AI时代,重新出发:从Go到Python

写下 Go小技巧&易错点100例 的时候，我其实没有想过它会变成一个长期陪伴自己的系列。

一开始只是很朴素的想法：把平时开发里踩过的坑、查过的问题、突然想明白的小细节记下来。Go 语言很直接，也很克制，很多问题一旦理解了，就会变成肌肉记忆。比如 slice 的扩容、map 的并发安全、defer 的执行时机、goroutine 的退出控制、context 的传递边界，这些点看起来都不大，但在真实项目里，每一个都可能让人多调半天。

后来慢慢发现，所谓“小技巧”和“易错点”，其实不是边角料。它们更像是程序员和一门语言真正熟起来的证据。

刚开始学习一门语言时，我们总会先问：语法怎么写？项目怎么跑？库怎么用？

但真正进入日常开发之后，我们问的问题会变成：为什么这里会这样？为什么我以为的写法不工作？为什么同样的代码在另一个环境里就出错？为什么这个坑我已经踩过一次，换个场景又踩了一遍？

这些问题细碎、具体、甚至有点狼狈，却最接近真实的成长。

从Go到Python，不是告别，而是扩展

过去很长一段时间里，Go 是我在后端工程里非常顺手的工具。它简单、明确、工程化能力强，适合构建服务、处理中间件、写网络程序，也适合在复杂系统里保持秩序感。

但到了 AI 时代，开发工作的重心开始发生变化。

我们不再只是写接口、连数据库、做并发控制，也开始频繁地处理模型调用、Prompt 组织、结构化输出、Embedding、RAG、Agent、异步任务、数据清洗、批量评测和实验脚本。很多时候，一个想法能不能快速验证，不取决于服务框架搭得多漂亮，而取决于你能不能用最短的路径把数据、模型和业务流程串起来。

这时 Python 就很自然地走到了面前。

Python 不是因为语法更短才重要，也不是因为它适合写脚本才重要。它真正重要的地方在于：它站在了 AI 生态的中心。

从数据处理到模型训练，从推理服务到自动化评测，从 Notebook 实验到生产环境脚本，大量工具、框架、SDK 和最佳实践都首先在 Python 里生长出来。你可以不把 Python 当作唯一的主语言，但如果你正在开发 AI 项目，就很难绕开它。

对我来说，这不是从 Go 转向 Python 的单选题，而是在已有工程经验上，补上一块新的能力版图。

Go 让我更重视工程边界、并发模型和长期可维护性；Python 则提醒我，在 AI 项目里，快速实验、灵活组合、生态调用和数据表达同样重要。

这两种能力并不冲突。它们像两种不同性格的工具：一个稳，一个快；一个强调结构，一个擅长探索。真正重要的不是站队，而是在不同场景里知道该如何选择。

Python看起来简单，但并不随便

很多人第一次写 Python，会觉得它非常亲切。

没有繁琐的类型声明，没有复杂的编译流程，写几行代码就能跑起来。读取文件、处理 JSON、调用 HTTP 接口、写个小工具，几乎都可以很快完成。

但 Python 的坑也藏在这种轻松感里。

变量可以随时指向不同类型，于是代码写着写着就失去了语义；列表和字典是可变对象，一个赋值不小心就共享了同一份数据；默认参数只初始化一次，函数调用之间悄悄互相影响；异常被 except Exception: pass 吞掉之后，程序表面平静，问题却在更远的地方冒出来；虚拟环境没隔离好，一个项目装包，另一个项目崩掉；异步代码看起来用了 async，实际却还是阻塞执行。

这些问题并不丢人。它们是进入一门语言时必经的摩擦。

就像当年学习 Go 时，要慢慢接受“不要通过共享内存来通信，而要通过通信来共享内存”；学习 Python 时，也要慢慢建立另一种直觉：名字和对象的关系、可变与不可变的边界、解释器执行模型、包管理环境、动态类型带来的自由和代价。

Python 的门很宽，但走得稳，需要一点耐心。

AI时代，Python能力会变得越来越基础

AI 项目里，Python 的重要性还会继续上升。

因为 AI 开发本身带着很强的实验属性。你经常需要读取一批样本，改一个 Prompt，跑一次模型，解析一批结果，再把错误案例筛出来继续调整。这个过程不总是优雅的，有时甚至有点“边走边修路”。Python 恰好适合这种工作方式。

它能很快把想法变成可运行的原型，也能借助成熟生态继续往工程化方向演进。前一天你可能还在 Notebook 里调试一个数据清洗函数，后一天就需要把它拆成模块、加上日志、配置、重试、测试，再接入真实服务。

这也是我想写 Python小技巧&易错点100例 的原因。

它不会只是一份语法笔记，也不会只整理冷门知识点。我更希望它像之前的 Go 系列一样，记录那些在真实开发中会反复出现的问题：

• 为什么这个列表改了，另一个列表也跟着变了？
• 为什么我的包在命令行能导入，放到项目里就导入失败？
• 为什么 asyncio 写了异步，接口还是一个个慢慢请求？
• 为什么模型返回的 JSON 偶尔解析失败？
• 为什么环境变量、本地配置和线上部署总是对不上？
• 为什么同一段数据处理代码，数据量一大就开始慢？

这些问题看似零散，但串起来，就是一个后端开发者进入 AI 工程世界时需要补齐的路径。

重新出发，不是从零开始

重新学习 Python，并不意味着过去的 Go 经验要清零。

恰恰相反，过去的工程经验会变成新的参照系。

理解过 Go 的错误处理，再看 Python 的异常机制，会更关注错误边界和日志记录；写过 Go 的并发，再学 Python 的线程、进程和 asyncio，会更关心任务模型和资源控制；经历过 Go 项目的模块管理，再碰 Python 的虚拟环境和依赖锁定，也会更敏感地意识到环境一致性的重要。

语言会变，问题的底层逻辑不会完全变。

我们依然是在追求更清晰的表达、更稳定的程序、更可维护的项目，以及更少的线上意外。

只是在 AI 时代，工具箱需要更新，问题域也变得更有意思了。

所以这个系列就从这里开始。

前面有 Go小技巧&易错点100例，那是我在 Go 开发路上留下的一串脚印；现在有 Python小技巧&易错点100例，它会记录我在 AI 项目和 Python 开发中的新一轮踩坑、修正和理解。

希望它不只是“100 个知识点”的堆叠，而是一段重新熟悉语言、重新理解工程、重新适应 AI 时代开发方式的过程。

我们不是换一门语言就重新变回新手。

我们只是带着过去学会的东西，走进一个新的房间，打开灯，重新出发。

欢迎关注我~