name}，今年{age}岁") # 输出: 我叫小明，今年18岁

# 也可以用 + 拼接（需要类型转换） print("我叫" + name + "，今年" + str(age) + "岁") ```

### 2.3 字符串的基本操作

text = "Hello, Python!" print(len(text)) # 14（字符串长度） print(text.upper()) # HELLO, PYTHON! print(text.lower()) # hello, python! print(text.split(",")) # ['Hello', ' Python!'] print(text[0]) # H（索引从0开始） print(text[7:13]) # Pytho（切片）

## 三、动手练习

练习 2.1：温度转换器简单

摄氏温度转华氏温度的公式：华氏 = 摄氏 × 9/5 + 32

编写一个脚本 temp_converter.py：

定义一个变量 celsius，赋值为 36.5
计算对应的华氏温度
用 f-string 输出："36.5摄氏度 = XX.X华氏度"

练习 2.2：购物清单简单

模拟一个简单的购物计算：

定义商品单价：price = 25.5
定义购买数量：quantity = 3
计算总价 total = price * quantity
输出："购买3件商品，单价25.5元，总计XX.X元"

练习 2.3：信息卡片中等

创建变量存储个人信息，然后输出一张格式化的信息卡：

``` name = "张三" age = 20 city = "北京" gpa = 3.85

# 输出格式如下： # ╔══════════════════╗ # ║ 个人信息 ║ # ╠══════════════════╣ # ║ 姓名：张三 ║ # ║ 年龄：20岁 ║ # ║ 城市：北京 ║ # ║ 绩点：3.85 ║ # ╚══════════════════╝ ```

练习 2.4：字符串侦探中等

给定字符串 s = "Python is awesome"，在交互模式中尝试：

获取字符串长度
提取第一个单词 "Python"
提取最后一个单词 "awesome"
将所有字母转为大写
将空格替换为连字符 -

提示：查阅术语表中的字符串方法。

## 四、本课要点

变量是存储数据的容器，赋值即用 =
五种基本类型：int、float、str、bool、None
用 type() 查看数据类型
用 int()、float()、str()、bool() 进行类型转换
f-string 是格式化字符串的最佳方式：f"值={variable}"
字符串索引从0开始，支持切片 s[start:end]

📚 推荐阅读

Python官方教程 - 速览 — 官方文档中的快速入门章节。

💡 学习建议

在交互模式中多尝试类型转换，看看哪些能成功、哪些会报错。理解"什么能转、什么不能转"比死记硬背更重要。

Hello Python — 你的第一个Python程序

2026-06-24T00:00:00+08:00

第一阶段：基础语法

第一课：Hello Python — 你的第一个Python程序

欢迎来到Python的世界！这节课我们将了解Python是什么、写出第一行代码。

一、理论知识

1.1 什么是Python？

Python是一种高级、解释型、通用编程语言，由Guido van Rossum于1991年发布。它的设计哲学强调代码可读性和简洁的语法。

为什么选择Python？

简单易学：语法接近自然语言，零基础也能快速上手
应用广泛：Web开发、数据分析、人工智能、自动化脚本、游戏开发……
生态丰富：拥有超过40万个第三方库（PyPI）
跨平台：Windows、macOS、Linux都能运行

1.2 Python如何工作？

Python是解释型语言。这意味着代码不是像C语言那样预先编译成机器码，而是由Python解释器逐行读取并执行。

# 工作流程：
你写的代码  →  Python解释器  →  计算机执行

1.3 两种运行方式

Python有两种主要使用方式：

方式	说明	适用场景
交互式（REPL）	逐行输入，立即看到结果	测试小段代码、学习探索
脚本模式	把代码写入 .py 文件，一次性运行	实际项目、复杂程序

1.4 print() 函数

print() 是Python最常用的内置函数，用于在屏幕上输出内容。

print("Hello, World!")
print("你好", "世界")
print(42)

Hello, World! 你好世界 42

二、实操演示

2.1 使用交互式Python

打开终端（命令提示符），输入 python（Windows）或 python3（macOS/Linux），进入交互模式：

$ python
Python 3.12.0
Type "help", "copyright", "credits" or "license" for more information.
>>> print("Hello, Python!")
Hello, Python!
>>> exit()

2.2 编写Python脚本

创建一个名为 hello.py 的文件，写入以下内容：

# hello.py - 我的第一个Python程序
print("Hello, World!")
print("我正在学习Python")
print("Python真有趣！")

在终端中运行：

$ python hello.py
Hello, World!
我正在学习Python
Python真有趣！

2.3 使用注释

# 后面的文字是注释，Python不会执行它们。注释用来解释代码的目的。

# 这是单行注释
print("注释不影响程序运行")

# 下面计算 2 的 10 次方
print(2 ** 10)  # 输出 1024

三、动手练习

练习 1.1：自我介绍简单

创建一个名为 intro.py 的文件，让它输出以下三行内容：

你的名字（可以用任意字符串代替）
一句话介绍你为什么学Python
一句鼓励自己的话

提示：每行用一个 print() 函数。

练习 1.2：数学计算器简单

在Python交互模式中，直接输入以下表达式，观察输出结果：

100 + 250
17 * 23
1000 / 7
2 ** 10
100 % 7

想一想：哪个运算符表示"取余数"？哪个表示"幂运算"？

练习 1.3：趣味输出中等

编写一个脚本 fun.py，输出如下图案：

^^ (o__o)\ () )_______ (( /\ ||--w | || ||

提示：每一行用单独的 print()。

四、本课要点

Python是解释型语言，代码由解释器逐行执行
有两种运行方式：交互式（REPL）和脚本模式（.py文件）
print() 用于输出内容到屏幕
# 开头的文字是注释，不会被执行
每个Python脚本保存为 .py 后缀的文件

📚 推荐阅读

Python官方教程 - 引言 — 官方文档的入门章节，权威且详细。

💡 学习建议

不要只是阅读代码，一定要亲手敲一遍！肌肉记忆对编程学习非常重要。如果练习中遇到问题，随时向AI助手提问。

结构筑基

2026-06-24T00:00:00+08:00

第3课：结构筑基 ——三六九框架，让结构不再乱

阶段基础重塑模型三六九框架实操占比 70%

📐 本课模型：三六九框架

口诀：三部分六要素九句话，考场作文不怕怕

三部分：开头 — 主体 — 结尾 六要素： ① 起——开头点题，吸引注意 ② 承——承接上文，展开叙述 ③ 转——转折变化，制造波澜 ④ 合——收束内容，回到主线 ⑤ 升——升华主题，深化感悟 ⑥ 应——呼应开头，余味悠长 九句话：开头2句 + 主体6句 + 结尾1句（这是保底框架，可根据内容扩展）

为什么结构这么重要？

结构是作文的"骨架"。骨架歪了，肉再好看也没用。中考阅卷老师看一篇作文平均只有1-2分钟，结构清晰的文章，老师扫一眼就能看出你的思路。

模型精讲

三部分，缺一不可

部分	字数建议	作用	常见问题
开头	≈100字（约1/9）	点题+吸引	绕圈子、不点题
主体	≈600-700字（约7/9）	展开+叙事	流水账、无重点
结尾	≈100字（约1/9）	升华+呼应	草草收尾、喊口号

六要素，层层递进

范文分析：《这三年》（2025北京）

起："三年前，我站在中学门口，忐忑又期待。三年后，我即将离开，才发现这三年给我的，远不止一张毕业证。"

承：写初一适应新环境的经历，交到第一个朋友……

转：初二成绩下滑，和父母吵架，第一次感受到挫败……

合：初三奋起直追，虽然最后成绩不是最好，但收获了坚韧……

升："我明白了，成长的本质不是变完美，而是学会接受不完美的自己。"

应："走出校门那刻，我回头看了一眼——谢谢你，这三年。"

实操指南：怎么用三六九框架

拿到题目后：先别着急写，先画三部分（开头/主体/结尾）
主体部分：按"起→承→转→合"四步安排内容，确保有"转"（有起伏）
结尾：先"升"（升华主题）再"应"（呼应开头），尽量不要只做一样
段落设计：5-7段最佳，不要超过7段，也不要少于4段

✍️ 当堂微写作（15分钟）

题目：《——让我成为更好的自己》

任务：用"三六九框架"列一份完整结构提纲。

格式要求：

我选的题目：_让我成为更好的自己 三部分： ——开头（100字，我打算写什么） ——主体（600字，分几个层次）起：承：转：合： ——结尾（100字，升什么+应什么）

互评要点：有没有"转"？结尾有没有"升"和"应"？

常见结构问题

② 三段式（开头+中间+结尾各一段）——段太少，像提纲不像文章
② 头重脚轻——开头写了200字还没进入正题
③ 有起没有转——平铺直叙，没有起伏
④ 结尾喊口号——"我们要努力学习报效祖国"——太空了

📖 推荐阅读

王鼎钧《作文七巧》第二章——"叙事"篇，看大师如何安排故事结构。

📝 本课匹配范文（3篇）

范文一：《当好自己故事的主角》（2024广东中考）——完美符合"三部分六要素九句话"框架。开头点题→起承转合→结尾升华呼应。 🔗 搜狐教育·2024广东满分作文
范文二：《定心丸·那一抹微笑》（2024河北中考）——"起"写紧张→"承"写经历→"转"写转折→"合"写感悟。六要素完整，段落层次清晰。 🔗 搜狐教育·2024河北满分作文
范文三：《我的成功密码》（2024河南中考）——倒叙开头→主体分层→结尾总结。板块式与总分式结合的典范。 🔗 搜狐教育·2024河南满分作文

📌 阅读任务：选1篇范文，用"三六九框架"标注它的起承转合升应在哪里，并画出结构图。

📚 分层作业

基础题（必做）：

找一篇中考一类文范文，用"三六九"框架分析它的结构，标注出起承转合升应在哪里

挑战题（选做）：

用三六九框架写一篇完整作文（600字以上），选题不限，但必须体现出"转"和"升"

立意升维

2026-06-24T00:00:00+08:00

第2课：立意升维 ——三阶立意法，让文章有深度

阶段基础重塑模型三阶立意法实操占比 75%

📐 本课模型：三阶立意法

口诀：先想大家怎么写，再想我该怎么写，最后想深一层怎么写

🥉 第一阶：人云亦云（常规立意）

大多数人想到的角度。不是不能用，但太平淡，得不了高分。

🥈 第二阶：独特体验（个性立意）

结合自己的真实经历、独特感受，写出"只有我能写"的内容。

🥇 第三阶：哲理感悟（深刻立意）

从具体事件中提炼出普遍的人生哲理，让读者有共鸣、有启发。

什么是"立意"？

简单说就是——你这篇文章到底想说什么。

审题决定了"写什么"，立意决定了"写到什么深度"。同样的题目，不同的立意，得分天差地别。

模型精讲：三步升维

演示：以《回家》为例（2024深圳）

🥉 第一阶：常规立意

"放假了，我坐车回家，见到爸妈很开心。"

问题：太普通，谁都能写，没有亮点。

🥈 第二阶：独特体验

"我爸妈在外地打工，一年才回一次老家。那趟绿皮火车，从起点到终点，跨越大半个中国。车窗外的风景从高楼变农田，我的心从兴奋变复杂——那里有爷爷奶奶，但也有我不熟悉的乡土。"

亮点：有真实背景，"跨越大半个中国"是独特的个人经历。

🥇 第三阶：哲理感悟

"以前觉得回家就是回一个房子。直到那次，我回到老屋，推开吱呀作响的木门，看见奶奶在灶台前烧火的身影。那一刻我突然明白——家不只是地理坐标，更是有人在等你。真正的回家，是回到有人爱你的地方。"

亮点：从小事中提炼出"家是有爱你的人在的地方"这个普遍哲理。

立意避"俗"指南

容易俗套的立意	怎么避开
母爱=妈妈送伞/半夜盖被子	选一个妈妈"不够完美"的真实瞬间——她也许不会说漂亮话，但她有自己笨拙的表达方式
坚持=考砸了重新努力	选一件小事：学自行车摔了又摔、练字写到手指起茧——具体的细节比笼统的"努力"动人
成长=从不懂事到懂事	选一个具体的"瞬间"：比如看到爸爸的白发、第一次独自处理一件事
友谊=好朋友帮我补课	选一个"冲突"时刻：吵架后的和解、默默陪伴的一个下午

✍️ 当堂微写作（15分钟）

题目：以"我的老师"为主题，用三阶法写出三个立意方向。

格式：

🥉 第一阶：（我猜大多数人会写……） 🥈 第二阶：（我的独特体验是……） 🥇 第三阶：（从这件事中，我感悟到……）

完成后小组交流：谁的第三阶最打动人？为什么？

📖 推荐阅读

夏丏尊、叶圣陶《文心》——看两位大师如何从日常小事中提炼深意。

📝 本课匹配范文（3篇）

范文一：《原来，我只想陪你一直到老》——知乎满分作文。从"外婆为我梳头"的小事提炼出"陪伴是深情的告白"的哲理，第三阶立意典范。 🔗 知乎·中考满分作文（三十）
范文二：《回家的味道》（2024深圳中考变式）——避开"回家很开心"的浅层表达，挖掘"家是有爱你的人在的地方"的深层立意。 🔗 搜狐教育·2024满分作文
范文三：《从挫折出发》（2023成都中考）——三阶层次清晰：常规→独特→哲理。适合逐阶分析。 🔗 中考网·满分作文专区

📌 阅读任务：选出1篇范文，用三阶法标注它的三个立意层级，并写出你的升维方案。

📚 分层作业

基础题（必做）：

把你之前写的一篇作文拿出来，重新做一次"立意升维"——把原来的立意改写为更高一阶

挑战题（选做）：

用第三阶（哲理感悟）的立意，重新写一个200字以上的段落

Python安装与环境搭建

2026-06-24T00:00:00+08:00

预备课：Python安装与环境搭建

在开始写代码之前，我们需要先准备好Python的运行环境。这节课会手把手带你完成安装和配置。

一、检查是否已安装

Windows

按 Win + R，输入 cmd 打开命令提示符，然后输入：

python --version

如果显示 Python 3.x.x，说明已安装。如果显示"不是内部或外部命令"，则需要安装。

macOS

打开"终端"（Spotlight搜索"Terminal"），输入：

python3 --version

macOS通常自带Python 2.7（已废弃），我们需要安装Python 3。

Linux

python3 --version

二、Windows 安装Python

步骤1：下载安装包

打开浏览器，访问 Python 官网：

https://www.python.org/downloads/windows/

点击页面中央的大按钮 "Download Python 3.x.x"（最新版）。

步骤2：运行安装程序

双击下载的 python-3.x.x-amd64.exe
务必勾选 ✅ Add Python to PATH（这一步非常重要！）
点击 "Install Now"

⚠️ 重要提醒

安装时如果不勾选 "Add Python to PATH"，后续很多操作都会出问题。如果忘了勾选，需要卸载后重新安装。

步骤3：验证安装

关闭之前的命令提示符，重新打开一个新的，输入：

python --version

Python 3.12.x

看到版本号就说明安装成功了！

步骤4：验证 pip

pip 是Python的包管理工具，用来安装第三方库：

pip --version

pip 24.x.x from ... (python 3.12)

三、macOS 安装Python

方法1：用 Homebrew（推荐）

如果你已经安装了Homebrew（macOS最常用的包管理器）：

brew install python3

方法2：从官网下载

访问 python.org/downloads/mac-osx/
下载 macOS 安装包
双击安装，按提示操作

验证安装

python3 --version
pip3 --version

四、Linux 安装Python

Ubuntu/Debian

sudo apt update
sudo apt install python3 python3-pip python3-venv

CentOS/RHEL

sudo yum install python3 python3-pip

验证安装

python3 --version
pip3 --version

五、选择代码编辑器

安装好Python后，你需要一个写代码的工具。推荐以下两种：

VS Code（强烈推荐）

微软出品，免费、轻量、功能强大，支持Python智能提示和调试。

下载：code.visualstudio.com
安装后，点击左侧扩展图标（方块图标）
搜索 "Python"，安装 Microsoft 官方的 Python 扩展

PyCharm（备选）

JetBrains出品，专业的Python IDE，功能更全面但较重。

下载：jetbrains.com/pycharm
免费版（Community）足够初学者使用

六、虚拟环境（重要概念）

虚拟环境让你可以为每个项目创建独立的Python环境，避免不同项目的依赖冲突。

创建虚拟环境

# Windows
python -m venv myproject_env

# macOS / Linux
python3 -m venv myproject_env

激活虚拟环境

# Windows（CMD）
myproject_env\Scripts\activate

# Windows（PowerShell）
myproject_env\Scripts\Activate.ps1

# macOS / Linux
source myproject_env/bin/activate

激活成功后，命令行前面会出现 (myproject_env) 标记。

退出虚拟环境

deactivate

七、第一次运行Python

方法1：交互式模式（REPL）

在终端中输入 python（Windows）或 python3（macOS/Linux）：

$ python
>>> print("Hello, Python!")
Hello, Python!
>>> exit()

方法2：用VS Code运行

打开VS Code
文件 → 新建文件 → 保存为 hello.py
输入：print("Hello, World!")
右键 → "Run Python File in Terminal"

八、动手练习

练习 0.1：验证安装简单

在终端中依次输入以下命令，确认都能正常运行：

python --version 或 python3 --version
pip --version 或 pip3 --version
进入交互模式，计算 2 ** 10
退出交互模式

练习 0.2：创建虚拟环境简单

在你的项目目录下创建一个名为 python_course 的虚拟环境，并激活它。

验证：激活后，命令行提示符前面应该显示 (python_course)。

练习 0.3：安装第一个第三方库简单

在激活的虚拟环境中，安装 requests 库：

pip install requests

然后在Python交互模式中验证：

>>> import requests
>>> requests.__version__

九、本课要点

Windows安装时务必勾选 "Add Python to PATH"
macOS使用 python3 和 pip3
推荐安装 VS Code + Python 扩展作为开发环境
虚拟环境是每个Python项目的标配
REPL（交互式模式）是学习和测试代码的好工具

💡 常见问题排查

"python不是内部命令"：没有勾选PATH，重新安装
pip装不上：尝试 python -m pip install xxx
VS Code不识别Python：检查是否安装了Python扩展

审题定向

2026-06-24T00:00:00+08:00

第1课：审题定向 ——三圈审题法，从此不跑题

阶段基础重塑模型三圈审题法实操占比 70%

📐 本课模型：三圈审题法

口诀：一审关键词，二审限制词，三审言外意

第一圈 · 圈关键词 —— 题目中最重要的实词（名词/动词/形容词） 第二圈 · 圈限制词 —— 限定范围、程度、时间、对象等（最/也/第一次/渐渐） 第三圈 · 圈深层意 —— 题目的比喻义、象征义、引申义（"山"可能指困难/"光"可能指希望）

为什么审题是第一关？

中考阅卷，第一眼看的不是字好不好看，而是——这篇文章有没有跑题。一旦跑题，内容分直接掉到三类（0-11分），就算语言再美也白搭。

审题花5分钟，是考场最划算的"投资"。

模型精讲：三圈审题法

第一圈：圈关键词

把题目中的名词、动词、形容词圈出来。这些是题目的"骨架"。

例题：《为自己竖起大拇指》

自己竖起大拇指

→ "竖起大拇指"是比喻，不是真的竖手指，意思是为自己感到骄傲/自豪。

第二圈：圈限制词

把"最""也""第一次""又"这类限制性词语圈出来。它们决定了写作的边界。

例题：《我也是个取水人》（2024上海）

我取水人也

→ "也"字是关键限制！暗示别人可以是"取水人"，我同样是。你不能只写"取水人"，必须写出"我也如此"这个对比认同的意味。

第三圈：圈深层意

很多题目有弦外之音。"山"可能不是山，"光"可能不是光。

例题：《心中的那座山》（2025重庆）

关键词：心中山

→ "山"在这里不是真的山，而是困难、目标、父亲、信念等深层含义。选什么来当"山"，决定了你的立意高度。

✍️ 当堂微写作（15分钟）

用"三圈审题法"给下面3个题目做审题笔记：

《——让生活更美好》（2024杭州）
《从——出发》（2023成都）
《这三年》（2025北京）

格式要求：题目：XXX 🔵 第一圈（关键词）： 🔴 第二圈（限制词）： 🟢 第三圈（深层意）：我的初步立意方向：

完成后同桌互评：有没有漏圈？深层意有没有挖到位？

常见审题"坑"

偷换概念：题目写"成长"，你写"成功"——偏了
忽略"最"字：题目《最难忘的一天》，你写了"难忘的一天"——丢了"最"
忽略"也"字：《这也是课堂》，"也"暗示不是传统课堂，要有错位感
只看字面：《门其实开着》——"门"是比喻，不是真的门

📖 推荐阅读

王鼎钧《作文七巧》第一章——看大师如何解读"题眼"。

📝 本课匹配范文（3篇）

范文一：《为自己竖起大拇指》（2025广州中考）——三圈审题法"深层意"环节的绝佳示范。"竖起大拇指"的比喻义被精准扣住。 🔗 搜狐教育·2024各地满分作文合集
范文二：《我也是个取水人》（2024上海中考）——分析"也"字限制词的最佳范本。精准理解"也"的对比认同意味。 🔗 同上合集·上海卷
范文三：《这三年》（2025北京中考）——"这三年"限定时间范围，范文用起承转合分配内容，审清时间限制的典范。 🔗 作文网·中考满分作文大全

📌 阅读任务：每篇范文用"三圈审题法"做一次审题分析，圈出关键词/限制词/深层意。

📚 分层作业

基础题（必做）：

找近3年5个中考作文题，用"三圈审题法"做审题笔录（写在作文病历本上）

挑战题（选做）：

从其中一题出发，用200字写出作文的开头——确保开头就扣题

💡 有任何疑问，随时问你的AI老师！