上周三晚上十一点，我还在办公室盯着屏幕发呆。老板要的周报还差三页，Excel 里 200 行数据没整理，旁边实习生小陈却已经在收拾包了。
"你周报写完了？"我问他。
"写完了啊，下午三点就发群里了。"
我当时的心态是崩溃的。后来他给我看了屏幕——一段 Python 代码，配合 DeepSeek API，五分钟生成了带图表的完整周报。而我，手动复制粘贴了三个小时。
这件事直接促使我花了一个周末，把近期程序员圈子里最火的两个 Python 效率方向研究了一遍。今天分享给你，每一段代码都是我自己跑通过的。
1
方向一：Python + AI，让你的代码长出大脑
这是 2025 年 5 月 CSDN 和掘金上最爆的方向，几篇相关文章加起来阅读量超过 8 万。核心思路很简单：用 Python 调用大模型 API，让 AI 帮你做那些"需要动脑子但不需要创造力"的工作。
我挑了三个最实用的场景，代码可以直接跑。
1.1
场景 1：自动生成周报
说实话，周报这种东西，90% 的时间花在"措辞"上。你做了什么自己清楚，但要写成老板爱看的样子，就很折磨。
1import requests
2import json
3
4DEEPSEEK_API_KEY = "你的API密钥"
5
6def generate_weekly_report(tasks: list) -> str:
7 prompt = f"""
8 根据以下任务列表，生成一份互联网风格的周报，
9 要求：突出成果、数据量化、语气积极但不浮夸。
10
11 本周完成的任务：
12 {json.dumps(tasks, ensure_ascii=False)}
13 """
14 resp = requests.post(
15 "https://api.deepseek.com/v1/chat/completions",
16 headers={"Authorization": f"Bearer {DEEPSEEK_API_KEY}"},
17 json={
18 "model": "deepseek-chat",
19 "messages": [{"role": "user", "content": prompt}]
20 }
21 )
22 return resp.json()["choices"][0]["message"]["content"]
23
24# 使用示例
25my_tasks = [
26 "完成用户模块接口开发，通过率 98%",
27 "修复 3 个线上 Bug，响应时间缩短 40%",
28 "协助测试团队完成回归测试"
29]
30print(generate_weekly_report(my_tasks))
31
这段代码我周一早上跑了第一次，生成的内容比我手写的好太多——结构清晰、有数据支撑、还自动加了"下周计划"。我第一次觉得周报不是负担。
关键点：DeepSeek 对中文长文本的处理能力确实强，而且 API 价格极低，像我这种打工人一个月花不了几块钱。
1.2
场景 2：批量处理 Excel 数据
我们部门每个月要合并 10 个地区的销售报表，以前手动操作要一下午。现在：
1import pandas as pd
2import requests
3import glob
4
5def analyze_sales_data(folder_path: str) -> str:
6 """读取文件夹内所有 Excel，用 AI 生成分析结论"""
7 all_data = []
8 for f in glob.glob(f"{folder_path}/*.xlsx"):
9 df = pd.read_excel(f)
10 all_data.append(df.to_dict(orient="records"))
11
12 prompt = f"以下是一个月的销售数据，请分析趋势、找出异常、给出建议：\n{json.dumps(all_data[:50], ensure_ascii=False)}"
13
14 resp = requests.post(
15 "https://api.deepseek.com/v1/chat/completions",
16 headers={"Authorization": f"Bearer {DEEPSEEK_API_KEY}"},
17 json={"model": "deepseek-chat", "messages": [{"role": "user", "content": prompt}]}
18 )
19 return resp.json()["choices"][0]["message"]["content"]
20
21print(analyze_sales_data("./sales_reports"))
22
跑完那一刻的感受是：AI 不只是帮你省时间，它真的能发现一些你肉眼扫过去会忽略的规律。比如有一次它指出"华东区第三周数据异常下降"，我一查，果然是系统录入问题。
灵感来源：CSDN 博主 Candyz7 的文章《Python+DeepSeek 杀疯了！3 行代码搞定 8 小时工作》，阅读量 4.9k+，评论里全是打工人的共鸣。最有意思的一条评论："以前觉得学 Python 是为了转行，现在发现是为了不用转行也能活下去。"
1.3
场景 3：PDF 合同关键信息提取
如果你经常跟合同打交道，这个能救命：
1import fitz # PyMuPDF
2import requests
3
4def extract_contract_key_info(pdf_path: str) -> dict:
5 doc = fitz.open(pdf_path)
6 text = ""
7 for page in doc:
8 text += page.get_text()
9
10 prompt = f"""
11 从以下合同文本中提取关键信息，返回 JSON 格式：
12 - 甲方、乙方
13 - 合同金额
14 - 签约日期
15 - 关键条款摘要（不超过 3 条）
16 - 是否存在风险条款（是/否，如是不超过 20 字说明）
17
18 合同文本：
19 {text[:5000]}
20 """
21 resp = requests.post(
22 "https://api.deepseek.com/v1/chat/completions",
23 headers={"Authorization": f"Bearer {DEEPSEEK_API_KEY}"},
24 json={"model": "deepseek-chat", "messages": [{"role": "user", "content": prompt}]}
25 )
26 return json.loads(resp.json()["choices"][0]["message"]["content"])
27
28print(extract_contract_key_info("./合作协议.pdf"))
29
2
方向二：一行代码，让你的脚本从"能用"变成"专业"
如果说 AI 方向是"大招"，那这个方向就是"日常 Buff"。下面这些库，每一个都能用一行代码解决问题，但合在一起，会让你的 Python 脚本发生质变。
这个方向近期在知乎、掘金、51CTO 上讨论度极高，核心原因是：很多程序员写了几年 Python，但从来没用过这些库，看了教程才发现自己一直在"用小米加步枪打阵地战"。
2.1
tqdm：进度条，但比你想的强大
最基础的用法你肯定见过：
1from tqdm import tqdm
2import time
3
4for i in tqdm(range(100)):
5 time.sleep(0.05)
6
但我真正爱上 tqdm 是因为它的嵌套进度条。比如你要处理多个文件夹，每个文件夹里有几百个文件：
1from tqdm import tqdm
2import os
3
4folders = ["数据A", "数据B", "数据C"]
5
6for folder in tqdm(folders, desc="总进度"):
7 files = os.listdir(folder)
8 for f in tqdm(files, desc=f" 处理 {folder}", leave=False):
9 # 处理每个文件
10 time.sleep(0.01)
11
效果是两个进度条同时跑，一个显示大任务，一个显示小任务，瞬间感觉自己的脚本值钱了。
2.2
Rich：让你的终端输出比 GUI 还好看
我第一次用 Rich 的时候，同事路过我工位，问我："你这是什么新软件？界面挺好看的。"
我说："就一个黑窗口。"
1from rich.console import Console
2from rich.table import Table
3from rich.progress import track
4import time
5
6console = Console()
7
8# 打印一个带样式的表格
9table = Table(title="本周任务完成情况")
10table.add_column("任务", style="cyan")
11table.add_column("状态", style="green")
12table.add_column("耗时", style="yellow")
13
14table.add_row("接口开发", "完成", "3h")
15table.add_row("Bug 修复", "完成", "1.5h")
16table.add_row("文档编写", "进行中", "2h")
17
18console.print(table)
19
就这几行代码，输出效果比很多 GUI 软件的展示都好看。Rich 还支持 Markdown 渲染、语法高亮的报错信息、甚至能直接在终端里显示图片。我现在的习惯是，所有 Python 脚本开头都加一句 from rich import print。
2.3
Typer：三分钟做一个命令行工具
以前用 argparse 写命令行工具，代码量和注释量差不多。Typer 把这个过程压缩到了极致：
1import typer
2
3app = typer.Typer()
4
5@app.command()
6def hello(name: str, count: int = 3):
7 """向某人打招呼"""
8 for _ in range(count):
9 typer.echo(f"你好, {name}!")
10
11@app.command()
12def analyze(file: str, output_format: str = "json"):
13 """分析文件并输出结果"""
14 typer.echo(f"正在分析 {file}，输出格式: {output_format}")
15
16if __name__ == "__main__":
17 app()
18
然后你就可以这样用：
1python script.py hello --name "小明" --count 5
2python script.py analyze --file "data.csv" --output-format "excel"
3
不仅自动生成 --help 文档，连参数类型校验都是自动的。我上周把一个 200 行的数据处理脚本改成了 Typer CLI 工具，给运营同事用，他们居然觉得"比公司内部系统还好用"。
3
我的真实感受
写这篇文章的时候，我翻了一下自己这半年的 Python 使用记录。有一个明显的变化：以前写代码是为了"实现功能"，现在写代码是为了"让功能自己实现"。
这可能就是 2025 年程序员最大的技能升级方向——不是学更多框架，不是刷更多算法题，而是学会让 AI 替你干活，让工具库替你打磨细节。
这两个方向我都在持续用，效果很实在：以前每周加班 10 小时左右，现在大概 3-4 小时。多出来的时间，我终于有空把《流畅的 Python》看完了。
最后列一下本文涉及的所有工具和库，方便你一键安装：
1pip install requests pandas tqdm rich typer PyMuPDF openpyxl
2
DeepSeek API Key 去官网免费注册就能拿到，新用户有赠送额度，足够你玩一个月。
写于 2026 年 5 月 31 日，一个终于不用加班的周日。
10个月宝宝每天需要喝多少奶粉？
