AI大模型实战系列（一）：RAG开发前置知识与环境搭建完全指南

在人工智能技术日新月异的今天，大模型应用开发已经成为开发者们的必修课。

本文将详细梳理本阶段学习的前置要求，并手把手教你完成 Python 依赖安装、虚拟环境进阶以及大模型 API-KEY 的安全配置。

一、 课程前置要求：你准备好了吗？

构建RAG系统并非毫无门槛，它要求开发者具备一定的编程素养和计算机基础。在深入本阶段课程之前，请确保你已经掌握了以下前置知识：

1. 计算机通识：了解基本的计算机操作系统原理、文件路径管理以及终端命令行（如Windows PowerShell）的基本操作。
2. Python语言基础知识：RAG生态目前最成熟的开发语言是Python。你需要熟悉Python的基本语法、数据结构、面向对象编程以及模块的导入。
3. PyCharm基本使用：我们推荐使用PyCharm作为集成开发环境（IDE）。你需要知道如何创建项目、配置解释器以及运行Python脚本。
4. 大模型基础：请确保已经了解关于大语言模型的基础理论内容，包括Prompt编写与基本的API调用概念。

二、 核心开发环境说明

为了保证实战过程中代码的兼容性，避免因为版本差异导致各种奇怪的报错，请严格按照以下标准配置你的本地环境：

• 编程语言版本：指定使用 Python 3.11 版本。过高或过低的版本可能会导致某些依赖库（尤其是涉及到C++底层编译的向量库）无法正常安装。
• 核心框架版本：我们将采用目前业界最流行的LLM应用开发框架，指定版本为 LangChain V0.3。

强烈推荐：使用虚拟环境

在进行项目开发时，极其不建议将第三方库直接安装在系统的全局Python环境中。这会导致不同项目之间的依赖产生严重冲突。我们推荐在项目中为当前任务单独创建一个虚拟环境（Virtual Environment）。当你看到终端命令行前面出现了 (.venv) 的标识时，说明你已经成功激活了虚拟环境。所有的安装命令都应在此虚拟环境中执行。

三、 虚拟环境进阶：venv 与 Conda 的抉择

在真实的人工智能开发领域，你通常面临两种选择：原生 venv 和 Anaconda (Miniconda)。

• 原生 venv：Python 3.3 之后自带的轻量级虚拟环境工具。
  • 优点：无需额外安装，随取随用，适合结构简单的纯 Python 项目（如PyCharm默认创建的环境）。
  • 缺点：无法隔离 Python 版本（必须依赖系统中已装好的 Python），对底层 C/C++ 依赖库的支持较弱。
• Conda 环境：数据科学和 AI 领域的绝对主流。
  • 优点：不仅能隔离第三方包，还能直接隔离 Python 版本（例如你可以同时在一个机器上跑 Python 3.8 和 Python 3.11 的项目）。在处理底层科学计算库的依赖冲突时非常强大。
  • 实操建议：强烈建议下载安装 Miniconda。在终端中使用 conda create -n rag_env python=3.11 即可创建一个干净的专属环境，然后使用 conda activate rag_env 激活。

四、 第三方 Python 库的安装策略

本阶段的实战项目依赖了一系列强大的Python开源库。主要包含与大模型交互的SDK、LangChain生态组件以及向量数据库组件。

核心依赖库列表：

• openai：用于调用大模型接口的核心SDK。
• langchain：构建大模型应用的主框架。
• langchain-core：LangChain的核心基础组件库。
• langserve：用于将LangChain运行链部署为REST API的工具。
• langchain-openai：LangChain中专门针对OpenAI接口封装的集成包。
• langchain-community：包含大量社区贡献的第三方工具、文档加载器和向量库集成。
• chromadb：我们将在实战中使用的本地向量数据库，用于存储和检索文本Embeddings。

安装方式一：手动逐个安装

如果你希望了解每一个库的安装过程，可以在激活的虚拟环境终端中，逐行执行以下命令：

pip install openai
pip install langchain
pip install langchain-core
pip install langserve
pip install langchain-openai
pip install langchain-community
pip install chromadb

安装方式二：使用 requirements.txt 一键安装（推荐）

为了提高效率，通常会提供一个打包好的依赖清单文件。如果不想单个安装，你可以直接使用 requirements.txt 文件进行一次性批量安装。

操作步骤：

1. 打开IDE底部的“终端 (Terminal)”窗口，确保当前路径为项目根目录，且虚拟环境已激活。
2. 运行以下命令：

pip install -r requirements.txt

系统将自动从镜像源下载并安装所有必需的库（注意：这可能需要几分钟时间，请保持网络通畅）。

五、 大模型 API-KEY 的申请与安全配置

RAG系统的运转离不开大语言模型。由于我们是以兼容OpenAI接口的方式来实现大模型应用的，因此只要是兼容OpenAI接口规范的平台都可以使用。你可以自行前往各大模型平台官网申请 API-KEY，这里推荐使用 阿里云百炼 或 腾讯混元。

⚠️ 核心安全规范：不要把API-KEY硬编码在代码中！

将 API-KEY 直接写在Python脚本中是极其危险的做法，一旦代码意外泄露，你的账户可能面临严重的盗刷风险。从安全角度考虑，必须将 API-KEY 统一存放在操作系统的系统变量中。

方式一：Windows 系统配置指南

1. 打开系统设置：在Windows搜索栏输入“系统信息”或右键点击“此电脑”选择“属性”。
2. 进入高级系统设置：在相关链接区域，找到并点击“高级系统设置”。
3. 打开环境变量：切换到“高级”选项卡，点击最下方的“环境变量(N)…”按钮。
4. 新建系统变量：在“系统变量(S)”区域，点击“新建(N)…”按钮。
5. 配置变量：
   • 阿里云百炼对应的变量名推荐设置为：DASHSCOPE_API_KEY。
   • 腾讯混元对应的变量名推荐设置为：HUNYUAN_API_KEY。
   • 在“变量值”一栏，粘贴你获取的真实 API-KEY 字符串。
6. 保存生效：连续点击“确定”保存设置。重要提示：配置环境变量后，需要完全重启IDE或终端窗口，Python程序才能读取到最新的系统变量。

方式二：行业标准配置（使用 .env 文件）

在团队协作和代码部署时，目前的行业标准做法是使用 .env 文件结合 python-dotenv 库。

1. 安装工具：在终端执行 pip install python-dotenv。
2. 创建配置文件：在你的项目根目录下新建一个名为 .env 的文件。
3. 写入密钥：以纯文本形式写入你的密钥，不要加引号，不要有空格。

   DASHSCOPE_API_KEY=sk-你的真实密钥
   

4. 代码中动态加载：

   import os
   from dotenv import load_dotenv
   load_dotenv() # 加载 .env 文件中的环境变量
   api_key = os.getenv("DASHSCOPE_API_KEY")
   

5. ⚠️ 致命警告：如果你使用 Git 进行版本控制，必须在项目根目录创建一个 .gitignore 文件，并将 .env 写进去，绝对不能推送到云端！

六、 开发利器：IDE 插件与代码规范

为了提升 RAG 开发效率，打造一个顺手的“工作台”必不可少：

• AI 编码助手：安装通义灵码、GitHub Copilot 等插件。在编写 LangChain 繁杂的 Prompt 和数据处理逻辑时，AI 助手能帮你补全大量重复性代码。
• 代码格式化工具（Black）：AI 项目代码往往容易写得凌乱。建议安装 black 库，并在 IDE 中配置保存时自动格式化，保持代码风格的极度统一。
• Jupyter Notebook 支持：RAG 开发是一个高度依赖“交互式调试”的过程。在 PyCharm 或 VSCode 中配置好 Jupyter 环境，通过 .ipynb 文件进行分步调试，效率远超直接运行 .py 脚本。

七、 终极验证：你的第一个大模型 “Hello World”

环境配得好不好，跑一段代码就知道。在完成上述所有配置后，我们可以编写一个验证脚本，测试 LangChain 和 API-KEY 是否连通。

新建一个 test_env.py 文件：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 1. 加载环境变量 (读取 .env)
load_dotenv()

# 2. 初始化大模型客户端 (以阿里云百炼的兼容接口为例)
llm = ChatOpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus" 
)

# 3. 发送测试问候
response = llm.invoke("你好，请用一句话证明你已经准备好进行 RAG 开发了。")
print(response.content)

如果控制台成功打印出模型机智的回复，恭喜你，你的 RAG 战舰已经正式点火，随时可以驶入检索增强生成的深水区！

---