Python & AI：
做出自己的 AI 產品

為什麼是 Python？

因為所有 AI / ML 的工具都用 Python 寫。PyTorch、TensorFlow、Hugging Face、OpenAI SDK、LangChain、scikit-learn — 全部 Python first。

不是 Python 比 JS 強，是 AI 圈用 Python 太久了，生態系全在這邊。你要做 AI 就得會。

環境裝起來

# macOS / Linux
brew install python@3.12

# 用 uv（比 pip 快 100 倍的新工具，2024 火起來）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 開個專案
uv init my-ai-app
cd my-ai-app
uv add numpy pandas torch openai anthropic

Python 速通：JS 工程師看 30 分鐘

你會 JS 了，Python 只是換個語法。

# 變數：沒有 let / const，直接寫
name = "Luffysky"
age = 25

# 字串：f-string（像 JS 的 template literal）
greeting = f"Hello {name}, you are {age}"

# List = JS 的 array
fruits = ["apple", "banana"]
fruits.append("cherry")

# Dict = JS 的 object
user = {"name": "Yuki", "age": 20}

# 函式
def greet(name: str) -> str:
    return f"Hi {name}"

# If / for（用縮排，沒有 {}）
for fruit in fruits:
    if len(fruit) > 5:
        print(fruit)

# List comprehension（超強，JS 沒有）
upper_fruits = [f.upper() for f in fruits if len(f) > 5]

類別

class Cat:
    def __init__(self, name: str):
        self.name = name

    def meow(self):
        print(f"{self.name} says meow")

cat = Cat("凜空")
cat.meow()

numpy & pandas：資料科學雙神器

numpy：高速數學運算，所有 ML 函式庫底層都是它。pandas：表格資料處理（像 Excel + SQL）。

import numpy as np
import pandas as pd

# numpy 陣列：比 Python list 快 100 倍
arr = np.array([1, 2, 3, 4])
print(arr * 2)        # [2, 4, 6, 8]
print(arr.mean())     # 2.5

# 矩陣（神經網路就是一堆矩陣相乘）
m = np.array([[1, 2], [3, 4]])
print(m @ m)         # 矩陣乘法

# pandas 讀 CSV
df = pd.read_csv("sales.csv")
print(df.head())       # 前 5 筆
print(df.describe())   # 統計摘要

# 篩選 + 分組（像 SQL）
result = df[df["price"] > 100].groupby("category")["price"].sum()

機器學習：用 scikit-learn 做分類器

機器學習 = 給一堆「輸入 → 答案」，讓電腦自己找規律。例如：

• 輸入：信件文字 → 答案：垃圾信 / 正常信
• 輸入：客戶資料 → 答案：會買 / 不會買
• 輸入：照片 → 答案：貓 / 狗

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 1. 載入資料（鳶尾花分類經典資料集）
iris = load_iris()
X, y = iris.data, iris.target

# 2. 分訓練 / 測試（80% / 20%）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3. 訓練模型
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# 4. 預測 + 評估
preds = model.predict(X_test)
print(f"準確率：{accuracy_score(y_test, preds):.2%}")
# 通常 95% 以上

就這樣，30 行 code 你已經做了一個機器學習模型。重點不是寫 code，是懂流程：

1. 準備資料（最花時間，80% 工作在這）
2. 切訓練/測試
3. 選模型
4. 訓練
5. 評估
6. 調參數重來

深度學習：PyTorch 的世界

機器學習 vs 深度學習的差別：

• 傳統 ML：你告訴模型該看哪些「特徵」。資料少（幾千筆）就行
• 深度學習：模型自己學特徵。要資料多（幾十萬筆以上），但能解決圖像、語音、文字這種複雜任務

PyTorch 是現在主流框架（Meta 出的，2024 年起完全打贏 TensorFlow）。

import torch
import torch.nn as nn

# 一個最簡單的神經網路（分類器）
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)  # 輸入 784，隱藏層 128
        self.fc2 = nn.Linear(128, 10)   # 輸出 10 類

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = Net()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
loss_fn = nn.CrossEntropyLoss()

# 訓練迴圈（核心邏輯）
for epoch in range(10):
    for X, y in dataloader:
        pred = model(X)
        loss = loss_fn(pred, y)
        optimizer.zero_grad()
        loss.backward()       # 反向傳播
        optimizer.step()        # 更新權重

串 OpenAI / Claude API：5 分鐘做 AI 產品

現實是 — 自己訓練 LLM 要 GPU 集群燒幾百萬美金。正確做法是串 API。

from openai import OpenAI

client = OpenAI(api_key="sk-...")  # 從環境變數讀

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是熱心的客服"},
        {"role": "user", "content": "我想退貨"}
    ]
)
print(response.choices[0].message.content)

Anthropic Claude（思考力強，工程任務首選）：

from anthropic import Anthropic

client = Anthropic()  # 自動讀 ANTHROPIC_API_KEY

msg = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "幫我寫一首關於招財的詩"}
    ]
)
print(msg.content[0].text)

選哪個 API？

RAG：讓 AI 讀你的資料

使用者問「我們公司的退貨政策是什麼？」— GPT 不知道，你內部文件才有。RAG（Retrieval-Augmented Generation）就是：

1. 把文件切塊，每塊轉成 embedding（向量）
2. 存到向量資料庫
3. 使用者問問題時，把問題也轉 embedding，找最相似的幾塊文件
4. 把那幾塊塞進 prompt 給 LLM 回答

from openai import OpenAI
import numpy as np

client = OpenAI()

# 1. 把文件變成向量
def embed(text: str):
    r = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return np.array(r.data[0].embedding)

docs = [
    "退貨政策：7 天內可退",
    "運費：滿 1000 免運",
    "發票：購買後 3 天內寄出",
]
doc_vecs = [embed(d) for d in docs]

# 2. 使用者問問題，找最相似
def ask(question: str):
    q_vec = embed(question)
    sims = [np.dot(q_vec, dv) for dv in doc_vecs]
    best = docs[np.argmax(sims)]

    # 3. 塞進 prompt
    r = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"根據資料：{best}\n\n問題：{question}"
        }]
    )
    return r.choices[0].message.content

print(ask("我可以退貨嗎"))

實戰用 Pinecone、Weaviate、Chroma 或 Postgres 的 pgvector。

把 AI 包成 Web App：FastAPI 上線

把上面的 RAG 包成 API，前端就能用：

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Question(BaseModel):
    text: str

@app.post("/ask")
async def ask_endpoint(q: Question):
    answer = ask(q.text)
    return {"answer": answer}

# 跑：uvicorn main:app --reload
# 部署：Zeabur / Railway 一鍵

前端 React 那邊：

async function ask(text) {
  const r = await fetch('/api/ask', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ text })
  });
  return (await r.json()).answer;
}

AI 產品的賺錢模式

學會了之後該做什麼？這幾個方向 2026 年都還在賺錢：

• 垂直 RAG：法律 / 醫療 / 教育，把專業知識做成 AI 助手
• 內容生成 SaaS：自動生 SEO 文章、商品描述、社群文案
• AI Agent / 自動化：把繁瑣流程交給 AI 跑（這在 Ch19 Vibe Coding 會深入講）
• 翻譯 / 改寫工具：垂直市場（電商、論文、字幕）
• 聲音 / 影像 AI：用 ElevenLabs、Suno、Runway 包二次產品