零基础怎么入门 AI 训练师：从环境到第一个任务

你刷到「AI 训练师」这个岗位，点进招聘要求一看，写满了大模型、微调、标注规范，越看越觉得自己缺的东西太多，不知道从哪一格开始补。这种卡住的感觉很常见，问题往往不在能力，而在没人告诉你第一步该落在哪。

先给答案：AI 训练师入门不需要先啃数学，第一件事是把 Python 装好、做出一小批可用的训练数据。你要交付的不是模型结构，而是模型能照着学的材料，以及判断它学得对不对的依据。

这篇会把岗位拆成数据、提示词、评测三块，给出一套最小环境、一段能直接跑的数据构造脚本，以及三条自检标准。看完你能判断自己现在卡在哪一段，而不是笼统地觉得「我还不够」。今天这篇文章，编程狮就按能动手的顺序把它铺开。

先看结论

AI 训练师的核心产出是训练材料和评测结果，不是模型本身。零基础的合理路径是：先补 Python 基础与数据处理，再做数据标注与清洗，接着学提示词设计，最后用一次完整评测把闭环跑通。

数学和深度学习框架属于进阶项。真正决定你能不能上手的，是能不能把一句模糊的业务要求，翻译成一批格式统一、覆盖边界、可复现的数据。

如果 Python 还停留在「看过语法但没写过脚本」的阶段，建议先把 Python3 教程 的列表、字典、文件读写三章过一遍，再往下读会顺很多。

一、先搞清楚 AI 训练师到底做什么

AI 训练师是负责把人的意图翻译成模型可学习材料、并验证学习效果的角色。用做饭打比方：模型是灶台，算法工程师是造灶台的人，而你是配菜、调味、试味的人——灶台好不好你改不了，但菜好不好吃主要看你。

这个岗位的日常产出集中在三块。

1.1 数据侧：标注、清洗与构造

把原始对话、文档、工单整理成模型能直接吃进去的格式。常见动作是去重、脱敏、按字段切分、补上边界样本。这一块占了入门阶段的大部分工作量，也是最快能做出成果的部分。

1.2 提示侧：把要求写成模型听得懂的话

同一个需求，换个说法模型的表现可能差一截。提示词就是在反复试错里找到那句稳定的表达，并把它固化成模板。

1.3 评测侧：判断模型到底学没学会

没有评测集，你所有的判断都只是感觉。评测集是一批固定题目加评分标准，每次改动数据或提示词后重跑一遍，分数变化才有意义。

最大的误解是以为要先学完反向传播才有资格动手。实际工作中，入门阶段的你几乎不会碰模型结构，真正拖慢进度的是数据格式不统一和评测口径天天变。想建立整体认识，可以先翻 AI 人工智能教程 的术语部分。

⚠️ 注意：涉及用户手机号、身份证、病历的数据，进入训练文件前必须脱敏。这一步不能交给模型自动做，要用确定性的规则先过一遍。

二、环境准备：最小可用的那一套

不需要显卡，一台普通笔记本就够。你要的是能读写文件、能看表格、能跑脚本的环境，而不是训练环境。

2.1 装环境

下面这段做的是建一个隔离的虚拟环境，装上处理表格要用的依赖，并确认版本。

# Windows（PowerShell）
python -m venv .venv
.\.venv\Scripts\activate
python -m pip install --upgrade pip
python -m pip install pandas openpyxl

# macOS / Linux
python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install --upgrade pip
python3 -m pip install pandas openpyxl

上面这段做的是建虚拟环境并安装 pandas 与 openpyxl。装完执行 python -c "import pandas; print(pandas.__version__)"，预期输出是形如 2.2.3 的版本号（预期结果，未在本机执行，依据 pandas 当前发布版本）。

如果报 command not found: python，Windows 上换 py -3，macOS 上换 python3。这是新手卡住最多的地方，不是你操作错了。

2.2 目录怎么放

建议一个任务一个目录，原始数据、中间产物、最终文件分开存。混在一起改过一轮之后，你就分不清手上这份是清洗前还是清洗后的了。

w3cschool-trainer-demo/
├── raw/            # 原始数据，只读，绝不手改
├── work/           # 中间产物，可反复重生成
├── out/            # 最终交付的训练文件
└── eval/           # 评测集与评分结果

上面这套结构的作用是让你随时能删掉 work 重跑一遍，而不用怕把原始数据搞坏。

三、第一个任务：做一批能用的训练数据

目标很具体：从一份客服问答表里，整理出 50 条格式统一的指令数据，并给出统计报告。这一步跑通，你就完成了数据侧的完整闭环。

3.1 构造数据

下面这段做的是读取原始表格，去掉空值和重复项，按固定字段重排，最后输出成每行一个样本的 JSONL 文件。

import pandas as pd
import json
import re

SRC = "raw/qa.xlsx"
OUT = "out/train.jsonl"

df = pd.read_excel(SRC)
print("原始行数：", len(df))

# 1) 丢掉关键字段为空的行
df = df.dropna(subset=["question", "answer"])
# 2) 按问题去重
df = df.drop_duplicates(subset=["question"])
# 3) 去掉过短的答复，这类样本教不出东西
df = df[df["answer"].astype(str).str.len() >= 10]
print("清洗后行数：", len(df))

records = []
for _, row in df.iterrows():
    records.append({
        "instruction": str(row["question"]).strip(),
        "input": "",
        "output": str(row["answer"]).strip()
    })

with open(OUT, "w", encoding="utf-8") as f:
    for r in records:
        f.write(json.dumps(r, ensure_ascii=False) + "\n")

print("已写出：", OUT, "条数：", len(records))

上面这段做的是按三步规则清洗表格，再写成 JSONL。预期输出（未在本机执行，依据代码逻辑）是三行日志，依次显示原始行数、清洗后行数、写出条数。

JSONL 就是每行一个独立的 JSON 对象，很多训练框架默认吃这个格式。字段含义记不清时，可以对照 Python 速查手册 里的字典与文件部分。

3.2 校验数据

数据写完必须回头查一遍。下面这段做的是统计长度分布、检查是否有空字段、确认没有把标签文字混进来。

import json

rows = [json.loads(line) for line in open("out/train.jsonl", encoding="utf-8")]
lens = sorted(len(r["output"]) for r in rows)

print("条数：", len(rows))
print("最短答复：", lens[0], "最长答复：", lens[-1])
print("中位长度：", lens[len(lens) // 2])
bad = [i for i, r in enumerate(rows) if not r["instruction"] or not r["output"]]
print("空字段行号：", bad if bad else "无")

上面这段做的是给出条数、长度区间和空字段行号。如果「空字段行号」不是「无」，回到 3.1 补一条 dropna 规则，而不是手动删行——手动删的行下次重跑又会回来。

💡 小提示：把这几十条数据打印出来，用眼睛过一遍。肉眼能发现规则查不出的问题，比如答复里混进了「亲」「您好」这类口径不一致的客套话。

四、怎么判断自己练到位了

三块工作各有一条自检标准，达不到就说明还差一环。

4.1 数据侧：能不能复现

换一台机器、换一个人，按你的脚本跑一遍，得到的条数和内容应该完全一致。做不到，说明清洗规则写在了脑子里而不是脚本里。

4.2 提示侧：能不能说清改了什么

一次只改一个变量，并记录改前改后的表现。说不清「这次比上次好是因为改了哪句」，就还没形成方法。

4.3 评测侧：分数能不能解释

评测分掉了，要能定位到是哪一批数据、哪一类题型掉的。只报一个总分而不拆分类别，等于没有评测。

想看别人怎么把这套流程放进真实项目，可以读 AI 编程技能教程 里的实战章节，对照自己的步骤查漏。

总结

AI 训练师零基础入门，起点不是模型而是数据：把 Python 环境搭起来，做出一批格式统一、可复现、带边界样本的训练数据，再用固定口径的评测集验证效果。数学和框架是后面才需要补的东西。

要点带走：

• 先做数据侧，它是入门阶段产出最快、也最能体现价值的一块；
• 清洗规则必须写进脚本，写不进脚本的规则等于没有规则；
• 没有评测集就没有改进依据，评测口径定了就不要天天改。

下一步建议把上面那份脚本换成你手上的真实表格跑一遍，遇到字段对不上的报错再回头补 Python 基础。环境配置好之后，运行这份脚本，验证它能在你自己的机器上复现同样的清洗条数与长度分布。

常见问题

Q：不会数学能做 AI 训练师吗？

A：入门阶段可以。你要做的是数据处理、提示词和评测，这三项都不要求推导公式。等到需要调训练超参时再补也不迟。

Q：AI 训练师和算法工程师有什么区别？

A：算法工程师改模型结构和训练策略，你改的是喂给模型的材料与判断标准。两者是上下游关系，入门门槛差很多。

Q：要先学会 PyTorch 吗？

A：不建议一开始就学。先把数据闭环跑通，再决定要不要往训练侧走，否则容易在框架细节里耗掉几个月。

Q：做出来的数据怎么证明有效？

A：用固定评测集对比。加这批数据前后各跑一次，看目标题型的分数变化，同时确认其他题型没有明显回退。

Q：训练数据和评测集能混用吗？

A：不能。混用会让分数虚高，你无法判断模型是真的学会了还是背下了题目。两者必须从一开始就分开建。

延伸学习

想沿着这条路往下走，可以按这个顺序来：

1. 系统补一遍基础，Python 零基础到高薪就业 覆盖了从语法到项目的完整链路；
2. 想理解模型怎么用到外部知识，读一篇相关笔记 什么是 RAG；
3. 概念想再展开，可以看 AI 编程指南。