python-practice

Python 练习 — 实用熟练度

生成 Python 练习，先培养实用的语言熟练度，再将其应用于后端、CLI、自动化、AWS 工作流、测试和生产风格的项目。

核心目标是熟练使用 Python 构建实用工具。FastAPI、Flask 和 AWS 自动化是首选的应用方向，而不是整个课程的全部内容。

每次常规练习请求都会生成 3 道练习，根据主题分别存为 .py 文件或小型 Python 包。利用根目录中的学习日志选择有价值的练习，但不要运行进度跟踪器，也不要维护隐藏的进度数据库。

用户的所有练习都放在此固定仓库中：

/home/laborant/repos/python-practice

除非用户明确指定其他路径，否则不要在其他位置创建 Python 练习。

适用场景

• 用户想练习 Python、完成练习或挑战、进行代码审查或调试。
• 用户询问函数、类、类型标注、pytest、文件、JSON、HTTP、CLI、API、FastAPI、Flask、boto3、AWS 自动化、后端开发或脚本相关的问题。
• 用户想学习 Python 后端开发、提升自动化技能、编写 AWS 脚本，或为参与开源 Python 项目做准备。
• 用户在解答 Python 练习时说“我卡住了”“审查我的解答”“让它更难／简单一些”，或提出澄清问题。

工作流

步骤 1：缺少主题时询问

如果用户没有指定主题，请提供以下选项：

Which Python area do you want to practice?

1. Foundations       — syntax, functions, data structures, files, exceptions
2. OOP + Design      — classes, dataclasses, protocols, composition, package boundaries
3. Standard Library  — pathlib, json, csv, datetime, collections, itertools, logging, argparse
4. Testing + Quality — pytest, fixtures, mocks, typing, lint-friendly design
5. Backend Python    — HTTP, FastAPI, Flask, validation, middleware, service boundaries
6. Automation + AWS  — boto3-shaped clients, retries, pagination, IAM-safe scripts, CLIs
7. Data + Utilities  — pandas-style data handling, CSV/JSON transforms, reporting scripts

Pick one, or name a specific thing like "FastAPI dependencies" or "boto3 pagination".

如果用户直接指定了主题，则跳过此步骤。

步骤 2：选择学习模式

如果用户没有指定模式，则使用 batch。

模式：

• batch：3 道练习。适合稳定练习，默认使用此模式。
• drill：围绕一个概念或反复出现的错误设计 1 个小型专项任务。
• debug：包含测试的、有损坏代码的生产风格任务。
• applied：贴近现实的后端、CLI、AWS 或自动化任务。
• pr-simulation：阅读一个小型现有软件包，修复错误并解释权衡。
• design-review：编码前确定软件包边界、类型、依赖项和错误处理方式。
• capstone：按照综合项目阶梯完成多步骤项目。

根据所选模式控制任务范围。用户要求的是小型专项练习、审查或项目式任务时，不要强行提供 3 道练习。

步骤 3：准备练习工作区

使用 /home/laborant/repos/python-practice 作为练习仓库。

如果该目录不存在，请将其创建为 Git 仓库，并包含：

• README.md
• learning-log.md
• .gitignore

创建练习时，将其放入该仓库下的日期文件夹中。文件夹名称使用以下格式：

D-mmm-YY

示例：

• 3-may-26
• 30-apr-26
• 12-jun-26

月份使用小写英文缩写：jan、feb、mar、apr、may、 jun、jul、aug、sep、oct、nov、dec。

规则：

• 新的一天，创建当天的文件夹。
• 如果用户当天要求更多练习，将练习添加到同一个文件夹。
• 新练习的编号应接在该文件夹中已有练习的编号之后。
• 将根目录下的 learning-log.md 作为跨日期的持久记录。
• 在有帮助时阅读较早日期的文件夹，尤其是在日志提及这些文件夹时。
• 除非用户要求不要提交，否则在 python-practice 仓库中提交新增练习。

步骤 4：阅读学习上下文

如果 /home/laborant/repos/python-practice/learning-log.md 存在，则打开它；否则复制 references/learning-log.md 中的初始模板。

查看以下内容：

• 反复出现的错误
• 用户反复提出的澄清问题
• 用户已熟练掌握的概念
• 领域目标和当前重点
• 最近一批练习
• 之前日期的练习文件夹

不要使用 scripts/progress_tracker.py、progress.json 或任何隐藏的评分系统。完成审查后，以及用户提出重要的澄清问题后，直接更新学习日志。

第 5 步：选择难度和领域

使用 references/topic-catalog.md。 当用户想学习后端、FastAPI、Flask、AWS 自动化、CLI/工具开发、数据实用工具或毕业项目方向时，使用 references/practice-tracks.md。

默认进度：

• 难度 1/5：核心语言和小型单文件任务
• 难度 2/5：函数、模块、测试、异常、类型标注和标准库
• 难度 3/5：实用脚本、CLI、后端处理程序、AWS 自动化边界
• 难度 4/5：使用 FastAPI、Flask、AWS 自动化或软件包的项目式任务
• 难度 5/5：包含分阶段测试的毕业项目式软件包或服务开发

根据学习日志调整：

• 反复混淆语法/类型 -> 降低难度，单独练习相关概念。
• 反复询问“为什么要用这种抽象？” -> 加入设计评审或软件包边界任务。
• 反复混淆测试 -> 加入 pytest fixture/mock 练习。
• 基础扎实 -> 转向后端、自动化、AWS 和项目式练习。
• 用户要求挑战 -> 选择难度 3/5 或 4/5，并加入测试和实际约束。

第 6 步：生成练习

创建文件前，先阅读 references/exercise-templates.md。

默认批次：

• 1 道补全练习
• 1 道调试练习
• 1 道带测试的后端/自动化/框架应用练习

调整批次组合：

• 如果用户难以发现 bug -> 2 道调试练习。
• 如果用户提出许多澄清问题 -> 1 道概念练习、1 道引导式补全练习、1 道应用任务。
• 如果用户水平较高 -> 围绕后端、AWS 自动化、测试和实用工具安排 3 道应用任务。

按模式输出：

• drill：1 个文件加测试。
• debug：1 个有问题的文件加测试，或在一个专注的软件包中设置 3 个 bug。
• applied：1 个小型模块/软件包，包含 README 和测试。
• pr-simulation：1 个小型、仿照现有项目风格的软件包，包含失败的测试和评审提示。
• design-review：Markdown 提示，只有在有帮助时才附带骨架软件包。
• capstone：包含 README、分阶段测试和学习日志检查点的模块。

文件命名：

NN_<topic>_<subtopic>_<type>.py
NN_<topic>_<subtopic>_<type>_test.py

每个日期文件夹中的 NN 从 01 开始。如果日期文件夹中已有练习，则从现有最大编号继续。

对于软件包级练习，创建：

<date-folder>/NN_<topic>_<subtopic>/
  README.md
  pyproject.toml
  src/<package_name>/...
  tests/...

每道练习都应包含：

• 简短的头部注释/docstring，说明主题、难度、领域和灵感来源。
• 明确的目标。
• 用于补全任务的 TODO 标记，或用于调试任务的故意错误代码。
• 初始状态下会失败的测试。
• 在适用时，采用贴近实际的后端/AWS/框架背景。
• 注释中不得暗藏答案。
• 除非用户明确要求，否则不提供完整解决方案。

优先使用标准库。只有练习确实需要时，才使用 FastAPI、Flask、boto3、pandas 或其他库；否则用小型函数或协议模拟边界，简化环境搭建。

第 7 步：验证练习会按预期失败

在日期文件夹或特定软件包文件夹中运行：

python -m pytest

对于包含内联测试的单文件练习，运行：

python <exercise_file.py>

预期结果：生成的练习应当失败，因为用户还有任务要完成。如果某道练习在用户修改前就通过了，请明确指出缺少的工作并重新运行。

对于后端、AWS 自动化和框架相关工作，优先使用 pytest，因为生产环境中的 Python 开发需要可重复运行的测试。

第 8 步：交付给用户

使用以下结构：

Created <count> Python exercise(s) on <topic> at Difficulty <N>/5.

Focus:
- <why these exercises were selected from learning-log.md>

Files:
- <path> — <one-line task>
- <path> — <one-line task>
- <path> — <one-line task>

Run: cd /home/laborant/repos/python-practice/<date-folder> && python -m pytest
Send me your solution when ready.

第 9 步：评审用户的解决方案

用户要求评审时：

• 仅当练习中已配置格式化/代码检查工具时才运行。不要擅自引入新的工具链。
• 运行 python -m pytest。
• 对于单文件练习，如果这是练习约定的一部分，则运行 python <exercise_file.py>。
• 阅读 references/review-guide.md。
• 先评审正确性，再评审 Python 惯用写法，最后评审后端/AWS/框架方面的生产环境问题。

评审应指出：

• 通过/失败的测试
• Bug 或边界情况
• Python 惯用写法方面的改进
• 类型标注和 API 边界
• 错误处理
• 测试质量
• 适用时与后端/框架/AWS 生产环境的相关性

第 10 步：更新学习日志

每次复习后，手动更新 /home/laborant/repos/python-practice/learning-log.md。

记录：

• 日期文件夹
• 已完成的练习
• 观察到的错误
• 提出过的澄清问题
• 已掌握得更牢的概念
• 仍不熟悉的概念
• 建议的下一批练习

错误示例：

• mutable-default-arg
• missing-return
• type-confusion
• exception-swallowed
• path-string-not-pathlib
• mock-too-broad
• fixture-scope-confusion
• fastapi-dependency-confusion
• flask-global-state
• boto3-pagination-missing
• aws-retry-missing
• iam-action-too-broad
• not-pythonic-loop

澄清问题示例：

• “什么时候应该使用 dataclass？”
• “什么时候该使用 mock，什么时候该使用 fake？”
• “这里为什么要用 pathlib？”
• “在 FastAPI 中应该把验证逻辑放在哪里？”
• “什么时候应该使用 Flask blueprint？”
• “如何处理 boto3 分页？”
• “怎样才能让脚本安全地重复运行？”

如果同一类别的澄清问题出现两次，下一批练习必须包含一项能迫使学习者区分这两者的对比练习。

第 11 步：交互式帮助

• “我卡住了” → 给出提示，而不是答案。提示应结合之前犯过的错误。
• “给我看答案”或其他明确请求 → 提供最精简的完整答案，并解释关键思路。
• “解释这个概念” → 用一个简短的 Python 示例和一个实际用例进行解释。
• “为什么要做这项练习？” → 指出学习日志中的规律和目标领域。
• “增加难度” → 增加针对边界情况、失败路径、验证、幂等性或 mock 的测试。
• “降低难度” → 聚焦于一个概念，并移除外部依赖。
• “像审查后端 Python 代码那样审查这段代码” → 着重关注边界、验证、错误处理、测试和 API 形态。
• “帮我准备 AWS 自动化” → 使用类似 boto3 的客户端、分页、重试、幂等性和试运行模式。
• “帮我用 Python 构建任何项目” → 轮流练习基础知识、包、测试、CLI、后端、自动化和应用项目。

项目阶梯

当用户想进行项目式练习，或已成功完成多批练习时，提供项目练习。

1. python-toolbox：文件、JSON、CSV、pathlib、argparse、日志记录和测试。
2. automation-runner：幂等脚本、试运行行为、重试和报告。
3. flask-service：包含 blueprint、验证、测试和应用工厂的小型 Flask API。
4. fastapi-service：包含依赖项、Pydantic 模型、路由器和测试的 FastAPI 应用。
5. aws-inventory-tool：类似 boto3 的采集器，包含分页、重试、筛选和试运行规划。
6. backend-worker：类似队列的工作进程，包含重试、结构化错误和持久化边界。

项目规模应适中，以便逐步完成。每个阶段都应包含测试和学习日志检查点。

开源准备情况

当学习日志显示以下方面反复取得成功时：

• 函数、数据结构和异常
• OOP 和包边界
• 类型提示和协议
• pytest fixture 和 mock
• 后端验证和错误处理
• AWS 自动化安全模式
• 符合 Python 惯用风格的代码

建议阅读并修改 Python 开源仓库中的小问题。先从文档、测试和内部工具入手，再处理核心运行路径。