新闻详情

新闻详情

首页 / 资讯中心 / 详情

新手小白 Agent 开发第1课:零基础搭好环境,安装 Python 与 VS Code

发布时间:2026/11/15 3:08:30来源:尧图网络
新手小白 Agent 开发第1课:零基础搭好环境,安装 Python 与 VS Code
很多人以为「开发 Agent」是只有算法工程师才敢碰的事其实不是。即使你现在完全不会编程也完全可以独立做出一个能用的 Agent。关键在于不要一上来就想着做一个「像 ChatGPT 一样的超级 Agent」而是先做一个能解决具体问题的小 Agent。这个系列会手把手带你走完安装环境 → 调用大模型 → 使用工具 → 记住上下文 → 自主规划 → 最后变成真正的 Agent。第 1 课我们先把地基打好。一、先搞清楚Agent 到底是什么很多人第一次听到 Agent会觉得它特别复杂。其实最简单的 Agent 可以理解成一个公式大模型 Prompt 工具 记忆 循环举个例子你做一个「AI 股票研究 Agent」对它说「帮我分析一下英伟达最近的情况。」它会自己完成理解任务 → 搜索最新新闻 → 获取股价 → 查询财报 → 分析数据 → 总结风险 → 输出报告。那它和普通 ChatGPT 有什么区别对比维度普通 ChatGPTAgent工作方式你问一句它答一句围绕目标自主行动能否用工具基本不能能搜索、计算、读写文件能否多步执行单轮为主循环执行直到完成数据流用户 → LLM → 回答用户 → Agent ⇄ 工具 → 最终答案普通 ChatGPT 是这样用户 → LLM → 回答Agent 是这样用户 → Agent → LLM → 调用工具 ├── 搜索网页 ├── 查询数据库 ├── 执行 Python └── 调用 API ↓ 得到结果 ↓ LLM 决定下一步 ↓ 最终答案一句话概括LLM 不只是「回答问题」而是能根据目标决定下一步做什么——这就是 Agent。二、先看一眼全局路线在动手之前先知道我们要去哪。整个系列大致分 7 个阶段阶段学什么最终作品① 环境搭建Python、VS Code能跑代码的环境② LLM API调用大模型AI 聊天程序③ Tool Calling让模型会用工具AI 计算/搜索助手④ Agent Loop自主循环执行自动执行任务的 Agent⑤ Memory RAG记忆与知识库AI 知识库 Agent⑥ Planning任务规划完整 AI Agent⑦ Web UI网页界面可分享的小产品三、为什么我不建议你一上来就学 LangChain这是一个非常重要的建议。很多 Agent 教程一上来就是LangChain LangGraph RAG 向量数据库 Function Calling MCP Docker……结果小白第一天就被劝退。实际上你完全可以先不用任何 Agent 框架用 Python 自己写一个几十行的小 Agent。等你真正理解了 Agent 是怎么跑起来的再去学框架会非常快。一句话概括框架是工具不是 Agent 本身先懂原理再学框架。四、动手10 分钟搭好环境步骤 1安装 Python建议安装Python 3.12 或 3.13。到 Python 官网python.org下载 Windows 版本。安装时有一个地方必须勾选☑ Add Python to PATH然后点Install Now。这一步决定了你后面能不能在命令行里直接使用python命令务必别漏。步骤 2验证安装按Win R输入cmd回车然后执行python --version看到类似Python 3.13.x就成功了。如果python没反应试试py --version步骤 3安装 VS Code到 code.visualstudio.com 下载安装。以后我们主要就在 VS Code 里写 Agent 代码。步骤 4创建项目文件夹在桌面新建一个文件夹my-agent然后用 VS Code 打开它File → Open Folder。步骤 5创建虚拟环境打开 VS Code 终端Terminal → New Terminal执行python -m venv .venv这条命令会在项目里创建一个独立的 Python 环境避免把你电脑上其他项目搞乱。然后激活它Windows PowerShell.venv\Scripts\Activate.ps1成功后终端前面会出现(.venv)(.venv) PS C:\Users\xxx\Desktop\my-agent到这里你的 Agent 开发环境就搭好了。五、自查这一课你成功了吗python --version能打印出 3.12 或 3.13VS Code 能打开my-agent文件夹终端前面出现了(.venv)三条全中就说明第 1 课过关。总结Agent 的核心思想就是「让大模型围绕目标自主行动」——它不是更聪明的聊天机器人而是会用工具的 AI。而这一切的起点不过是一个能跑 Python 的环境。地基打好了接下来才谈得上去调用大模型。下一课我们就获取模型 API亲手写出你的第一个 AI 程序并且同时支持 OpenAI 和 DeepSeek 两种模型。下一课预告第2课获取模型 API写出你的第一个 AI 程序含 DeepSeek 接入。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉