邓立国Agent开发入门必读书《AI Agent智能体开发实践》1~11章试读_《ai agent 智能体开发实践》在线阅读-CSDN博客注意你安装了这个开发环境就可以按上面链接给出的《AI Agent智能体开发实践》第3-12章试读内容进行学习。Python与AI Agent人工智能智能体之间有着密不可分的关系。作为当前人工智能领域主流的编程语言Python凭借其简洁的语法、丰富的科学计算库如NumPy、Pandas以及强大的AI框架支持如TensorFlow、PyTorch、Hugging Face成为开发AI Agent的首选工具。AI Agent是能够感知环境、进行决策并采取行动的智能实体广泛应用于智能对话系统、自动化决策、机器人控制和自主学习系统中。借助Python强大的生态系统开发者可以轻松实现自然语言处理、机器学习模型训练、环境交互逻辑构建等核心功能从而快速搭建和迭代智能体系统。此外Python丰富的异步编程和网络库也便于智能体与外部系统如API、数据库、传感器进行高效通信。因此掌握Python不仅是进入人工智能领域的钥匙更是构建功能强大、灵活智能的AI Agent的基石。2.1.1 Anaconda的下载与安装1. 下载Anaconda1访问Anaconda官网https://www.anaconda.com登录官网后在Anaconda官网打开下载页面如图2.1所示。图2.1 Anaconda下载页面2根据读者自己的计算机系统下载相应的安装包作者下载的是Windows 64位Python 3.13版本的安装包如图2.2所示。图2.2 下载Anaconda3 Windows安装包3安装包下载页面如图2.3所示下载的安装文件名为Anaconda3-2025.06-Windows-x86_64.exe。2. 安装过程双击下载好的Anaconda3-2025.06-Windows-x86_64.exe文件按安装向导操作建议图2.3 Anaconda3-2025.06-Windows-x86_64.exe安装包下载页面为所有用户安装需要管理员权限。安装路径不要包含空格或特殊字符如C:\Anaconda3。勾选Add Anaconda3 to my PATH environment variable虽然不推荐但开发常用。勾选Register Anaconda3 as my default Python。3. 验证安装打开新终端/命令提示符执行以下命令验证安装是否成功conda --versionpython --version2.1.2 PyTorch的下载与安装在深度学习领域PyTorch凭借其卓越的灵活性与强大的功能已成为业界广泛采用的核心框架之一。其最显著的优势在于支持动态计算图Dynamic Computation Graph这一特性使得模型的构建、调试和迭代过程更加直观高效。开发者可以在运行时灵活调整网络结构实时查看中间结果极大地提升了研发效率特别适用于研究探索、模型快速原型设计以及复杂任务的实现。从实践角度来看PyTorch提供了简洁清晰的API接口具有良好的可读性和易用性无论是初学者还是资深研究人员都能迅速上手。同时它与Python生态无缝集成支持主流数据处理和可视化工具便于构建完整的深度学习工作流。更重要的是PyTorch背后拥有一个活跃且庞大的开源社区持续贡献高质量的模型库、教程资源和技术支持为实际项目落地提供了强有力的保障。在本书重点讲解的Qwen3、DeepSeek等大语言模型的应用实践中PyTorch作为其核心后端框架承担着模型加载、推理执行、参数微调以及分布式训练等关键任务。LLM模型的高效部署与精细化微调高度依赖于PyTorch所提供的张量计算能力、自动微分机制以及对多设备CPU/GPU的统一支持。因此正确配置PyTorch环境是开展后续所有工作的前提和基础。在安装层面PyTorch提供了CPU版本和GPU版本两种选择以适配不同的硬件条件与性能需求。CPU版本适用于开发测试、轻量级推理或缺乏GPU资源的场景安装简单兼容性强。GPU版本能充分利用NVIDIA CUDA加速能力显著提升训练与推理速度尤其适合大规模模型如Qwen3的实际部署与调优。以Windows平台为例根据读者工作计算机的资源情况若选择安装仅支持GPU的PyTorch版本以PyTorch 2.8.0CUDA12.6为例可使用如下命令# CPU onlypip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126相比之下GPU版本的安装涉及CUDA驱动、cuDNN等底层依赖的匹配配置更为复杂。考虑到Qwen3模型对计算资源的高要求推荐在具备NVIDIA显卡的环境中安装GPU版本PyTorch以充分发挥其并行计算优势加速模型训练与推理进程。接下来我们将重点介绍GPU版本的安装步骤与常见问题解决方案。1. 核心概念理解在开始之前理解这三者之间的关系至关重要。1CUDA由NVIDIA推出的并行计算平台和编程模型。它允许软件开发者和软件工程师使用支持CUDA的GPU进行通用处理而不仅仅是图形处理。简而言之PyTorch需要CUDA来在NVIDIA GPU上执行计算。2cuDNNCUDA Deep Neural Network library的缩写。它是NVIDIA提供的针对深度神经网络的GPU加速库。它提供了高度优化的常见深度学习操作如卷积、池化、归一化等的实现。cuDNN是运行在CUDA之上的一个专用加速库PyTorch等框架会调用它来极致地提升训练和推理速度。3PyTorch一个开源的机器学习框架。它本身不直接与GPU通信而是通过CUDA接口来利用GPU进行计算。当你安装了PyTorch的CUDA版本即GPU版本后PyTorch就可以调用CUDA和cuDNN来在NVIDIA GPU上高效运行。调用关系总结PyTorch→cuDNN→CUDA→NVIDIA GPU Driver→NVIDIA GPU。因此安装顺序应该是先安装GPU驱动再安装CUDA和cuDNN最后安装对应版本的PyTorch。2. 安装前的准备工作1检查你的NVIDIA GPU是否支持CUDA确保你的计算机拥有NVIDIA显卡并且它支持CUDA。几乎所有现代的NVIDIA GPUGeForce、RTX、Quadro、Tesla等都支持CUDA。官方支持列表请查看https://developer.nvidia.com/cuda-gpus。2查看你的显卡驱动版本这一步是为了确定你需要安装哪个版本的CUDA。1在键盘上按WinR键输入cmd并按Enter键打开命令提示符。2输入命令nvidia-smi。3查看右上角显示的驱动版本和最高支持的CUDA版本。例如输出中有一行CUDA Version:12.4这表示你的当前驱动最高可以支持CUDA 12.4。你需要安装不高于12.4的CUDA版本。3. CUDA安装CUDA是NVIDIA的并行计算平台PyTorch的GPU加速需要依赖它。1检查GPU是否支持CUDA访问NVIDIA官网查看你的GPU型号是否在支持列表中或在命令行窗口输入命令wmic path win32_VideoController get name来检查。2下载CUDA Toolkit访问NVIDIA CUDA下载页面https://developer.nvidia.com/cuda-toolkit-archive。选择适合你系统的版本建议选择PyTorch支持的版本目前常用11.7或11.8。按照系统类型选择相应的安装包。3安装CUDA运行下载的.exe文件建议使用默认安装路径。安装过程中确保勾选CUDA Toolkit。4验证安装命令行输入nvcc -V若显示版本信息则安装成功。4. cuDNN安装cuDNN是NVIDIA的深度神经网络加速库是PyTorch GPU加速的必要组件。1下载cuDNN1访问https://developer.nvidia.com/rdp/cudnn-download。2需要注册NVIDIA开发者账号。3选择与已安装CUDA版本匹配的cuDNN版本。2安装cuDNN解压下载的ZIP文件。将bin、include、lib文件夹复制到CUDA安装目录默认为C:\Program Files\ NVIDIA GPU Computing Toolkit\CUDA\vxx.x。3验证安装检查cuDNN版本查看CUDA安装目录下的cudnn_version.h文件。5. PyTorch安装1推荐使用Anaconda环境可选但推荐1安装Anacondahttps://www.anaconda.com/products/distribution。2打开Anaconda Prompt窗口创建虚拟环境conda create -n pytorch_env python3.12conda activate pytorch_env2安装PyTorch1访问PyTorch官网https://pytorch.org/。2根据系统、CUDA版本选择合适的安装命令。3常用命令以PyTorch 2.6.0 CUDA 11.8为例# CUDA 11.8pip install torch2.6.0 torchvision0.21.0 torchaudio2.6.0 --index-url https://download.pytorch.org/whl/cu1183验证PyTorch安装打开Python终端输入以下代码import torchprint(torch.__version__)print(torch.cuda.is_available()) #输出True表示GPU可用print(torch.backends.cudnn.version()) #输出cuDNN版本如果没有报错且torch.cuda.is_available()返回True则安装成功。6. 常见问题解决CUDA版本不匹配确保PyTorch版本与CUDA版本兼容。权限问题Linux安装时可能需要使用sudo。PATH环境变量确保CUDA安装路径已添加到系统PATH中。驱动问题确保NVIDIA显卡驱动是最新版本。如果你的计算机没有NVIDIA显卡可以安装CPU版本的PyTorch只需在PyTorch官网选择CPU对应的安装命令进行安装即可。2.1.3 PyCharm的安装与使用和其他语言类似Python程序的编写可以使用Windows自带的编辑器。但是这种方式对于较为复杂的程序工程来说容易混淆相互之间的层级和交互文件因此在编写程序工程时我们可以使用专用的Python编译器PyCharm。由于PyCharm的安装比较简单本小节就不展开讲解了。读者上网搜索PyCharm官网进入Download页面选择适合自己操作系统的版本安装即可。PyCharm下载页面如图2.4所示。图2.4 下载PyCharm完成PyCharm安装后可以在PyCharm中打开本书配套代码并在Anaconda Prompt窗口中搭建虚拟环境。本书配套代码可以运行在虚拟环境中如图2.5所示。图2.5 在PyCharm中设置代码虚拟运行环境 2.1 智能体开发环境安装《AI Agent智能体开发实践》
邓立国Agent开发入门必读书《AI Agent智能体开发实践》1~11章试读_《ai agent 智能体开发实践》在线阅读-CSDN博客注意你安装了这个开发环境就可以按上面链接给出的《AI Agent智能体开发实践》第3-12章试读内容进行学习。Python与AI Agent人工智能智能体之间有着密不可分的关系。作为当前人工智能领域主流的编程语言Python凭借其简洁的语法、丰富的科学计算库如NumPy、Pandas以及强大的AI框架支持如TensorFlow、PyTorch、Hugging Face成为开发AI Agent的首选工具。AI Agent是能够感知环境、进行决策并采取行动的智能实体广泛应用于智能对话系统、自动化决策、机器人控制和自主学习系统中。借助Python强大的生态系统开发者可以轻松实现自然语言处理、机器学习模型训练、环境交互逻辑构建等核心功能从而快速搭建和迭代智能体系统。此外Python丰富的异步编程和网络库也便于智能体与外部系统如API、数据库、传感器进行高效通信。因此掌握Python不仅是进入人工智能领域的钥匙更是构建功能强大、灵活智能的AI Agent的基石。2.1.1 Anaconda的下载与安装1. 下载Anaconda1访问Anaconda官网https://www.anaconda.com登录官网后在Anaconda官网打开下载页面如图2.1所示。图2.1 Anaconda下载页面2根据读者自己的计算机系统下载相应的安装包作者下载的是Windows 64位Python 3.13版本的安装包如图2.2所示。图2.2 下载Anaconda3 Windows安装包3安装包下载页面如图2.3所示下载的安装文件名为Anaconda3-2025.06-Windows-x86_64.exe。2. 安装过程双击下载好的Anaconda3-2025.06-Windows-x86_64.exe文件按安装向导操作建议图2.3 Anaconda3-2025.06-Windows-x86_64.exe安装包下载页面为所有用户安装需要管理员权限。安装路径不要包含空格或特殊字符如C:\Anaconda3。勾选Add Anaconda3 to my PATH environment variable虽然不推荐但开发常用。勾选Register Anaconda3 as my default Python。3. 验证安装打开新终端/命令提示符执行以下命令验证安装是否成功conda --versionpython --version2.1.2 PyTorch的下载与安装在深度学习领域PyTorch凭借其卓越的灵活性与强大的功能已成为业界广泛采用的核心框架之一。其最显著的优势在于支持动态计算图Dynamic Computation Graph这一特性使得模型的构建、调试和迭代过程更加直观高效。开发者可以在运行时灵活调整网络结构实时查看中间结果极大地提升了研发效率特别适用于研究探索、模型快速原型设计以及复杂任务的实现。从实践角度来看PyTorch提供了简洁清晰的API接口具有良好的可读性和易用性无论是初学者还是资深研究人员都能迅速上手。同时它与Python生态无缝集成支持主流数据处理和可视化工具便于构建完整的深度学习工作流。更重要的是PyTorch背后拥有一个活跃且庞大的开源社区持续贡献高质量的模型库、教程资源和技术支持为实际项目落地提供了强有力的保障。在本书重点讲解的Qwen3、DeepSeek等大语言模型的应用实践中PyTorch作为其核心后端框架承担着模型加载、推理执行、参数微调以及分布式训练等关键任务。LLM模型的高效部署与精细化微调高度依赖于PyTorch所提供的张量计算能力、自动微分机制以及对多设备CPU/GPU的统一支持。因此正确配置PyTorch环境是开展后续所有工作的前提和基础。在安装层面PyTorch提供了CPU版本和GPU版本两种选择以适配不同的硬件条件与性能需求。CPU版本适用于开发测试、轻量级推理或缺乏GPU资源的场景安装简单兼容性强。GPU版本能充分利用NVIDIA CUDA加速能力显著提升训练与推理速度尤其适合大规模模型如Qwen3的实际部署与调优。以Windows平台为例根据读者工作计算机的资源情况若选择安装仅支持GPU的PyTorch版本以PyTorch 2.8.0CUDA12.6为例可使用如下命令# CPU onlypip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126相比之下GPU版本的安装涉及CUDA驱动、cuDNN等底层依赖的匹配配置更为复杂。考虑到Qwen3模型对计算资源的高要求推荐在具备NVIDIA显卡的环境中安装GPU版本PyTorch以充分发挥其并行计算优势加速模型训练与推理进程。接下来我们将重点介绍GPU版本的安装步骤与常见问题解决方案。1. 核心概念理解在开始之前理解这三者之间的关系至关重要。1CUDA由NVIDIA推出的并行计算平台和编程模型。它允许软件开发者和软件工程师使用支持CUDA的GPU进行通用处理而不仅仅是图形处理。简而言之PyTorch需要CUDA来在NVIDIA GPU上执行计算。2cuDNNCUDA Deep Neural Network library的缩写。它是NVIDIA提供的针对深度神经网络的GPU加速库。它提供了高度优化的常见深度学习操作如卷积、池化、归一化等的实现。cuDNN是运行在CUDA之上的一个专用加速库PyTorch等框架会调用它来极致地提升训练和推理速度。3PyTorch一个开源的机器学习框架。它本身不直接与GPU通信而是通过CUDA接口来利用GPU进行计算。当你安装了PyTorch的CUDA版本即GPU版本后PyTorch就可以调用CUDA和cuDNN来在NVIDIA GPU上高效运行。调用关系总结PyTorch→cuDNN→CUDA→NVIDIA GPU Driver→NVIDIA GPU。因此安装顺序应该是先安装GPU驱动再安装CUDA和cuDNN最后安装对应版本的PyTorch。2. 安装前的准备工作1检查你的NVIDIA GPU是否支持CUDA确保你的计算机拥有NVIDIA显卡并且它支持CUDA。几乎所有现代的NVIDIA GPUGeForce、RTX、Quadro、Tesla等都支持CUDA。官方支持列表请查看https://developer.nvidia.com/cuda-gpus。2查看你的显卡驱动版本这一步是为了确定你需要安装哪个版本的CUDA。1在键盘上按WinR键输入cmd并按Enter键打开命令提示符。2输入命令nvidia-smi。3查看右上角显示的驱动版本和最高支持的CUDA版本。例如输出中有一行CUDA Version:12.4这表示你的当前驱动最高可以支持CUDA 12.4。你需要安装不高于12.4的CUDA版本。3. CUDA安装CUDA是NVIDIA的并行计算平台PyTorch的GPU加速需要依赖它。1检查GPU是否支持CUDA访问NVIDIA官网查看你的GPU型号是否在支持列表中或在命令行窗口输入命令wmic path win32_VideoController get name来检查。2下载CUDA Toolkit访问NVIDIA CUDA下载页面https://developer.nvidia.com/cuda-toolkit-archive。选择适合你系统的版本建议选择PyTorch支持的版本目前常用11.7或11.8。按照系统类型选择相应的安装包。3安装CUDA运行下载的.exe文件建议使用默认安装路径。安装过程中确保勾选CUDA Toolkit。4验证安装命令行输入nvcc -V若显示版本信息则安装成功。4. cuDNN安装cuDNN是NVIDIA的深度神经网络加速库是PyTorch GPU加速的必要组件。1下载cuDNN1访问https://developer.nvidia.com/rdp/cudnn-download。2需要注册NVIDIA开发者账号。3选择与已安装CUDA版本匹配的cuDNN版本。2安装cuDNN解压下载的ZIP文件。将bin、include、lib文件夹复制到CUDA安装目录默认为C:\Program Files\ NVIDIA GPU Computing Toolkit\CUDA\vxx.x。3验证安装检查cuDNN版本查看CUDA安装目录下的cudnn_version.h文件。5. PyTorch安装1推荐使用Anaconda环境可选但推荐1安装Anacondahttps://www.anaconda.com/products/distribution。2打开Anaconda Prompt窗口创建虚拟环境conda create -n pytorch_env python3.12conda activate pytorch_env2安装PyTorch1访问PyTorch官网https://pytorch.org/。2根据系统、CUDA版本选择合适的安装命令。3常用命令以PyTorch 2.6.0 CUDA 11.8为例# CUDA 11.8pip install torch2.6.0 torchvision0.21.0 torchaudio2.6.0 --index-url https://download.pytorch.org/whl/cu1183验证PyTorch安装打开Python终端输入以下代码import torchprint(torch.__version__)print(torch.cuda.is_available()) #输出True表示GPU可用print(torch.backends.cudnn.version()) #输出cuDNN版本如果没有报错且torch.cuda.is_available()返回True则安装成功。6. 常见问题解决CUDA版本不匹配确保PyTorch版本与CUDA版本兼容。权限问题Linux安装时可能需要使用sudo。PATH环境变量确保CUDA安装路径已添加到系统PATH中。驱动问题确保NVIDIA显卡驱动是最新版本。如果你的计算机没有NVIDIA显卡可以安装CPU版本的PyTorch只需在PyTorch官网选择CPU对应的安装命令进行安装即可。2.1.3 PyCharm的安装与使用和其他语言类似Python程序的编写可以使用Windows自带的编辑器。但是这种方式对于较为复杂的程序工程来说容易混淆相互之间的层级和交互文件因此在编写程序工程时我们可以使用专用的Python编译器PyCharm。由于PyCharm的安装比较简单本小节就不展开讲解了。读者上网搜索PyCharm官网进入Download页面选择适合自己操作系统的版本安装即可。PyCharm下载页面如图2.4所示。图2.4 下载PyCharm完成PyCharm安装后可以在PyCharm中打开本书配套代码并在Anaconda Prompt窗口中搭建虚拟环境。本书配套代码可以运行在虚拟环境中如图2.5所示。图2.5 在PyCharm中设置代码虚拟运行环境