3、开发环境搭建：Python环境、虚拟环境、依赖管理、常用工具（Jupyter、VS Code）

大模型应用开发与传统的脚本编写有显著差异：项目通常依赖多个深度学习框架（如 PyTorch、Transformers）、API SDK（如 、DashScope）以及大量数据处理库。如果直接在全局 Python 环境中安装这些依赖，不同项目之间的版本冲突几乎不可避免。本章将系统讲解如何从零搭建一个专业、可复现且便于调试的 Python 开发环境，涵盖解释器安装、虚拟环境隔离、依赖锁定以及 Jupyter 与 VS Code 的高效配合。

3.1 Python 解释器安装与版本选择

核心原理：Python 解释器是将高级语言翻译为机器指令的核心程序。大模型开发中，解释器版本直接影响第三方库的兼容性。例如，Transformers 库在 Python 3.8 以下版本会出现类型注解错误，而某些最新的推理优化库（如 vLLM）要求 Python ≥3.10。因此，选择正确的解释器版本是环境搭建的第一步。

操作流程：

1. 检查系统现有版本：在终端执行 python3 --version 或 python --version（Windows）。
2. 安装 pyenv（macOS/Linux）或使用 conda：pyenv 允许在同一台机器上并行管理多个 Python 版本，且无需管理员权限。
3. 安装指定版本：pyenv install 3.11.9，然后通过 pyenv global 3.11.9 或 pyenv local 3.11.9 设置版本。
4. 验证安装：运行 python -c "import sys; print(sys.version)" 确认路径和版本。

3.2 虚拟环境：项目隔离的基石

核心原理：虚拟环境为每个项目创建独立的 Python 解释器副本和 site-packages 目录。当项目 A 需要 Django 3.2 而项目 B 需要 Django 4.2 时，虚拟环境确保两者互不干扰。venv 是 Python 3.3+ 内置的轻量级方案，而 conda 则更适合需要管理非 Python 依赖（如 CUDA、MKL）的场景。

创建与激活流程：

# 使用 venv（Python 3.3+ 内置）
python -m venv .venv
# 激活（macOS/Linux）
source .venv/bin/activate
# 激活（Windows PowerShell）
.venv\Scripts\Activate.ps1

# 使用 conda（推荐用于 GPU 环境）
conda create -n llm-dev python=3.11
conda activate llm-dev

案例拆解：假设你同时参与两个项目：一个是基于 LangChain 的 RAG 问答系统，另一个是微调 LLaMA 模型的训练脚本。前者需要 langchain==0.1.0，后者需要 transformers==4.38.0 和 torch==2.2.0。如果共用全局环境，安装顺序不同可能导致依赖冲突。通过创建两个独立虚拟环境 rag-env 和 finetune-env，每个环境只安装各自所需的依赖，彻底消除冲突。

3.3 依赖管理：从 requirements.txt 到 Poetry

核心原理：依赖管理的核心目标是可复现性——确保任何人在任何时间克隆项目后，都能安装到完全一致的依赖版本。requirements.txt 是 Python 社区最基础的依赖清单格式，而 Poetry 和 uv 则提供了更高级的锁定机制和依赖解析。

操作流程（以 pip 为例）：

1. 生成初始依赖清单：激活虚拟环境后，执行 pip freeze > requirements.txt。此命令会列出所有已安装包及其精确版本号。
2. 安装依赖：新环境执行 pip install -r requirements.txt。
3. 区分生产与开发依赖：使用 requirements-dev.txt 存放 pytest、black、ruff 等开发工具。

进阶方案——Poetry：Poetry 通过 pyproject.toml 声明项目元数据和直接依赖，并自动生成 poetry.lock 文件锁定所有传递依赖的精确版本。其优势在于：

• 自动解析依赖冲突，避免手动调整版本号。
• 支持分组依赖（如 dev 组、docs 组）。
• 内置虚拟环境管理，无需手动创建。

# 安装 Poetry
curl -sSL https://install.python-poetry.org | python3 -
# 初始化项目
poetry new my-llm-project
cd my-llm-project
# 添加依赖
poetry add  langchain
# 添加开发依赖
poetry add --group dev pytest black

3.4 常用工具：Jupyter Notebook 与 VS Code 的高效协同

核心原理：Jupyter Notebook 采用单元格（Cell）式交互，适合数据探索、Prompt 调试和结果可视化；VS Code 则提供完整的 IDE 功能，包括智能补全、断点调试和 Git 集成。两者结合使用时，VS Code 作为前端编辑器，Jupyter 作为内核执行引擎，实现"写代码-看结果-改代码"的快速迭代。

配置步骤：

1. 在 VS Code 中安装扩展：Python（由 Microsoft 发布）、Jupyter、Pylance。
2. 选择解释器：按 Ctrl+Shift+P（macOS 为 Cmd+Shift+P），输入 "Python: Select Interpreter"，选择已创建的虚拟环境。
3. 创建 Jupyter Notebook：新建 .ipynb 文件，VS Code 会自动关联 Jupyter 内核。
4. 调试模式：在 Notebook 单元格中设置断点，点击"调试单元格"即可进入交互式调试。

案例拆解：假设你需要调试一个调用 API 的 Prompt 模板。在 Jupyter 中，你可以将 Prompt 拆分为多个单元格：第一个单元格定义系统提示词，第二个单元格定义用户输入，第三个单元格调用 API 并打印响应。当发现输出不符合预期时，无需重新运行整个脚本，只需修改第二个单元格并重新执行。同时，利用 VS Code 的变量监视器，可以实时查看 response.usage.prompt_tokens 等指标。

3.5 环境搭建完整流程与复盘

总结复盘：一个专业的大模型开发环境应满足以下标准：可复现（任何机器可一键搭建）、隔离（项目间互不影响）、高效（调试与迭代流畅）。以下为推荐的标准操作流程：

# 1. 创建项目目录
mkdir my-llm-app && cd my-llm-app
# 2. 初始化 Git 仓库
git init
# 3. 创建虚拟环境
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
# 4. 升级 pip 并安装核心库
pip install --upgrade pip
pip install python-dotenv  langchain
# 5. 生成依赖清单
pip freeze > requirements.txt
# 6. 创建 .env 文件存放密钥
echo "_=sk-xxx" > .env
# 7. 创建 .gitignore
echo -e ".venv/\n.env\n__pycache__/\n*.pyc" > .gitignore

排障指南：若遇到 ModuleNotFoundError，首先检查当前解释器路径（which python），确认是否在正确的虚拟环境中。若 pip 安装速度慢，可配置国内镜像源（如清华源）：pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple。对于 GPU 环境，务必使用 conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia 安装 CUDA 版本，而非默认的 CPU 版本。