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 --versionPython 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 --versionpip 是 Python 的包管理工具。它的作用类似npmJavaScriptaptLinux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Alangchain 1.x项目Blangchain 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Windowsvenv\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 GitGit 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 Gitgit 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APIAPIApplication 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SDKSDKSoftware 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_keysk-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keyPython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_keykey, base_urlhttps://api.deepseek.com ) response client.chat.completions.create( modeldeepseek-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12345×678AI调用计算器工具Python返回结果AI整理答案2. Agent基础学习ToolMemoryPlanning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。