跳到主要内容

作品集站 — 从练手项目到能写上简历的东西

这一章讲三件事: 三档项目各自的用途与验收差在哪; 怎么挑项目、怎么把一个项目做完整(拿书里两个真项目走查); 以及点子档里那一类「碰不得」的项目。 对应原书最后一部(3 章)。读完你能回答:我的下一个项目该做哪个档、做完怎么讲。

1. 这一章讲什么​

前七站学到的东西怎么变成别人认可的东西?原书的答案是一个三部曲: 十个点子 → 十个入门跟做 → 九个生产级1。作者对这一部的定位,有一句 全书少见的直白话:

「我见过的多数项目清单对教学有用,但不够放上简历或作品集。」2

这句话是本章的钥匙。它把「练手」和「求职」切开成两件事—— 而原书三档的排列,恰好是从小作业走到真凭证的三级台阶。

2. 顶层全景:三档阶梯,一张表看清​

  档位一:点子(10 个)      → 用途:选题。看别人在哪些领域做出过东西
  档位二:入门 guided(10 个) → 用途:练手。有人带路走一遍完整流程
  档位三:生产级(9 个)      → 用途:简历。端到端、可评测、可部署

  共同的前进方向:离「教程」越来越远,离「真实用户」越来越近
  图说:三档不是难度三分,是「离真实世界的距离」三分。

3. 档位一:点子档 — 用来选题,不用来做完​

原书把十个点子按领域分了六组:内容生成(学术动机信)、翻译与文化语境、 娱乐与游戏(角色生成)、医疗健康(医疗问答 bot)、社会公益(把法律与医学文本 翻译成白话、假新闻检测)、生产力(播客摘要、主题归类、文档问答、YouTube 问答)3。

点子档的正确用法是选,不是做完。 每个点子里的「项目指南」都写得很泛 (选模型、做界面、调提示),照着做完也还是教程级。它真正的价值是三条市场信号:

  1. 哪些领域雇主见过(文档问答、摘要——清单里出现最多);
  2. 哪些领域还有空位(文化语境翻译——点子多、成品少);
  3. 哪些领域别碰(下一节)。

判断(我们的,不是书里的): 点子档里最危险的是「医疗诊断与治疗建议 bot」—— 原书把它当普通选题列出,指南只字未提监管、责任与误诊风险4。 这类系统在真实世界受医疗器械法规约束,个人项目做着玩可以, 写上简历反而减分(暴露缺乏合规意识)。选题时避开人命关天的领域, 或者明确缩成「只做资料检索、不给建议」。 如果错,会错在: 如果监管要求变化(如允许低风险辅助诊断走审批登记), 这类项目可能重新合法化——但「需要说明风险与合规边界」这一点在任何版本下都成立。

4. 档位二:入门 guided — 有人带路,走一遍完整流程​

十个 guided 项目的清单5:LangChain 对话机器人、YouTube 脚本助手、PDF 问答、 Falcon-40B 聊天网页、GPT Banker(微调 Llama 2 70B 做银行问答)、本地 Autotrain 微调、 Whisper 转写加摘要的播客应用、兽医 bot、AWS SageMaker 部署、文章生成应用。

这一档的用法是「跟做一遍,然后拆它」。 我们拿书里栈最全的兽医 bot走一遍 ——它麻雀虽小,五脏俱全6:

  项目:宠物护理问答 bot(Llama 2)
      │
      ├─ 数据:一本狗护理百科 + 兽医真实案例(书里点名的两个数据源)
      ├─ 嵌入:Multilingual E5(多语言嵌入模型)给文档算向量
      ├─ 存储:FAISS(本地向量库)存向量、按相似度取
      ├─ 大脑:Llama 2 负责读资料、组织回答
      ├─ 胶水:LangChain 串提示与流程;FastAPI 做后端
      ▼
  一个五件套齐全的 RAG 应用 —— 这正是第 05 章管线的实体化。

  图说:跟做的价值不在结果(网上有一样的),在「亲手接一遍五个部件」。
  拆完你应该能回答:每个部件坏掉会看到什么症状。

验收(书里没写,我们补): 换数据源能不能跑(百科换成你自己的文档)? 换嵌入模型要不要改代码?这些问题答得出,这个项目才完成;答不出,你只是复制了一遍。

5. 档位三:生产级 — 三条标准,一个都不能少​

原书作者对这一档的定义同样直白:项目要端到端7,清单里的九个 分三类(LLM、RAG、agent)8。把九个摆开看,生产级与入门档的差距拢成三件事:

特征入门档的样子生产级的样子(书里的例子)
端到端教程里跑通就算NutriChat:对1200 页营养教材做本地 RAG 问答,不用任何框架、从零建管线——作者的理由:「自己造,你才知道每个零件」9
可评测「看起来回答得不错」生产级应用课专门处理幻觉、无关回答、不安全输出三类事故,并讲怎么监控、怎么救10
有部署路径本机跑通即止AWS 上的生产级 RAG11;VS Code 编码助手扩展(真用户、真分发)12

主走查:把一个生产级项目写成简历上的一行。 拿书里最硬的例子—— 「Deep Research 的复刻」:OpenAI 2025 年 2 月发布 Deep Research(自动多轮检索并汇总成报告), 只在 200 美元月费档提供;这个项目教你自己用 LangGraph 造一个,成本不到 1 美元13。

  简历一行怎么写(模板,数字用你自己的):
    「实现多步研究报告 agent:任务拆解 → 迭代检索 → 交叉引用汇总;
     单份报告成本 < $1,对标商业产品 $200/月档;GitHub 200 星。」
       (星数为演示占位)

  为什么这一行有效:
    - 有对照物($1 vs $200)→ 成本意识,数字自带参照
    - 有机制描述(拆解→检索→汇总)→ 说明是你造的,不是跑通的
    - 有可验证物(链接)→ 面试官点得开

  图说:三档项目的差距,最终都折算成这一行里有没有这三个要素。

「成本对照」是书里给的($1 对 $200),机制描述来自书里课程提纲 (自动多轮检索、汇总成报告)13;星数与最终措辞是你自己的。

6. 作者的判断与证据​

  1. 「教育级不够上简历」(书内明确判断,两处印证):第 3 章开篇的宣言2, 加上把这一部命名为「production level」的自期8。
  2. 「跟做要选栈全的」(我们的读法):十个入门项目里,兽医 bot 的技术栈最全 (嵌入、向量库、底座、框架、后端五件齐全)6,其余多是「API + 界面」两件套 ——作者没有做这个区分,但选跟做对象时它是硬标准。
  3. 「agent 类项目最能吸睛」(书内隐含):生产级清单里 agent 类项目直接以 「对你的求职有积极影响」作卖点了13——原书难得的就业市场判断。

判断(我们的,不是书里的): 三档阶梯的隐含前提是「求职导向」。 如果你的目标不是求职(内部转岗、开源声望、自用),阶梯要重排: 内部转岗看「解决本组织真问题」,哪怕没部署;开源声望看「可复用组件」, 哪怕只是管线里的一环。三特征(端到端/可评测/可部署)是求职版答案, 不是普适答案。 如果错,会错在: 如果招聘市场转向「考系统设计而非项目清单」, 三档阶梯的权重会移向「讲清权衡」的能力——但「对照物 + 机制 + 可验证物」 三要素在任何叙事场景下都增值。

7. 边界与局限​

  1. 编辑质量最低的一部。 点子章多个项目的技术栈整段复制错误 (播客摘要写着「用于医疗诊断与治疗建议」)14;guided 章多个项目只有一句话—— 这一部是全书最接近「占位清单」的部分。
  2. 点子章的医疗伦理缺位(见第 3 节判断块),全书未提监管与责任。
  3. 「9 个生产级项目」名不副实。 九条里两条是微调教程合集、一条是商业产品的 介绍性讲座,真有完整指南的不足一半;当成「生产级项目的样子」的导览读,别当成课表。
  4. 没有面试叙事方法。 三特征是筛选标准,但「怎么讲项目」(STAR、深挖追问应对) 原书零涉及;简历一行模板是本拆解补的。
  5. 时代快照。 清单里的 Llama 2、Falcon-40B、GPT-3.5 在 2026 年已过一代; 项目思路(文档问答、报告 agent)不过时,具体底座要换新。

8. 可带走的​

  1. 三档是「离真实世界的距离」:点子档选题、guided 档练手、生产档写简历;
  2. 点子档的正确用法是看市场信号,不是照做;医疗诊断类选题直接避开;
  3. 跟做 guided 项目要挑栈全的,做完的验收是「换数据源还能不能跑」;
  4. 生产级三特征:端到端、可评测、有部署路径——写简历前逐条自查;
  5. 简历一行三要素:对照物(数字有参照)、机制描述(说明是你造的)、可验证物(链接);
  6. 「教育级不够上简历」是全书少有的明确判断,值得当作项目取舍的默认准绳;
  7. 从零造一遍管线(如 1200 页文档问答)的价值在「知道每个零件」,别全托给框架;
  8. 项目叙事的深度决定它的价值——能答「坏了怎么发现」,才算做完。

9. 原文地图​

主题原书章原文位置
十个点子的领域分组1. 10 Large Language Models Projects Ideas To Build Your Portfoliotext/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:8(搜「10 project ideas」) · text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:19(搜「Content Generation」) · text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:157(搜「Healthcare and Well-being」) · text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:301(搜「Productivity and Utility」)
医疗 bot 项目指南1. 10 Large Language Models Projects Ideas To Build Your Portfoliotext/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:162(搜「Medical Bot」) · text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:163(搜「diagnose the patient」)
白话化与假新闻检测1. 10 Large Language Models Projects Ideas To Build Your Portfoliotext/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:189(搜「converts complex information」) · text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:244(搜「Fake News Detection」)
技术栈复制错误1. 10 Large Language Models Projects Ideas To Build Your Portfoliotext/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:162(搜「medical diagnosis and treatment recommendations」)
guided 清单与兽医 bot2. 10 Begineer Guided Large Language Models Projects to Build Your Portfoliotext/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:4(搜「following a strong guided」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:99(搜「Veterinary Chatbot」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:111(搜「Multilingual E5 Large Embeddings」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:112(搜「FAISS」)
其余 guided 项目2. 10 Begineer Guided Large Language Models Projects to Build Your Portfoliotext/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:17(搜「Conversational Chatbot with Langchain」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:73(搜「GPT Banker」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:84(搜「Lex Fridman Podcast Summarization」) · text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:121(搜「AWS SageMaker」)
生产级宣言3. 9 Production Level Guided LLM, RAG, & Agents Projectstext/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:12(搜「key factors in landing a job」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:14(搜「end-to-end」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:17(搜「strong enough to be on your resume」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:19(搜「projects under three」)
生产级应用课(三类事故)3. 9 Production Level Guided LLM, RAG, & Agents Projectstext/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:25(搜「Production-Grade LLM Apps」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:43(搜「Hallucinations, Irrelevant」)
NutriChat(1200 页从零建)3. 9 Production Level Guided LLM, RAG, & Agents Projectstext/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:90(搜「from Scratch」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:94(搜「parts of the puzzle」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:95(搜「NutriChat」)
AWS 与 VS Code 助手3. 9 Production Level Guided LLM, RAG, & Agents Projectstext/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:98(搜「Production-ready RAG」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:115(搜「Coding Assistant Agentic」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:118(搜「VS Code」)
Deep Research 复刻($1 对 $200)3. 9 Production Level Guided LLM, RAG, & Agents Projectstext/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:127(搜「$1 Alternative to $200」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:132(搜「February 2025」) · text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:137(搜「positive effect on your hiring」)

Footnotes​

  1. 出处:「1. 10 Large Language Models Projects Ideas To Build Your Portfolio」第 8 段(text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:8,搜「10 project ideas」)。自序的说法是「十个项目点子和十个 guided 项目」(text/03-fm-about-this-book.txt:26,搜「ideas and ten guided projects」)。 ↩

  2. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 16–17 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:17,搜「strong enough to be on your resume」)。 ↩ ↩2

  3. 出处:「1. 10 Large Language Models Projects Ideas To Build Your Portfolio」第 19–149 段(text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:19,搜「Content Generation」)。六组:Content Generation(动机信)、Language Translation and Localization(文化语境)、Entertainment and Gaming(角色生成)、Healthcare(医疗 bot)、Social Good(白话化、假新闻检测)、Productivity(播客摘要、主题归类、文档问答、YouTube 问答)。 ↩

  4. 出处:「1. 10 Large Language Models Projects Ideas To Build Your Portfolio」第 162–177 段(text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:162,搜「Medical Bot」)。项目指南要求「训练 LLM 学疾病模式、辅助诊断、给治疗建议」,全文无监管与责任讨论。 ↩

  5. 出处:「2. 10 Begineer Guided Large Language Models Projects to Build Your Portfolio」第 17–157 段(text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:17,搜「Conversational Chatbot with Langchain」)。十个项目即本章第 4 节清单。 ↩

  6. 出处:「2. 10 Begineer Guided Large Language Models Projects to Build Your Portfolio」第 99–118 段(text/25-ch02-2-10-begineer-guided-large-language-models-proje.txt:111,搜「Multilingual E5 Large Embeddings」;:112 搜「FAISS」)。数据源、嵌入模型、FAISS、Llama 2、FastAPI 与 LangChain 均为原文点名的部件。 ↩ ↩2

  7. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 14–16 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:14,搜「end-to-end」)。 ↩

  8. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 19–20 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:19,搜「projects under three」)。三类:LLMs、RAGs、agents。 ↩ ↩2

  9. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 90–96 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:94,搜「parts of the puzzle」;:95 搜「NutriChat」)。原文:虽有 LangChain/LlamaIndex 可用,「从零建意味着你认识拼图的每一块」;项目对象是 1,200 页营养教材 PDF。 ↩

  10. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 25–49 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:43,搜「Hallucinations, Irrelevant」)。该课覆盖幻觉、无关回答、不安全输出的快速响应、监控与恢复。 ↩

  11. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 98–107 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:98,搜「Production-ready RAG」)。 ↩

  12. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 115–124 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:118,搜「VS Code」)。 ↩

  13. 出处:「3. 9 Production Level Guided LLM, RAG, & Agents Projects」第 127–139 段(text/26-ch03-3-9-production-level-guided-llm-rag-agents-proje.txt:127,搜「$1 Alternative to $200」;:132 搜「February 2025」;:137 搜「positive effect on your hiring」)。原文:OpenAI 的 Deep Research 限于 200 美元 pro 档,该项目用 LangGraph 自建、成本不到一美元。 ↩ ↩2 ↩3

  14. 出处:「1. 10 Large Language Models Projects Ideas To Build Your Portfolio」第 315–318 段(text/24-ch01-1-10-large-language-models-projects-ideas-to-bui.txt:162,搜「medical diagnosis and treatment recommendations」)。播客摘要与主题归类、YouTube 问答三个项目的「技术栈」块都复制了医疗 bot 的描述——同一句在第 335、385 段重复出现。 ↩