AI大模型学习方法：用API脚本建立可重复的练习闭环

学习AI大模型，最怕的是只看不练。
比较有效的起点不是先啃完理论，而是准备一个能反复调用的模型接口，每天用脚本完成一次完整的提问、记录和复盘。
下面这套方法以Linux服务器上的Ollama为例，不需要GPU也能跑小参数模型，重点是把学习动作固定成可重复的流程。

先确定练习环境能跑通

开始之前需要一台能装Docker的Linux机器，内存建议8GB以上，磁盘留出10GB左右给模型文件。
Ollama负责在本机加载模型并暴露HTTP接口，学习脚本只通过接口交互，这样换模型、换机器都不影响练习逻辑。

安装并拉取一个轻量模型：

curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5:1.5b
ollama run qwen2.5:1.5b "用一句话解释什么是温度参数"

如果最后一条命令能返回中文回答，说明模型和推理都正常。
接着确认API端口在监听：

ss -lntp | grep 11434
curl http://127.0.0.1:11434/api/tags

/api/tags返回JSON列表即表示API可用。
这里只在本机监听，不要急着把端口暴露到公网。

用curl跑通第一次接口调用

学习大模型学习方法的核心，是理解请求参数和返回结构。
先用curl发一次生成请求：

curl http://127.0.0.1:11434/api/generate \
  -d '{
    "model": "qwen2.5:1.5b",
    "prompt": "解释一下什么是token",
    "stream": false
  }'

返回JSON里的response字段就是模型输出。
把stream设为false是为了方便脚本保存完整结果；
如果设为true，会逐段返回，适合做流式展示但不方便直接落盘。

这一步的验证标准很简单：命令返回200状态码，且response字段非空。
如果出现model not found，回到上一步确认模型名是否和ollama list输出一致。

写一个每天可重复的练习脚本

手动curl只能算体验。
真正的学习需要固定题目、保存回答、隔天回看。
下面是一个最小Python脚本，依赖标准库，不需要额外安装包：

import json, urllib.request, datetime, pathlib

PROMPT = "用三句话说明大模型为什么会生成不准确的内容"
DATA = {"model": "qwen2.5:1.5b", "prompt": PROMPT, "stream": False}

req = urllib.request.Request(
    "http://127.0.0.1:11434/api/generate",
    data=json.dumps(DATA).encode(),
    headers={"Content-Type": "application/json"},
)
with urllib.request.urlopen(req, timeout=120) as resp:
    result = json.loads(resp.read())

today = datetime.date.today().isoformat()
out = pathlib.Path("/root/ai-practice")
out.mkdir(parents=True, exist_ok=True)
(out / f"{today}.md").write_text(
    f"# {today}\n\n问题：{PROMPT}\n\n回答：\n{result['response']}\n",
    encoding="utf-8",
)
print("saved", today)

保存为/root/ai-practice/daily.py，执行python3 daily.py。
看到saved 日期并且目录下出现当天Markdown文件，就说明练习闭环跑通了。

脚本里有三个学习要点值得留意：timeout控制单次等待上限；
结果按日期落盘，方便对比不同天的回答差异；
题目固定但模型每次输出会有波动，这正是观察生成特性的素材。

把复盘和排错固定下来

每天跑完脚本后，花几分钟做两件事：一是把当天回答和前一天对比，看表述是否一致、有没有编造细节；
二是调整一个参数再跑一次，比如把temperature从默认值改为0.2和0.8各试一次，观察输出稳定性的变化。
这种对比比单纯阅读资料更容易建立直觉。

常见问题按现象排查：

• Connection refused：Ollama服务没启动，执行systemctl status ollama查看状态，必要时systemctl restart ollama。
• 请求超时：小内存机器加载模型较慢，先确认free -h剩余内存，再适当调大脚本里的timeout。
• 返回空内容：检查请求体是否为合法JSON，字段名prompt和model不能拼错。
• 端口被占用：用ss -lntp | grep 11434确认是否有其他进程占用，不要直接改配置冲突的端口。

避坑方面，练习环境不要开放公网访问，接口没有鉴权，暴露后可能被外部调用消耗资源；
模型文件较大，定期用du -sh ~/.ollama检查磁盘占用；
脚本落盘目录建议和系统目录分开，避免误删。

最后，验证学习是否有效不看跑了多少天，而看能否用自己的话解释参数作用、能否预判某类问题容易触发错误回答。
当你能根据脚本输出调整提问方式并得到更准确的结果时，这套AI大模型学习方法才算真正落地。