第2章 别急，先把刀磨快

第1章讲完了AI Agent是什么、为什么现在学。这一章不急着写Agent代码——我有个朋友，代码写得漂亮，但每次换电脑都要花半天修环境。学AI的第一步，不是AI，是把工具准备好。 环境装对了，后面全是坦途；装错了，每走一步都是坑。

---

2.1 朋友问我怎么学AI

2.1.1 你不是不会Python，你是在哪写都不知道

去年有个朋友来找我："我想学AI开发，你觉得我应该从哪开始？"

我说你先装个Python。

他愣了两秒："……Python？不是应该先学PyTorch吗？"

这个问题我听过无数次。很多人一上来就想跑模型、训数据，结果连 import 都报错不知道为啥。学AI的第一步不是AI，是Python。就好像你想当赛车手，第一件事不是上赛道，而是先考个驾照。

Python不是你工具箱里的一个工具——它就是那个工具箱本身。这一节先把它装好。

---

2.1.2 安装Python（别在生产环境瞎装）

去 python.org 下载安装包。关键选择：版本号。

• 不要用Python 2——它已经停止维护了，但有些老系统默认装的还是它
• 推荐Python 3.10或3.11——稳定、兼容性好，AI生态的库基本都支持
• Python 3.12/3.13也可以——但个别库可能有兼容性问题，新手建议保守一点

安装完验证一下：

python3 --version
# Python 3.11.9

如果你用的是macOS，系统自带了Python 3，但版本可能偏旧。建议用Homebrew装一个独立的：

brew install python@3.11

为什么要用独立的Python？ 因为系统自带的Python是给系统工具用的，你乱装包可能把系统搞崩。就像你不会用厨房的水果刀去砍骨头——工具要对，场景要对。

---

2.1.3 虚拟环境：你第一个AI项目的"独立房间"

装完Python之后，你可能会想：直接 pip install 不就行了？

可以，但千万别这么干。

问题出在哪？ 假设你有两个项目：

• 项目A用了 langchain==0.3.0
• 项目B用了 langchain==0.4.0

如果你把所有的包都装在全局，这两个版本会打架。要么A跑不了，要么B报错，要么两个都挂。

虚拟环境就是给每个项目一个独立房间——房间里放什么包、什么版本，互不影响。

创建虚拟环境：

# 创建
python3 -m venv agent_env

# 激活（macOS / Linux）
source agent_env/bin/activate

# 激活（Windows）
agent_env\Scripts\activate

激活后，你的终端前面会多一个 (agent_env) 标记——表示你现在在这个"房间"里了。这时候 pip install 的所有包都只装在这个房间里。

退出虚拟环境：

deactivate

---

2.1.4 一个标准项目骨架

装好Python、建好虚拟环境之后，我习惯按这个结构组织项目：

my-agent-project/
├── .env              # API Key等敏感信息（不要提交到git）
├── .gitignore        # 告诉git哪些文件不用管
├── requirements.txt  # 项目依赖清单
├── src/              # 源代码
│   ├── __init__.py
│   ├── main.py       # 入口文件
│   └── agent/        # Agent相关模块
├── data/             # 数据文件
└── tests/            # 测试

你不一定要一模一样，但有几点值得注意：

1. .env 文件存敏感信息——API Key、数据库密码放这里，别硬编码到代码里
2. requirements.txt 是必须的——别人拿到你的项目，pip install -r requirements.txt 一键装好
3. __init__.py 让文件夹变成Python包——这样你才能 from src.agent import xxx

---

2.2 依赖地狱，我也踩过

2.2.1 pip：最基本的包管理

pip 是Python自带的包管理工具。用它的场景就三个：

# 装包
pip install langchain

# 卸载
pip uninstall langchain

# 看装了啥
pip list

装包的时候建议加版本号：

# 不推荐
pip install langchain

# 推荐
pip install langchain==0.3.30

为什么不推荐不加版本号？因为你的代码是基于某个特定版本写的。半年后你换台电脑，pip install langchain 可能装到 0.5.0——你的代码就全崩了。

锁定整个环境的版本：

# 导出当前环境的所有包和版本
pip freeze > requirements.txt

# 别人拿到 requirements.txt 后
pip install -r requirements.txt

这就是 requirements.txt 的作用——不是"建议装这些包"，而是"必须装这些版本才能跑"。

---

2.2.2 conda：更重的方案

如果你做数据分析或者机器学习，可能会遇到 conda。它和 pip 的区别：

	pip	conda
管什么	Python包	Python包 + 非Python依赖（如C库）
来源	PyPI	conda-forge / Anaconda
虚拟环境	venv	内置环境管理
体量	轻	重（几百MB起步）

对于AI Agent开发，pip + venv就够了。只有当你需要装一些有复杂C依赖的库（比如某些科学计算库）时，conda才更省心。

---

2.2.3 依赖地狱与如何避免

做AI开发，你迟早会遇到下面这个场景：

ERROR: langchain 0.3.30 requires pydantic>=2.0, but you have pydantic 1.10.0

这就是"依赖地狱"——包A要求某个库的版本≥X，包B要求同一个库的版本≤Y，X > Y，无解。

几个减少麻烦的习惯：

1. 先建虚拟环境再装包——全局装多了肯定打架
2. 用 requirements.txt 锁定版本——保证环境可复现
3. 一次装一个包——别 pip install a b c d e 一行搞定，出错了你不知道是哪个引起的
4. 如果冲突了，删掉环境重建——别花两小时调试依赖冲突，重建只要两分钟

---

2.3 工具选对了，写代码是享受

工具没有"最好"，只有"最适合你的场景"。

---

2.3.1 VSCode（推荐）

适合：写项目代码、日常开发

优点：

• 免费、轻量、启动快
• Copilot插件——AI帮你写代码（本书讲的就是怎么造这种AI）
• 终端内置——不用来回切换窗口
• 插件生态丰富：Python、Jupyter、GitLens……

装好VSCode后必装的插件：

• Python（微软官方）：代码提示、调试、测试
• Pylance：更快的语法分析和自动补全
• Jupyter：在VSCode里跑Notebook

---

2.3.2 PyCharm

适合：大型项目、团队协作

优点：

• 开箱即用的全功能IDE
• 重构工具强大
• 数据库工具内置

缺点：

• 重——启动比VSCode慢
• 专业版收费（社区版够用，但缺一些功能）

如果你来自Java/Go背景，PyCharm的操作逻辑会更亲切。

---

2.3.3 Jupyter Notebook / JupyterLab

适合：数据探索、实验性代码、教学演示

优点：

• 代码分"单元格"运行，改一个单元格不用重新跑全部
• 输出（图表、表格）直接显示在代码下面
• 适合"边写边看结果"

缺点：

• .ipynb 文件不利于版本管理（git diff 很难看）
• 不适合写完整项目

本书的使用建议：前几章你可以用Jupyter边学边试，但到了第四部分做项目时，必须切回 .py 文件——真实的Agent系统不是跑在Notebook里的。

---

2.4 这些库，后面会一个个认识

装完环境，先看一眼你接下来会频繁打交道的几个库。不用现在就装，心里有个地图就行。

---

2.4.1 LangChain 与 LangGraph

LangChain 是你组装AI应用的"积木箱"——Prompt模板、模型调用、输出解析、记忆管理……每个功能是一块积木，你用 | 管道符把它们串起来。

LangGraph 是LangChain的"升级版"——当你的应用不再是"一条直线"，而是"有分支、有循环、有状态"的时候，用它。它用状态机的方式来组织Agent的行为。

简单场景 → LangChain（一条链串到底）
复杂场景 → LangGraph（分支、循环、条件跳转）

本书第11章会详细讲这两个框架的核心原理。

---

2.4.2 向量数据库

为什么AI Agent需要数据库？因为LLM的"知识"是训练时固定的，它不知道你公司的内部文档、不知道今天的新闻。

RAG（检索增强生成） 的思路是：把文档转成向量存起来 → 用户提问时检索相关内容 → 把内容塞给LLM → LLM基于这些"参考资料"回答。

向量数据库就是存这些向量的地方：

库	特点
ChromaDB	轻量、Python原生、适合原型和小项目
FAISS	Meta开源、速度快、适合大规模检索
Milvus	企业级、分布式、适合生产环境

本书用ChromaDB——轻、快、和LangChain集成好。

---

2.4.3 其他你会遇到的库

不要求你记住这些。 后面每用一个库，我都会讲它是干什么的、为什么用它。这只是一个"地图预览"——让你知道接下来的路上会遇到什么。

---

2.5 不想花钱先学？Mock模式了解一下

2.5.1 一个真实的痛点

学AI开发最大的门槛不是技术，是钱。

调用GPT-4的API要花钱。一次对话几毛钱，听起来不多，但你学一个项目跑几十次、几百次——积少成多，一个月几百块就没了。

更麻烦的是，有些读者在国内，调OpenAI的API还得折腾VPN。还没开始学呢，先被网络问题卡住。

我当年学AI Agent的时候就被这个问题困扰了很久。 所以这本书做了一个"Mock模式"。

---

2.5.2 Mock模式是什么

简单说：假装调用AI，用预设的模拟数据代替真实的API返回。

一个环境变量就能切换：

# Mock模式——零成本，离线也能跑
export USE_MOCK=true
python main.py

# 真实模式——连真实AI
export USE_MOCK=false
export API_KEY=你的key
python main.py

---

2.5.3 Mock模式不是"假的"

有人可能会觉得："Mock模式不是骗自己吗？返回的都是假的，学个啥？"

不对。Mock模式让你学的是"整个系统的骨架和逻辑"，而不是"某一次API的返回内容"。

举个具体的例子——你在做智能客服项目的时候：

• 逻辑部分：用户提问 → 意图识别 → 查知识库 → 调用工具 → 生成回答。这一整条链路，Mock模式全都能跑。
• AI部分：只是最后"生成回答"这步用了模拟数据。

你做的是学会怎么搭这套系统，而不是"看AI说了一句什么话"。那套业务逻辑，Mock和真实模式跑出来的是一样的。

学习路径我建议这样：

1. 先用Mock模式把整个项目跑通（理解骨架）
2. 然后再接入真实API（理解AI的"灵魂"）
3. 两个都理解之后，你自己就能设计Agent系统了

---

2.5.4 什么情况下不需要Mock模式

如果你的API是免费的（比如某些国产模型的免费额度），或者公司报销API费用，那直接上真实模式也行。

但即使如此，Mock模式还有一个好处——离线跑。你在高铁上、飞机上、咖啡厅没网的时候，照样能写代码、跑逻辑。

---

2.6 本章小结

这一章我们没写一行Agent代码，但把最重要的准备工作做了：

1. Python安装与虚拟环境：用独立Python版本 + venv给每个项目一个独立房间
2. 包管理：pip装包要带版本号，requirements.txt 保平安
3. 开发工具：VSCode写项目，Jupyter做实验，各司其职
4. AI开发库地图：LangChain搭积木、LangGraph管状态、ChromaDB存向量——先认识，后面会详讲
5. Mock模式：零成本学完所有项目，骨架和逻辑才是你要学的

---

✅ 知识点检查

学完这一章，试试回答这几个问题：

• [ ] 为什么要给每个项目建独立的虚拟环境？
• [ ] pip install 的时候为什么要加版本号？
• [ ] Mock模式帮你解决了什么问题？
• [ ] 学AI Agent，为什么建议先用Jupyter做实验，再切回 .py 写项目？

---

📚 延伸阅读

• Python官方虚拟环境文档：https://docs.python.org/3/library/venv.html
• VSCode Python插件：在VSCode扩展商店搜索"Python"
• 本书配套源码：关注公众号「图解AI系列」免费领取

---

🎯 下一章预告

第3章，我们快速回顾Python核心语法——

"写Agent之前，这些Python够用了。"

---