这次我们不聊某个开源模型也不聊 ComfyUI 工作流而是整理一份“文科生暑期实习 AI 学习成果”的落地清单。最近部门来了两位暑期实习生一个中文系一个新闻系基本没有编程基础。两周时间她们把日常的会议纪要、日报汇总、竞品分析、资料检索全部跑到了 AI 工作流里效率提升非常明显。如果你也是文科背景或者你团队里有非技术同事想学 AI这篇文章可以直接作为一份入门地图来用。先给结论文科生学 AI不需要先从 Python、算法、模型训练开始。真正能在实习里产生效果的是一套“大模型对话 提示词工程 知识库 低代码 Agent 办公自动化”的组合使用方式。这篇文章会把她们实际走过的最短路径拆成六步先学什么、用什么工具、怎么设计提示词、怎么搭知识库、怎么验证效果、怎么避开常见坑。所有命令和代码都是通用模板具体工具和接口以你实际使用的平台文档为准。1. 核心能力速览能力项说明项目类型文科生 AI 应用实操不是模型训练类项目主要交付物提示词库、知识库问答、低代码 Agent、批量文档处理流程所需背景不需要编程经验需要会写结构化文档核心学习内容提示词设计、上下文管理、拆任务、结果验证常用工具类型在线大模型平台、知识库工具、低代码 Agent 平台、RPA 工具是否支持批量任务支持典型场景是批量摘要、批量关键词提取、批量表格清洗是否支持 API大模型平台一般提供 API可用于小程序或内部系统接入硬件门槛在线工具几乎无门槛本地部署模型需要独立显卡具体依赖需按模型测试适合场景实习期文档处理、调研、内容生产、数据整理、会议记录这里有一个重要提醒文科背景学 AI重点不要放在“看懂模型结构”而要放在“定义清楚问题、组织好输入、评价输出质量”。这和写文章很像——AI 是一个极其听话的实习生问题是你能不能把需求说清楚。2. 适用场景与使用边界2.1 适合谁学非计算机专业、没有脚本基础但需要高频处理文字的岗位。运营、市场、新闻、行政、法务、咨询方向的实习生。需要在短时间内完成大量资料整理、摘要、改写、翻译、格式转换的同学。想把微信文章、PDF、Excel、网页内容统一变成结构化数据的同学。2.2 能解决什么问题例会录音转文字后用 AI 自动生成待办事项。竞品公众号文章批量读取自动总结定位、文案风格、更新频率。多份简历按“学历、实习经历、技能关键词”拆成同构表格。大量网络资料快速整理成带引用来源的调研报告提纲。把口语化表达改写为公文、公众号、邮件等不同文风。2.3 不适合什么场景对数字精确度要求极高的财务对账不要直接让 AI 计算。需要承担法律责任的合同条款修改AI 只能做初稿参考不能代替审核。涉及个人隐私、未公开数据、公司敏感信息的内容不建议直接粘贴到第三方在线工具。需要实时获取最新数据时要注意大模型内置知识的截止日期优先使用联网检索或官方接口。2.4 使用边界涉及人脸、声音、个人肖像、版权素材等任何 AI 生成内容必须先确认来源和授权再进行二次创作或对外发布。文章、图片、视频生成都可能涉及版权与肖像权团队内部使用和公开传播是两回事。数据脱敏、授权确认、结果复核这三步任何情况下都不能省。3. 环境与学习路径准备文科生学 AI不需要一开始就装 Python 和 CUDA。建议按“在线工具优先本地工具补齐”的顺序来做。3.1 最低学习环境一台能正常访问网页的电脑建议 8GB 内存以上。一个在线大模型账号优先选择支持联网检索和文件上传的平台。一个云文档账号用于保存提示词和输出结果。一个免费的思维导图或流程图工具用于拆解任务流程。3.2 进阶环境如果希望把 AI 能力接入自己的数据处理流程可以学习 Python 的基础语法。不需要学完整本教材只需要掌握requests库发送 HTTP 请求调用大模型 API。pandas读取和清洗 Excel / CSV。os和glob遍历文件夹实现批量文本处理。简单的异常处理让批量任务不会因为单条失败中断。安装 Python 后建议创建一个独立虚拟环境避免不同项目依赖冲突。# 创建虚拟环境示例项目目录按实际情况修改 python -m venv ai_workspace cd ai_workspace source bin/activate # Windows 下执行 Scripts\activate pip install requests pandas openpyxl3.3 资料准备实习场景下最好准备三类素材目录inputs/ # 原始素材pdf、docx、txt、xlsx、md prompts/ # 提示词模板按场景分类存放 outputs/ # AI 生成结果按日期和任务命名目录结构看起来简单但能让批量任务和结果复盘清晰很多。4. 从零上手先掌握提示词工程4.1 提示词的基本结构文科生最容易犯的错误是只给一个模糊指令比如“帮我总结一下”。正确做法是把角色、任务、上下文、格式、约束写清楚。推荐的通用模板【角色】你是擅长XX领域的内容编辑。 【任务】根据下面提供的原文完成XX工作。 【上下文】 粘贴原文或关键信息 【输出格式】 1. 用列表输出结果 2. 每条结果包含标题、核心观点、原文依据 3. 总字数控制在500字以内 【约束】 - 不要输出原文之外的推测 - 如果原文信息不足请直接说明“信息不足”这个模板看起来简单但在实际的实习生工作中非常管用。它把模糊指令变成了结构化需求。4.2 场景示例竞品公众号分析实习常见任务是把某个账号下最近 10 篇文章整理成一份分析表。先让 AI 联网搜索或导入文章内容再执行批量提取请分析下面10篇公众号文章输出一个表格。 表格列 - 文章标题 - 发布时间 - 核心观点 - 目标人群 - 内容形式图文/视频/活动 - 每段小标题结构 要求 1. 引用原文中的关键词不要凭空概括 2. 如果某篇文章无法访问标记为“无法解析” 3. 最终按时间从新到旧排列这一步做下来实习生就掌握了一个关键能力把重复劳动改成批量化提问。4.3 场景示例会议纪要待办提取把会议录音转文字然后让 AI 提取待办项你是一个项目助理。下面是本次会议的文字记录。 请提取 1. 决策事项 2. 待办任务 3. 每项任务的负责人 4. 截止时间 5. 风险点 输出格式 | 待办任务 | 负责人 | 截止时间 | 风险点 | |---|---|---|---| 如果原文没有提到负责人写“暂未指定”。这种处理方式可以直接粘贴到飞书文档、钉钉文档或在线表格里团队协作效率提升非常明显。4.4 提示词的迭代思路最开始写的提示词可能效果不好这是正常的。迭代方法很简单看输出哪里不对。把不对的地方变成新的约束。重新生成。保存最终可用的提示词到prompts/目录。每一版提示词都建议保存因为后续构建知识库和 Agent 时这些提示词就是核心资产。5. 进阶实操用知识库让 AI 回答“自家资料”5.1 为什么文科生需要知识库只靠大模型的通用知识回答不了公司内部项目的细节。把内部文档、竞品报告、历史推文交给知识库工具AI 就能基于这些资料回答问题而不是瞎编。这一阶段可以用现成的低代码知识库平台也可以自己通过 Python 调 API 实现简化版。5.2 通用知识库工作流程知识库的本质是把文档拆成小段存成向量再在问答时做相似度检索最后把检索结果拼进提示词让大模型回答。简化的流程如下文档加载 - 文本切片 - 向量化 - 存入向量库 用户提问 - 语义检索 - 拼装上下文 - 大模型生成回答如果使用现成平台通常只需要上传文档、创建知识库、挂到机器人上三步。5.3 Python 本地抽样式实现如果实习内容涉及敏感数据不方便上传第三方平台可以用本地方式做一个非常基础的资料问答。下面是一个通用代码思路需要根据你实际使用的模型接口和向量库自行调整import os import requests # 读取文档目录下的纯文本文件 def load_texts(input_dir: str): texts [] for filename in os.listdir(input_dir): if filename.endswith(.txt): path os.path.join(input_dir, filename) with open(path, r, encodingutf-8) as f: texts.append(f.read()) return texts # 组装带上下文的提示词调大模型接口 def ask_model(question: str, context: str, api_key: str, api_url: str): payload { messages: [ {role: system, content: 请基于给定资料回答资料中没有的信息不要编造。}, {role: user, content: f资料\n{context}\n\n问题{question}} ] } headers {Authorization: fBearer {api_key}} response requests.post(api_url, jsonpayload, headersheaders, timeout120) response.raise_for_status() result response.json() return result[choices][0][message][content] if __name__ __main__: docs load_texts(./inputs) # 简化处理把全部文本拼到上下文里只适合小规模测试 context \n\n.join(docs[:3]) answer ask_model(这份内部资料里提到的主要目标是什么, context, your-api-key, https://api.example.com/v1/chat/completions) print(answer)这段代码只做演示真实项目要加向量检索、切片、重排和日志。文科生不需要死磕代码重点是理解“检索 拼接上下文 限定回答范围”这句话。5.4 知识库的输出验证知识库问答上线后建议准备 20 到 30 条测试问题覆盖原文中直接有答案的问题。需要跨文档才能回答的问题。资料里没有答案的问题。容易混淆概念的问题。只有“资料中没有答案的问题”能被 AI 明确拒绝回答知识库才算是合格否则就是一本正经地胡说。6. 批量任务让 AI 处理多份文件实习阶段经常会遇到“把 50 份日报合并成一份周报”“把 30 篇推文提取关键词”这类批量任务。手写一小时AI 可能几轮就处理完。6.1 批量处理的基本策略批量任务不要一次性把所有内容都塞给模型。更稳妥的方法是循环处理每个文件单条结果追加到一个汇总表格中。import csv import requests API_URL https://api.example.com/v1/chat/completions API_KEY your-api-key def summarize_text(text: str) - str: payload { model: your-model-name, messages: [ {role: user, content: f请用三句话概括下面内容\n\n{text}} ] } headers {Authorization: fBearer {API_KEY}} r requests.post(API_URL, jsonpayload, headersheaders, timeout120) r.raise_for_status() return r.json()[choices][0][message][content] files [report_01.txt, report_02.txt, report_03.txt] with open(output_summary.csv, w, encodingutf-8, newline) as f: writer csv.writer(f) writer.writerow([文件名, 摘要]) for name in files: try: with open(name, r, encodingutf-8) as fp: content fp.read() summary summarize_text(content) writer.writerow([name, summary]) print(f完成: {name}) except Exception as e: writer.writerow([name, f失败: {e}]) print(f失败: {name} - {e})6.2 批量任务的工程注意点每次调用之间加一点延时避免触发接口限流。每条结果写带“失败原因”的日志不要静默跳过。输入文件按序号命名方便定位出错位置。大批量任务拆成小批次执行每 10 条检查一次输出质量。对接口返回内容做长度校验防止空结果进入汇总表。6.3 批量任务的典型失败某一条网络请求超时导致循环中断。某个 PDF 文本提取失败导致空内容喂给模型。模型输出太长超出表格单元格限制。CSV 编码不对用 Excel 打开乱码。处理方式都不复杂但必须在实操中提前设计好而不是等数据丢了再补救。7. 接口 API 与工具集成文科生不需要像后端工程师一样写出完整服务但理解 API 调用的逻辑是衔接产品、运营与研发的关键。7.1 接口调用的最小套路大模型平台一般提供 HTTP 接口常用参数包括model选择模型版本。messages对话消息列表。temperature控制随机性数值越高越发散。max_tokens限制生成长度。stream是否流式返回。下面是通用的请求模板需要按实际平台文档替换 URL 和参数curl -X POST https://api.example.com/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: your-model-name, messages: [ {role: system, content: 你是一个文档助理。}, {role: user, content: 请把下面这段文字改写成正式邮件……} ], temperature: 0.3, max_tokens: 800 }7.2 把接口接到自己脚本里对内网文档、表格数据做处理时不一定要用现成聊天界面。通过 Python 直接调接口可以更精准地控制输入输出并自动保存结果。import requests def chat_once(prompt: str, api_key: str, api_url: str): response requests.post( api_url, headers{Authorization: fBearer {api_key}}, json{ model: your-model-name, messages: [{role: user, content: prompt}], temperature: 0.2 }, timeout120 ) response.raise_for_status() return response.json()[choices][0][message][content] result chat_once(请用三句话介绍这篇文章……, your-api-key, https://api.example.com/v1/chat/completions) print(result)7.3 接口接入的合规提醒不要把密钥提交到代码仓库。不要在日志中打印完整请求体尤其不要打印 API Key。涉及用户隐私的数据优先使用私有化部署或已签署数据处理协议的合规服务。对外提供接口服务时要加访问限制不要开放到公网。8. 效果观察与质量检查8.1 判断 AI 输出的质量建议用四个维度打分维度检查点相关性输出是否回答了用户的问题还是自说自话准确性是否与原文一致有没有编造数据完整性是否遗漏了必要字段规范性格式是否满足交付要求能否直接粘贴到报告或表格8.2 防止 AI 幻觉的几种做法提示词里明确“没有信息时直接说明”。要求回答附带原文依据比如“引用第 X 段原句”。重要数据必须回原文核对。让 AI 自行判断“信息不足”再决定是否继续生成。8.3 跟踪学习效果暑期实习最后复盘时不需要交源码而是交付一套“过程资产”。建议整理成目录实习成果/ ├── prompts/ │ ├── 会议纪要待办.md │ ├── 竞品分析.md │ └── 文章改写.md ├── knowledge_base/ │ └── 测试问题集.xlsx ├── scripts/ │ ├── batch_summary.py │ └── excel_clean.py ├── outputs/ │ ├── 周报汇总_0715.xlsx │ └── 竞品报告_v2.md └── 学习复盘.md这套资产比单纯写实习总结更有说服力可以直接放在作品集或面试材料里。9. 常见问题与排查方法问题现象可能原因排查方式解决方案AI 回答明显在编造提示词没有限定范围对比原文检查增加“只基于给定资料回答”批量任务中途卡住接口超时或限流查看请求日志增加延时和重试机制知识库检索不到准确内容文本切片不合理检查切分长度调整切片大小并增加重叠打开 CSV 乱码编码用了 UTF-8 但 Excel 默认不同用文本编辑器查看改为 UTF-8 with BOM 或直接存 xlsxAPI 返回 401密钥错误或过期检查请求头重新生成 Key提示词效果不稳定每次输出随机性太高对比多次生成结果降低 temperature固定输出格式文件上传后内容无法解析PDF 是扫描件转成可检索文本先做 OCR 再做向量化实习生不知道下一步做什么任务拆解不清晰检查需求说明把大任务拆成可验证的小步骤这类问题在实际实习场景中非常常见。关键不是背住每一条而是养成“先看日志、再看输入、最后调整提示词或参数”的排查顺序。10. 最佳实践与合规建议10.1 实习生学 AI 的优先级第一优先级把提示词写清楚能用结构化模板完成日常任务。第二优先级把重复任务批量处理用脚本或低代码平台减少人工复制。第三优先级把团队内部资料变成知识库让 AI 回答基于事实。第四优先级理解 API 和权限边界为后续和工程师协同打基础。10.2 工程化习惯每天新建一个输出的日期目录。每条 AI 生成结果都保存提示词和原始输入方便追溯。对重要任务准备 3 个示例样本定期检查输出格式。批量任务脚本必须加异常捕获不能跑一半就悄无声息地停掉。10.3 合规红线未经授权不使用真实人物的肖像、声音生成内容。不把公司内部资料随意上传到公共 AI 工具。对外发布的 AI 生成内容必须标注“AI 辅助生成”或经过人工审核。不利用 AI 生成虚假信息、恶意内容或绕过平台规则。涉及版权材料时先确认授权范围再进行转载、改写或二次创作。11. 总结与后续路径这次暑期实习的 AI 学习成果说明了一个很直接的现象文科背景完全不阻碍使用 AI 完成高质量工作。真正拉开差距的是会不会把任务结构化、会不会验证结果、能不能持续沉淀提示词和流程。如果实习生接下来想继续深入可以优先走这三个方向多做提示词工程把自己的提示词整理成团队可复用的模板。尝试低代码 Agent 平台把“搜索资料 - 写摘要 - 生成周报”串成自动流程。学习把 AI 接口接入现有系统比如自动回填表格、自动生成日报通知。建议从一个小场景开始练例如“每周五自动汇总本周日报并生成周报”。跑通一个小闭环之后再逐步扩大任务范围。对文科实习生来说最重要的不是掌握多少模型细节而是形成“用 AI 拆解重复劳动”的思维方式。这套方法可以复制到几乎所有文字处理岗位。收藏这篇文章下次带实习生或者自己入坑 AI 应用时可以直接按章节来操作。从提示词模板开始到批量脚本再到知识库和 Agent每一步都能产出看得见的成果也更容易在实习总结中写出实际价值。
文科生AI实操指南：从提示词工程到知识库的落地清单
这次我们不聊某个开源模型也不聊 ComfyUI 工作流而是整理一份“文科生暑期实习 AI 学习成果”的落地清单。最近部门来了两位暑期实习生一个中文系一个新闻系基本没有编程基础。两周时间她们把日常的会议纪要、日报汇总、竞品分析、资料检索全部跑到了 AI 工作流里效率提升非常明显。如果你也是文科背景或者你团队里有非技术同事想学 AI这篇文章可以直接作为一份入门地图来用。先给结论文科生学 AI不需要先从 Python、算法、模型训练开始。真正能在实习里产生效果的是一套“大模型对话 提示词工程 知识库 低代码 Agent 办公自动化”的组合使用方式。这篇文章会把她们实际走过的最短路径拆成六步先学什么、用什么工具、怎么设计提示词、怎么搭知识库、怎么验证效果、怎么避开常见坑。所有命令和代码都是通用模板具体工具和接口以你实际使用的平台文档为准。1. 核心能力速览能力项说明项目类型文科生 AI 应用实操不是模型训练类项目主要交付物提示词库、知识库问答、低代码 Agent、批量文档处理流程所需背景不需要编程经验需要会写结构化文档核心学习内容提示词设计、上下文管理、拆任务、结果验证常用工具类型在线大模型平台、知识库工具、低代码 Agent 平台、RPA 工具是否支持批量任务支持典型场景是批量摘要、批量关键词提取、批量表格清洗是否支持 API大模型平台一般提供 API可用于小程序或内部系统接入硬件门槛在线工具几乎无门槛本地部署模型需要独立显卡具体依赖需按模型测试适合场景实习期文档处理、调研、内容生产、数据整理、会议记录这里有一个重要提醒文科背景学 AI重点不要放在“看懂模型结构”而要放在“定义清楚问题、组织好输入、评价输出质量”。这和写文章很像——AI 是一个极其听话的实习生问题是你能不能把需求说清楚。2. 适用场景与使用边界2.1 适合谁学非计算机专业、没有脚本基础但需要高频处理文字的岗位。运营、市场、新闻、行政、法务、咨询方向的实习生。需要在短时间内完成大量资料整理、摘要、改写、翻译、格式转换的同学。想把微信文章、PDF、Excel、网页内容统一变成结构化数据的同学。2.2 能解决什么问题例会录音转文字后用 AI 自动生成待办事项。竞品公众号文章批量读取自动总结定位、文案风格、更新频率。多份简历按“学历、实习经历、技能关键词”拆成同构表格。大量网络资料快速整理成带引用来源的调研报告提纲。把口语化表达改写为公文、公众号、邮件等不同文风。2.3 不适合什么场景对数字精确度要求极高的财务对账不要直接让 AI 计算。需要承担法律责任的合同条款修改AI 只能做初稿参考不能代替审核。涉及个人隐私、未公开数据、公司敏感信息的内容不建议直接粘贴到第三方在线工具。需要实时获取最新数据时要注意大模型内置知识的截止日期优先使用联网检索或官方接口。2.4 使用边界涉及人脸、声音、个人肖像、版权素材等任何 AI 生成内容必须先确认来源和授权再进行二次创作或对外发布。文章、图片、视频生成都可能涉及版权与肖像权团队内部使用和公开传播是两回事。数据脱敏、授权确认、结果复核这三步任何情况下都不能省。3. 环境与学习路径准备文科生学 AI不需要一开始就装 Python 和 CUDA。建议按“在线工具优先本地工具补齐”的顺序来做。3.1 最低学习环境一台能正常访问网页的电脑建议 8GB 内存以上。一个在线大模型账号优先选择支持联网检索和文件上传的平台。一个云文档账号用于保存提示词和输出结果。一个免费的思维导图或流程图工具用于拆解任务流程。3.2 进阶环境如果希望把 AI 能力接入自己的数据处理流程可以学习 Python 的基础语法。不需要学完整本教材只需要掌握requests库发送 HTTP 请求调用大模型 API。pandas读取和清洗 Excel / CSV。os和glob遍历文件夹实现批量文本处理。简单的异常处理让批量任务不会因为单条失败中断。安装 Python 后建议创建一个独立虚拟环境避免不同项目依赖冲突。# 创建虚拟环境示例项目目录按实际情况修改 python -m venv ai_workspace cd ai_workspace source bin/activate # Windows 下执行 Scripts\activate pip install requests pandas openpyxl3.3 资料准备实习场景下最好准备三类素材目录inputs/ # 原始素材pdf、docx、txt、xlsx、md prompts/ # 提示词模板按场景分类存放 outputs/ # AI 生成结果按日期和任务命名目录结构看起来简单但能让批量任务和结果复盘清晰很多。4. 从零上手先掌握提示词工程4.1 提示词的基本结构文科生最容易犯的错误是只给一个模糊指令比如“帮我总结一下”。正确做法是把角色、任务、上下文、格式、约束写清楚。推荐的通用模板【角色】你是擅长XX领域的内容编辑。 【任务】根据下面提供的原文完成XX工作。 【上下文】 粘贴原文或关键信息 【输出格式】 1. 用列表输出结果 2. 每条结果包含标题、核心观点、原文依据 3. 总字数控制在500字以内 【约束】 - 不要输出原文之外的推测 - 如果原文信息不足请直接说明“信息不足”这个模板看起来简单但在实际的实习生工作中非常管用。它把模糊指令变成了结构化需求。4.2 场景示例竞品公众号分析实习常见任务是把某个账号下最近 10 篇文章整理成一份分析表。先让 AI 联网搜索或导入文章内容再执行批量提取请分析下面10篇公众号文章输出一个表格。 表格列 - 文章标题 - 发布时间 - 核心观点 - 目标人群 - 内容形式图文/视频/活动 - 每段小标题结构 要求 1. 引用原文中的关键词不要凭空概括 2. 如果某篇文章无法访问标记为“无法解析” 3. 最终按时间从新到旧排列这一步做下来实习生就掌握了一个关键能力把重复劳动改成批量化提问。4.3 场景示例会议纪要待办提取把会议录音转文字然后让 AI 提取待办项你是一个项目助理。下面是本次会议的文字记录。 请提取 1. 决策事项 2. 待办任务 3. 每项任务的负责人 4. 截止时间 5. 风险点 输出格式 | 待办任务 | 负责人 | 截止时间 | 风险点 | |---|---|---|---| 如果原文没有提到负责人写“暂未指定”。这种处理方式可以直接粘贴到飞书文档、钉钉文档或在线表格里团队协作效率提升非常明显。4.4 提示词的迭代思路最开始写的提示词可能效果不好这是正常的。迭代方法很简单看输出哪里不对。把不对的地方变成新的约束。重新生成。保存最终可用的提示词到prompts/目录。每一版提示词都建议保存因为后续构建知识库和 Agent 时这些提示词就是核心资产。5. 进阶实操用知识库让 AI 回答“自家资料”5.1 为什么文科生需要知识库只靠大模型的通用知识回答不了公司内部项目的细节。把内部文档、竞品报告、历史推文交给知识库工具AI 就能基于这些资料回答问题而不是瞎编。这一阶段可以用现成的低代码知识库平台也可以自己通过 Python 调 API 实现简化版。5.2 通用知识库工作流程知识库的本质是把文档拆成小段存成向量再在问答时做相似度检索最后把检索结果拼进提示词让大模型回答。简化的流程如下文档加载 - 文本切片 - 向量化 - 存入向量库 用户提问 - 语义检索 - 拼装上下文 - 大模型生成回答如果使用现成平台通常只需要上传文档、创建知识库、挂到机器人上三步。5.3 Python 本地抽样式实现如果实习内容涉及敏感数据不方便上传第三方平台可以用本地方式做一个非常基础的资料问答。下面是一个通用代码思路需要根据你实际使用的模型接口和向量库自行调整import os import requests # 读取文档目录下的纯文本文件 def load_texts(input_dir: str): texts [] for filename in os.listdir(input_dir): if filename.endswith(.txt): path os.path.join(input_dir, filename) with open(path, r, encodingutf-8) as f: texts.append(f.read()) return texts # 组装带上下文的提示词调大模型接口 def ask_model(question: str, context: str, api_key: str, api_url: str): payload { messages: [ {role: system, content: 请基于给定资料回答资料中没有的信息不要编造。}, {role: user, content: f资料\n{context}\n\n问题{question}} ] } headers {Authorization: fBearer {api_key}} response requests.post(api_url, jsonpayload, headersheaders, timeout120) response.raise_for_status() result response.json() return result[choices][0][message][content] if __name__ __main__: docs load_texts(./inputs) # 简化处理把全部文本拼到上下文里只适合小规模测试 context \n\n.join(docs[:3]) answer ask_model(这份内部资料里提到的主要目标是什么, context, your-api-key, https://api.example.com/v1/chat/completions) print(answer)这段代码只做演示真实项目要加向量检索、切片、重排和日志。文科生不需要死磕代码重点是理解“检索 拼接上下文 限定回答范围”这句话。5.4 知识库的输出验证知识库问答上线后建议准备 20 到 30 条测试问题覆盖原文中直接有答案的问题。需要跨文档才能回答的问题。资料里没有答案的问题。容易混淆概念的问题。只有“资料中没有答案的问题”能被 AI 明确拒绝回答知识库才算是合格否则就是一本正经地胡说。6. 批量任务让 AI 处理多份文件实习阶段经常会遇到“把 50 份日报合并成一份周报”“把 30 篇推文提取关键词”这类批量任务。手写一小时AI 可能几轮就处理完。6.1 批量处理的基本策略批量任务不要一次性把所有内容都塞给模型。更稳妥的方法是循环处理每个文件单条结果追加到一个汇总表格中。import csv import requests API_URL https://api.example.com/v1/chat/completions API_KEY your-api-key def summarize_text(text: str) - str: payload { model: your-model-name, messages: [ {role: user, content: f请用三句话概括下面内容\n\n{text}} ] } headers {Authorization: fBearer {API_KEY}} r requests.post(API_URL, jsonpayload, headersheaders, timeout120) r.raise_for_status() return r.json()[choices][0][message][content] files [report_01.txt, report_02.txt, report_03.txt] with open(output_summary.csv, w, encodingutf-8, newline) as f: writer csv.writer(f) writer.writerow([文件名, 摘要]) for name in files: try: with open(name, r, encodingutf-8) as fp: content fp.read() summary summarize_text(content) writer.writerow([name, summary]) print(f完成: {name}) except Exception as e: writer.writerow([name, f失败: {e}]) print(f失败: {name} - {e})6.2 批量任务的工程注意点每次调用之间加一点延时避免触发接口限流。每条结果写带“失败原因”的日志不要静默跳过。输入文件按序号命名方便定位出错位置。大批量任务拆成小批次执行每 10 条检查一次输出质量。对接口返回内容做长度校验防止空结果进入汇总表。6.3 批量任务的典型失败某一条网络请求超时导致循环中断。某个 PDF 文本提取失败导致空内容喂给模型。模型输出太长超出表格单元格限制。CSV 编码不对用 Excel 打开乱码。处理方式都不复杂但必须在实操中提前设计好而不是等数据丢了再补救。7. 接口 API 与工具集成文科生不需要像后端工程师一样写出完整服务但理解 API 调用的逻辑是衔接产品、运营与研发的关键。7.1 接口调用的最小套路大模型平台一般提供 HTTP 接口常用参数包括model选择模型版本。messages对话消息列表。temperature控制随机性数值越高越发散。max_tokens限制生成长度。stream是否流式返回。下面是通用的请求模板需要按实际平台文档替换 URL 和参数curl -X POST https://api.example.com/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: your-model-name, messages: [ {role: system, content: 你是一个文档助理。}, {role: user, content: 请把下面这段文字改写成正式邮件……} ], temperature: 0.3, max_tokens: 800 }7.2 把接口接到自己脚本里对内网文档、表格数据做处理时不一定要用现成聊天界面。通过 Python 直接调接口可以更精准地控制输入输出并自动保存结果。import requests def chat_once(prompt: str, api_key: str, api_url: str): response requests.post( api_url, headers{Authorization: fBearer {api_key}}, json{ model: your-model-name, messages: [{role: user, content: prompt}], temperature: 0.2 }, timeout120 ) response.raise_for_status() return response.json()[choices][0][message][content] result chat_once(请用三句话介绍这篇文章……, your-api-key, https://api.example.com/v1/chat/completions) print(result)7.3 接口接入的合规提醒不要把密钥提交到代码仓库。不要在日志中打印完整请求体尤其不要打印 API Key。涉及用户隐私的数据优先使用私有化部署或已签署数据处理协议的合规服务。对外提供接口服务时要加访问限制不要开放到公网。8. 效果观察与质量检查8.1 判断 AI 输出的质量建议用四个维度打分维度检查点相关性输出是否回答了用户的问题还是自说自话准确性是否与原文一致有没有编造数据完整性是否遗漏了必要字段规范性格式是否满足交付要求能否直接粘贴到报告或表格8.2 防止 AI 幻觉的几种做法提示词里明确“没有信息时直接说明”。要求回答附带原文依据比如“引用第 X 段原句”。重要数据必须回原文核对。让 AI 自行判断“信息不足”再决定是否继续生成。8.3 跟踪学习效果暑期实习最后复盘时不需要交源码而是交付一套“过程资产”。建议整理成目录实习成果/ ├── prompts/ │ ├── 会议纪要待办.md │ ├── 竞品分析.md │ └── 文章改写.md ├── knowledge_base/ │ └── 测试问题集.xlsx ├── scripts/ │ ├── batch_summary.py │ └── excel_clean.py ├── outputs/ │ ├── 周报汇总_0715.xlsx │ └── 竞品报告_v2.md └── 学习复盘.md这套资产比单纯写实习总结更有说服力可以直接放在作品集或面试材料里。9. 常见问题与排查方法问题现象可能原因排查方式解决方案AI 回答明显在编造提示词没有限定范围对比原文检查增加“只基于给定资料回答”批量任务中途卡住接口超时或限流查看请求日志增加延时和重试机制知识库检索不到准确内容文本切片不合理检查切分长度调整切片大小并增加重叠打开 CSV 乱码编码用了 UTF-8 但 Excel 默认不同用文本编辑器查看改为 UTF-8 with BOM 或直接存 xlsxAPI 返回 401密钥错误或过期检查请求头重新生成 Key提示词效果不稳定每次输出随机性太高对比多次生成结果降低 temperature固定输出格式文件上传后内容无法解析PDF 是扫描件转成可检索文本先做 OCR 再做向量化实习生不知道下一步做什么任务拆解不清晰检查需求说明把大任务拆成可验证的小步骤这类问题在实际实习场景中非常常见。关键不是背住每一条而是养成“先看日志、再看输入、最后调整提示词或参数”的排查顺序。10. 最佳实践与合规建议10.1 实习生学 AI 的优先级第一优先级把提示词写清楚能用结构化模板完成日常任务。第二优先级把重复任务批量处理用脚本或低代码平台减少人工复制。第三优先级把团队内部资料变成知识库让 AI 回答基于事实。第四优先级理解 API 和权限边界为后续和工程师协同打基础。10.2 工程化习惯每天新建一个输出的日期目录。每条 AI 生成结果都保存提示词和原始输入方便追溯。对重要任务准备 3 个示例样本定期检查输出格式。批量任务脚本必须加异常捕获不能跑一半就悄无声息地停掉。10.3 合规红线未经授权不使用真实人物的肖像、声音生成内容。不把公司内部资料随意上传到公共 AI 工具。对外发布的 AI 生成内容必须标注“AI 辅助生成”或经过人工审核。不利用 AI 生成虚假信息、恶意内容或绕过平台规则。涉及版权材料时先确认授权范围再进行转载、改写或二次创作。11. 总结与后续路径这次暑期实习的 AI 学习成果说明了一个很直接的现象文科背景完全不阻碍使用 AI 完成高质量工作。真正拉开差距的是会不会把任务结构化、会不会验证结果、能不能持续沉淀提示词和流程。如果实习生接下来想继续深入可以优先走这三个方向多做提示词工程把自己的提示词整理成团队可复用的模板。尝试低代码 Agent 平台把“搜索资料 - 写摘要 - 生成周报”串成自动流程。学习把 AI 接口接入现有系统比如自动回填表格、自动生成日报通知。建议从一个小场景开始练例如“每周五自动汇总本周日报并生成周报”。跑通一个小闭环之后再逐步扩大任务范围。对文科实习生来说最重要的不是掌握多少模型细节而是形成“用 AI 拆解重复劳动”的思维方式。这套方法可以复制到几乎所有文字处理岗位。收藏这篇文章下次带实习生或者自己入坑 AI 应用时可以直接按章节来操作。从提示词模板开始到批量脚本再到知识库和 Agent每一步都能产出看得见的成果也更容易在实习总结中写出实际价值。
