项目式学习合集（project-based-learning）本地部署与使用指南

一、项目介绍

project-based-learning 是一份由社区维护的编程教程清单，收录了大量"从零构建一个完整应用"的实战教程。它的理念很简单：看十遍语法不如动手做一个项目——写一个 Shell、实现一个解释器、克隆一个 Redis、用 Python 做一个微博客，比单纯刷题更能建立工程能力。

清单按主编程语言分类，覆盖 C/C++、Python、JavaScript、Go、Rust、Java、Ruby 等二十余种语言。每个条目都是一篇指向外部教程的链接，内容从 Web 应用、机器人、游戏开发、网络编程到编译器、操作系统、数据库实现无所不包。仓库本身不包含可运行代码，它更像一张"实战学习地图"，告诉你下一个项目该做什么、跟着哪篇教程做。

这份清单之所以经久不衰，是因为它精准击中了学习者的一个痛点：不知道下一步做什么。语法学完之后，大多数人卡在"想做项目却无从选起"。这份清单把各个方向的经典项目整理好，你只需要挑一个感兴趣的开始，就不必再纠结。

对于想从"会写语法"过渡到"能做项目"的开发者，尤其是想为 AI 工程积累编程基本功的学习者，这份清单提供了按语言、按难度挑选实战项目的入口。仓库还内置了链接巡检工作流（link-rot），定期检查失效链接，保持清单可用。

为什么做项目比刷题更锻炼人

语法书和算法题教你的是"零件"，但真实软件是一台"机器"。你需要学会处理文件读写、网络请求、错误处理、模块拆分、依赖管理、调试——这些能力只有在一个完整项目里才能串起来。做一个 Flask 博客，你会自然遇到路由设计、数据库建模、模板继承、表单校验、部署配置；写一个 C 语言 Shell，你会理解进程、管道、信号与字符串解析。这些知识在碎片化教程里学不到，只能靠端到端做完一个东西来内化。

对 AI 工程师尤其如此：你写的数据清洗脚本、模型评估 pipeline、Web 演示应用，本质上都是完整的小程序。project-based-learning 里的项目不要求你立刻做 AI 相关，但做几个扎实的工程项目后，再去搭 RAG 应用或智能体系统时，对模块化、错误处理、可复现性的理解会上一个台阶。建议每做完一个项目，用 git 记录、写一段复盘，把踩过的坑沉淀下来。

这种学习方式还有一个常被忽视的好处：它训练"把模糊需求变成可运行产物"的能力。教程往往给你明确的步骤，但真实工作里需求是模糊的——"做个能记笔记的东西"。在项目式学习中，你要自己决定目录结构、自己查文档解决报错、自己判断功能是否完成。这种从需求到产物的闭环经验，比任何语法练习都更接近真实开发。当你以后接到一个"做个内部工具"的任务时，不会因为不知道从何下手而卡住。

二、官方信息

三、项目结构与核心特性

仓库结构非常轻量，核心就是一份 README.md：

project-based-learning/
├── README.md          # 全部教程清单（按语言分类）
├── CONTRIBUTING.md    # 贡献指南
└── .github/workflows/ # 链接巡检等自动化

核心特性：

• 按语言组织：目录包含 C#、C/C++、Clojure、Dart、Elixir、Go、Haskell、Java、JavaScript、Kotlin、Lua、Python、R、Ruby、Rust、Scala、Swift 等分类。
• 按场景细分：在 Python 分类下又分 Web 爬虫、Web 应用、机器人、数据科学、游戏等子主题；C/C++ 下分网络编程、OpenGL、调试器等。
• 完整项目导向：每个教程都要求从零搭出一个能跑的完整应用，而非片段式示例。
• 社区贡献：任何人都可以按 CONTRIBUTING.md 提交新教程链接，CI 会自动检查链接是否有效。
• 多语言教程形态：包含图文教程与视频教程，覆盖 Web、移动端、桌面端、嵌入式等不同平台。

图文教程适合边读边敲，视频教程适合先看一遍建立全貌，两者搭配效率最高。清单不强制形式，你可以按自己的学习习惯挑选。

四、环境与版本要求

由于仓库本身只是一份 Markdown 清单，运行它不需要任何特殊环境。但当你跟着清单里的教程动手做项目时，需要按具体教程准备环境。共性建议如下：

仓库根目录不需要安装依赖、不需要启动服务。它的"部署"本质是把清单同步到本地，方便离线浏览与自定义。

正因为它本身零依赖，这份清单可以被放进任何项目里长期参考。建议你 clone 一份到常用的代码目录，当作"练手项目索引"常备。真正动手做某个教程时，再单独为那个项目建虚拟环境——不要把教程的依赖装进系统 Python，否则十几个项目叠在一起，环境会很快混乱。每个项目独立一个文件夹、一个环境，做完就封存，这是做项目练习的基本纪律。

五、本地部署步骤

1. Fork 或克隆仓库

如果你只是想离线浏览，直接克隆：

git clone https://github.com/practical-tutorials/project-based-learning.git
cd project-based-learning

如果你想参与贡献或维护自己的项目列表，先在 GitHub 页面点 Fork，再克隆你自己的 fork：

git clone https://github.com/<你的用户名>/project-based-learning.git

2. 浏览清单

# 用任意 Markdown 阅读器打开 README
cat README.md | less
# 或用编辑器打开
code README.md

这份清单没有数据库、没有搜索接口，全部内容就在一个 README 里。这种极简形态反而让它非常稳定——你可以把它 clone 到本地永久保存，离线时也能翻阅。建议在编辑器里给它建一个书签，选型或找练手项目时随手翻一翻，比临时在网上搜"有什么好项目做"更靠谱。

在终端里直接搜索你感兴趣的语言或主题，例如查找 Python Web 教程：

grep -n "Python:" README.md

3. 选择一个项目开始

以 Python 分类下的经典教程为例，挑一篇跟随：

# 例如跟随 Flask 微博客教程（链接指向 Miguel Grinberg 的系列教程）
# 在 README 中搜索 "Microblog with Flask"
grep -n "Microblog with Flask" README.md

打开对应链接后，按教程初始化你自己的项目目录：

mkdir -p ~/projects/flask-microblog
cd ~/projects/flask-microblog
python3 -m venv .venv
source .venv/bin/activate

4. （可选）在 Gitpod 中在线启动

README 顶部提供了 Gitpod 一键打开徽章，点击后会在浏览器里拉起一个预配置的开发环境，适合不想本地装工具链时直接跟随教程。本地使用时无需此步骤。

5. 参与贡献（可选）

如果你发现了优质教程或失效链接，按 CONTRIBUTING.md 提交 PR：

git checkout -b add-my-tutorial
# 编辑 README.md 加入条目
git add README.md
git commit -m "Add a new Python tutorial"
git push origin add-my-tutorial

六、API 用法与示例

本仓库不是软件项目，没有代码 API。它的"使用方式"是作为学习索引。下面给出几种典型用法。

1. 按语言筛选项目

# 列出所有 Python 相关条目
awk '/^## Python:/,/^## [A-Z]/' README.md | head -40

按语言切出分类后，你会看到该语言下从入门到进阶的项目分布。挑项目时建议先扫一遍完整列表，找出标题里你最想做的那一个，而不是随便挑第一个。有明确兴趣驱动，坚持做完的概率会高很多。

2. 按关键词检索教程

# 查找所有"从零实现数据库"类教程
grep -ni "database" README.md
# 查找编译器 / 解释器类
grep -ni "interpreter\|compiler" README.md

3. 维护个人学习计划

可以在本地 fork 里建一个 MY-PLAN.md，把想做的项目按优先级排好：

# 我的项目学习计划
- [ ] Write a Shell in C
- [ ] Build a Microblog with Flask
- [ ] Let's Build a Simple Database
- [ ] Build a Redis with C/C++

每做完一项就把方括号改成 [x]，并用 Git 记录你的学习进度。

挑选适合自己当前水平的项目

清单里的项目难度差异很大。判断标准有三：看教程是否要求你已经会某门语言的基础语法；看项目是否涉及你不熟的领域（如网络协议、操作系统）；看教程是否给了完整可运行的中间步骤。入门阶段建议选"有明确目标、每步可验证"的项目，比如用 Flask 做博客、用 Selenium 做爬虫，而不是一上来挑战写操作系统。

做项目时记得把它当成"工程练习"而不是"跟着敲一遍"：自己先想半小时架构，再对照教程；遇到与教程不同的版本报错，自己查文档解决，这部分收获往往比照抄代码更大。每个项目做完后，写一段三五百字的复盘，记录用到的技术、踩过的坑、如果重做会怎么改进。几份复盘积累下来，就是你自己的技术简历。

动手时建议给自己定个小截止日期，做完后把代码放到 GitHub 并写一段复盘，这样收获远大于只跟着教程敲一遍。

七、常见问题 FAQ

下面整理了初次使用这份清单时最常遇到的几个疑问，供快速排查参考。很多人收藏后迟迟不动手，主要卡在"不知道选哪个项目、跟哪篇教程"，下面就从挑选与上手角度给出建议。

Q1：仓库里的链接打不开或失效了怎么办？
仓库有 link-rot 自动化工作流定期巡检，但外部教程可能随时下架。如果遇到失效链接，可以在项目 Issue 反馈，或寻找教程作者存档/ Wayback Machine 版本。

Q2：我应该按什么顺序做这些项目？
清单本身不规定顺序。建议从与你当前语言匹配、难度较低的完整应用开始（如 Flask 博客、Todo 列表），再逐步挑战系统级项目（Shell、解释器、数据库）。Python 学习者可从 Web 应用与爬虫类教程切入。

Q3：这些教程适合完全没编程基础的人吗？
多数教程假定读者已掌握基本编程语法。零基础建议先补一门语言入门课，再回到本清单做项目。仓库的定位是"项目式练习"而非"语言入门"。

Q4：教程使用的版本很旧，代码跑不起来怎么办？
部分教程年代较早，依赖版本可能过旧。遇到这种情况，建议按教程思路在现代工具链上重做，并在虚拟环境里锁定旧版本依赖，或查阅该项目的后续更新版本。

Q5：如何贡献一个新教程？
阅读 CONTRIBUTING.md，Fork 后在对应语言分类下按格式添加条目（- [教程名](链接)），提交 PR 即可。PR 会触发链接检查。

写在最后

project-based-learning 是一份"做中学"的地图，它不教你语法，而是告诉你下一个值得动手完成的完整项目是什么。对想从语法学习者升级为工程师的人来说，跟着它扎扎实实做完三五个项目——哪怕只是一个 Flask 博客、一个命令行工具、一个简单爬虫——你对模块化、错误处理、部署的理解都会上一个台阶。这些基本功，正是后续搭 AI 应用、写智能体时最缺的那块底座。

关键在于"做完"而不是"收藏"。这份清单最大的价值不是被你读完，而是被你用掉。挑一个今天就能开始的项目，给自己定个小截止日期，做完后把代码放到 GitHub、写一段复盘。坚持这样做几个，你会发现自己看任何新需求都不再发怵，因为已经经历过从模糊想法到可运行产物的完整过程。

以上就是这份项目式学习清单的本地同步与使用方法。真正的关键不是收藏，而是挑一个项目动手做完，让学习在实践中落地。

八、相关链接

• 仓库主页：github.com/practical-tutorials/project-based-learning
• 贡献指南：CONTRIBUTING.md
• 社区聊天：Gitter
• 链接巡检工作流：link-rot.yml

本文条目分类与结构对照仓库 README 整理，外部教程链接可能随时间变化，请以仓库主页最新内容为准。