AI驱动的经管研究实践：本科AI开发环境简易搭建指南

面向大模型与 Agent 学习的入门准备

当前主流的大模型与 Agent 开发资源，其代码仓库与软件包分发节点多部署于境外服务器。国内网络环境下，若直接使用默认配置，常会遇到下载中断、速度过慢或连接超时等问题。

一套稳定的本地开发环境，是后续学习 LangChain、LlamaIndex、Oll111111111111a 等工具的前提。本文提供的路径均基于国内可正常访问的服务，无需借助任何非常规网络手段。

大模型项目依赖复杂，不同项目对 PyTorch、CUDA、Transformers 等库的版本要求各异。Anaconda 通过虚拟环境实现项目隔离，避免版本冲突。

安装与换源

常用命令

建议：每个独立项目新建一个环境，不在 base 环境中安装实验性依赖。

Git 用于跟踪代码变更、回溯历史版本，以及获取开源社区的项目资源。

基础操作

国内访问建议

安全提示：切勿将 API Key、学号、身份证等敏感信息提交至任何公共或私有代码仓库。

部分 Agent 开发框架（如 Dify、Flowise 等）及大模型 WebUI 的前端构建依赖 Node.js 运行环境。

安装方式

推荐使用 nvm（Node Version Manager）管理版本，便于切换。

验证安装：

将常用工具链的下载源切换至国内节点，可显著提升配置效率。

以上镜像均由国内高校或正规云服务商维护，校园网及公共网络环境下均可正常访问。

注册国内正规大模型服务平台，获取 API Key 进行编程练习：

编程注意：将 API Key 存储于.env文件，通过环境变量读取，避免硬编码在源码中。

在熟悉基础调用后，可尝试以下方向：

日常编码与项目调试阶段，可借助国内可直接使用的 AI 编程工具降低环境配置与代码调试的门槛：

使用建议：

环境配置本身并非学习目标，而是后续所有实践的基础。建议抽出连续的三至四小时，按本文顺序逐项完成。

如有具体报错，可携带完整错误信息进一步排查。