本讲目录

第 11 讲 · 软件与环境安装

这一讲是纯工具课：把使用 AI 的整条工具链——从网页聊天到 API 到编程智能体到本地部署——装起来、跑通。按"投入从低到高"分六层，各层独立，用到哪层装哪层。示例以 macOS 为主（Windows 差异会标注）。

1. 六层工具链总览

层级	形态	安装成本	适合
L1 网页聊天	chat 网页/App	零	所有人的起点
L2 桌面客户端	官方桌面 App	一次下载	高频使用者（快捷键、截图、文件拖拽）
L3 API 调用	写代码调模型	需编程基础	批处理、自动化、做应用
L4 编程智能体	终端里的 agent	一条命令	写代码、改项目、数据分析
L5 IDE 集成	编辑器插件	一次配置	日常编码的补全与重构
L6 本地部署	本机跑开源模型	中等	隐私数据、离线、折腾爱好者

2. 基础设施：包管理器与 Python 环境

macOS 先装 Homebrew（包管理器，此后一切软件一条命令）：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
brew install python@3.12 node git

Python 铁律：永远在虚拟环境里装包，不污染系统：

python3.12 -m venv .venv          # 在项目目录建环境
source .venv/bin/activate         # 激活（Windows: .venv\Scripts\activate）
pip install openai python-dotenv  # 装到这个环境里

（进阶可用 uv——Rust 写的极速替代品，brew install uv 后 uv venv / uv pip install，习惯后回不去。）

3. API：跑通第一个调用

3.1 拿 key 与管钱

到模型厂商的开放平台（注意和聊天产品是两个入口）注册、充值、创建 API key。三条纪律从第一天养成：

key 即密码：泄漏者可用你的额度。存在 .env 文件里，绝不写进代码、绝不提交 git（.gitignore 加上 .env；一旦泄露立即到平台吊销重发）；
设置用量上限：平台后台设每月预算警报，避免代码写错循环刷爆账单；
从小额开始：充最低额度先玩，个人学习用量通常每月几块到几十块人民币（DeepSeek 档的价格）。

3.2 第一个调用

行业事实标准是 OpenAI 兼容接口——大多数厂商（包括 DeepSeek）都兼容，换模型只需改 base_url 和模型名：

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()  # 从 .env 读取密钥
client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)
resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个严谨的数学助教。"},
        {"role": "user", "content": "用一句话解释什么是特征值。"},
    ],
    temperature=0.2,
)
print(resp.choices[0].message.content)

.env 文件内容就一行：DEEPSEEK_API_KEY=sk-xxxxxx。跑通这十几行，你就拥有了批量处理、自动化、接入自己程序的全部入口——本课程 lab08–lab10 都基于它。

理解计费：按 token 双向计费（输入 + 输出），中文 1 token ≈ 0.6–0.7 个汉字。上下文每轮都要重发——对话越长每轮越贵，这是第 08 讲上下文经济学的账单形态。

4. 编程智能体（CLI Agent）

第 09 讲的智能体落到日常，就是终端里的编程 agent。以 Claude Code 为例：

npm install -g @anthropic-ai/claude-code
cd 你的项目目录
claude          # 启动后用自然语言指挥它读代码、改文件、跑命令

（OpenAI 的 Codex CLI、开源的多种 agent 同理，装其一即可。）它与 L1 聊天框的本质区别：它能直接操作你的文件系统和终端——读整个项目、改多个文件、跑测试、看报错自己修。第 15 讲专讲怎么用好它。安全提醒一次到位：它每次执行命令会请求确认，别嫌烦就全开自动，尤其涉及删除、网络、安装的命令（第 09 讲提示词注入的现实防线就在这些确认框上）。

5. IDE 集成

VS Code + Copilot 或各家插件：行内补全 + 侧边对话，写代码时的"顺手"层；
Cursor：以 AI 为中心重做的 VS Code 分支，多文件编辑体验好；
与 L4 的分工：IDE 插件适合"我在写、它辅助"；CLI agent 适合"它在干、我在审"。

6. 本地部署：你的 Mac 能跑大模型

开源权重 + 消费级硬件已经能跑相当不错的模型。意义：数据完全不出机器（隐私）、离线可用、零边际成本、以及——亲手感受模型的"重量"。

最简单的入口是 Ollama：

brew install ollama
ollama serve &                 # 启动服务
ollama run qwen3:8b            # 首次自动下载（约 5GB），然后直接对话

你的 M4 / 24GB 统一内存能跑什么（经验法则：模型占用 ≈ 参数量 × 每参数字节数；4-bit 量化约 0.5 字节/参数，再留出系统与上下文的内存）：

规模	4-bit 量化后占用	24GB Mac 体验
7–9B	~5GB	流畅，日常问答够用
14B	~9GB	流畅，质量明显上台阶
30B 级（含 MoE）	~18GB	能跑，接近机器上限，关掉大程序再跑
70B+	40GB+	跑不动，需要更大内存或多卡

量化是本地部署的核心技巧：把权重从 16 位浮点压到 4 位整数，内存降 4 倍，质量损失通常可接受——又是一个工程折中。本地模型的 API 也兼容 OpenAI 格式（base_url="http://localhost:11434/v1"），第 3.2 节的代码改两行就能指向本机——同一套代码，云端本地随意切换。

清醒的预期管理：本地 8B 模型的能力大约相当于两三年前的云端主力，写作和知识面明显弱于云端旗舰。它的定位是隐私场景、批量轻任务、学习实验，不是旗舰替代品。（Mac 生态另有 MLX 框架——Apple 官方的张量库，跑量化模型效率更高，折腾爱好者可探索 mlx-lm。）

7. 网络与账号的现实

国际厂商的服务在国内网络环境下不可直连，这是绕不开的现实约束。合规的路径包括：用国内模型（第 10 讲，能力已在同一梯队）、用有国内合规代理的企业服务、或在有合法国际网络的环境（如学校科研网络出口、海外访学）使用。请遵守所在网络的使用规定。好消息是：本课程的全部实验都可用国内直连的 DeepSeek 完成，工具链方法论与模型无关，换模型只是改一行 base_url。

本讲小结与安装清单

按需勾选（全装也就半小时）：

# 基础
brew install python@3.12 node git uv
# API 之路
mkdir myai && cd myai && python3.12 -m venv .venv
source .venv/bin/activate && pip install openai python-dotenv
echo "DEEPSEEK_API_KEY=你的key" > .env && echo ".env" >> .gitignore
# 编程智能体
npm install -g @anthropic-ai/claude-code
# 本地部署
brew install ollama && ollama run qwen3:8b

动手：跑通 3.2 的第一个 API 调用；如果对本地部署好奇，装 Ollama 跑一个 8B 模型，问它同一个问题，对比云端旗舰的差距——这个体感对第 10 讲的选型判断很有价值。

下一讲开始进入"用 AI 干活"的方法论：先讲怎么用它学习——关键是让它当苏格拉底，而不是当答案贩子。