从 Java 到 Python AI Infrastructure

1. 五个阶段#

flowchart LR
  S1["阶段一 6h<br/>语法平移<br/><br/>产出：CLI 工具"] --> S2["阶段二 6h<br/>对象模型 / 生成器<br/><br/>产出：包 + mypy"]
  S2 --> S3["阶段三 6h<br/>测试 / 打包 / GIL<br/><br/>产出：28 测试 + 镜像"]
  S3 --> S4["阶段四 16h<br/>张量 / 显存 / 推理<br/><br/>产出：显存口算器 + 服务"]
  S4 --> S5["阶段五 6h<br/>Capstone 网关<br/><br/>产出：压测报告"]
  S1 -.->|"随时回查"| T["Java ↔ Python<br/>对照表"]

排期建议：每周 8 小时 × 5 周，或每天 2 小时 × 20 天。不建议压到两周内 —— 阶段四需要反复踩显存和批处理的坑，那些坑是靠等待和重试学会的。

2. 开始之前，三句话#

1. 你不需要"学 Python"，你需要把 Java 的工程直觉平移过来，同时卸掉三个会害你的直觉：类型靠编译器保证、并发靠线程池、性能靠 JVM 兜底 —— 这三条在 Python 里全部失效，而且失效方式各不相同。

2. AI Infra 里 90% 的 Python 代码只用到语言的一个子集：函数、dataclass、装饰器、生成器、asyncio、类型注解。元类、描述符、__slots__ 微优化一律不学，遇到了再查。

3. 真正的难点不在语法，在四个心智模型：张量（shape / dtype / broadcast）、显存（分配 / 碎片 / OOM）、批处理（吞吐 vs 时延）、GIL（为什么你的多线程不加速）。40 小时里有 16 小时花在它们身上，语法只占 6 小时。

3. 这五页里最值得先看的六段#

即使你不打算按顺序走完，下面六段也值得单独挑出来读 —— 它们是实测出来的、能改变判断的东西：

4. 这 40 小时里不要学的东西#

明确排除，省下来的时间才够学阶段四：

5. 资源清单（每个主题只给一份）#

📌 原则：每个主题只读一份主资源，剩下时间全部用来敲代码。 40 小时里至少 24 小时应该是手在键盘上 —— 这也是这五页存在的理由。

6. 总的结业自检#

走完五个阶段，下面每一条都应该能答"是"：

• 能不查 Java 对照写出地道的 Python（推导式、生成器、dataclass、with、f-string）
• 能解释类型注解为什么不检查、以及 pydantic 为什么例外
• 能说清 GIL 的影响，并在 asyncio / 多进程 / 向量化之间正确选型
• 知道容器里 os.cpu_count() 会骗人，能说出怎么读 cgroup 配额
• 能用 uv 从零建项目、锁依赖、打出能跑的 CUDA 镜像
• 能口算 "7B 模型 bf16 权重要多少显存"，并说出 KV cache 为什么还要额外一大块
• 能解释为什么 int4 量化对 8B 模型几乎不增加并发，对 32B 模型却增加 4 倍
• 能读懂一段 PyTorch 推理代码，指出 shape 错误和显存浪费点
• 能起一个 OpenAI 兼容服务，支持流式，并解释 continuous batching 解决了什么
• 能定义并采集 TTFT / TPOT / 排队时延 / 吞吐，画出吞吐-时延曲线并指出膝点
• 能把 Java 时代的限流、超时、取消、可观测实践迁移到这个服务上
• 能用"讲判断"而不是"列框架"的方式讲完 Capstone 项目

7. 相关文档#