重装系统后的第一件事：配置Python与AI开发环境并测试百川2-13B

重装系统后的第一件事配置Python与AI开发环境并测试百川2-13B刚重装完系统看着干净清爽的桌面是不是既兴奋又有点无从下手尤其是对于我们这些搞AI开发的一堆环境、驱动、库要重新配置想想就头大。别担心我最近刚好也经历了一次系统重装顺手把整个环境搭建过程梳理了一遍。今天这篇指南就是带你用最高效、最省心的方式从一张“白纸”开始快速重建一个能跑大模型的AI开发环境。我们不仅要把Python、Git、VSCode这些基础工具装好最后还要用一个实际的测试——调用百川2-13B模型的API——来给整个环境做个“竣工验收”确保从代码到模型服务的链路完全打通。跟着步骤走半小时到一小时你就能找回熟悉的开发感觉。1. 第一步打好地基——安装系统驱动与基础工具重装系统后第一步不是急着装Python而是确保你的硬件基础是稳固的。这一步做不好后面可能会遇到各种莫名其妙的错误。1.1 更新系统与安装关键驱动首先打开系统设置完成所有的系统更新。这能确保你获得最新的安全补丁和系统组件。接下来是驱动尤其是显卡驱动对AI开发至关重要Windows用户如果你用的是NVIDIA显卡强烈建议去NVIDIA官网下载最新的Game Ready或Studio驱动。用GeForce Experience安装虽然方便但官网驱动往往更干净、更新更及时。安装时选择“自定义安装”并勾选“执行清洁安装”可以避免旧驱动残留。Linux用户以Ubuntu为例驱动安装相对简单。可以通过“软件和更新”附加驱动选项卡选择专有驱动或者使用命令行安装。对于深度学习安装CUDA Toolkit时会包含匹配的驱动但先装一个基础驱动能让桌面体验更好。装好驱动后重启一下电脑。然后可以打开命令行Windows的CMD或PowerShellLinux的终端输入nvidia-smiNVIDIA显卡来验证驱动是否安装成功。如果能看到显卡信息表格那就没问题了。1.2 安装包管理工具Chocolatey 或 apt-get为了后续安装软件更高效推荐先安装一个包管理器。Windows安装 Chocolatey。用管理员身份打开 PowerShell执行以下命令Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString(https://community.chocolatey.org/install.ps1))安装完成后关闭并重新打开一个管理员 PowerShell就可以用choco install命令安装软件了。Linux (Ubuntu/Debian)系统自带apt包管理器确保它是最新的即可sudo apt update sudo apt upgrade -y2. 第二步搭建核心——配置Python开发环境基础打牢后现在来搭建我们的核心工作环境。2.1 安装Python与Miniconda直接安装系统Python也可以但我更推荐使用Miniconda。它能帮你轻松管理多个相互独立的Python环境比如一个环境做机器学习一个环境做Web开发互不干扰。下载Miniconda访问Miniconda官网下载对应你系统Windows/Linux/macOS和架构64位的安装包。选择Python 3.10或3.11版本的安装器这是目前多数AI框架兼容性较好的版本。安装Windows双击安装包基本上一路“Next”即可。建议勾选“Add Miniconda3 to my PATH environment variable”这样以后在任意终端都能使用conda命令。Linux在终端里进入下载目录给安装脚本添加执行权限并运行bash Miniconda3-latest-Linux-x86_64.sh按照提示操作通常也是回车和输入yes。安装完成后关闭并重新打开终端。验证安装打开新的终端Windows叫Anaconda Prompt或普通CMD/PowerShellLinux就是终端输入conda --version python --version能显示版本号就说明安装成功了。2.2 创建专属的AI开发环境我们不建议在base环境里直接安装各种包。创建一个专门的环境是个好习惯。# 创建一个名为 ai_devPython版本为3.10的新环境 conda create -n ai_dev python3.10 -y # 激活这个环境 conda activate ai_dev激活后你会发现命令行提示符前面变成了(ai_dev)这表示你已经在这个独立的环境里了接下来所有操作都不会影响系统或其他环境。2.3 安装AI开发核心依赖在这个新环境里我们安装一些最常用的库。先升级一下pip然后用它来安装。# 升级pip python -m pip install --upgrade pip # 安装核心数据科学和AI库 pip install numpy pandas matplotlib jupyter # 安装深度学习框架这里以PyTorch为例 # 访问PyTorch官网获取最适合你CUDA版本的命令。以下命令适用于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装常用的HTTP请求库和序列化库用于后续API调用 pip install requests安装完成后可以在Python交互界面里简单测试一下import torch print(torch.__version__) print(torch.cuda.is_available()) # 如果返回True恭喜GPU可用3. 第三步装备武器——安装Git与代码编辑器环境好了还得有趁手的工具来写代码和管理代码。3.1 安装并配置GitGit是版本控制的标配。使用包管理器安装推荐Windows (在管理员PowerShell):choco install git -yLinux:sudo apt install git -y手动下载也可以从Git官网下载安装包安装。安装后需要简单配置一下你的身份信息这样提交代码时才有记录。git config --global user.name 你的名字 git config --global user.email 你的邮箱3.2 安装并配置VSCodeVSCode是目前非常流行的轻量级代码编辑器对Python和AI开发支持很好。安装Windows:choco install vscode -yLinux: 也可以通过Snap (sudo snap install --classic code) 或下载.deb/.rpm包安装。基本配置安装后打开VSCode。切换到扩展市场 (CtrlShiftX)搜索并安装Python扩展由Microsoft发布。这个扩展提供了代码补全、调试、格式化等强大功能。同样可以安装Pylance以获得更好的语言支持。关联Python环境在VSCode中打开一个文件夹或新建一个.py文件。按CtrlShiftP打开命令面板输入Python: Select Interpreter。选择我们之前创建的ai_dev环境路径通常类似~/miniconda3/envs/ai_dev/bin/python或C:\Users\...\Miniconda3\envs\ai_dev\python.exe。至此你的核心开发环境已经就绪了。4. 第四步验收测试——调用百川2-13B模型API环境装好了怎么证明它“能用”尤其是能跑AI应用呢最好的办法就是实际跑一个例子。我们选择调用一个云端的大模型API这能同时测试你的网络、Python环境、HTTP请求库是否都工作正常。这里我们以调用CSDN星图平台上的百川2-13B模型API为例。这个测试非常直观如果你能成功发送请求并收到模型的文本回复那就证明从你的本地代码到云端AI服务的整个链路是畅通的。4.1 获取API访问密钥首先你需要一个访问凭证。通常你需要去对应的AI服务平台例如CSDN星图注册账号并创建一个API Key。这个过程一般能在平台的文档或控制台找到。假设你获得的API Base URL:https://api.example-ai-platform.com/v1请替换为实际地址API Key:sk-your-secret-api-key-here请替换为你自己的Key重要请妥善保管你的API Key不要将它直接硬编码在提交到公开仓库的代码中。我们这里为了演示方便直接写在代码里在实际项目中应使用环境变量。4.2 编写测试脚本在你的项目目录下新建一个Python文件比如叫test_baichuan_api.py。import requests import json # 1. 配置你的API信息 (请务必替换成你自己的) API_BASE_URL https://api.example-ai-platform.com/v1 # 示例地址需替换 API_KEY sk-your-secret-api-key-here # 你的真实API Key MODEL_NAME Baichuan2-13B-Chat # 模型名称根据平台实际名称调整 # 2. 准备请求头和数据 headers { Content-Type: application/json, Authorization: fBearer {API_KEY} # 常见的鉴权方式 } # 构建一个简单的对话请求 payload { model: MODEL_NAME, messages: [ {role: system, content: 你是一个乐于助人的AI助手。}, {role: user, content: 你好请用一句话介绍一下你自己。} ], temperature: 0.7, # 控制回复的随机性 max_tokens: 150 # 控制回复的最大长度 } # 3. 发送请求 try: print(正在发送请求到百川2-13B模型...) response requests.post( f{API_BASE_URL}/chat/completions, # 聊天补全接口路径可能不同 headersheaders, datajson.dumps(payload), timeout30 # 设置超时时间 ) # 4. 处理响应 response.raise_for_status() # 如果状态码不是200会抛出异常 result response.json() # 提取并打印模型的回复 reply result[choices][0][message][content] print(\n 模型回复 ) print(reply) print(\n) print(✅ 恭喜环境测试成功API调用正常) except requests.exceptions.RequestException as e: print(f❌ 网络或请求错误: {e}) except KeyError as e: print(f❌ 解析响应数据时出错响应结构可能已变化: {e}) print(f完整的响应内容: {response.text}) except Exception as e: print(f❌ 发生未知错误: {e})4.3 运行测试在VSCode中打开终端Ctrl确保终端左下角显示的环境是ai_dev。然后运行你的脚本python test_baichuan_api.py可能的输出与问题排查成功情况你会看到“正在发送请求...”的提示稍等片刻后会打印出模型的自我介绍回复最后显示“✅ 恭喜环境测试成功”。这说明一切完美。网络错误如果提示连接超时或拒绝连接请检查你的网络并确认API_BASE_URL是否正确。认证错误如果返回401或403错误请仔细检查你的API_KEY是否正确以及Authorization头的格式是否符合平台要求。模型不存在错误如果提示模型找不到请确认MODEL_NAME是否与平台提供的完全一致。Python包缺失如果提示ModuleNotFoundError: No module named requests请回到你的ai_dev环境执行pip install requests。5. 总结走完这一套流程你的新系统就不再是“白板”了。从底层的显卡驱动到核心的Python和Conda环境再到实用的Git和VSCode最后通过一个真实的AI API调用完成验收这条开发链路已经完整建立。整个过程最关键的其实是环境隔离的思想和使用包管理器的习惯。用Conda管理环境能避免未来项目间的依赖冲突用包管理器安装软件则比手动下载安装更省心、更易维护。最后的API测试虽然简单但它是一个完整的“端到端”验证确保了你的代码能力、网络能力都能顺利对接AI服务。下次再重装系统或者需要在另一台新电脑上配置环境时照着这个清单来效率会高很多。当然你可以把这个过程写成脚本实现更一键化的部署。现在环境已经就绪可以开始你的下一个AI项目了。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。