Day01：Python 基础如何支撑 AI 工程项目的数据处理、接口调用和工具封装

• 能说明变量、数据类型、函数、模块化、文件读写如何支撑 AI 工程项目，而不是孤立语法。
• 能用 Python 完成一个合同收款数据处理闭环：保存问题、组织数据、筛选、汇总、写 JSON。
• 能把 Python 基础自然联系到 FastAPI、RAG、Agent Tool、Tool Calling、悟空技能和 AI 表格。
• 能在面试中说清楚：Python 在企业 AI 应用项目里负责数据处理、接口调用和工具封装。
• 能展示完整可运行代码 day01_contract_summary.py 和结果 day01_result.json。

如果视频分P标题和当前描述不完全一致，请按关键词“变量 / 数据类型 / 函数 / 模块化 / 文件读写 / JSON解析”人工定位，不要全刷。

1. 变量

AI 工程里为什么必须会：这几个变量对应企业AI问答流程：用户提问被保存为 user_question，系统从问题中识别出 team_name 和 month，后续查询业务数据，最后把模型生成的结果保存为 model_answer。

项目里怎么用：

user_question = "查询4月份星辰战队合同金额"
team_name = "星辰战队"
month = "2026-04"
model_answer = "4月份星辰战队合同金额为48万元"

面试时怎么说：面试时我会说：Python变量在AI应用里主要用来承接业务流程中的状态，比如用户输入、接口参数、检索结果和模型输出。虽然Python是动态类型语言，但工程项目里变量命名必须清晰，否则接口联调和Agent工具调用很容易混乱。

面试官追问怎么答：追问：Python变量是动态类型，会不会导致项目不稳定？回答：会有这个风险，所以工程里要靠清晰命名、Pydantic校验、类型注解、测试和日志来降低风险。

2. 数据类型

AI 工程里为什么必须会：dict表示一条合同记录，list表示多条合同记录。API返回JSON后，Python里通常会转成dict/list；RAG检索结果通常是list，每个片段是dict；AI表格一行数据也可以理解为一个dict。

项目里怎么用：

record = {
    "customer_name": "无锡某制造企业",
    "team_name": "星辰战队",
    "month": "2026-04",
    "contract_amount": 480000,
    "paid_amount": 320000,
    "sales_name": "张三"
}

records = [record]

面试时怎么说：面试时我会说：企业AI项目里最常见的数据结构是list和dict，因为它们最接近JSON和AI表格。dict表达一条结构化记录，list表达多条记录，这也是后续FastAPI接口、Agent Tool参数和RAG检索结果处理的基础。

面试官追问怎么答：追问：为什么不用字符串拼接保存所有数据？回答：字符串不方便校验、筛选和计算。结构化数据才能被接口、工作流和Agent稳定处理。

3. 函数

AI 工程里为什么必须会：这个函数的输入是合同金额和已收款金额，输出是未收款金额。它是一个最小业务能力，后续可以被FastAPI接口调用，也可以包装成Agent Tool，甚至成为悟空技能后端工作流中的一个计算节点。

项目里怎么用：

def calculate_unpaid_amount(contract_amount, paid_amount):
    return contract_amount - paid_amount

面试时怎么说：面试时我会说：函数是AI工程里最小的可复用业务能力。Tool Calling、Agent工具、Skill后端，本质上都需要把业务逻辑封装成清晰的函数或接口，让模型或工作流在合适的时候调用。

面试官追问怎么答：追问：函数和Agent Tool有什么关系？回答：Agent Tool可以理解为带有名称、描述和参数Schema的函数。函数负责真正执行逻辑，模型只负责判断什么时候调用。

4. 模块化

AI 工程里为什么必须会：main.py负责启动入口或FastAPI路由；services放业务逻辑；utils放通用工具；schemas放请求/响应模型；data放测试数据；prompts放提示词模板；outputs放运行结果。

项目里怎么用：

project/
├── main.py
├── services/
│   └── finance_service.py
├── utils/
│   └── file_utils.py
├── schemas/
│   └── request_schema.py
├── data/
│   └── contracts.json
├── prompts/
│   └── rag_prompt.txt
└── outputs/
    └── day01_result.json

面试时怎么说：面试时我会说：模块化不是为了显得复杂，而是为了复用、维护、测试和多人协作。FastAPI项目、RAG项目、Agent项目都需要把接口层、业务层、工具层、数据层拆开。

面试官追问怎么答：追问：业务逻辑为什么不应该全写在FastAPI接口函数里？回答：接口函数应该负责接收请求和返回响应，核心业务逻辑应放到service里，方便复用、测试和后续被Agent Tool调用。

5. 文件读写

AI 工程里为什么必须会：encoding="utf-8"用于正确处理中文；json.load用于把JSON文件读成Python对象；json.dump用于把Python对象写回JSON；ensure_ascii=False避免中文乱码；indent=2让输出更适合人阅读。

项目里怎么用：

import json

with open("data/contracts.json", "r", encoding="utf-8") as f:
    contracts = json.load(f)

with open("outputs/day01_result.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

面试时怎么说：面试时我会说：文件读写是RAG、接口测试、数据清洗、Prompt管理的基础。比如RAG要读取知识库文件，接口联调要保存测试JSON，Agent运行要记录工具结果和日志。

面试官追问怎么答：追问：为什么测试阶段可以用文件模拟数据库？回答：因为早期重点是验证业务流程和AI调用链路，JSON文件成本低、可控、便于演示；等流程跑通后再替换成SQLite、MySQL或真实API。

业务背景：客户希望查询某个销售团队某个月的合同金额、已收款金额和未收款金额。今天用最基础的 Python 能力完成最小闭环。

建议代码文件：/Users/hejunkai/Documents/AI工程师/28天每日背诵文档/Day01_合同收款数据处理小项目/day01_contract_summary.py

输出结果文件：运行后生成 day01_result.json

import json
from pathlib import Path

# 1. 用变量保存用户问题、团队名称、月份
user_question = "查询4月份星辰战队合同金额、已收款金额和未收款金额"
team_name = "星辰战队"
month = "2026-04"

# 2. 用 list + dict 保存多条合同数据
contracts = [
    {
        "customer_name": "无锡某制造企业A",
        "team_name": "星辰战队",
        "month": "2026-04",
        "contract_amount": 480000,
        "paid_amount": 320000,
        "sales_name": "张三"
    },
    {
        "customer_name": "苏州某自动化公司",
        "team_name": "星辰战队",
        "month": "2026-04",
        "contract_amount": 260000,
        "paid_amount": 260000,
        "sales_name": "李四"
    },
    {
        "customer_name": "常州某电子厂",
        "team_name": "星辰战队",
        "month": "2026-05",
        "contract_amount": 180000,
        "paid_amount": 50000,
        "sales_name": "王五"
    },
    {
        "customer_name": "无锡某新能源企业",
        "team_name": "先锋战队",
        "month": "2026-04",
        "contract_amount": 390000,
        "paid_amount": 100000,
        "sales_name": "赵六"
    },
    {
        "customer_name": "江阴某装备制造厂",
        "team_name": "星辰战队",
        "month": "2026-04",
        "contract_amount": 120000,
        "paid_amount": 0,
        "sales_name": "张三"
    }
]


def calculate_unpaid_amount(contract_amount, paid_amount):
    """计算未收款金额：合同金额 - 已收款金额。"""
    return contract_amount - paid_amount


def enrich_unpaid_amount(records):
    """为每条合同记录补充 unpaid_amount 字段。"""
    enriched = []
    for record in records:
        new_record = record.copy()
        new_record["unpaid_amount"] = calculate_unpaid_amount(
            new_record["contract_amount"],
            new_record["paid_amount"]
        )
        enriched.append(new_record)
    return enriched


def filter_contracts(records, target_team_name, target_month):
    """筛选指定团队和月份的合同记录。"""
    result = []
    for record in records:
        if record["team_name"] == target_team_name and record["month"] == target_month:
            result.append(record)
    return result


def summarize_contracts(records):
    """汇总合同金额、已收款金额、未收款金额。"""
    total_contract_amount = 0
    total_paid_amount = 0
    total_unpaid_amount = 0

    for record in records:
        total_contract_amount += record["contract_amount"]
        total_paid_amount += record["paid_amount"]
        total_unpaid_amount += record["unpaid_amount"]

    return {
        "contract_count": len(records),
        "total_contract_amount": total_contract_amount,
        "total_paid_amount": total_paid_amount,
        "total_unpaid_amount": total_unpaid_amount
    }


def build_answer(question, target_team_name, target_month, matched_records, summary):
    """生成结构化结果，后续可交给大模型生成自然语言回答。"""
    return {
        "user_question": question,
        "query_condition": {
            "team_name": target_team_name,
            "month": target_month
        },
        "matched_records": matched_records,
        "summary": summary,
        "model_answer_draft": (
            f"{target_month} {target_team_name}共有{summary['contract_count']}条合同，"
            f"合同总额{summary['total_contract_amount']}元，"
            f"已收款{summary['total_paid_amount']}元，"
            f"未收款{summary['total_unpaid_amount']}元。"
        )
    }


def write_json_file(data, output_path):
    """把结果写入 JSON 文件，方便接口、工作流或AI表格后续读取。"""
    output_path = Path(output_path)
    output_path.parent.mkdir(parents=True, exist_ok=True)
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(data, f, ensure_ascii=False, indent=2)


def main():
    enriched_contracts = enrich_unpaid_amount(contracts)
    matched_records = filter_contracts(enriched_contracts, team_name, month)
    summary = summarize_contracts(matched_records)
    result = build_answer(user_question, team_name, month, matched_records, summary)
    write_json_file(result, "day01_result.json")
    print(result["model_answer_draft"])


if __name__ == "__main__":
    main()

1. 面试官可能问：你做AI项目时，Python主要承担什么角色？
   候选人现场回答版：我会说Python在我的AI项目里主要承担工程胶水层和业务处理层：一方面用FastAPI封装接口，另一方面处理JSON、AI表格、RAG文档和Agent工具函数。它不是只用来训练模型，而是把用户问题、业务数据、模型输出和企业系统连接起来。
2. 面试官可能问：为什么接口返回JSON后，Python里经常用dict/list处理？
   候选人现场回答版：因为JSON对象进入Python后通常就是dict，多条记录就是list包dict。比如一条合同是一 个dict，多条合同是list。这样才能筛选、汇总、校验，再传给FastAPI、Agent Tool或大模型。
3. 面试官可能问：你怎么理解函数和Agent Tool的关系？
   候选人现场回答版：函数是最小业务能力，Agent Tool可以理解成带名称、描述和参数Schema的函数。模型判断什么时候调用，真正的计算或查询由Python函数执行。
4. 面试官可能问：你做FastAPI时，业务逻辑为什么不应该全写在接口函数里？
   候选人现场回答版：接口函数应该负责接收请求和返回响应，核心业务逻辑应该放services里。这样同一段逻辑既能被FastAPI调用，也能被测试脚本、Agent Tool或悟空技能后端复用。
5. 面试官可能问：RAG项目中文件读取通常解决什么问题？
   候选人现场回答版：RAG需要读取知识库文档、Prompt模板、测试问题和评测结果。文件读写是文档解析、Prompt管理和结果落盘的基础，早期也可以用JSON文件模拟知识库或业务数据。
6. 面试官可能问：你如何组织一个最小AI应用项目目录？
   候选人现场回答版：我会把入口、业务逻辑、工具函数、请求模型、数据文件、Prompt和输出结果分开，例如main.py、services、utils、schemas、data、prompts、outputs。这样后续接FastAPI、RAG或Agent都更容易维护。
7. 面试官可能问：你如何向非技术客户解释Python在AI系统里的作用？
   候选人现场回答版：我会说Python像AI系统背后的业务处理和接口连接工具。客户用自然语言提问后，Python负责整理参数、查询数据、计算结果、调用模型，再把结构化结果返回给前端或工作流。
8. 面试官可能问：你如何用Python处理AI表格导出的数据？
   候选人现场回答版：我会把AI表格每一行理解成一个dict，多行就是list。Python可以按团队、月份、客户筛选数据，计算金额，再输出JSON给接口、报表或模型生成分析结论。
9. 面试官可能问：你如何把一个金额计算函数升级成API接口？
   候选人现场回答版：先把金额计算封装成函数，再在FastAPI里定义接口，接收contract_amount和paid_amount，调用函数返回unpaid_amount。如果进一步做Agent Tool，就再给这个接口或函数定义工具描述和参数Schema。
10. 面试官可能问：你如何判断自己不是只会语法，而是能用Python做工程落地？
    候选人现场回答版：我会看自己能不能用Python完成一个业务闭环：接收问题、整理数据、封装函数、计算汇总、输出JSON，并说明如何升级成FastAPI接口、悟空技能或Agent Tool。能做出这个闭环，就不是只停留在语法。