LangChain实战第一课：Python AI开发环境搭建完整指南

作为 LangChain 系统课程的开篇，环境搭建往往是最容易被忽视、却最关键的一步。俗话说"工欲善其事，必先利其器"，一个干净、隔离、可复现的 Python 开发环境，能帮我们在后续的大模型应用开发中避免大量"莫名其妙"的问题。本文基于 B站 UP 主楼兰的 LangChain 1.3 入门教程第一章内容，系统梳理从 Anaconda 安装到 PyCharm、Jupyter 配置的完整流程。

为什么选择 Python 作为 AI 开发语言

很多有 Java 或 C++ 背景的开发者初次接触大模型开发时，都会担心 Python 的语法门槛。但实际上，Python 的设计哲学就是简洁易读，几乎没有语法负担。

更重要的是，Python 是科研界的首选语言之一（另一个是 R）。科研首选意味着围绕它诞生了海量的第三方库——从网站开发、游戏、爬虫到文件处理，几乎覆盖所有场景。当你有一个想法时，往往能找到现成的框架快速验证。

这里有一个关键提醒：学好 Python 应用开发，语言本身不是障碍，真正需要锻炼的是软件框架思维。当你能清晰地拆解"每一步要做什么"，再结合 Python 丰富的工具库，就能做到如鱼得水。

用 Anaconda 管理 Python 虚拟环境

Python 环境的安装方式有很多，但目前不推荐像安装 Java 那样一步步手动配置。更方便的方式是使用 Conda 这一包管理工具。

MiniConda 与 Anaconda 的区别

基于 Conda，社区提供了两个整合版本：

MiniConda：Conda + Python 基础 + 少量基础模块，比较省资源；
Anaconda：在 MiniConda 基础上，额外集成了 NumPy、Pandas、Matplotlib、scikit-learn 等大量科研常用库，还附带图形化工具。

教程推荐直接使用 Anaconda，理由很实际：它不仅库多，配套工具也更全，省事。而做开发时通常也不差这几个包的磁盘空间。

安装过程与普通软件无异，双击图形界面即可完成。安装完成后，在命令行输入 conda --version（或 conda -V）能看到版本号，即表示安装成功。

Conda 常用命令速查

创建、管理隔离环境是 Conda 的核心价值，几条关键命令值得记住：

# 创建一个名为 lumchainenv、Python 版本为 3.10 的环境
conda create -n lumchainenv python=3.10

# 查看所有已创建的环境（带 * 号的为当前激活环境）
conda env list

# 激活指定环境
conda activate lumchainenv

# 查看当前环境的依赖
conda list

# 安装 / 删除 / 更新依赖
conda install <包名>
conda remove <包名>
conda update <包名>

# 退出当前环境
conda deactivate

名字叫做lumchainenv

注意：不同环境的依赖是完全隔离的，这也是我们统一使用 lumchainenv 的原因——保证课程实验的环境一致性。

conda install 与 pip install 怎么选

二者都能安装 Python 依赖包，但存在关键差异：

pip install：只负责下载和安装对应包及其依赖项，速度快；
conda install：除了安装，还会检查新依赖与现有依赖的兼容性，更安全但速度慢。

实践建议：如果这个依赖你多次用过、确定没问题，用 pip install 更快；如果环境复杂、依赖库多，或者是从未用过的新库，用 conda install 更稳妥。

三大开发工具：PyCharm、Jupyter 与 VSCode

安装完 Anaconda 后，Python 已经可以直接在命令行中运行——输入 python 即可进入交互式命令行模式，逐行执行代码。这正是 Python 的简单之处：不像 Java 需要先编写完整文件再编译执行。

这就会进入一个命令行模式

但命令行方式难以构建复杂应用，因此我们需要更专业的开发工具。

PyCharm 配置 Conda 解释器

PyCharm 是一款集成式 IDE，代码提示、源码查看等功能齐全，免费的社区版即可满足学习需求。

配置的关键一步是选择正确的 Python 解释器：在 PyCharm 设置的解释器选项中，选择"添加解释器 → 本地解释器 → 现有环境 → Conda"，然后在下拉框中选中我们创建的 lumchainenv 环境。这样后续所有依赖都会基于这个隔离环境运行。

Jupyter Notebook 安装与内核注册

Jupyter 是另一类广泛使用的开发环境，其源文件格式为 .ipynb。它最大的特点是可以把代码和笔记（Markdown）混排在一起，每个 Cell 可以是 Markdown、代码或纯文本，非常适合做实验记录和教学。

但是接下来我们还会再玩一个环境

配置 Jupyter 需要几步：

# 1. 激活环境
conda activate lumchainenv

# 2. pip 安装 Jupyter
pip install jupyter

# 3. 安装 ipykernel 内核并注册
pip install ipykernel
python -m ipykernel install --user --name py310lumchainenv

# 4. 启动服务
jupyter notebook

启动后会在本地 8888 端口打开网页界面。在页面右上角可以切换内核，选择我们创建的 lumchainenv 环境。值得一提的是，PyCharm 本身也能托管 Jupyter 服务，直接打开 .ipynb 文件运行。

为什么必须掌握 Jupyter？因为许多云端算力平台（尤其做大模型微调时）都会内置 Python 环境，并以 Jupyter Notebook 或 JupyterLab 的形式提供访问入口。

VSCode：轻量万能编辑器

VSCode 是一款"万能型"编辑器，通过安装插件可支持几乎所有语言的开发。它完全免费，因此在企业中也颇受欢迎（PyCharm 专业版需要收费）。相比 PyCharm 的"傻瓜式"集成，VSCode 需要自行安装较多插件，配置稍显繁琐。

那VSCode也会用

用 AI 编程插件加速学习，但要理性看待

既然要学习 AI 开发，不妨在 PyCharm 中安装 AI 编程助手插件（如通义灵码）。登录后即可在编辑器中直接向 AI 提问、请求代码结构调整，大幅提升学习效率。

不过，教程也给出了一个中肯的提醒：在严谨的代码工作中，AI 的输出质量需要谨慎对待。AI 给出的代码不一定能直接运行，也可能不符合你当前的环境，运行结果是否符合预期，必须自己动手验证。与 AI 反复交互调试往往非常耗时，一个小时可能什么实质进展都没有。

这也是系统课程存在的价值——它比自己漫无目的地问 AI 更有针对性，能帮你节省大量重复交互的时间。总体态度是：拥抱 AI，但保持验证与批判。

小结

环境搭建虽是入门第一步，却决定了后续开发的顺畅程度。核心要点回顾：

用 Anaconda 管理隔离的 Python 虚拟环境
创建统一的 lumchainenv 保证环境一致性
以 PyCharm 为主战场，同时掌握 Jupyter Notebook 的使用
合理使用 AI 编程插件辅助学习

对于 Python 新手，务必亲手完整走一遍安装流程；对有经验的开发者，也建议快速过一遍以保证环境一致。打好这个地基，我们就能开启后续 LangChain 大模型应用开发之旅——从 LLM 基础到 Agent 智能体、再到 MCP 工具调用。