很多朋友问我“AI怎么安装”其实每次我都要反问一句你说的这个AI是聊天机器人是本地大模型还是写代码的编程助手这不是抬杠。过去一年我帮团队和网友装过至少上百次AI工具发现大多数人卡住的原因根本不是操作复杂而是没搞清楚自己要装的到底是哪一种。有人下载了一个本地大模型客户端配置了半天发现电脑带不动有人装了个AI编程插件结果不知道该怎么提问还有人以为AI就是一个App装完发现真正干活的是背后那一整套环境。这篇教程我不打算只教某一个工具怎么装而是把“AI安装”这件事拆成三条常见路线零基础直接用现成的云端AI、开发者自己部署本地大模型、程序员在编辑器里接入AI编程助手。你对照自己的需求选一条走每一步我都会写清楚为什么要这么做以及容易踩的坑是什么。1. 先搞清楚你要装的“AI”到底是哪一种“安装AI”这个词放在2025年已经不是一个动作了而是一套选择。市面上你能接触到的AI工具大致分为三个流派。第一个流派是云端服务型。你打开网页、扫码登录就能和AI对话、生成图片、写文档、做PPT背后靠的是服务商的服务器算力。这类工具的代表有DeepSeek、通义千问、Kimi、豆包等。它们的共同特点是零安装成本浏览器就是客户端对电脑配置没有任何要求。第二个流派是本地部署型。你把开源大模型下载到自己电脑或服务器上完全离线运行数据不出门。这类工具代表有Ollama、LM Studio、llama.cpp模型则来自Hugging Face或者ModelScope社区。好处是隐私安全、可定制坏处是吃硬件一张好显卡动辄上万没显卡也能跑但速度会让你怀疑人生。第三个流派是开发集成型。把AI能力嵌到VS Code、JetBrains这类IDE里让AI帮你写代码、查Bug、生成测试用例。代表有GitHub Copilot、Codex插件、Continue、通义灵码等。严格来说这不算独立安装而是在现有开发环境里加一个智能副驾。这三条路线不是互斥的我自己的电脑上就同时装了云端的聊天工具、本地的小模型、以及编辑器里的编程插件。不同场景用不同工具这才是正常状态。提示如果你连“我要拿AI干什么”都还没想清楚先别急着下载任何东西。先拿网页版的产品聊十天半个月搞清楚自己能拿它做什么再决定要不要往本地部署或编程集成的方向走。装工具是简单的想清楚用途才是真正需要花时间的事。2. 零基础最快上手搭建你的AI应用工作台如果你不是程序员也不想折腾环境变量这条路线最适合你。目标只有一个在半小时内拥有一个能稳定使用的AI对话助手并且能把它接入到日常工作流里。2.1 先选一个主力AI工具市面上的云端AI产品很多功能大同小异但各有侧重。我的建议是别贪多先选一个当主力。选择标准有三条免费额度够用、中文理解好、支持联网搜索。以目前的主流产品来看DeepSeek和Kimi在中文长文本理解上表现出色通义千问背靠阿里生态如果你日常用钉钉或者阿里云无缝衔接会方便很多。豆包的优势是语音交互和多模态能力适合内容创作场景。注册流程都差不多手机号验证码登录或者微信扫码不用下载客户端的话直接收藏网页版就行。我最建议的是把网页版加入浏览器书签而不是装桌面端——少一个常驻内存的进程网页版的功能也完全够用。2.2 建立你自己的专属对话体系装好之后别急着问“你能干什么”先做三件事。第一新建几个不同的对话窗口。把日常提问、长文写作、代码调试、翻译润色分开每个对话保持独立的上下文避免互相污染。我在用的时候会为“方案撰写”“代码问题”“日常答疑”各开一个会话这样AI记住的上下文更纯净回答质量明显更高。第二写一段属于你的角色设定。每次开始一个重要对话前用一段话告诉AI“你是谁、你要什么、输出的格式是什么”。比如你要写一份工作周报可以先发一句“你是我的助理我接下来会给你这周的工作碎片记录请你帮我整理成结构清晰的周报语气正式重点突出结果”。这个动作叫提示词工程普通用户不需要学复杂的公式但养成“先交代背景再提问”的习惯回答质量会翻倍。第三善用联网搜索和历史记录。很多AI工具的默认知识截止日期是过去某一天查实时信息的时候记得手动打开联网开关。历史记录功能我现在几乎天天用——回到三天前的对话继续追问比新开一个对话从头讲起效率高得多。2.3 关于安全我必须多说几句云端AI确实方便但所有对话内容理论上都会经过服务商的服务器。我的原则是个人感悟、技术学习、文字润色这类不涉及敏感信息的内容随意用但公司的代码片段、客户资料、身份证照片这些东西绝不往里面贴。另外留意一下你选择的工具是否有隐私保护开关。部分企业版产品提供了“对话内容不用于模型训练”的选项如果你有需求优先考虑这类产品。免费的可能是最贵的这句话用在这也很合适。3. 开发者路线本地大模型从下载到跑通如果说云端AI是打车那本地部署就是买车。前期投入大、维护成本高但胜在完全可控。你本地部署的模型可以用在任何场景数据不出内网还能针对自己的业务做微调。这部分的教程我以目前最流行的Ollama为主来展开。3.1 硬件门槛先算清楚别装了跑不动先看你电脑的配置再决定装哪个模型。我列一个经验值供参考你的设备配置建议运行的模型规模体验评价16GB内存无独显7B-8B量化模型勉强可用速度偏慢32GB内存无独显7B-14B量化模型日常够用长文本吃力16GB显存如RTX 408014B-32B量化模型流畅适合多数场景24GB显存如RTX 409032B-70B量化模型接近商业模型体验多卡/服务器70B以上全精度专业场景成本高这里的B是参数规模的意思7B大概就是70亿参数可以简单理解为模型的“知识容量”。普通家用电脑如果只有核显和16GB内存建议只跑7B或8B级别的量化版本别硬上大模型否则等一个回复等到怀疑人生。3.2 安装Ollama并拉取模型Ollama是目前把本地大模型安装门槛压得最低的工具一条命令就能跑起一个模型。安装包从官网下载Windows和macOS都有对应的安装包下载完一路Next就行。装好之后按住WinR输入cmd打开命令行执行下面这条命令拉取一个中文能力不错的模型ollama pull qwen2.5:7bqwen2.5是阿里开源的模型中文理解能力在同级别里算非常能打的。7b是参数规模如果你的内存只有8GB可以改成qwen2.5:3b。下载过程会显示进度条模型文件一般好几个GB网速快的话几分钟慢的话可能要等一会儿。下载完成之后执行ollama run qwen2.5:7b看到类似“Send a message”的提示就说明你已经成功在本地跑起来了一个大语言模型。直接在里面输入中文提问它会像聊天一样回你。退出对话用/bye命令查看已安装的模型用ollama list。3.3 把本地模型接入你的程序跑通命令行对话只是第一步。真正有价值的是把本地模型通过API接入你自己的应用让AI成为你系统里的一个功能模块。Ollama默认提供一个兼容OpenAI格式的API接口。启动服务Ollama安装后默认开机自启然后在你的代码里写一个请求就能调用import requests response requests.post( http://localhost:11434/api/generate, json{ model: qwen2.5:7b, prompt: 用三句话介绍你自己, stream: False } ) print(response.json()[response])这段代码干的事情是向本地服务发送一个请求让模型生成一段回答。stream参数设成False表示等全部内容生成完再一次性返回设成True则是流式输出类似聊天网页里一个字一个字往外蹦的效果。流式输出在对话类产品里体验更好但代码处理起来复杂一些新手先用非流式就够了。如果你想用OpenAI的Python库来调用本地模型也可以把base_url指到Ollamafrom openai import OpenAI client OpenAI( base_urlhttp://localhost:11434/v1, api_keyollama # 本地服务不需要真实key随便填 ) response client.chat.completions.create( modelqwen2.5:7b, messages[{role: user, content: 你好}] ) print(response.choices[0].message.content)这一步的意义在于你写的代码将来想切换到GPT或其他云端模型时只需要改base_url和api_key代码基本不用动。3.4 本地部署的几个常见坑我部署本地模型踩过不少坑挑几个高频的说。第一个是中文乱码或显示不全。Windows命令行默认编码是GBK而Ollama输出的是UTF-8两者冲突就容易出乱码。解决办法是在命令行执行chcp 65001切换到UTF-8编码或者干脆使用Windows Terminal。第二个是模型下载太慢或者下载中断。Ollama的模型默认托管在国外服务器网络不好时会失败。解决办法是设置镜像环境变量找一个国内可访问的镜像地址然后重启Ollama服务。这属于基础设施层面的问题不同网络环境差异很大如果下载失败可以考虑从ModelScope魔搭社区下载GGUF格式的模型文件然后用Ollama导入。第三个是内存不足导致Ollama进程被系统杀掉。这通常是因为模型参数规模超出你的内存容量。检查一下你运行的是什么规模的模型8GB内存就跑3b16GB内存跑7b别贪大。4. 把AI装进编辑器VS Code插件与Agent对程序员来说比起聊天窗口里的AI直接在编辑器里用AI写代码才是效率提升最明显的方式。这条路线本质上是在VS Code或其他IDE里安装一个AI插件让它读你当前打开的代码文件理解项目上下文然后辅助你补全代码、生成函数、解释报错。4.1 选型本地模型插件还是云端插件VS Code里的AI助手大致分两类。一类是接云端API的比如GitHub Copilot、Codex插件、通义灵码能力上限高能处理复杂任务但需要联网且代码会发送到服务商的服务器。另一类是接本地模型的比如Continue插件可以搭配你本地的Ollama使用代码不上传但受限于本地模型能力复杂工程问题的理解力会差一些。我的建议是如果你还没有任何AI编程工具先装一个接云端API的插件选免费额度充足的开始用。同时配置好Continue接本地模型用于你不想把代码传出去的私密项目。4.2 VS Code安装与插件配置步骤VS Code本身是免费软件到官网下载安装包安装过程没什么可说的。装好后按CtrlShiftX打开扩展面板搜索你想装的AI插件点击Install安装。以Continue插件为例安装完成后软件会要求你配置一个模型。你可以选择让它连接云端服务也可以指定它用本地Ollama的某个模型。配置界面是可视化表单或者在配置文件里写明{ models: [ { title: Qwen 2.5 7B, provider: ollama, model: qwen2.5:7b } ] }配置完成之后你可以在编辑器里选中一段代码按快捷键让AI帮你解释这段代码的逻辑或者输入自然语言让它生成一个函数。它的本质就是把你的提问和当前文件内容一起拼成提示词发给模型再把模型返回的代码展示在编辑器里。4.3 AI编程不是“一键生成”是“结对编程”用AI写代码最大的误区是把它当成自动完成机器。我见过不少同事安装插件后第一句话是“帮我写个电商系统”然后期待AI直接吐出一个完整项目。实际用过就知道这是不可能的。原因是生成式模型擅长的是片段级补全和讨论式解答而不是凭空交付一个多文件、有状态、有依赖的完整系统。正确的用法是结对编程的姿势你负责拆分任务、设计接口、提供约束条件它负责写具体实现、做重复劳动、检查遗漏边界。比如我会先在代码里写一个带注释的函数签名然后让AI填充函数体或者贴一个报错截图让它从报错信息里反推问题根源。提示词在这时候同样关键。拿一段代码问AI“这段代码有Bug吗”不如直接说“这个函数在并发场景下会有什么问题请从线程安全的角度分析”。上下文越具体答案质量越高。4.4 别盲目信任AI生成的代码必须强调的一点AI生成的代码一定要自己读懂后再提交。我踩过最惨的一次坑是让AI帮我写一个正则表达式输入一段格式奇怪的日志它给出的正则看着很对实际跑起来却把一大半有效数据给吞了。原因就是模型生成的正则匹配逻辑过于宽松边界情况没处理好。所以我的纪律是AI生成的代码进了代码库之前至少满足三个条件——我看得懂每行在干什么关键边界条件有测试用例覆盖依赖的库版本与项目一致。把AI当成一个能力很强但偶尔犯迷糊的初级工程师你会发现它能帮你省很多时间也不会给你惹太多麻烦。5. 装完AI之后的避坑清单安装工具只是开始日常使用中你会遇到各种奇奇怪怪的问题。我把这些年遇到的高频问题整理成一份速查表按“现象、原因、解决办法”三列排好你遇到类似情况可以直接照着查。现象常见原因解决办法本地模型回答速度极慢模型太大内存/显存不够换更小的模型或开量化版本中文回答夹着英文甚至乱码模型本身中文能力弱或终端编码问题切换中文能力更强的模型终端执行chcp 65001聊天窗口答着答着就断了上下文太长超出模型限制新开对话把关键信息压缩后再提问本地API调不通服务没启动或端口被占用执行ollama serve确认服务运行检查11434端口插件安装了但没反应没配置模型或模型没下载打开插件设置确认模型配置正确生成的代码报错看不懂模型不理解你的环境把报错信息和相关代码都贴给它让它结合上下文分析安装配置之外还有几个观念层面的建议我觉得比任何工具教程都重要。第一别追新模型。AI工具圈每天都有新东西出来今天这个模型屠榜明天那个框架发布追起来没完没了。我目前的策略是主力工具用一个性能稳定、生态成熟的模型型号更新时先看看社区反馈再决定要不要换。工具是拿来干活的不是拿来收藏的。第二养成“先定义输出再开始提问”的习惯。很多人觉得AI不够聪明其实大半原因是问得太泛。你问“怎么学Python”和你说“我每天有1小时碎片时间想三个月内学会用Python做数据分析请给我一个包含每周目标和练习项目的计划”后者得到的答案价值是前者的十倍。这一点在工作流搭建、提示词设计、本地模型使用中都通用。第三隐私和合规的底线别突破。涉及个人隐私、商业机密、内部系统的内容先想想有没有必要让这些数据经过第三方服务。有些工具确实好用但“好用”和“可以随便用”是两回事。我个人的做法是任何人发给我的文件只要包含身份证号、手机号、企业内部系统截图一律先脱敏再交给AI处理。最后再分享一个我的小技巧。如果你的电脑配置不高又想体验本地大模型不一定非要跑满血大模型。Ollama支持在同一个模型下切换不同量化等级量化可以理解为对模型做一定程度的压缩压缩后体积小、速度快只是生成质量略有下降。你的内存捉襟见肘时优先选择带q4或者q8后缀的量化版模型体验差距其实没有想象中那么大。AI的安装和应用是一个持续迭代的过程。我今天写的这些工具和命令可能半年后就会被更好的替代。但底层的方法论不会变先明确你要拿AI解决什么问题再选择合适的工具和部署方式最后养成高效提问和验证输出的习惯。把这套逻辑跑顺了不管将来工具怎么更新你都能很快上手。