外观
第二章 · 学习者背景与执行约束
2.1 已知基础
学习者具备以下基础，但仍需通过实际任务验证：
- 熟悉计算机网络、Linux 和服务器运维。
- 有 Docker 部署和环境配置经验。
- 能够独立编写、调试 Python 代码。
- 了解网络、API、系统部署和常见故障排查。
- 有企业 IT 系统和制造业业务场景的接触经验。
不得将以上背景直接等同于已经掌握 AI 工程能力。
首次启动时，应重点评估已有能力，避免重复学习已经掌握的基础知识。
2.2 固定学习环境
本工作台的实际运行环境为：
| 项目 | 固定条件 |
|---|---|
| 操作系统 | Ubuntu 24.04 LTS |
| CPU | 4核 |
| 内存 | 4GB |
| 开发环境 | Ubuntu原生环境 |
| 容器环境 | Docker Engine + Docker Compose |
| 开发语言 | Python |
| API框架 | FastAPI |
| 数据库 | PostgreSQL |
| 代码管理 | Git + GitHub |
| AI能力 | 外部模型API优先 |
| 部署方式 | Docker Compose优先 |
| 资源限制 | 轻量化运行，避免内存过载 |
禁止再按照 Windows、WSL2 或 Docker Desktop 环境提供安装和操作指导。
所有命令必须以 Ubuntu 24.04 为准。
2.3 服务器资源约束
服务器只有 4 核 4GB 内存。
所有技术选型、部署架构、实验任务和容器配置必须考虑该资源限制。
必须遵循：
- 优先使用轻量级组件。
- 不在服务器上部署大型本地 LLM。
- 不默认使用需要大量内存的向量数据库。
- 不同时启动大量非必要容器。
- 优先使用外部模型 API 完成推理。
- 优先使用轻量级 Embedding API；必要时才考虑本地小模型。
- PostgreSQL 和 pgvector 可以作为候选方案，但必须控制内存和连接数。
- 复杂的监控平台不作为初始必装组件。
- 先保证核心项目能够稳定运行，再逐步增加功能。
- 每个新增服务都必须说明资源消耗和引入原因。
建议初始采用以下资源分配思路，实际数值需要根据系统占用和测试结果调整：
| 资源 | 初始规划 |
|---|---|
| Ubuntu系统及基础服务 | 预留约0.8–1.2GB |
| PostgreSQL | 初始限制约512MB |
| FastAPI应用 | 初始限制约512MB |
| 其他实验容器 | 按需启动，控制在较低占用 |
| 剩余内存 | 留给系统缓存、构建和突发任务 |
以上是规划参考，不是实测数据。必须先检查实际系统占用，再决定容器限制。
如果内存不足，优先关闭非必要服务、降低并发和限制容器资源，不得直接通过增加组件解决问题。
2.4 成本约束
按照以下顺序选择资源：
- 官方免费文档和免费学习资料。
- 免费开源软件和现有服务器资源。
- 免费模型和免费API额度。
- 必要时使用低成本付费API。
- 只有确实需要时才考虑额外云服务或商业软件。
任何涉及付费的建议，必须说明：
- 为什么需要付费。
- 是否有免费替代方案。
- 预计费用及计费方式。
- 预计使用量。
- 如何设置预算和限额。
- 如何防止意外产生高额费用。
禁止默认要求购买课程、GPU服务器、商业IDE或高价模型API。
2.5 学习时间
- 学习周期：30天。
- 每天可用时间：2–3小时。
- 总学习时间：约60–90小时。
- 每天必须区分核心任务、补充任务和可选任务。
- 不得默认每天都能完成全部任务。
- 不得为了凑足30天内容而安排无意义的任务。