当前位置：首页 > news >正文

2026年Python+AI工具链环境搭建指南：从零到可用的完整配置

news 2026/5/5 1:21:19

AI辅助创作 | 专栏《2026 AI编程效率革命》第02篇

前言

很多朋友问我："你用AI写代码效率那么高，是不是有什么秘诀？"说实话，真正的秘诀不在模型本身，而在于环境配置。一个标准化的AI开发环境能让你少踩80%的坑——不会因为API密钥泄露把账单干爆，不会因为依赖冲突排查一整个下午，更不会每次换电脑都从零开始折腾。

这篇文章是我用了大半年AI编程后沉淀下来的环境搭建方案。从Python环境、VS Code AI插件，到SDK配置和Docker本地服务，每一步都有具体的命令和验证方法。跟着走一遍，30分钟就能搭好一套"即开即用"的AI开发环境。

一、Python环境：用uv告别依赖地狱

在AI开发中，不同项目可能需要不同版本的依赖。用传统的pip + virtualenv管理太费劲了，我推荐uv——Rust写的Python包管理器，速度比pip快10-100倍，还自带Python版本管理。

1.1 安装uv

Windows（PowerShell）：

powershell-ExecutionPolicy ByPass-c"irm https://astral.sh/uv/install.ps1 | iex"

macOS / Linux：

curl-LsSfhttps://astral.sh/uv/install.sh|sh

安装完成后验证：

uv--version# 输出示例：uv 0.6.x

1.2 用uv管理Python版本

uv可以直接安装和管理Python解释器，不再需要单独下载安装包：

# 安装Python 3.12uv pythoninstall3.12# 查看已安装的Python版本uv python list# 创建项目时指定Python版本uv init my-ai-project--python3.12

1.3 项目初始化与虚拟环境

# 创建新项目uv init ai-toolchain-democdai-toolchain-demo# 添加依赖（uv会自动创建虚拟环境）uvaddopenai anthropic langchain-openai

验证虚拟环境是否生效：

# 查看当前使用的Python路径（应在 .venv 下）uv run python-c"import sys; print(sys.executable)"# 输出类似：/path/to/ai-toolchain-demo/.venv/bin/python# 查看已安装的依赖uv pip list

验证清单：

uv --version正常输出版本号
uv python list能看到 Python 3.12
uv run python --version输出 3.12.x
项目目录下有.venv文件夹

二、Continue.dev配置：在VS Code里接入AI

有了Python环境，下一步是把AI集成到编辑器中。Continue.dev 是目前我用下来最灵活的VS Code AI插件——支持OpenAI、DeepSeek、Anthropic、本地模型等几十种后端，而且配置文件完全透明。

2.1 安装插件

在VS Code扩展市场搜索“Continue”安装即可。安装完成后，侧边栏会出现Continue图标。

2.2 配置多个AI模型

Continue的配置文件在用户目录下的~/.continue/config.json。以下是我的实战配置，同时接入DeepSeek和OpenAI：

{"models":[{"title":"DeepSeek V4","provider":"deepseek","model":"deepseek-chat","apiKey":"${DEEPSEEK_API_KEY}","apiBase":"https://api.deepseek.com"},{"title":"GPT-5.5","provider":"openai","model":"gpt-5.5","apiKey":"${OPENAI_API_KEY}"},{"title":"DeepSeek V4 (Coding)","provider":"deepseek","model":"deepseek-chat","apiKey":"${DEEPSEEK_API_KEY}","apiBase":"https://api.deepseek.com","roles":["apply","edit"]},{"title":"GPT-5.5 (Chat)","provider":"openai","model":"gpt-5.5","apiKey":"${OPENAI_API_KEY}","roles":["chat"]}],"tabAutocompleteModel":{"title":"DeepSeek Tab","provider":"deepseek","model":"deepseek-chat","apiKey":"${DEEPSEEK_API_KEY}","apiBase":"https://api.deepseek.com"},"contextProviders":[{"name":"diff"},{"name":"open"},{"name":"terminal"},{"name":"codebase"}],"slashCommands":[{"name":"review","description":"代码审查当前文件"},{"name":"explain","description":"解释选中代码"},{"name":"test","description":"为当前函数生成测试"}]}

注意：apiKey字段使用${DEEPSEEK_API_KEY}格式引用环境变量，Continue启动时会自动展开。绝对不要把真实密钥写在配置文件中。

2.3 环境变量配置

根据操作系统设置环境变量：

Windows（PowerShell）：

[System.Environment]::SetEnvironmentVariable('DEEPSEEK_API_KEY','sk-your-key-here','User')[System.Environment]::SetEnvironmentVariable('OPENAI_API_KEY','sk-your-key-here','User')

macOS / Linux（追加到~/.bashrc或~/.zshrc）：

exportDEEPSEEK_API_KEY="sk-your-key-here"exportOPENAI_API_KEY="sk-your-key-here"

配置完成后重启VS Code，在Continue对话框中输入"你好"，如果有回复说明连接成功。

验证清单：

Continue插件安装并显示在侧边栏
config.json中模型列表能正常加载
发送"你好"能收到模型回复
选中代码后Ctrl+L（Mac:Cmd+L）能弹出对话

三、AI SDK环境：用Python调用大模型

编辑器里的AI助手解决的是"边写边问"的问题，但真正批量的AI任务——代码审查、批量生成、Agent自动化——需要直接用Python SDK。

3.1 安装SDK

# 安装三大主流SDKuvaddopenai anthropic langchain-openai python-dotenv

3.2 统一配置管理

在项目根目录创建config.py和.env文件，集中管理所有密钥和模型参数：

.env（绝不提交到Git）：

OPENAI_API_KEY=sk-your-openai-keyDEEPSEEK_API_KEY=sk-your-deepseek-keyANTHROPIC_API_KEY=sk-ant-your-anthropic-key

.gitignore：

.env .venv/ __pycache__/ *.pyc .DS_Store

config.py：

importosfromdotenvimportload_dotenv# 加载 .env 文件中的环境变量load_dotenv()# AI服务配置AI_CONFIG={"openai":{"api_key":os.getenv("OPENAI_API_KEY",""),"model":"gpt-5.5","base_url":os.getenv("OPENAI_BASE_URL",""),},"deepseek":{"api_key":os.getenv("DEEPSEEK_API_KEY",""),"model":"deepseek-chat","base_url":"https://api.deepseek.com",},"anthropic":{"api_key":os.getenv("ANTHROPIC_API_KEY",""),"model":"claude-sonnet-4-20250514",},}# 通用参数DEFAULT_TEMPERATURE=0.1DEFAULT_MAX_TOKENS=4096defget_openai_client():"""获取OpenAI客户端实例"""fromopenaiimportOpenAI config=AI_CONFIG["openai"]kwargs={"api_key":config["api_key"]}ifconfig["base_url"]:kwargs["base_url"]=config["base_url"]returnOpenAI(**kwargs)defget_langchain_openai_llm(temperature=DEFAULT_TEMPERATURE):"""获取LangChain OpenAI LLM实例"""fromlangchain_openaiimportChatOpenAI config=AI_CONFIG["openai"]kwargs={"api_key":config["api_key"],"model":config["model"],"temperature":temperature,}ifconfig["base_url"]:kwargs["base_url"]=config["base_url"]returnChatOpenAI(**kwargs)defvalidate_config():"""验证配置是否完整"""missing=[]forprovider,cfginAI_CONFIG.items():ifnotcfg.get("api_key"):missing.append(f"{provider.upper()}_API_KEY")ifmissing:raiseValueError(f"缺少以下环境变量:{', '.join(missing)}\n"f"请在 .env 文件中配置。")print("✅ 所有API密钥配置完成")if__name__=="__main__":validate_config()print(f"OpenAI模型:{AI_CONFIG['openai']['model']}")print(f"DeepSeek模型:{AI_CONFIG['deepseek']['model']}")print(f"Anthropic模型:{AI_CONFIG['anthropic']['model']}")

3.3 验证SDK连接

# test_sdk.pyfromconfigimportget_openai_client,validate_configdeftest_connection():"""测试AI服务连接"""validate_config()client=get_openai_client()response=client.chat.completions.create(model="gpt-5.5",messages=[{"role":"user","content":"用一句话回答：AI编程最核心的能力是什么？"}],max_tokens=100,)print(response.choices[0].message.content)if__name__=="__main__":test_connection()

运行验证：

uv run python test_sdk.py# 输出示例：AI编程最核心的能力是将需求精确转化为Prompt的能力。

验证清单：

uv run python config.py输出"✅ 所有API密钥配置完成"
uv run python test_sdk.py能正常返回AI回复
.env已加入.gitignore，不会被提交

四、Docker环境（可选）：本地AI服务一键启动

如果你希望某些任务用本地模型处理（比如代码补全这种高频低延迟场景），Docker是最快的方式。以下docker-compose.yml可以一键启动Ollama本地大模型服务。

4.1 docker-compose.yml

# docker-compose.ymlversion:"3.9"services:ollama:image:ollama/ollama:latestcontainer_name:ai-ollamaports:-"11434:11434"volumes:-ollama_data:/root/.ollamarestart:unless-stoppeddeploy:resources:reservations:devices:-driver:nvidiacount:1capabilities:[gpu]# 可选：Open WebUI 提供Chat界面open-webui:image:ghcr.io/open-webui/open-webui:maincontainer_name:ai-webuiports:-"3000:8080"volumes:-webui_data:/app/backend/dataenvironment:-OLLAMA_BASE_URL=http://ollama:11434depends_on:-ollamarestart:unless-stoppedvolumes:ollama_data:webui_data:

4.2 启动与使用

# 启动服务dockercompose up-d# 拉取模型（以Qwen 2.5 Coder为例，约4GB）dockerexec-itai-ollama ollama pull qwen2.5-coder:7b# 测试调用curlhttp://localhost:11434/api/generate-d'{ "model": "qwen2.5-coder:7b", "prompt": "写一个Python函数计算斐波那契数列", "stream": false }'

启动open-webui后，浏览器访问http://localhost:3000就能看到一个类ChatGPT的本地聊天界面。

注意：没有GPU也可以跑，但7B以上模型用CPU推理会很慢。日常开发用云端模型为主，本地模型作为离线备选方案。

验证清单：

docker compose up -d无报错
docker ps能看到 ollama 和 open-webui 两个容器
http://localhost:3000可以打开WebUI

五、项目模板：标准化你的AI项目目录

每次新建AI项目都手动搭结构很烦。我整理了一个标准模板，克隆即用。

5.1 推荐项目结构

ai-project-template/ ├── .env # API密钥（不提交） ├── .env.example # 密钥模板（提交，帮助新成员配置） ├── .gitignore ├── pyproject.toml # uv项目配置 ├── docker-compose.yml # （可选）本地AI服务 ├── src/ │ ├── __init__.py │ ├── config.py # 统一配置（上面已给出） │ └── ai_client.py # AI客户端封装 ├── prompts/ # 提示词模板 │ └── system_prompts/ │ ├── code_review.md │ └── code_explain.md ├── scripts/ # 实用脚本 │ ├── quick_test.py # SDK连接测试 │ └── setup_env.py # 环境检查脚本 ├── tests/ # 测试 │ └── test_ai_client.py └── README.md

5.2 快速启动脚本

#!/bin/bash# setup.sh — 一键初始化AI开发环境set-eecho"🚀 初始化AI开发环境..."# 检查uv是否安装if!command-vuv&>/dev/null;thenecho"❌ 未找到uv，请先安装：https://github.com/astral-sh/uv"exit1fi# 安装Python（如需要）echo"📦 检查Python版本..."uv pythoninstall3.12# 创建项目echo"📁 创建项目..."uv init ai-project--python3.12cdai-project# 安装核心依赖echo"📦 安装依赖..."uvaddopenai anthropic langchain-openai python-dotenv# 创建目录结构echo"📁 创建目录结构..."mkdir-psrc prompts/system_prompts scripts tests# 复制 .env.example（如果没有则创建）cat>.env.example<<'EOF' # 将本文件复制为 .env 并填入你的API密钥 # cp .env.example .env OPENAI_API_KEY=sk-your-openai-key DEEPSEEK_API_KEY=sk-your-deepseek-key ANTHROPIC_API_KEY=sk-ant-your-anthropic-key EOF# 创建 .gitignorecat>.gitignore<<'EOF' .env .venv/ __pycache__/ *.pyc .DS_Store EOFecho""echo"✅ 环境初始化完成！"echo"接下来："echo" 1. cp .env.example .env → 填入你的API密钥"echo" 2. uv run python src/config.py → 验证配置"echo" 3. 开始写代码！"

Windows用户可以用这个PowerShell等效版本：

# setup.ps1Write-Host"🚀 初始化AI开发环境..."-ForegroundColor Cyanif(!(Get-Commanduv-ErrorAction SilentlyContinue)){Write-Host"❌ 未找到uv，请先安装：https://github.com/astral-sh/uv"-ForegroundColor Redexit1}uv python install 3.12 uv init ai-project--python 3.12Set-Locationai-project uv add openai anthropic langchain-openai python-dotenvNew-Item-ItemType Directory-Force-Path src,prompts/system_prompts,scripts,tests|Out-Null@" # 将本文件复制为 .env 并填入你的API密钥 OPENAI_API_KEY=sk-your-openai-key DEEPSEEK_API_KEY=sk-your-deepseek-key ANTHROPIC_API_KEY=sk-ant-your-anthropic-key "@|Out-File-FilePath.env.example-Encoding UTF8 @" .env .venv/ __pycache__/ *.pyc .DS_Store "@|Out-File-FilePath.gitignore-Encoding UTF8Write-Host""Write-Host"✅ 环境初始化完成！"-ForegroundColor GreenWrite-Host" 1. cp .env.example .env → 填入API密钥"Write-Host" 2. uv run python src/config.py → 验证配置"

六、常见问题：我踩过的坑

下面5个问题是我在实际搭建中遇到的，每一个都踩了至少一次。

坑1：uv虚拟环境不生效

现象：uv add安装了包，但python命令导入报ModuleNotFoundError。

原因：直接用了系统Python而非uv管理的虚拟环境。

解决：始终用uv run python替代python：

# ❌ 错误：可能调用系统Pythonpython script.py# ✅ 正确：使用uv虚拟环境中的Pythonuv run python script.py

坑2：Continue.dev连不上DeepSeek

现象：配置文件写好了，但Continue对话报错401 Unauthorized。

排查步骤：

# 1. 确认环境变量已设置echo$DEEPSEEK_API_KEY# Linux/Mac# 或echo$env:DEEPSEEK_API_KEY# PowerShell# 2. 确认Continue读取到了环境变量# 在Continue对话框中输入 /config 查看当前加载的配置# 3. 如果环境变量在配置插件后才添加，需要完全重启VS Code# (不是reload窗口，是 File → Exit，然后重新打开)

关键教训：Continue在VS Code启动时读取环境变量。如果先开VS Code、后设环境变量，必须退出重开，不是Ctrl+Shift+P → Reload Window。

坑3：.env文件被提交到Git

现象：git push后发现.env被推上去了，API密钥暴露。

急救步骤：

# 1. 立即从仓库删除文件gitrm--cached.envgitcommit-m"chore: remove .env from tracking"# 2. 立即使所有密钥失效（去对应平台重新生成）# OpenAI: https://platform.openai.com/api-keys# DeepSeek: https://platform.deepseek.com/api_keys# Anthropic: https://console.anthropic.com/settings/keys# 3. 确认 .gitignore 生效gitstatus# 不应再看到 .env

预防：项目初始化时就创建.gitignore，并且把.env放在第一行。

坑4：langchain-openai导入报错

现象：from langchain_openai import ChatOpenAI报ImportError。

原因：安装了langchain但没装langchain-openai，或者装了但版本不匹配。

解决：

# 卸载旧版，重新安装uv remove langchain langchain-openai uvaddlangchain-openai# 会自动拉取langchain作为依赖# 验证uv run python-c"from langchain_openai import ChatOpenAI; print('OK')"

坑5：Ollama Docker容器GPU不可用

现象：docker compose up正常，但模型推理只用CPU，速度极慢。

检查与修复：

# 1. 确认nvidia驱动正常nvidia-smi# 2. 确认安装了nvidia-container-toolkit# Ubuntu/Debian:sudoaptinstallnvidia-container-toolkitsudosystemctl restartdocker# 3. 测试GPU是否在容器中可见dockerrun--rm--gpusall nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi# 4. 如果以上都正常，确认docker-compose.yml中有deploy.resources配置