# 学完之后做什么：Python 的三条出路

各位老朋友——

能读到这一章，水哥先恭喜你。

从 `python0` 一路走到 `python27`，咱们一起聊过变量、函数、面向对象、异常、文件、模块、虚拟环境、类型注解、`pathlib`、`dataclass` 与 `Pydantic`、上下文管理器、`async/await` + `httpx`、`pyproject.toml`、`uv`、`pytest`、Git 协同、CI/CD、PyPI 发包……整整二十八章，几十万字，几百段代码。各位走到这里，已经不是「只会写 `print('hello')`」的初学者了，而是一个**能从零搭项目、能写测试、能发包、能跟团队协作**的、真正意义上的 Python 工程师。

可是各位有没有发现一件事——读完这二十八章，会的东西看起来很多，可一旦关上书，又好像不知道**接下来该写点啥**？

这种感觉水哥太懂了。Python 的语法和工程化只是**地基**，地基打好了之后，往上面盖什么样的房子，得各位自己挑。Python 的世界很大——大到一辈子也学不完。但是大归大，主流方向其实就那么几个，挑一个跟着做，比漫无目的地刷教程强一百倍。

这一章水哥不教语法、不写大段代码，就给各位三个最主流的 Python 出路：

1. **数据 / AI / 机器学习**——2026 年最火的方向，Python 是 AI 的母语
2. **Web 后端开发**——开发效率高、能见度高、招聘面广
3. **自动化运维 / 脚本 / 工具**——把日常工作变成代码，Python 当年就是靠这个起家的

每个方向水哥会讲三件事：**为什么选它、必备库清单、三个起点项目**。挑一个最对你胃口的，把项目跟着撸完，比读十本书都顶用。

走起。



## 方向一：数据 / AI / 机器学习

### 为什么选这个方向

各位翻一翻 2026 年的招聘网站，搜「Python 工程师」三个字，跳出来的岗位大半带着「数据」、「算法」、「AI」、「LLM」、「大模型」、「机器学习」这些词。这不是巧合——**Python 是 AI 时代事实上的母语**。

为啥？水哥给各位讲三层原因——

第一层是**生态**。从 2010 年代初的 `numpy`/`pandas`，到 2015 年的 `scikit-learn`，到 2017 年的 `tensorflow`/`pytorch`，到 2022 年之后 `transformers`/`langchain`/`openai`/`anthropic` 各种 SDK，二十年下来，AI 圈所有重要的库**第一个版本都是 Python 写的**。其他语言不是不能用，是用了之后发现「跟主流社区接不上」——别人发论文用 PyTorch，你用 Julia 或者 Rust 重写一遍，论文复现都没人跟你聊。

第二层是**节奏**。AI 圈是一个**「论文今天发，明天就有人开源代码」**的圈子。这种节奏下，能一行 `pip install` 装上的 Python 库，比要编译半小时的 C++/Rust 库快一万倍。语言性能不是不重要，而是**先跑通、再优化**这个顺序在 AI 圈被压得特别极端，Python 正好是「先跑通」这一步的最优解。

第三层是**钱**。2026 年的 AI 工程师薪资在所有 Python 方向里**最高**——一线城市资深岗位 50k-80k 不算稀奇，应届生只要能讲清楚一两个 LLM 项目，起薪 30k 也很常见。这里水哥不是劝各位「为钱学 AI」，而是说——AI 方向的市场需求、薪资上限、想象空间都摆在那儿，往这个方向走的回报曲线很陡。

所以——如果各位对「让机器自己学」、「让模型替我写代码」、「让程序看图说话」这些话题感兴趣，AI 这条路水哥推荐你认真看一眼。

### 必备库清单

数据/AI 方向的库分四个层次，从下往上——

| 层次 | 代表库 | 干啥用的 |
| --- | --- | --- |
| 数据基础 | `numpy`、`pandas`、`matplotlib`、`jupyter` | 数组、表格、画图、交互式笔记本，俗称「数据四件套」 |
| 数据增强 | `polars`、`seaborn`、`plotly` | `pandas` 的 Rust 升级版、统计图美化、交互图 |
| 传统 ML | `scikit-learn`、`xgboost`、`lightgbm` | 分类、回归、聚类、决策树、梯度提升 |
| 深度学习 | `pytorch`、`transformers`、`huggingface_hub` | 神经网络框架、预训练模型一行加载 |
| LLM 应用 | `anthropic`、`openai`、`langchain`、`llama-index` | 调商业 LLM、做 RAG、做 Agent |

各位看完这张表估计有点懵——「学这么多？」别慌，这张表是**地图**，不是**清单**。地图给你看「这个方向有啥风景」，真正学的时候按下面的路径来——

1. **基础四件套先打通**：`numpy` 算数组、`pandas` 处理表格、`matplotlib` 画图、`jupyter` 当画板。这四个库吃透，70% 的数据分析任务都能干。
2. **`scikit-learn` 是传统 ML 的入口**：决策树、随机森林、SVM、KMeans 这些经典算法都在里面，API 极其统一——`fit` 训练、`predict` 预测，三行代码跑一个模型。
3. **`transformers` 是深度学习的捷径**：HuggingFace 把所有主流预训练模型（BERT、GPT-2、Llama、Qwen）打包成统一接口，一行 `pipeline('sentiment-analysis')` 就能跑情感分析。各位不用从 PyTorch 开始啃，直接用预训练模型干活，遇到瓶颈再往下钻。
4. **LLM SDK 是 2026 年的新基建**：`anthropic` 调 Claude、`openai` 调 GPT，加上 `langchain` 做编排、`llama-index` 做 RAG，这套组合是当前**「LLM 应用工程师」**这个新岗位的标配。

「`polars` 凭啥能挑战 `pandas`？」这个问题水哥多说一句——`polars` 是 Rust 写的 DataFrame 库，速度比 `pandas` 快 5-10 倍，API 更现代（强类型、惰性求值、不容易写错）。2024 年之后越来越多新项目首选 `polars`。但是 `pandas` 生态太成熟、教程太多，**入门还是建议从 `pandas` 开始**，等你写多了 `pandas` 觉得「这语法真烦」的时候，自然就会去看 `polars`。

### 三个起点项目

#### 项目 1：用 `pandas` 分析一份公开数据集

- **做什么**：从 Kaggle 下载一份 CSV（推荐 [Titanic](https://www.kaggle.com/competitions/titanic) 或者 [TMDB Movies](https://www.kaggle.com/datasets/tmdb/tmdb-movie-metadata)），在 `jupyter` 里读进来，做 5 个分析：缺失值统计、分布直方图、相关性热力图、分组聚合、画一张能讲故事的图
- **难度**：★☆☆☆☆
- **代码量**：100-200 行
- **学到啥**：`pandas` 的 `read_csv`/`groupby`/`merge`/`pivot_table` 全套基础操作；`matplotlib` 和 `seaborn` 画图；用 `jupyter` 写「能给别人看」的分析报告

这个项目水哥强烈建议各位**第一个就做**。它不光教 `pandas`，还培养一个 AI 工程师必备的习惯——**面对一份陌生数据，第一反应是去看分布、看缺失、看异常值**，而不是闷头写模型。

#### 项目 2：用 `transformers` 跑一个本地分类模型

- **做什么**：用 HuggingFace 的 `pipeline('sentiment-analysis')` 做一个「电影评论好坏判断器」。先用预训练模型直接跑，再下载 IMDB 评论数据集做微调（fine-tune），把准确率从 85% 提到 92%
- **难度**：★★★☆☆
- **代码量**：200-400 行
- **学到啥**：`transformers` 的 `pipeline` 用法、HuggingFace Hub 怎么找模型、`Trainer` API 微调流程、GPU 和 CPU 切换、模型保存和加载

「我没显卡咋办？」用 [Google Colab](https://colab.research.google.com)。免费给 T4 GPU，跑这种小模型够用。或者用 Apple Silicon 的 MPS 后端，M 系列芯片本地训练也能跑。

#### 项目 3：调 Claude API 写一个「PDF 总结」工具

- **做什么**：写一个命令行工具，输入一个 PDF 路径，输出一份 200 字的中文总结。流程是——`pypdf` 抽文字 → 切成 2000 字一段 → 每段调 `anthropic` SDK 让 Claude 总结 → 最后再让 Claude 把所有片段总结**汇总成一份**
- **难度**：★★☆☆☆
- **代码量**：100-200 行
- **学到啥**：`anthropic` SDK 用法、API key 管理（`.env` + `python-dotenv`）、长文本切分策略、`prompt engineering` 入门、流式输出

这个项目跟 2026 年的工作场景**贴得最近**。各位在公司里写一个这种工具，立马能解决「每周看 5 篇行业报告」的痛点，老板看了都想给你加薪。



## 方向二：Web 后端开发

### 为什么选这个方向

「Web 后端」听起来很老，2026 年还有人写吗？

有，而且**特别多**。原因很简单——所有公司都需要 API。前端框架换了一茬又一茬（Vue、React、Svelte），App 端从原生到混合到跨平台，但是后端始终在那儿，吭哧吭哧地处理请求、读数据库、调外部服务、返回 JSON。

Web 后端**不会消失**，只会变得更重要——因为：

1. **AI 应用本质上是 Web 应用**。各位看 ChatGPT、Claude、Cursor，前端是个聊天框，后端就是一堆 API 在调模型。LLM 工程师 90% 的工作其实是**写后端**，只不过加了一个「调模型」的环节。
2. **微服务还在普及**。一个公司一个大应用变成几十个小服务，每个服务都是一个 Web 后端项目。Python 在这种小服务场景下开发效率非常高。
3. **招聘面最广**。各位投简历搜「Python 后端」，全国一线城市每天新挂的岗位都是几百个起步——比 AI 岗位多，门槛也低一点。

那 Python 写后端跟 Java、Go、Node 比有啥优势？水哥说三点——

- **开发速度快**：写一个 CRUD API，Python 大概 100 行，Java 同样的功能至少 300 行
- **跟 AI 生态无缝衔接**：后端里要塞一段「调 LLM 处理用户输入」的逻辑，Python 一行 import 就完事
- **2024 年之后 Python 后端的工程化追上来了**：`fastapi` + `pydantic` + `sqlmodel` + `uv` 这套现代栈，类型安全、文档自动生成、性能也跟得上，跟 Go 比不再被吊打

### 必备库清单

| 角色 | 代表库 | 干啥用的 |
| --- | --- | --- |
| Web 框架 | `fastapi`、`starlette` | 写 API，主流首选 |
| 数据校验 | `pydantic` | 请求体、响应体的类型校验，跟 `fastapi` 深度集成 |
| ASGI 服务器 | `uvicorn`、`hypercorn`、`granian` | 跑 `fastapi` 的服务器，生产环境一般是 uvicorn + gunicorn |
| ORM | `sqlalchemy 2.x`、`sqlmodel` | 操作数据库，`sqlmodel` 是 `fastapi` 作者写的 SQLAlchemy 简化版 |
| 数据库迁移 | `alembic` | 表结构变更管理，加一个字段、改一个类型 |
| 缓存 | `redis-py`、`aiocache` | Redis 客户端、内存缓存 |
| 异步任务 | `celery`、`dramatiq`、`arq` | 后台跑邮件、爬虫、定时任务 |
| 认证 | `python-jose`、`passlib`、`authlib` | JWT、密码哈希、OAuth |
| HTTP 客户端 | `httpx` | 调外部 API，同步异步都行 |
| 测试 | `pytest`、`httpx.AsyncClient` | 接口测试 |

「列了这么多咋下手？」从下往上分阶段——

1. **第一阶段：单文件 API**。装 `fastapi` 和 `uvicorn`，写一个 50 行的 `main.py` 跑起来，用浏览器打开 `http://localhost:8000/docs` 看自动生成的 Swagger 文档。这一步 30 分钟搞定，立马上瘾。
2. **第二阶段：加数据库**。装 `sqlmodel`，加一个 SQLite 数据库（不用单独装，Python 自带），写一组 CRUD 接口（增删改查）。这一步走通，你已经能写一个像样的 API 了。
3. **第三阶段：加鉴权**。装 `python-jose` 和 `passlib`，加一个 `/login` 接口发 JWT，加一个 `Depends(get_current_user)` 保护其他接口。这一步搞完，你的 API 就是「企业级」的了。
4. **第四阶段：加异步任务**。装 `celery` 或者更轻量的 `dramatiq`，把「发邮件」、「生成 PDF」这种耗时任务丢到后台跑。这一步进入「**真生产**」级别。

「Django 呢？」Django 5.x 在 2026 年仍然活得很好——它跟 `fastapi` 是两种哲学：

- **`fastapi` 是「积木式」**：从空白开始，需要啥装啥，适合 API、微服务、AI 后端
- **`django` 是「全家桶式」**：Admin 后台、ORM、模板、表单、用户系统全自带，适合**「一个团队从零做一个完整网站」**这种场景

如果你以后想做内容站、电商、企业内部系统，Django 仍然是好选择。但如果你的目标是 AI 后端、微服务、移动 App 后端，`fastapi` 是 2026 年的默认答案。

### 三个起点项目

#### 项目 1：todo API（CRUD + sqlmodel）

- **做什么**：写一个待办事项 API，接口包括「创建 todo」、「列出所有 todo」、「按 ID 查 todo」、「更新 todo」、「删除 todo」。数据存 SQLite，用 `sqlmodel` 做 ORM，用 `pytest` 写 5 个接口测试
- **难度**：★☆☆☆☆
- **代码量**：200-300 行
- **学到啥**：`fastapi` 路由、`pydantic` 模型、`sqlmodel` ORM 的 `select`/`session.add`/`session.commit`、`pytest` 写接口测试、Swagger 文档怎么用

这个项目水哥建议**所有想学 Web 后端的人都做一遍**。它麻雀虽小，五脏俱全——做完之后，你会真切体会到「**用 Python 写 API 真的快**」这个事情。

#### 项目 2：给 todo API 加 JWT 鉴权

- **做什么**：在项目 1 的基础上加用户系统——加一张 `User` 表、一个 `/register` 注册接口、一个 `/login` 登录接口（返回 JWT）、其他接口全部加 `Depends(get_current_user)` 保护起来。每个 todo 关联一个 `user_id`，只能查/改自己的
- **难度**：★★★☆☆
- **代码量**：300-500 行
- **学到啥**：JWT 的工作原理、`passlib` 怎么做密码哈希、`fastapi` 的 `Depends` 依赖注入、关系型数据库的外键和 join、权限的「行级隔离」

JWT 是 2026 年 Web 后端**最常考**的概念。这一关过了之后，看任何后端项目都不慌。

#### 项目 3：加后台任务（celery 发邮件）

- **做什么**：在项目 2 的基础上加一个功能——用户注册之后给他发欢迎邮件，但是**不阻塞 API 响应**。装 `celery` + `redis`，把发邮件函数标成 `@app.task`，注册接口里 `send_welcome_email.delay(user.email)` 一发就返回，邮件由 worker 在后台真去发
- **难度**：★★★★☆
- **代码量**：400-600 行
- **学到啥**：消息队列的概念、`celery` 的 broker 和 backend、`redis` 怎么当队列、worker 怎么部署、为啥要异步任务（用户体验、稳定性）

这个项目做完，你已经摸到了**「分布式后端」**的门。后面学 Kafka、学微服务，都是基于这个思路扩展出去的。



## 方向三：自动化运维 / 脚本 / 工具

### 为什么选这个方向

各位有没有听过 Python 的外号——**「胶水语言」**？

这个外号不是夸 Python 跑得快、不是夸 Python 类型安全、是夸 Python **「啥都能粘一下」**。Python 的标准库巨大、第三方生态庞大、跟系统调用、跟 HTTP、跟数据库、跟文件、跟 Excel、跟 PDF、跟微信、跟钉钉……几乎所有「重复劳动」的场景，都能被 Python 做成一段脚本。

这个方向有几个特点——

1. **见效快**。一段 50 行的脚本，可能立马省掉每天半小时的重复劳动。各位写完之后**自己用、自己爽**，根本不用什么「上线」、「评审」、「灰度」。
2. **不依赖大公司**。AI 和后端方向更适合在公司里干（要数据、要服务器、要业务），自动化方向**一台笔记本就能起飞**。各位甚至可以靠这个接外包、做副业。
3. **门槛最低，但天花板也不低**。最简单的脚本初学者就能写，复杂一点的「分布式爬虫」、「企业内部自动化平台」、「DevOps 工具链」也是这个方向的延伸，资深岗位照样年薪百万。

如果各位的目标是**「让自己每天的工作更轻松」**，或者**「想做一些能马上看到效果的小项目」**，自动化方向是性价比最高的选择。

### 必备库清单

| 用途 | 代表库 | 干啥用的 |
| --- | --- | --- |
| HTTP 请求 | `requests`、`httpx` | 调 API、爬网页，`httpx` 支持异步 |
| 网页抓取 | `beautifulsoup4`、`lxml`、`playwright`、`selenium` | 解析 HTML、自动控制浏览器 |
| 定时任务 | `schedule`、`apscheduler` | 每天 9 点跑一次、每隔 5 分钟跑一次 |
| 远程操作 | `paramiko`、`fabric` | SSH 到服务器执行命令 |
| 终端 UI | `rich`、`textual` | 彩色输出、表格、进度条、TUI 应用 |
| CLI 框架 | `click`、`typer` | 写命令行工具，参数解析比 `argparse` 优雅十倍 |
| 配置文件 | `pyyaml`、`tomllib`、`configparser` | YAML、TOML、INI 解析 |
| 文件操作 | `pathlib`、`shutil`、`watchdog` | 路径操作（标准库）、文件监听 |
| 办公自动化 | `openpyxl`、`python-docx`、`pypdf` | Excel、Word、PDF |
| 通知 | webhook（钉钉/飞书/Slack） | 出事了发消息 |

「这一坨咋学？」自动化方向**不要按照清单学**，按**项目**学。各位脑子里有一个「**我每天/每周做的某件麻烦事**」，然后用上面的库去做掉它，需要啥学啥，半年下来这个清单自然就熟了。

`rich` 这个库水哥必须单独夸一句。它是 Will McGugan 写的，让 Python 终端输出**变彩色、变带格式**，进度条、表格、Markdown 渲染、错误堆栈高亮全部内置。装了它之后，各位写的命令行工具立马「**像样**」了一个量级。`textual` 是同一个作者搞的 TUI 框架——在终端里搞出一个**响应式应用**，跟 Web 一样的组件化思路，可玩性极高。

### 三个起点项目

#### 项目 1：网页变化监控 + 钉钉/飞书通知

- **做什么**：监控某个网页（比如「某商品 SKU 的价格」、「某博客作者的最新文章」、「12306 的某条火车票余票」），每 10 分钟抓一次，发现变化就发钉钉/飞书 webhook 通知到群里。脚本用 `apscheduler` 调度，HTTP 用 `httpx`，HTML 解析用 `beautifulsoup4`
- **难度**：★★☆☆☆
- **代码量**：100-200 行
- **学到啥**：HTTP GET、HTML 解析（CSS selector）、状态对比（hash 比对、diff 比对）、定时任务、webhook 怎么发

这个项目水哥自己写过好几个版本——监控博客订阅、监控演唱会票务、监控购物网站降价，都是它的变种。**做完一个之后，每次想监控啥东西改两行就能新开一个**，复用率超高。

#### 项目 2：自动备份目录到 OSS / S3

- **做什么**：写一个脚本，每天凌晨 2 点把指定目录（比如 `~/Documents/重要资料`）打成 zip，按日期命名（`backup-2026-04-28.zip`），上传到阿里云 OSS 或者 AWS S3，再删除超过 30 天的旧备份。脚本用 `apscheduler` 调度，压缩用标准库 `zipfile`，上传用 `oss2` 或 `boto3`
- **难度**：★★★☆☆
- **代码量**：200-300 行
- **学到啥**：文件遍历（`pathlib`）、zip 压缩、对象存储 SDK 用法、密钥管理（`.env`）、生命周期管理（按日期清理）、日志（`logging`）

「这有啥用？」各位平时电脑里的代码、笔记、设计稿，是不是哪天硬盘坏了就全没了？这种自动备份脚本写一次，**用十年**。水哥的 Mac 上现在还跑着一个 2018 年写的备份脚本，从来没改过。

#### 项目 3：交互式 TUI 应用（rich + textual）

- **做什么**：用 `textual` 写一个**终端版的 todo 应用**——左侧列表显示所有 todo、右侧详情可编辑、底部状态栏显示统计、按 `n` 新建、按 `d` 删除、按 `e` 编辑。数据存本地 JSON 文件
- **难度**：★★★★☆
- **代码量**：300-500 行
- **学到啥**：`textual` 的组件、布局、事件、CSS 样式（对，TUI 也用 CSS）、键盘快捷键绑定、应用状态管理

这个项目难度稍高，但是做完之后你会发现——**「原来终端里也能写出像 VSCode 一样的应用」**。这种成就感是其他项目给不了的。水哥当年写完第一个 `textual` 应用，激动得发了个朋友圈。



## 横向技能：三个方向都要会的东西

不管各位最后挑哪个方向，下面这几样**横向技能**都要懂——它们是 2026 年所有 Python 工程师的「通用底盘」：

- **Git**：除了 `add` / `commit` / `push`，还要会 `branch` / `merge` / `rebase` / `cherry-pick`，看得懂 `git log --graph`。`python25` 那一章已经聊过，回头再翻一遍。
- **Docker**：把自己的 Python 项目装进容器，写一个 `Dockerfile`，跑 `docker compose up` 把应用 + 数据库 + 缓存一把启动。后端方向尤其要会。
- **Linux 基础**：`ssh` / `cd` / `ls` / `grep` / `awk` / `tail -f` / `ps` / `top` / `systemctl`，会用 `vim` 改个配置文件。运维方向必须会，其他方向也得懂个皮毛。
- **SQL 基础**：`SELECT` / `JOIN` / `GROUP BY` / `WHERE` / `INDEX`。后端和数据方向必备，自动化方向偶尔也会用到。
- **HTTP / REST 基本概念**：GET / POST / PUT / DELETE、状态码、Cookie、JWT、CORS。三个方向都用得上。

这些不需要专门学，做项目的时候**遇到了再补**，半年下来就熟了。重点是不要看到不熟的概念就绕开，每次都现学现用，知识自然就长上身了。



## 怎么挑方向

各位读到这里，估计心里在打鼓——「**到底选哪个？**」

水哥给一个简单的判断标准——

- **想看 LLM 浪潮、对「让机器思考」着迷** → 选**数据 / AI**
- **想做能见度高的产品、喜欢看到成果跑在网上** → 选**Web 后端**
- **想立刻减轻自己当下的工作量、爱折腾日常工具** → 选**自动化**

或者更简单——**哪个方向的「起点项目」让你看完想立刻动手，就选哪个**。这种「想动手」的冲动，是最准的内心指南针。

「能不能混搭？」当然能。水哥自己就是「**自动化 + AI**」的混搭——日常用 Python 写小工具，工具里塞 LLM 调用，每个工具都比纯写脚本聪明十倍。三个方向之间没有壁垒，只要语法和工程化的地基稳，从哪条路都能走到尽头。

但是**起步阶段水哥建议各位「专一」**——选一个方向做半年，把上面三个项目都撸完，再考虑横向扩张。一开始三个方向同时学，结果就是三个方向都半瓶水，啥都拿不出手。



## 持续学习：往下走的资源

学到这里，各位已经从「教程读者」毕业了，接下来要**自己进社区**。水哥推荐这几个长期跟着的频道——

- **[Real Python](https://realpython.com)**：英文社区里最优质的 Python 教程站，从基础到高级都有，每周更新两三篇深度文章
- **[Talk Python To Me](https://talkpython.fm)**：Michael Kennedy 主持的播客，每集请一位社区名人聊一个主题，通勤的时候听
- **[PyCon 系列演讲](https://www.youtube.com/@PyCon)**：YouTube 上免费看，每年 PyCon US / EU / China 都有几百个高质量演讲，挑感兴趣的看
- **[Python Weekly](https://www.pythonweekly.com)**：每周一封邮件，帮你过滤一周里值得看的 Python 新闻、库、项目
- **每年 10 月 Python 新版本发布**：去 [What's New in Python](https://docs.python.org/3/whatsnew/) 看一眼新版本添了什么，跟着版本走

中文圈的话，**水哥**会继续在 [walter201230/Python](https://github.com/walter201230/Python) 这个仓库里更新——欢迎各位 star、watch、提 issue 提 PR。教程是死的，社区是活的，能跟一群人一起进步，比一个人闷头啃书强一万倍。



## 结尾的话

各位老朋友——

写到这里，水哥忍不住要回到 `python0` 那一章的开头——「**学习 Python 需要一步一个脚印，踏踏实实地学。**」

这句话水哥当年写下的时候，自己都没想到会陪伴各位走完二十八章。一步一个脚印，听着像废话，但是落到每一天——**每天写 50 行代码、每天读一篇文档、每天 commit 一次**——半年下来就是质变。水哥自己学 Python 也是这么过来的，没啥诀窍。

学完 `python28`，各位手里已经有了一整套**Python 工程师的工具箱**——语法、生态、工程化、协作流程，外加一张「下一站去哪」的地图。怎么用这套工具箱，盖出怎样的房子，从今往后是各位自己的事了。

最后水哥送给所有读到这里的老朋友三句话——

1. **挑一个方向，做三个项目，把它们传到 GitHub**。这比读一百本书都有用。
2. **遇到搞不懂的报错先去 Google，再去 Stack Overflow，最后去问 Claude**。每一次 debug 都是一次成长。
3. **不要停**。Python 在变、AI 在变、整个行业每天都在变。**保持好奇心，保持动手习惯**，五年之后，各位回头看 2026 年的自己，会感谢今天没有停下来的你。

祝各位前程似锦，代码常青。

我们下次再见。

—— 水哥
2026 年 4 月