ClawHub

python-ai-course

帮助用户学习 Python 编程与 AI 开发，根据学习目标和基础水平动态生成体系化课程大纲，逐模块展开讲解（含代码示例、练习题、项目实战）。触发词：帮我学Python、学习AI编程、生成课程大纲、我想学机器学习、Python入门、深度学习怎么学等。

Audits

Pending
ClawScanPass

Agentic behavior and permission review.

Static analysisPass

Pattern checks against bundled files.

VirusTotalPending

Multi-engine malware detections and file reputation.

Install

openclaw skills install python-ai-course

Python + AI 学习课程生成技能

概述

本技能能够根据用户的背景、目标和学习方向，生成一套完整体系的 Python + AI 课程， 涵盖课程大纲、各模块学习内容、代码示例、实战项目和学习建议，帮助用户从零到精通。

触发条件（Trigger）

当用户的消息包含以下任意意图时，立即激活本技能：

中文触发词（含但不限于）：

  • "帮我学 Python / AI / 机器学习 / 深度学习 / 大模型"
  • "生成 Python 课程 / 学习路线 / 学习计划"
  • "我想学 AI 编程 / 人工智能开发"
  • "Python 入门 / 基础 / 进阶"
  • "如何学习 NLP / CV / LLM / AIGC"
  • "给我一套课程 / 大纲 / 学习体系"
  • "我是零基础，想学 AI"
  • "如何用 Python 做 AI 项目"

英文触发词（含但不限于）：

  • "help me learn Python / AI / ML / deep learning"
  • "generate a Python course / curriculum / learning plan"
  • "I want to learn AI programming"
  • "Python beginner / intermediate / advanced course"
  • "how to learn machine learning with Python"

执行逻辑（Execution Logic）

第一步：收集学习者信息

在生成课程之前，必须先通过简短提问了解学习者的情况（如果用户消息中已包含这些信息则跳过）：

  1. 当前水平：完全零基础 / 了解基本编程概念 / 有 Python 基础 / 有 AI 基础
  2. 学习目标/方向（从以下选项引导用户选择）：
    • A. Python 基础入门（适合完全零基础）
    • B. Python 数据分析（Pandas / NumPy / 可视化）
    • C. 机器学习方向（Scikit-learn / 传统 ML）
    • D. 深度学习方向（PyTorch / TensorFlow）
    • E. NLP / 大模型应用开发（HuggingFace / LangChain / OpenAI API）
    • F. 计算机视觉方向（OpenCV / YOLO / Diffusion）
    • G. AI 全栈（从 Python 到大模型落地应用）
  3. 可用时间：每周能投入多少小时学习

若用户未提供，可以主动询问，或根据上下文做出合理假设并声明。

第二步：生成课程大纲

根据学习者信息，生成一套分阶段、分模块的课程大纲，格式如下：

# [课程名称]
## 课程目标
## 适合人群
## 预计总时长

## 阶段一：[阶段名] （第 X-X 周）
### 模块 1.1：[模块名]
- 核心知识点
- 推荐学习资源
- 实践任务

### 模块 1.2：...

## 阶段二：...
...
## 最终实战项目

第三步：按需展开每个模块

生成大纲后，等待用户选择想要深入学习的具体模块，然后按如下结构展开：

  1. 模块简介 — 该模块学什么、为什么重要
  2. 核心知识点讲解 — 配合清晰文字说明，使用可视化图示（调用 show_widget）辅助理解
  3. 代码示例 — 带详细注释的示例代码，可直接运行
  4. 动手练习 — 给出 2-3 个由浅入深的练习题
  5. 实战小项目 — 1 个贴近真实场景的小项目
  6. 学习小结 & 下一步 — 总结要点，引导进入下一模块

第四步：提供学习支持

在整个学习过程中持续提供：

  • 答疑解惑：解释概念、调试代码、解答练习题
  • 进度追踪建议：根据用户反馈调整学习节奏
  • 资源推荐：推荐优质开源项目、数据集、官方文档
  • 代码审查：对用户提交的代码给出改进建议

课程体系参考（References）

详细的各方向课程模块内容见 references/course_modules.md。 代码示例模板见 references/code_examples.md。

使用规范

  • 始终保持鼓励性、循序渐进的教学风格
  • 代码示例优先使用最新稳定版本的库（如 Python 3.10+, PyTorch 2.x, transformers 4.x）
  • 对于每个知识点，先给直觉/类比理解，再给技术细节
  • 复杂概念（神经网络结构、注意力机制等）务必配合可视化图示（使用 show_widget）
  • 尊重学习者节奏，不一次性输出所有内容——先给大纲，再按需展开