Python 安装与使用科普 · Dylan AI Agent Nexus

为什么是 Python

Python 是 AI 领域最主流的语言之一：生态丰富（PyTorch、NumPy、Pandas）、学习曲线平缓、跨平台，既能做原型也能支撑生产环境中间层与数据处理。

安装方式（三选一为主）

• 官方安装包：到 python.org 下载对应平台版本，适合轻量与通用场景。Windows 安装时勾选 “Add Python to PATH”。
• Conda 发行版（推荐给 AI 场景）：Anaconda/Miniconda，便于多版本 Python 与依赖隔离。
• pyenv/pyenv-win：多版本管理工具，适合需要频繁切换版本的开发者。

不要在系统级同时混装多套“不可控”的 Python。团队内统一一种方案，避免环境漂移与“只能在我电脑能跑”。

环境与依赖管理

• 虚拟环境：使用 python -m venv 或 Conda 创建独立环境；一项目一环境。
• 依赖安装：首选 pip（或 Conda），优先安装轮子（.whl）；GPU 相关库需与 CUDA/驱动匹配。
• 依赖锁定：使用 pip freeze > requirements.txt 导出；部署时 pip install -r requirements.txt。
• 命令行工具：全局小工具可用 pipx 安装，避免污染项目环境。

经验法则：环境隔离 + 版本锁定 + 一键还原（requirements/conda env），能解决 90% 的“装不上/跑不动”。

运行与项目结构

• 激活环境：Windows Scripts\\activate；Linux/macOS source bin/activate。
• 运行脚本：python main.py；命令行应用可以在入口加 if __name__ == '__main__'。
• 项目布局：src/ 源码、tests/ 测试、requirements.txt 依赖、.env 配置。
• 日志与配置：使用 logging 统一日志；敏感信息放入环境变量，不写死在代码里。

性能与稳定（AI 场景要点）

• GPU 构建：安装与 CUDA 匹配的 PyTorch/TensorRT 版本；显存不足时使用混合精度（AMP）与梯度检查点。
• 并发与资源：控制每进程线程数、合理设置 DataLoader workers；监控显存/内存与磁盘 IO。
• 可复现性：固定随机种子、锁定依赖版本、记录硬件/驱动/CUDA 版本信息。

维护与升级

• 版本生命周期：关注 Python 官方 EOL；避免在新项目中使用即将 EOL 的版本。
• 安全更新：定期更新依赖并关注安全公告；对外部输入做严格校验。
• 备份与回滚：为关键环境定期导出依赖清单与打包环境镜像，升级前先在灰度环境验证。

常见问题与排错

• 找不到 Python/模块：检查 PATH 与虚拟环境是否激活；确认 pip 安装到了当前环境。
• 安装慢或失败：使用国内镜像源；优先 whl 包；编译失败需补全编译链（Windows 可参考 VS Build Tools）。
• CUDA 相关错误：核对 驱动/CUDA/cuDNN/PyTorch 版本矩阵；必要时回退到已验证的组合。

更多部署层面的说明见 部署与配置；常见问题集合见 FAQ。