前言

最近开始系统学习 AI 应用开发。

在接触 Agent、RAG、大模型应用之前，我发现很多教程一上来就介绍 LangChain、Agent 框架，但是对于初学者来说，如果不了解底层的开发流程，很容易变成“只会复制代码”。

因此决定从最基础的部分开始：

• 搭建 Python 开发环境

• 学习 Git 管理代码

• 理解 API 调用流程

• 调用大语言模型

• 实现第一个 AI Chatbot

这篇文章记录从 0 开始完成第一个 AI 应用的过程。

---

一、准备开发环境

1. 检查 Python 环境

首先确认 Python 是否已经安装：

python --version

Python 是 AI 开发中最常用的语言之一。

目前绝大多数 AI 应用开发都会使用 Python，例如：

• 调用大模型 API

• 数据处理

• 机器学习

• Agent 开发

---

2. pip是什么？

同时检查：

pip --version

pip 是 Python 的包管理工具。

它的作用类似：

• npm（JavaScript）

• apt（Linux）

可以用来安装第三方库。

例如：

pip install openai

表示安装 OpenAI SDK。

---

二、创建项目和虚拟环境

为什么需要虚拟环境？

在实际开发中，不同项目可能依赖不同版本的库。

例如：

项目A：

langchain 1.x

项目B：

langchain 0.x

如果所有项目共用一个 Python 环境，很容易产生依赖冲突。

因此每个项目通常会创建独立环境：

项目
 |
 └── venv
       |
       ├── Python
       └── 项目依赖

---

创建虚拟环境：

python -m venv venv

激活：

Windows：

venv\Scripts\activate

成功后终端前会出现：

(venv)

表示当前正在使用项目自己的 Python 环境。

---

三、第一个 Python 程序

创建：

hello_ai.py

代码：

print("hello ai")

运行：

python hello_ai.py

输出：

hello ai

虽然只是简单输出，但是完成了第一个完整流程：

Python文件
    ↓
Python解释器
    ↓
程序执行
    ↓
输出结果

---

四、使用 Git 管理代码

1. 为什么需要 Git？

Git 是代码版本管理工具。

简单理解：

它像游戏存档。

如果代码修改出问题，可以回到之前的版本。

---

初始化 Git：

git init

之后项目中会出现：

.git

目录。

它保存所有版本记录。

---

五、Git基本工作流程

Git 文件主要经历三个状态：

Untracked
    |
    | git add
    ↓
Staged
    |
    | git commit
    ↓
Committed

---

添加文件

例如：

git add hello_ai.py

表示：

告诉 Git，我想保存这个文件。

---

提交版本

git commit -m "First Python program"

其中：

• commit：保存一次版本

• -m：添加提交说明

例如：

First Python program

表示：

第一次提交 Python 程序。

---

六、理解API调用

什么是API？

API：

Application Programming Interface

简单理解：

API 是两个程序之间交流的接口。

例如：

普通网站：

浏览器
 |
 | 请求
 ↓
服务器
 |
 | 返回
 ↓
网页

AI应用：

Python程序
 |
 | 请求
 ↓
AI服务器
 |
 | 返回
 ↓
AI回答

---

七、第一次发送网络请求

安装：

pip install requests

创建：

api_test.py

代码：

import requests

print("开始请求")

response = requests.get(
    "https://www.baidu.com"
)

print(response.status_code)

运行：

python api_test.py

结果：

开始请求
200

其中：

200

代表 HTTP 请求成功。

通过这个小实验，第一次理解了：

Python程序
      ↓
网络请求
      ↓
服务器
      ↓
返回数据

---

八、接入DeepSeek大模型

什么是SDK？

SDK：

Software Development Kit

可以理解为：

帮助开发者调用某个平台功能的工具包。

如果直接使用 HTTP 请求调用 AI，需要自己处理：

• 请求地址

• 请求格式

• 参数

• 返回数据

使用 SDK 可以简化这些操作。

---

安装：

pip install openai python-dotenv

虽然使用 DeepSeek，但是 DeepSeek 提供了兼容 OpenAI API 格式的接口，因此可以使用 OpenAI SDK。

---

九、保护API Key

调用 AI 服务需要 API Key。

API Key 相当于程序访问服务的身份凭证。

错误方式：

api_key="sk-xxxx"

原因：

如果上传 GitHub：

代码公开
      ↓
别人获取Key
      ↓
可能产生资源消耗

---

正确方式：

使用 .env 文件：

DEEPSEEK_API_KEY=你的key

Python读取：

from dotenv import load_dotenv
import os

load_dotenv()

key = os.getenv(
    "DEEPSEEK_API_KEY"
)

同时使用：

.gitignore

忽略：

.env
venv/

避免敏感信息提交。

---

十、第一次调用DeepSeek

核心代码：

from openai import OpenAI

client = OpenAI(
    api_key=key,
    base_url="https://api.deepseek.com"
)


response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {
            "role":"user",
            "content":"你好，请介绍一下自己"
        }
    ]
)


print(
response.choices[0].message.content
)

运行后成功获得 AI 回复。

这说明：

第一次完成：

Python
 ↓
API
 ↓
DeepSeek模型
 ↓
生成回答

---

十一、实现第一个AI Chatbot

之前：

固定问题
    ↓
AI回答

升级：

用户输入
    ↓
Python程序
    ↓
AI模型
    ↓
返回回答

---

核心思想：

使用 messages 保存聊天历史。

例如：

messages=[
    {
        "role":"system",
        "content":"你是一个友好的AI助手"
    }
]

用户输入：

{
 "role":"user",
 "content":"我是一个初学者"
}

AI回答：

{
 "role":"assistant",
 "content":"你好"
}

下一次请求时，把完整历史发送给模型。

因此 AI 可以理解上下文。

---

运行效果：

用户：
你好

AI：
你好，有什么可以帮助你？

用户：
我刚刚说了什么？

AI：
你刚刚向我发送了你好

成功完成第一个简单 Chatbot。

---

十二、项目进度总结

目前已经完成：

Python基础

✅ 创建 Python 文件
✅ 运行 Python 程序

开发环境

✅ 虚拟环境 venv
✅ pip安装第三方库

工程能力

✅ Git版本管理
✅ 提交代码

AI开发

✅ API调用
✅ DeepSeek接入
✅ Chatbot实现

---

十三、下一步学习计划

接下来继续学习：

1. Function Calling

让 AI 可以调用代码。

例如：

用户：

计算12345×678

AI：

调用计算器工具

Python：

返回结果

AI：

整理答案

---

2. Agent基础

学习：

• Tool

• Memory

• Planning

最终理解：

Agent =
大模型
+
工具
+
记忆
+
任务规划

---

总结

从最开始的：

print("hello ai")

到现在：

用户
 ↓
Python
 ↓
DeepSeek
 ↓
AI回答

完成了从普通 Python 程序到 AI 应用的第一次升级。

对于 AI 初学者来说，理解这些基础流程非常重要。

后续将继续探索：

• Agent开发

• RAG知识库

• 大模型应用实践

一步步构建真正可用的 AI 应用。