> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 5个适合忙碌人士的AI项目
- URL: https://www.hubwiz.com/blog/5-ai-projects-for-busy-people/
- Published: 2025-03-04T19:10:15.000Z
- Updated: 2025-03-04T19:10:15.000Z
- Description: 本文分享了跨越三个复杂程度的5个AI项目。我希望其中一个项目能够帮助那些因构建AI而停滞不前的人打破僵局。
- Author: admin
- Tags: APPLICATION, CHATGPT, CURSOR, COPILOT, YOUTUBE, OPENAI, PYMUPDF, OLLAMA, GRADIO, RAG, LLAMAINDEX, SKLEARN, #Import 2026-10-14 14:41

提升你的AI技能的最佳方法是通过**构建项目**。然而，对于忙碌的专业人士和领导者来说，找到时间坐下来实际编写项目可能会成为一个挑战。在这里，我分享了5个可以在一小时（或更少）内完成的AI项目，分为三个复杂程度。对于每个想法，我都提供了逐步说明和示例代码以帮助你开始。

**AI给了我们最宝贵的资源：*时间***。这来自于自动化和加速可能需要我们花费数小时才能完成的任务。

对于程序员来说，最好的利用方式是使用像ChatGPT、Cursor或Co-pilot这样的工具来帮助你更快地编写代码。这些工具已经**将我的“下午项目”压缩成我可以在一个小时内或更短的时间内完成的东西**。

在这里，我分享了我在不到一个小时的时间里完成的5个项目。你可以直接使用这些项目，或者（更好的是）使用它们作为灵感来自动化你经常重复的任务。

## 1、YouTube博客转换器（初学者）

内容创作是我作为企业家的一部分工作。虽然这是独资创始人让客户了解他们的产品和服务的最佳方式之一，但这是一个耗时的过程。

一个帮助我将博客文章写作速度提高3倍的自动化方法是使用GPT-4o将YouTube视频字幕翻译成文章。尽管这并不自动化整个内容创作过程，但它仍然为我节省了开发初始草稿的时间。

关键步骤：

1. 使用正则表达式从视频链接中提取YouTube视频ID
2. 使用视频ID通过[youtube-transcript-api](https://pypi.org/project/youtube-transcript-api/?ref=hubwiz.com)提取字幕
3. 编写一个提示，重新利用视频字幕生成一篇博客文章
4. 使用[OpenAI的Python API](https://pypi.org/project/openai/?ref=hubwiz.com)发送提示

**资源**：[提取字幕的示例代码](https://github.com/ShawhinT/YouTube-Blog/blob/main/full-stack-data-science/data-engineering/2%5Fget-transcripts.ipynb?ref=hubwiz.com) | [OpenAI API调用的示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-3/blob/main/session-3/example%5F1-paper%5Fsummarizer.ipynb?ref=hubwiz.com)

```
# (第2步) 从YouTube视频中提取字幕

from youtube_transcript_api import YouTubeTranscriptApi

# 视频ID（来自第1步）
video_id = "bAe4qwQGxlI"
      
# 获取字幕
transcript = YouTubeTranscriptApi.get_transcript(video_id)
      
# 合并字幕文本
transcript_text = "\n".join([entry["text"] for entry in transcript])

```

*附注：我将这个项目转化为一个正式的网络应用程序*[*y2b.io*](http://y2b.io/?ref=hubwiz.com)*。*

## 2、PDF问答聊天机器人（初学者）

虽然ChatGPT是一个很好的快速文档问答工具，但对于包含敏感信息的文件来说，这不是一个合适的解决方案（上传到ChatGPT的数据可以用于未来模型训练）。

一种解决方案是在本地机器上设置一个LLM聊天系统。这里有一个使用[ollama](https://ollama.com/?ref=hubwiz.com)的方法。

关键步骤：

1. 下载[ollama](https://ollama.com/?ref=hubwiz.com)
2. 使用[PyMuPDF](https://pypi.org/project/PyMuPDF/?ref=hubwiz.com)从PDF中提取文本
3. 使用[ollama](https://pypi.org/project/ollama/?ref=hubwiz.com)拉取你最喜欢的LLM
4. 编写一个系统消息，将PDF文本传递给模型的上下文
5. 传递用户关于文档的问题的消息
6. （可选）使用[gradio](https://pypi.org/project/gradio/?ref=hubwiz.com)创建一个简单的UI

**资源**：[本地聊天机器人的示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-3/blob/main/session-3/example%5F3-local%5Fvisual%5FQA.ipynb?ref=hubwiz.com) | [提取PDF文本的示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-3/blob/main/session-3/example%5F1-paper%5Fsummarizer.ipynb?ref=hubwiz.com)

```
# Ollama的基本用法（注意：你需要先本地安装ollama）

import ollama
import time

# 拉取模型
ollama.pull('llama3.2-vision')

# 与模型交互（本地）
stream = ollama.chat(
    model='llama3.2-vision',
    messages=[
        {
            'role': 'user',
            'content': '什么是LLM？',
        }
    ],
    stream=True,
)

# 流式输出文本
for chunk in stream:
    print(chunk['message']['content'], end='', flush=True)

```

## 3、RAG聊天机器人（中级）

有时，你不仅想在单个PDF中查找信息，还想在分散在多个文件中的信息中查找。这就是[检索增强生成（RAG）](https://medium.com/towards-data-science/how-to-improve-llms-with-rag-abdc132f76ac?ref=hubwiz.com)发挥作用的地方。

**RAG** 在将查询传递给LLM之前会自动检索与用户查询相关的上下文。这里有一个使用[LlamaIndex](https://pypi.org/project/llama-index/?ref=hubwiz.com)简单实现的方法。

关键步骤：

1. 将文档读取并存储到向量数据库中
2. 创建一个搜索函数，根据查询从数据库中检索上下文
3. 构建一个提示模板，结合用户查询和检索到的上下文，并将其传递给LLM
4. 将组件连接在一个简单的链中：*查询 -> 检索 -> 提示 -> LLM*
5. 编写查询并将其传递到链中
6. （可选）使用[gradio](https://pypi.org/project/gradio/?ref=hubwiz.com)创建一个简单的UI

**资源**：[RAG的示例代码](https://colab.research.google.com/drive/1peJukr-9E1zCo1iAalbgDPJmNMydvQms?usp=sharing&ref=hubwiz.com) | [gradio UI的示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-3/blob/main/session-3/example%5F3-local%5Fvisual%5FQA.ipynb?ref=hubwiz.com)

## 4、聚类客户反馈（中级）

RAG的核心组成部分之一是向量数据库，它使检索过程成为可能。更具体地说，这些“向量”是所谓的[**文本嵌入**](https://medium.com/towards-data-science/text-embeddings-classification-and-semantic-search-8291746220be?ref=hubwiz.com)，**对一段文本语义意义的数值表示**。

然而，RAG并不是唯一使用嵌入的应用场景。这些向量可以与传统的机器学习方法相结合，**解锁无数应用**。我最近使用它们来分析和总结客户开放式调查响应中的模式。

关键步骤：

1. 加载调查数据
2. 使用[sentence transformers](https://pypi.org/project/sentence-transformers/?ref=hubwiz.com) Python库对开放性回答进行编码
3. 使用KMeans（[scikit-learn](https://pypi.org/project/scikit-learn/?ref=hubwiz.com)）按相似度聚类回答
4. 编写一个提示，总结给定聚类中的回答
5. 使用GPT-4o-mini总结每个聚类中的回答

**资源**：[示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-3/blob/main/session-4/example%5F1-unstructured%5Fsurvey%5Fanalysis.ipynb?ref=hubwiz.com)

```
# Sentence Transformers库的基本用法

from sentence_transformers import SentenceTransformer

# 加载模型
model = SentenceTransformer("all-distilroberta-v1")

# 计算嵌入
embeddings = model.encode(text_list)

```

## 5、领英帖子撰写器（高级）

一个流行的AI应用是将其用于内容营销。然而，在实践中这样做却很棘手，因为一方面内容听起来像是AI生成的，另一方面搜索引擎和社会媒体平台积极检查并抑制AI生成的内容。

我们可以通过微调一个LLM来缓解这些问题，使其适应个人独特的写作风格和声音。我最近使用[OpenAI的微调API](https://platform.openai.com/docs/guides/fine-tuning?ref=hubwiz.com)来训练GPT-4o在我的领英帖子上。以下是你也可以做到的方法。

关键步骤：

1. 创建一个包含（10-50）个想法-帖子配对的.csv文件
2. 设计一个提示模板，结合响应指令和领英帖子想法
3. 生成消息-响应示例并将其存储为字典列表
4. 可选地将数据集拆分为训练集和验证集
5. 保存数据为.jsonl格式，以便OpenAI的微调API使用
6. 将.jsonl文件上传到OpenAI
7. 创建一个微调作业
8. 比较微调模型和GPT-4o

**资源**：[示例代码](https://github.com/ShawhinT/AI-Builders-Bootcamp-2/blob/main/session-5/example%5F1-linkedin%5Fpost%5Fwriter.ipynb?ref=hubwiz.com)

## 6、结束语

如今的AI编程工具（如ChatGPT、Cursor）使得构建项目变得前所未有的快速。更广泛的影响是**新程序员**可以在几小时内开始构建实用项目，而**有经验的程序员**可以在一个周末内构建一个完整的产品。

在这里，我分享了跨越三个复杂程度的5个AI项目。我希望其中一个项目能够**帮助那些因构建AI而停滞不前的人**打破僵局。

---

原文链接：[5 AI Projects For People in a Hurry](https://shawhin.medium.com/5-ai-projects-for-people-in-a-hurry-1220f0b27037?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处