-这是 空框｜Reframe 的第 18 篇文章-上一篇中，对Python有了一个最基础的了解，这一篇，我将用最简单的方式，讲清楚Python的一些基础概念。如果说上一篇解决的是“如何在AI的帮助下，快速进入Python的运行环境”，那么这一篇，我们要开始回答一个更本质的问题：当你敲下那些看起来并不复杂的代码时，计算机到底在理解什么？这一步非常关键。因为从这一刻开始，你不再只是“复制AI生成的代码”，而是开始能够判断——它为什么这样写。
你可以把Python想象成一个工作台，而数据，就是被放在工作台上的原材料。print("空框AI")print(520)print(3.6)
虽然它们都能被打印出来，但在Python看来，它们并不是同一类东西。"空框AI"是文本（字符串，str），520是整数（int），3.6是小数（浮点数，float）。只要加了引号，它就不再是数字，而是“字符组成的文本（str）”。如果你不确定某个数据到底属于哪一类，可以直接问Python：系统不会猜测你的意图，它只会根据你提供的格式进行处理。在AI时代，这个习惯尤其重要——明确输入结构，比事后解释错误要高效得多。所以，这里，我们了解了Python的数据类型（str、int、float），以及如何查询数据的类型——type()。
在上一篇里，我们已经用过print()。但如果只是这样：discount_price = 100 * 0.85print(f"打折后的价格是 {discount_price}")
这里第一次出现了一个非常实用的写法：f-string。它的作用很简单—— 允许你在一句文字里，直接嵌入变量或计算结果。例如： steps = 8200goal = 10000print(f"今天已经完成 {steps/goal*100:.1f}% 的步数目标")
在真实世界中，我们几乎从不单独展示一个数字，而是展示“带解释的信息”。这和做数据看板是一致的：数字只是原始数据，语义才是决策依据。对了，如果细心的话，上面的代码，f+{}，}之前，有“:.1f”这一串内容，如果想知道是什么，去问问AI吧（表示保留1位小数）。
这句话的真实含义不是“定义规则”，而是：给29这个值起了一个名字。如果你把数值写死在每一行代码里，每次修改都需要逐行排查。而变量，让你只改一次。weekly_users = 15000growth_factor = 1.12forecast = weekly_users * growth_factorprint(f"下周预计活跃用户为 {forecast}")
从产品视角看，变量的存在，本质上是在做一件事——把变化和逻辑解耦。
到目前为止，你已经用过几个函数：
函数可以理解为一个“工具”，输入数据，得到处理结果。
例如：
可以得到文本长度。
可以得到四舍五入的结果。
更重要的是，函数的结果可以被保存：
title_length = len("空框AI零基础速通Python")
这意味着，你可以把函数当作“能力模块”。
当需要某个功能时，并不一定要自己实现，直接调用即可。
注意函数的格式是——func()，其中func为函数名，函数后跟着一个括号（），括号中是函数的参数，函数的参数可以为空，也可以是一个参数或多个参数。
这里有一个非常符合AI时代的现实建议：你不需要记住所有函数。你只需要知道：当需要某种处理能力时，可以问AI。这本身也是新的编程工作流的一部分。
到这里，我们引入一个只有在AI时代才真正重要的概念——Prompt，本质上也是一种变量。
例如：
role = "独立开发者"topic = "游戏美术风格"prompt = f"请给一个{role}提供关于{topic}的学习建议"
这里的prompt并不仅仅是一段文字。它是一个可以被复用、被修改、被组合的“指令模板”。
当你改变变量：
同一条 Prompt，就会产生完全不同的输出。
在传统编程中，变量控制程序的执行路径。在 AI 编程中，变量同时控制模型的生成路径。换句话说，Prompt Engineering，本质是“用变量驱动模型行为”。
这和配置化产品、策略引擎极其相似。
如果这一部分听不懂没关系，可以跳过，也可以跟AI跟深入的探讨。
来看一个更完整、也更符合真实AI使用场景的例子：
name = "黄方闻" articles_write = 18prompt = f"为{name}生成一段鼓励的话，他本月已经写了{articles_read}篇AI文章" print(prompt)
这里同时发生了几件事：
1、数据被存储
2、变量提供标签
3、f-string组合语义
4、Prompt成为AI的输入
如果接入大模型接口，这段prompt就可以直接驱动生成内容。
从架构角度看，这其实就是： 数据层 → 参数层 → 策略层 → 生成层。换一个角度看，这其实已经是一个极小的 AI 工作流。
这一篇结束时，你不需要会写复杂程序。只要你能做到：
1、能区分数据类型；
2、能创建并修改变量；
3、能使用函数处理数据；
4、理解Prompt也可以被变量化
你就已经完成了从“能运行代码”，到“开始理解代码结构”的关键一步。我们下篇文章见。
从某种意义上说，这一篇依然是在做同一件事：验证一种学习路径是否成立。
如果把学习Python当作一个产品使用过程，那么今天我们完成的，其实是“认知层”的基础建模。
你开始知道：程序处理的是数据，变量是可被复用的命名，函数是对数据的操作，Prompt是可以被工程化的输入。当这些概念建立之后，接下来无论是写脚本、做自动化，还是调用大模型接口，都会变得可解释、可拆解。
在AI时代，编程正在慢慢从“记忆语法”，转向“组织信息”。而一旦你学会用变量和结构来表达问题，新的工具、新的语言，都会变成可以快速迁移的能力，而不是新的门槛。
也许这个系列最后真正留下的，不是你写了多少Python，而是你逐渐习惯了一种更高效的工作方式：先把问题变成数据，再把数据变成结构，然后让工具去执行。
当这个过程变成下意识动作时，学习本身就不再是一件沉重的事情，而更像是一种可持续迭代的系统。
[空框｜Reframe]
10个月宝宝每天需要喝多少奶粉？