企业官网建设流程全解析

这篇博客要聊的，是最近被很多人转发的“108个Python实战项目”清单。标题确实很有吸引力——入门到进阶、基础到框架、练完就业、暑假卷同学，每一个词都精准击中了 Python 学习者的焦虑。但作为一个写了多年 Python、也面试过不少候选人的技术人，我想先泼一盆冷水：清单本身不值钱，值钱的是你怎么拆解清单、跑通项目、沉淀能力。收藏 108 个项目不会让你变强，认真跑通其中 5 到 8 个、并且能把项目讲清楚，才是真正能写进简历的东西。

所以这篇文章不打算再复制一遍标题，而是给你一套可以落地的执行方案。我会按“选项目 → 搭环境 → 跑部署 → 验功能 → 调接口 → 查问题”的顺序，说明 108 个 Python 实战项目这类清单应该怎么用，涵盖 Web 框架项目、爬虫项目、数据分析项目、自动化脚本项目、测试项目等常见方向。读完你会发现，问题不在项目不够，而在很多人的卡点其实是环境、调试和排错能力，这部分我会有专门章节展开。

先说结论：如果你正处在“学过 Python 基础语法但写不出完整项目”的状态，或者准备找实习、参加校招但简历上缺一个能打的实战项目，这篇文章可以直接收藏。我默认你会用终端、看得懂报错、愿意动手敲代码，而不是只把代码复制到 IDE 里然后祈祷它能跑。

1. 核心能力速览

“108个Python实战项目”并不是一个软件、一个工具、一个开源仓库，而是一类Python 项目练习清单的统称。它通常覆盖从语法练习到企业级框架开发的多个梯度，核心价值在于帮你把零散知识点串成完整功能。

这里要说明一点：108 只是一个常见的数量级表达，不同清单的具体项目池差异很大。与其纠结有没有凑满 108 个，不如把关注点放在如何从里面挑出 5 到 8 个有代表性的项目，形成一个完整的能力组合。

我在后面第 9 章会给出更具体的“项目组合策略”，这一章先帮你建立一个认知：数量是表象，能力结构才是本质。

2. 适用场景与学习边界

2.1 这些项目适合谁

第一类：刚学完 Python 基础，但不知道下一步干什么的人。语法书看完了、视频课刷完了，一合上笔记什么都写不出来，这时候最需要的就是“带目标地写代码”。

第二类：准备实习或校招、简历上缺少项目经历的计算机相关专业学生。面试官最常问的一句话就是“你做过什么项目”，一个能讲清楚业务背景、技术选型、难点和解决方案的项目，远比“我学过 Python”有说服力。

第三类：在职但想转 Python 开发方向的人。这类人通常有编程基础，缺的不是语法，而是完整的项目链条认知：需求拆分、接口设计、数据库建模、部署上线。

2.2 能解决什么问题

• 把“学过语法”变成“做过功能”。
• 让你理解一个完整项目是怎么组织的：目录结构、配置文件、入口文件、路由、数据库模型。
• 帮你建立断点调试、日志定位、异常处理的能力。
• 积累一批可以写进简历、面试能说清楚的作品。

2.3 不适合什么场景

• 不适合“两周刷完 108 个”这种目标。绝大多数人做不到，做到了也只是复制粘贴，没有内化。
• 不适合完全没有计算机基础的纯小白直接硬啃 Web 框架项目。至少要先知道什么是变量、函数、条件判断、循环、文件读写。
• 不适合把项目跑通就算完事的思维。跑通只是第一步，能改代码、能加功能、能讲清楚原理，才是真正吃透了。

2.4 合规与边界提醒

这部分很重要，尤其是爬虫类项目。

• 爬虫项目只能用于学习和技术验证。采集目标网站数据前，要阅读对方网站的 robots.txt，控制请求频率，不要对目标服务器造成压力。
• 不采集个人隐私数据，不绕过登录验证码，不爬取需要授权才能访问的内容。
• 涉及车牌识别、人脸识别、声音克隆、图像生成等项目的场景，必须取得数据所有人的明确授权。尤其是车牌、人脸这类个人信息，在没有授权的情况下处理，法律风险极高。
• 调用第三方 API（如大模型接口、地图接口、支付接口）时，要遵守服务商的开发者协议，注意 API Key 不要泄露到公开仓库。
• 做好的项目如果要公开发布或商用，请先确认图片、字体、图标、代码库的许可证。

3. 环境准备与前置条件

跑任何 Python 实战项目之前，先把环境收拾利索。这一章我按“通用检查清单”来写，不写死某个具体版本，因为不同项目的依赖差异很大，跟着项目的requirements.txt走才是最稳妥的。

3.1 操作系统

Windows 10/11、macOS、Ubuntu/Debian 系 Linux 都可以。大部分 Python 实战项目是跨平台的，但个别涉及蓝牙、桌面 GUI、串口的项目在某些系统上需要额外配置。

3.2 Python 解释器

建议安装 Python 3.10 或更高版本。不建议直接使用系统自带的 Python，Windows 上尤其容易遇到路径和环境变量问题。到 python.org 下载官方安装包，安装时务必勾选“Add Python to PATH”。

检查方式：

python --version pip --version

如果python命令不可用，Windows 上可以试试py：

py --version

3.3 虚拟环境

这是最容易踩坑的地方。不同项目依赖不同版本的 Django、pandas、requests，如果全部装到全局环境，大概率会出现冲突。虚拟环境就是为了隔离这些依赖。

创建和激活虚拟环境：

# 创建虚拟环境 python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # macOS / Linux 激活虚拟环境 source venv/bin/activate # 激活后检查 pip pip list

每个项目都建一个独立虚拟环境，激活后再安装依赖。

3.4 依赖安装

大部分项目会提供requirements.txt。进入项目目录、激活虚拟环境后执行：

pip install -r requirements.txt

如果项目没有requirements.txt，通常会在 README 里写明需要哪些库，或者直接看代码里的import语句。缺哪个装哪个。

国内用户遇到下载慢可以临时指定镜像源：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3.5 开发工具

推荐 VS Code 加 Python 插件，或者 PyCharm。二者选一个即可，不要在选择编辑器上花太多时间。

推荐安装的辅助工具：

• Git：拉取代码、提交练习、记录版本。
• Postman 或 Apifox：测试后端接口。
• DB Browser for SQLite：查看 SQLite 数据库数据。
• Redis Desktop Manager（如果项目用到 Redis）：建议先了解 Redis 是什么，再决定装不装。

3.6 数据库

很多 Web 项目用 SQLite，它是 Python 内置支持的，零配置，适合学习。如果项目迁移到 MySQL，需要安装 MySQL 服务端和客户端，并在项目的 settings 或配置文件中修改数据库连接信息。数据库密码尽量不要硬编码在代码文件里，用.env环境变量管理更安全。

3.7 Docker（可选）

如果你以后打算走部署方向，建议学一下 Docker。Docker 可以把项目环境打包成镜像，解决“在我电脑上能跑，到你电脑上就崩了”的问题。学习阶段先跑通项目，再考虑 Docker。后面的部署章节我会给一个通用的 Dockerfile 参考。

4. 安装部署与启动方式

不同类型的 Python 项目，启动方式不一样。这一章按项目类型给通用模板，实际使用时要替换成你自己的项目路径和入口文件。

4.1 通用流程

下载/Clone 项目 → 创建虚拟环境 → 激活虚拟环境 → 安装依赖 → 配置环境变量 → 初始化数据库 → 启动项目 → 打开浏览器/发送请求验证

每一步出错都要先看报错信息，不要盲目重装。报错里通常已经告诉了你缺什么、哪里有问题。

4.2 Django 项目启动

Django 是目前 Python Web 项目里最常见的框架，入门项目很多都基于它。进入项目目录（包含manage.py的目录）后：

# 激活虚拟环境（已激活则跳过） # 初始化数据库（项目首次运行时需要） python manage.py migrate # 创建后台管理员账号（可选） python manage.py createsuperuser # 启动开发服务器 python manage.py runserver

成功后终端会显示Starting development server at http://127.0.0.1:8000/。浏览器访问该地址，能看到项目首页。

4.3 FastAPI / Flask 项目启动

FastAPI 项目的启动方式通常是：

uvicorn main:app --reload --host 127.0.0.1 --port 8000

main:app表示main.py文件里的app实例，--reload表示代码改动后自动重启，适合开发调试。

Flask 项目则是：

python app.py

具体入口文件名要以项目为准，有的项目是run.py、main.py或manage.py。

4.4 爬虫 / 自动化脚本项目启动

这类项目通常没有 Web 界面，直接执行入口脚本：

python main.py

如果爬虫项目需要定时执行，可以用schedule库在代码内部调度，或者用系统的 cron / 任务计划程序。批量爬取时建议把每次执行的结果写入日志文件，不要只依赖终端输出。

4.5 Jupyter Notebook 项目

数据分析类项目经常以.ipynb文件形式提供。启动 Jupyter：

jupyter lab # 或 jupyter notebook

浏览器会自动打开文件管理界面，找到.ipynb文件，逐单元格运行。注意：Jupyter 里显示的变量和图表只存在于当前内核中，关闭页面后运行状态会丢失。

4.6 一键启动脚本模板

如果项目没有提供启动脚本，可以自己写一个简单的启动脚本。下面是一个 Windows 批处理模板，保存为start.bat放到项目根目录：

@echo off chcp 65001 >nul cd /d %~dp0 if not exist venv ( echo [INFO] 创建虚拟环境... python -m venv venv ) call venv\Scripts\activate.bat if exist requirements.txt ( echo [INFO] 安装依赖... pip install -r requirements.txt ) echo [INFO] 启动项目... python manage.py runserver 127.0.0.1:8000 pause

Linux / macOS 的 Shell 版本模板：

#!/bin/bash cd "$(dirname "$0")" if [ ! -d "venv" ]; then echo "[INFO] 创建虚拟环境..." python3 -m venv venv fi source venv/bin/activate if [ -f "requirements.txt" ]; then echo "[INFO] 安装依赖..." pip install -r requirements.txt fi echo "[INFO] 启动项目..." python manage.py runserver 127.0.0.1:8000

保存后执行chmod +x start.sh && ./start.sh。这个脚本是通用模板，实际入口命令需要根据项目类型替换。

4.7 Docker 启动（进阶）

如果一个项目根目录有Dockerfile和docker-compose.yml，说明它支持容器化部署。使用方式一般是：

docker compose up

或者：

docker build -t my-python-app . docker run -p 8000:8000 my-python-app

没有材料依据时，不要随便套用。如果项目没有 Dockerfile，可以自己根据项目依赖写一个：

FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . EXPOSE 8000 CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

这个 Dockerfile 只是示例，main:app和端口号要根据实际项目改。

5. 功能测试与效果验证

项目跑起来只是第一步，怎么验证它真的“能用”、功能边界在哪、遇到异常会怎样，才是面试和实际工作中真正考验人的环节。这一章给出一个通用的项目验收五步法，然后拿不同类型的项目举例。

5.1 项目验收五步法

5.2 Web 项目测试示例

以常见的“待办事项管理系统”为例：

• 测试目的：验证增删改查主流程。
• 操作步骤：注册账号 → 登录 → 创建待办 → 修改待办状态 → 删除待办。
• 预期结果：每一步操作后页面刷新，数据持久化到数据库。
• 判断标准：重启服务后，之前创建的待办仍然存在。
• 常见失败原因：数据库没有迁移、表单验证不通过、路由 URL 写错。

后端接口可以用命令行验证。启动项目后，用 curl 测试一个 GET 接口：

curl http://127.0.0.1:8000/api/todos/

如果返回 JSON 数据，说明接口正常。如果返回 404，检查路由地址；如果返回 500，去终端看异常堆栈。

5.3 爬虫项目测试示例

假设你从清单里选了一个“招聘信息爬虫”项目：

• 测试目的：验证能否正确抓取目标页面并解析出结构化数据。
• 操作步骤：修改目标 URL → 设置合理的请求头 → 运行爬虫 → 检查输出 CSV/JSON 文件。
• 预期结果：输出文件包含标题、公司、地点、薪资等字段。
• 判断标准：抓到的数据条数与目标页面实际条目数一致，没有重复项。
• 常见失败原因：网站反爬虫、页面结构变化导致选择器失效、请求频率过高被封 IP。

爬虫项目里最常出现的坑是“解析结果为空”。这不是程序报错，而是页面结构变了。排查思路：先用浏览器开发者工具检查当前页面元素，再对比代码里的 CSS 选择器或 XPath，最后修改解析逻辑。

5.4 使用 pytest 做自动化测试

工程化程度高一点的项目会包含测试代码。很多“从基础到框架”的实战项目会教 pytest，这也是面试 Java/Python 测试岗位的常见考点。

一个最小测试文件示例：

# test_app.py from fastapi.testclient import TestClient from main import app client = TestClient(app) def test_health(): response = client.get("/health") assert response.status_code == 200 assert response.json() == {"status": "ok"}

运行测试：

pytest -v

如果项目没有测试代码，建议自己给核心函数补测试。不用多，覆盖主流程和一个边界条件即可。这比把项目代码看一遍更能证明你理解了代码逻辑。

5.5 前后端联调测试

现在很多实战项目是前后端分离的。前端 Vue/React，后端 Django/FastAPI。跑这类项目要注意：

• 后端先启动，确认接口地址能被访问到。
• 前端启动后，在配置文件中设置proxy或者.env文件里的VITE_API_BASE，让前端请求指向正确的后端地址。
• 浏览器按 F12 打开开发者工具，切到 Network 面板，如果请求显示 404 或 CORS 错误，问题大概率在后端接口或跨域配置上。

CORS 错误很常见，但也好解决。FastAPI 里可以启用 CORSMiddleware：

from fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins=["http://localhost:5173"], allow_methods=["*"], allow_headers=["*"], )

allow_origins要填前端实际访问地址，不要随便填*，生产环境更要收窄。

5.6 一个复合型项目的验证思路

筛选实战项目时，可以关注那些能串联多个技术的项目。比如热词里出现的“停车场项目实战：用 MQTT 协议搞定海康、大华等主流车牌识别相机对接”这类项目，就很有代表性。它不只是一个 Python 脚本，而是一个包含设备对接、网络通信、图像识别结果解析、后端存储、前端展示的完整链路。

这种项目的验证思路是分模块推进：

从这个项目里你能学到的不只是 Python，还涉及网络协议、设备对接、前后端交互。这类项目写进简历，比做一个简单的博客系统更有区分度。但需要警惕的是，真实设备对接项目需要硬件环境，如果你没有相机硬件，只能按照项目 README 用模拟数据跑通链路，这也算完成了学习目标。

6. 接口 API 与批量任务

Python 实战项目里，API 设计无处不在。Web 项目要提供 REST API 给前端调用；爬虫项目要请求第三方接口；自动化项目可能要把内部能力封装成服务。这一章看接口怎么封、怎么调、批量任务怎么做。

6.1 写一个 FastAPI 接口

假设你从清单里选了一个 FastAPI 项目，最简单的接口封装如下：

# main.py from fastapi import FastAPI from pydantic import BaseModel app = FastAPI() class Item(BaseModel): name: str price: float @app.get("/health") def health(): return {"status": "ok"} @app.post("/items/") def create_item(item: Item): return {"message": f"item {item.name} created, price {item.price}"}

启动方式：

uvicorn main:app --reload --port 8000

启动后可访问http://127.0.0.1:8000/docs，Swagger UI 会自动生成接口文档，可以直接在页面上调试接口。

6.2 用 requests 调用接口

对于爬虫类项目，requests 是最常用的库。调用上一节创建的接口示例：

import requests url = "http://127.0.0.1:8000/items/" payload = { "name": "鼠标", "price": 99.0 } response = requests.post(url, json=payload, timeout=10) print(response.status_code) print(response.json())

如果接口返回 JSON，用.json()解析；如果接口返回 422，通常是参数名或类型不对，检查 payload 和接口定义是否一致。

6.3 接口调用常见状态码

6.4 批量任务的通用设计思路

实战项目中，批量任务主要有两类：数据处理类和爬虫采集类。这类任务的重点不是循环本身，而是记录进度、失败重试、产出可追溯。

一个带日志和重试机制的批处理框架模板：

import time import logging from pathlib import Path logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s", handlers=[ logging.FileHandler("batch.log", encoding="utf-8"), logging.StreamHandler() ] ) INPUT_DIR = Path("./inputs") OUTPUT_DIR = Path("./outputs") FAILED_LOG = Path("./failed.txt") MAX_RETRY = 3 def process_one_file(file_path: Path) -> bool: """处理单个文件，返回是否成功。实际逻辑按项目替换。""" try: time.sleep(0.5) return True except Exception as e: logging.error(f"处理失败: {file_path} - {e}") return False def batch_process(): files = list(INPUT_DIR.glob("*.csv")) logging.info(f"共发现 {len(files)} 个文件") failed_files = [] for i, file_path in enumerate(files, 1): for attempt in range(1, MAX_RETRY + 1): if process_one_file(file_path): logging.info(f"[{i}/{len(files)}] 完成: {file_path.name}") break else: logging.warning(f"[{i}/{len(files)}] 第 {attempt} 次失败: {file_path.name}") if attempt == MAX_RETRY: failed_files.append(str(file_path)) else: failed_files.append(str(file_path)) with FAILED_LOG.open("w", encoding="utf-8") as f: f.write("\n".join(failed_files)) logging.info(f"批量处理结束，失败 {len(failed_files)} 个") if __name__ == "__main__": batch_process()

这个模板的核心有三个：日志同时写到文件和终端；每个失败任务最多重试三次；失败列表单独落盘。不管项目是文件处理还是爬虫，这个思路都能复用。

6.5 批量任务注意事项

• 并发要克制。爬虫项目即使支持多线程，也要设置合理的并发数，避免对目标网站造成压力。
• 请求要限速。用time.sleep控制请求间隔，或者用服务端的限速设置。
• 失败要落盘。不要只在终端看到报错就完事，把失败记录写下来，跑完以后集中复查。
• 中间结果要保存。批量任务跑一半崩溃是很常见的事，做完一个保存一个，后续可以断点续跑。

7. 资源占用与性能观察

和 AI 项目比，Python 传统实战项目的资源占用通常不大，但不代表完全不需要关注。我在这一章讲清楚怎么看资源占用，以及怎么优化。

7.1 传统 Python 项目看什么

Web 项目、爬虫项目、自动化脚本主要看 CPU、内存、磁盘和网络连接。

• Windows 打开任务管理器，切到“性能”或“详细信息”，按 CPU/内存排序。
• Linux 使用top或htop。
• 查看某个 Python 进程的内存占用，Linux 下可以用ps aux | grep python。
• 查看端口监听状态，排查端口冲突：

# Windows netstat -ano | findstr :8000 # Linux / macOS lsof -i :8000

如果端口被占用，找到对应进程 PID，然后结束进程，或者启动时换个端口。

7.2 AI 类项目才需要关注 GPU 显存

108 个实战项目里如果包含深度学习项目，比如 PyTorch 图像分类、情感分析、简单的模型推理，才会涉及显存。显存占用取决于模型大小、批次大小和输入分辨率。观察方式：

• Windows 任务管理器“性能”页面里可以看 GPU 专用内存。
• Linux 使用nvidia-smi。

如果你没有独立显卡也可以跑，CPU 推理能出结果，只是速度慢很多。这类项目不要追求大模型，先用小模型跑通，再逐步增加数据量。

7.3 性能优化的通用手段

不管什么类型的项目，性能优化都可以从这几个方向入手：

一个完整的优化流程应该是：先写日志统计耗时 → 找出最慢的环节 → 针对性优化 → 再测试。不是一上来就上缓存。

8. 常见问题与排查方法

这一章覆盖跑 PHPython 项目时最高频的几类问题。按排查顺序看：先看报错信息，再看日志，最后考虑环境问题。

排查方法论总结一句话：不要靠猜，先看报错和日志。大部分问题在报错信息里已经明写了。

9. 最佳实践与学习建议

9.1 选项目的组合策略

不要按顺序从第 1 个做到第 108 个，而是按能力缺口选。我给一个覆盖面较全的组合参考：

• 1 个 Django 全栈项目：理解完整 Web 开发链路，模型、视图、模板、表单、登录鉴权。
• 1 个 FastAPI 后端项目：学习 REST API 设计和自动文档。
• 1 个爬虫项目：学习 requests、BeautifulSoup、Scrapy 中至少一个。
• 1 个数据分析项目：学习 pandas、matplotlib，从 CSV 或 API 拿数据做展示。
• 1 个 pytest 测试项目：学习写测试、断言、fixture。
• 1 个自动化办公脚本：解决实际重复劳动，比如批量处理 Excel、自动整理文件。

这个组合大概 5 到 7 个项目。如果你能认真做完这组，并给每一个写清 README，简历上的项目栏就不会空了。

9.2 跑通一个项目的标准动作

拿到任何新项目，按这个固定流程走：

1. 先看 README，了解项目是什么、用什么框架、需要什么环境。
2. 建虚拟环境，按 requirements 安装依赖。
3. 先跑通默认配置，不要一开始就想着改代码。
4. 跑通后主动修改一个小功能，比如改页面标题、加一个接口、调整爬虫字段。
5. 修改后跑一遍测试，确认没有破坏原功能。
6. 写自己的笔记和 README，记录跑通过程、遇到的问题、解决方案。

第 4 步特别关键。只跑通不改代码，说明你只是“操作员”；能改代码，才说明你理解它。

9.3 简历上怎么写项目

简历项目描述不要写“负责开发某某系统”这种空话，也不要写“精通”这种自夸。可以参考这个模板：

项目名称：某某数据采集与分析平台 技术栈：Python、requests、pandas、FastAPI、Vue 项目描述： - 设计分布式爬虫流程，定时采集公开招聘数据，日增量约 X 条（按真实情况填写） - 对原始数据进行清洗和标准化，存入 MySQL，对外提供 REST API - 实现失败重试与日志告警，任务成功率从 X% 提升到 Y%（按真实情况填写） 个人职责： - 负责爬虫模块开发和数据清洗 - 负责 API 接口设计与联调 - 负责项目部署文档编写

记住：项目经历的价值在于“可验证、可量化、可复盘”，而不是形容词堆砌。

9.4 代码规范与项目目录管理

不要把所有代码堆在main.py里。哪怕是小项目，也尽量分目录管理：

project/ ├── app/ │ ├── __init__.py │ ├── main.py │ ├── models/ │ ├── routes/ │ └── utils/ ├── tests/ ├── data/ │ ├── input/ │ └── output/ ├── logs/ ├── requirements.txt ├── README.md └── .gitignore

.gitignore至少要忽略venv/、__pycache__/、.env、*.log、data/output/。数据库文件.db如果不是示例数据，也不要提交到仓库。

9.5 版本管理习惯

从第一个项目开始就用 Git。不用特别复杂的操作，掌握这几条就够了：

git init git add . git commit -m "完成项目初始化" git checkout -b feature-login git status git log --oneline

再配合 GitHub 或 GitLab 创建远程仓库，学会git push、git pull。批量任务和大项目修改都需要版本管理，这个习惯越早养成越好。

9.6 不要贪多的核心理由

刷 108 个项目看起来勤奋，但如果你每个项目都只到“能跑”程度，面试官一问细节就露馅。面试官通常这样问：

• “你这个项目的数据库表怎么设计的？”
• “如果用户并发访问，你的系统会出什么问题？”
• “爬虫被反爬时你怎么处理？”
• “你在这个项目里遇到的最大难题是什么？”

这些问题，只有真正调试过、踩过坑、改过代码的人才能答好。所以我的建议非常具体：把目标从“练完 108 个”换成“吃透 6 个，每个都能讲 15 分钟”。后者对就业的帮助大于前者。

10. 总结与下一步

“108 个 Python 实战项目”这类清单，最大的价值不是那个数字，而是它给了你一个信号：Python 学习的下一站，应该是完整项目，而不是更多语法。真正的学习路径是把清单拆开，选几个覆盖不同技术栈的项目，逐一跑通、修改、写文档、复盘，最终沉淀成一份能拿得出手的作品集。

最容易踩的坑有三个：一是复制代码但不理解，跑完就忘；二是盲目追求项目数量，每个项目都浅尝辄止；三是不读 README、不看报错，遇到问题直接放弃或重装环境。这三个坑只要避开，你的学习效率会高出平均线很多。

下一步可以这样做：

1. 重新看一眼你收藏的清单，删掉明显超出当前能力范围的项目。
2. 按第 9.1 节的组合策略选 6 个，先从最简单的那个开始。
3. 今天不干别的，先搭好 Python 环境、建一个虚拟环境、把一个最简单的项目跑通。
4. 不用等“准备好”，直接开始。跑通之后回到这篇文章，按第 5 章的验收标准做一轮功能验证。

先别管 108 个，先跑通你今天手里的那一个。这一步迈出去，后面就快了。