2026最新｜零基础在Windows搭建AI Agent开发环境完整教程（附可运行代码）

摘要

本文解决开发者在 Windows 环境下入门 AI Agent 开发时常见的环境配置、依赖安装和第一个 Agent 示例跑通问题，适合刚接触智能体开发、自动化任务和多步骤推理的读者。读完可以完成本地开发环境搭建，并运行一个具备“搜索 + 总结”能力的最小 AI Agent。

---

一. 开篇引入

AI Agent 不是“把问题发给大模型再拿回答案”这么简单，它的本质区别在于：普通 AI 调用通常只做一次输入输出，而 AI Agent 会围绕目标自主拆步骤、调用工具、处理中间结果，再返回最终结论。常见场景包括自动化任务、代码生成、网页信息整理、数据处理和多步骤推理。

开发者第一次上手 AI Agent 开发时，最容易卡住的地方通常不是概念，而是环境太碎：Python 版本不兼容、虚拟环境没隔离、依赖装错、API Key 不知道放哪、工具调用链路跑不通，最后代码看起来没问题，任务却始终执行不完整。

---

二. AI Agent 开发完整教程

这篇文章不讲抽象框架对比，直接用 Python + OpenAI 兼容接口 + 搜索工具函数 搭一个最小可运行的 AI Agent。
本文固定使用以下环境：

• 系统：Windows 11 64位
• Python：3.12.3
• 工作目录：C:\Users\CF\ai-agent-demo\
• 虚拟环境目录：C:\Users\CF\ai-agent-demo\.venv\
• 主代码文件：C:\Users\CF\ai-agent-demo\agent_demo.py
• 环境变量文件：C:\Users\CF\ai-agent-demo\.env
• 模型接口地址：https://api.deepseek.com/v1
• 模型名：deepseek-chat
• 温度参数：0.2

重要提示：AI Agent 的成败，往往不在“模型够不够强”，而在“环境、参数、工具函数和执行链路是否一次配对”。

第 1 步：安装 Python 3.12.3

下载安装完成后，在 PowerShell 中执行：

python --version
pip --version

预期输出类似：

Python 3.12.3
pip 24.0

再确认解释器路径：

where python

常见路径类似：

C:\Users\CF\AppData\Local\Programs\Python\Python312\python.exe

安装时务必勾选：

• Add python.exe to PATH

因为后面所有依赖安装、脚本执行和环境隔离都基于这一步。

---

第 2 步：创建本地项目目录与虚拟环境

在 PowerShell 中执行：

mkdir C:\Users\CF\ai-agent-demo
cd C:\Users\CF\ai-agent-demo
python -m venv .venv

激活虚拟环境：

C:\Users\CF\ai-agent-demo\.venv\Scripts\activate

激活后，终端前缀通常会显示：

(.venv)

这表示后面的依赖都会装进当前项目环境，不会污染系统全局 Python。

---

第 3 步：安装依赖

在已激活的虚拟环境中执行：

pip install openai==1.76.0 python-dotenv==1.0.1 requests==2.32.3

安装完成后，检查结果：

pip list

至少应看到：

openai 1.76.0
python-dotenv 1.0.1
requests 2.32.3

这里不用一次性装一堆框架，原因很简单：入门阶段先把“最小可运行 Agent”跑通，比一口气装满生态包更稳。

---

第 4 步：创建 .env 配置文件

新建环境变量文件：

notepad C:\Users\CF\ai-agent-demo\.env

写入以下内容：

DEEPSEEK_API_KEY=你的真实APIKey
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DEEPSEEK_MODEL=deepseek-chat
AGENT_TEMPERATURE=0.2

关键参数说明：

参数名	示例值	作用
DEEPSEEK_API_KEY	sk-xxx	模型接口凭证
DEEPSEEK_BASE_URL	https://api.deepseek.com/v1	OpenAI 兼容接口地址
DEEPSEEK_MODEL	deepseek-chat	使用的模型名
AGENT_TEMPERATURE	0.2	控制回答稳定性，越低越稳

重要提示：不要把 API Key 直接硬编码到脚本里，后续项目一旦需要提交代码或复用环境，.env 是最稳妥的管理方式。

---

第 5 步：编写 Agent 代码

创建主文件：

notepad C:\Users\CF\ai-agent-demo\agent_demo.py

写入下面这段完整代码：

import os
import json
import requests
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

api_key = os.getenv("DEEPSEEK_API_KEY")
base_url = os.getenv("DEEPSEEK_BASE_URL")
model = os.getenv("DEEPSEEK_MODEL")
temperature = float(os.getenv("AGENT_TEMPERATURE", "0.2"))

client = OpenAI(
    api_key=api_key,
    base_url=base_url
)

def search_web_mock(query: str) -> str:
    mock_results = {
        "OpenClaw 是什么": "OpenClaw 是一个面向 AI Agent 开发与执行的工具体系，支持工具调用、任务执行与工作流扩展。",
        "AI Agent 开发教程": "AI Agent 开发通常包括模型接入、工具定义、任务规划与结果输出四部分。"
    }
    return mock_results.get(query, f"没有找到与「{query}」直接对应的结果。")

def agent_run(user_query: str) -> str:
    search_result = search_web_mock(user_query)

    prompt = f"""你是一个AI Agent，请根据用户问题和搜索结果给出结构化总结。
用户问题：{user_query}

搜索结果：
{search_result}

请按下面格式输出：
1. 简要回答
2. 关键信息
3. 可执行建议
"""

    response = client.chat.completions.create(
        model=model,
        temperature=temperature,
        messages=[
            {"role": "system", "content": "你是一个会根据外部工具结果整理答案的 AI Agent。"},
            {"role": "user", "content": prompt}
        ]
    )

    return response.choices[0].message.content

if __name__ == "__main__":
    query = "OpenClaw 是什么"
    result = agent_run(query)
    print(result)

这段代码虽然是最小版本，但已经具备了 AI Agent 的 3 个基本要素：

• 一个模型调用入口
• 一个工具函数
• 一个基于工具结果再组织答案的执行链

---

第 6 步：运行代码并验证结果

在已激活虚拟环境的终端执行：

python C:\Users\CF\ai-agent-demo\agent_demo.py

如果配置正常，会输出类似内容：

1. 简要回答
OpenClaw 是一个用于 AI Agent 开发和执行的工具体系。

2. 关键信息
- 支持任务执行
- 支持工具调用
- 支持工作流扩展

3. 可执行建议
如果你准备入门 AI Agent 开发，可以从搭建基础环境和跑通最小示例开始。

这说明你的最小 Agent 链路已经跑通：接收目标 → 调用工具 → 交给模型整理 → 输出结构化结果。

---

常见报错及解决方法

报错 1：ModuleNotFoundError: No module named 'openai'

原因：依赖没有装进当前虚拟环境。

修复命令：

C:\Users\CF\ai-agent-demo\.venv\Scripts\activate
pip install openai==1.76.0

---

报错 2：openai.AuthenticationError: Incorrect API key provided

原因：.env 中的 DEEPSEEK_API_KEY 写错、为空，或没有成功读取。

修复方法：

检查文件：

C:\Users\CF\ai-agent-demo\.env

确认存在这一行：

DEEPSEEK_API_KEY=你的真实APIKey

然后重新运行：

python C:\Users\CF\ai-agent-demo\agent_demo.py

---

报错 3：requests.exceptions.ConnectionError 或模型接口无法访问

原因：DEEPSEEK_BASE_URL 写错，或者网络无法访问接口地址。

修复方法：

确认 .env 中写的是：

DEEPSEEK_BASE_URL=https://api.deepseek.com/v1

不要漏掉 /v1。
如果仍然失败，先在浏览器检查网络连通性，再重试脚本。

---

三. 实操案例

场景：构建一个“搜索 + 总结”型 AI Agent

目标：用户输入一个问题，Agent 先查工具结果，再基于工具结果生成结构化答案。

输入条件

• 主文件：

C:\Users\CF\ai-agent-demo\agent_demo.py

• 配置文件：

C:\Users\CF\ai-agent-demo\.env

• 当前查询参数：

query = "OpenClaw 是什么"

操作过程

1. 保持 .env 配置正确
2. 确保虚拟环境已激活
3. 执行：

python C:\Users\CF\ai-agent-demo\agent_demo.py

实际输入

OpenClaw 是什么

实际输出示例

1. 简要回答
OpenClaw 是一个面向 AI Agent 开发与执行的工具体系。

2. 关键信息
- 可用于智能体开发
- 支持任务执行
- 支持工具扩展与工作流接入

3. 可执行建议
可以从最小 Agent 示例开始，逐步加入真实搜索、网页抓取和多步骤规划能力。

结果判断

这个案例已经具备 AI Agent 开发的最小闭环：

• 有目标输入
• 有外部工具结果
• 有模型基于工具结果组织答案
• 有最终结构化输出

这比单纯调用一次大模型接口更接近真正的 Agent 开发。

---

四. EasyClaw 用户的更简单选择

如果你做的是 AI Agent 开发，最费时间的通常不是“写一段代码”，而是：

• Python 环境隔离
• 依赖版本管理
• .env 配置维护
• 工具函数接入
• 本地调试和结果验证

EasyClaw 在这个场景下最大的价值，不是替代所有开发工作，而是在一些环节帮你降低配置负担。尤其是当你的目标不是研究底层实现，而是更快把任务流跑起来时，EasyClaw 会更省步骤。

在 Windows 环境下，它有两个比较直接的优势：

1. 少处理一层依赖和本地配置

传统 AI Agent 入门通常要自己管 Python、依赖包、环境变量和接口调试。EasyClaw 更偏“装好后尽快进入任务执行”，减少了前期环境整理成本。

2. 界面操作更适合日常任务验证

如果你当前阶段更关心“这个 Agent 场景能不能跑通”，而不是先手写最小代码链路，EasyClaw 的图形界面和任务流入口会更直观。

下载地址：https://easyclaw.cn/?f=232

它不是替代底层 Agent 开发，而是给希望更快验证 AI 工作流的人，多提供一个更容易落地的入口。

---

五. 总结

1. AI Agent 和普通 AI 调用的本质区别，在于它具备目标驱动、工具调用和多步骤执行能力
2. Windows 下入门 AI Agent 开发，先把 Python、虚拟环境、依赖和 .env 配置稳定下来最关键
3. 一个最小可运行 Agent，至少要包含模型入口、工具函数和结构化输出链路
4. 只有跑通一次“输入目标 → 调用工具 → 输出结果”的完整过程，才算真正入门
5. 如果你更想降低配置负担、快速验证任务流，EasyClaw 会更省步骤

AI Agent 开发最好的起点，不是追求复杂框架，而是先把第一个最小闭环真正跑起来。