大一全栈生：JS原理深挖与AI应用实战全记录

不少前端学习者一上来就扑向 React 和 Vue，但真正能走远的，往往是那些先把底层语言吃透的人。JavaScript 并非天生完美的语言——1995 年 Brendan Eich 仅用 10 天创造的“浏览器副产品”，携带着若干与生俱来的“瑕疵”。不理解这些底层机制，后期写业务代码就像在陷阱区狂奔，防不胜防。

这篇文章围绕 var / let / const 展开，但这绝不仅仅是三个关键字的区别。它牵扯出来的，是整个 JavaScript 的执行机制链条：

• 作用域链
• 变量提升（Hoisting）
• 暂时性死区（TDZ）
• for + setTimeout 经典面试题
• 栈内存与堆内存

二、var 的问题到底在哪？

2.1 没有块级作用域

var age = 100;
if (age > 12) {
    var dog = age * 7;  // 块内用 var 声明
    console.log(dog);  // 700
}
console.log(dog);  // 700 —— 块外也能访问！

var 声明的变量，仅在函数体内拥有局部作用域，对 {} 代码块完全无视。这就导致变量会泄漏到外层，污染全局作用域。

这也是为何早期 JS 项目要用立即执行函数（IIFE）来模拟块级作用域——在 let 出现之前，只有函数能真正隔离变量。

2.2 变量提升（Hoisting）—— 最反直觉的坑

console.log(pizza);  // undefined —— 不报错！
var pizza = 'Deep Dish';

这段代码不会报错，而是打印 undefined。原因在于 JS 引擎在执行代码前有一个编译阶段：

编译阶段：创建执行上下文 → pizza 被赋值为 undefined
执行阶段：console.log(pizza) → undefined
         pizza = 'Deep Dish' → 赋值

你的代码书写顺序 ≠ 实际执行顺序，这种不一致正是许多 bug 的根源。ES6 引入 let 和 const，就是要终结这个问题。

三、let & const 的正确打开方式

3.1 let：支持块级作用域

{
    const name = 'DeepSeek';
    console.log(name);  // 'DeepSeek'
}
console.log(name);  // ReferenceError: name is not defined

{} 形成了一个独立的块级作用域，变量在花括号外面直接“消失”了。变量查找遵循冒泡规则：

当前作用域 → 外层作用域 → ... → 全局作用域 → 找不到 → ReferenceError

3.2 const：常量还是“常量引用”？

这是很多初学者踩坑的地方——const 修饰的是引用，不是值：

// 简单数据类型：值不可变
const key = 'abc123';
key = 'ABC123';  // ❌ TypeError: Assignment to constant variable

// 复杂数据类型：引用不变，但内容可以改
const person = {
    name: '李玉刚',
    age: 18
};
person.age++;  // ✅ 没问题！
console.log(person);  // { name: '李玉刚', age: 19 }

person = '111';  // ❌ TypeError: Assignment to constant variable

原理：JavaScript 中，简单类型值存在栈内存，复杂类型值存在堆内存，变量存的是堆地址的引用。const 锁定的是栈里的那根“指针”，不让你指向别的东西，但堆里的内容是可变的。

3.3 let 声明和赋值可以分开，const 不行

let a;  // ✅ 先声明，值是 undefined
a = 51; // ✅ 后赋值

const item;  // ❌ SyntaxError: Missing initializer in const declaration

这条规则简单但重要：const 声明时必须初始化。

四、一道面试题搞懂 for + setTimeout

这道面试高频题，是理解 var vs let 最直观的场景：

// 版本一：var
for (var i = 0; i < 10; i++) {
    setTimeout(function () {
        console.log(`This number is ${i}`);
    }, 1000);
}
// 输出：10 10 10 10 10 10 10 10 10 10

为什么全是 10？

• var 不认块级作用域 → for 循环只有一个全局的 i
• setTimeout 是异步的，在同步的 for 循环结束后才执行
• 此时 i 已经变成了 10

// 版本二：let
for (let i = 0; i < 10; i++) {
    setTimeout(function () {
        console.log(`This number is ${i}`);
    }, 1000);
}
// 输出：0 1 2 3 4 5 6 7 8 9

为什么 let 就对了？

• let 支持块级作用域 → 每次迭代都创建了一个独立的 i
• 10 个 setTimeout 各自闭包捕获的是自己那一轮的 i

五、推门入 AI：从 Jupyter Notebook 到第一个大模型应用

5.1 从 ModelScope 和 HuggingFace 说起

学 AI 避不开两个名字：海外的 HuggingFace 和国内的 ModelScope（魔搭）。

HuggingFace 2016 年成立，被称作「AI 界 GitHub」——它不是一个模型，而是一个开源社区。上面汇聚了海量预训练模型和数据集，覆盖 NLP、CV、多模态，同时提供了 Transformers 这类让开发者直接调用的工具库。ModelScope 是阿里出品的国内对标平台，理念相同：让模型可复用、可发布、可协作。

graph LR
subgraph 社区层
HF[HuggingFace]
MS[ModelScope 魔搭]
end
subgraph 能力层
TR[Transformers 库]
DS[数据集服务]
end
subgraph 应用层
APP[你的 AI 应用]
end
HF --> TR --> APP
MS --> DS --> APP

这两个平台教会我们一个关键认知：站在巨人肩膀上，不是一句鸡汤。你不需要从零训练一个模型，社区里已经有成千上万个现成的预训练模型，你的工作是用代码把它们「用起来」——这就是调 API、写 Prompt、做应用层的意义。

5.2 Jupyter Notebook：实验型编程的最佳拍档

NLP 实验、数值运算、算法验证——这些场景有一个共同点：你需要边写边看结果。传统 IDE 的「写完 → 编译 → 运行 → 看输出」循环太慢了。Jupyter Notebook 的设计哲学完全不同：随时编写，随时运行。

# 在 Notebook 里，每个 cell 都是一个独立的实验单元
# 你可以改一行，立刻看输出，不需要重新跑整个文件

# Python 列表切片 —— 优雅到令人发指
L = ['高强', 500, '张', '俊']
L[:3]  # ['高强', 500, '张']
L[-2:]  # ['张', '俊']

接触过 JS 的数组方法再来看 Python 切片，会觉得 Python 对数据的操作确实简洁。不同语言的思维切换，也是全栈路上的必修课。

5.2 调用 DeepSeek API 生成商品文案

from openai import OpenAI

client = OpenAI(
    api_key="sk-xxxxxxxx",  # 替换为你的 key
    base_url="https://api.deepseek.com/v1"
)

COMPLETION_MODEL = "deepseek-chat"

prompt = """Consideration product : 工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具
1. Compose human readable product title used on Amazonin English within 20 words.
2. Write 5 selling points for the products in Amazon.
3. Evaluate a price range for this product in U.S.
Output the result in json format with three propertiescalled title, selling_points and price_range."""

def get_response(prompt):
    response = client.chat.completions.create(
        model=COMPLETION_MODEL,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

print(get_response(prompt))

API 返回结果：

{
    "title": "Inflatable PVC Light-Up Frog Toy for Pool, Beach, Night Market Fun",
    "selling_points": [
        "Built-in LED lights make the frog glow brightly at night...",
        "Made from durable, non-toxic PVC material...",
        "Designed for versatile water fun...",
        "Eco-friendly rechargeable or battery-operated design...",
        "Eye-catching frog shape with bright colors..."
    ],
    "price_range": "$8.99 – $14.99"
}

5.3 这段代码教会我们的事

1. Prompt Engineering 是核心能力：同样的模型，喂不同的 Prompt，输出质量天差地别。想清楚你要什么格式、什么语气、什么场景，比调参数更重要。
2. JSON 输出是关键规范：让模型返回结构化数据，这样代码可以自动化处理，而不是拿到一堆自然语言还要手动解析。
3. AI 只是工具，你才是决策者：模型生成的文案和定价只能参考，最终还是要结合真实市场数据做决策。

六、我的学习路线总结

技术路线图

graph TB
subgraph 基础层
A1[JS 语法 & 数据类型]
A2[作用域链 & 闭包]
A3[var/let/const 底层]
A4[异步 & Event Loop]
end
subgraph 工程层
B1[Node.js 运行时]
B2[React 组件化]
B3[HTTP & RESTful]
end
subgraph AI 层
C1[Python 数据处理]
C2[LLM API 调用]
C3[Prompt Engineering]
C4[RAG / Agent]
end
A1 --> A2 --> A3 --> A4
A4 --> B1 --> B2 --> B3
C1 --> C2 --> C3 --> C4
B3 --> D[全栈 + AI]
C4 --> D

大一阶段，几个核心感悟值得分享：

七、写在最后

这不是偶然的。

2026 年入门编程，和五年前最大的不同是：AI 不再是选修课，而是必修课。你不需要成为算法研究员，但你必须知道怎么调用大模型、怎么写 prompt、怎么把 AI 能力嵌入到你的应用里。

对于刚上路的大一学生来说，未来还有很长的路要走——从 JS 底层到 Node.js 服务端，从 Python 脚本到真正的 AI 应用落地，中间隔着无数个 Debug 的深夜。

但学编程最有趣的地方就在于：你每搞懂一个底层原理，就好像点亮了技能树上的一盏灯，原本黑暗的地图慢慢变得清晰起来。

来源：互联网