[2.1.1 Anaconda的下载与安装](#2.1.1 Anaconda的下载与安装)

[2.1.2 PyTorch的下载与安装](#2.1.2 PyTorch的下载与安装)

[2.1.3 PyCharm的安装与使用](#2.1.3 PyCharm的安装与使用)

Python与AI Agent（人工智能智能体）之间有着密不可分的关系。作为当前人工智能领域主流的编程语言，Python凭借其简洁的语法、丰富的科学计算库（如NumPy、Pandas）以及强大的AI框架支持（如TensorFlow、PyTorch、Hugging Face），成为开发AI Agent的首选工具。AI Agent是能够感知环境、进行决策并采取行动的智能实体，广泛应用于智能对话系统、自动化决策、机器人控制和自主学习系统中。借助Python强大的生态系统，开发者可以轻松实现自然语言处理、机器学习模型训练、环境交互逻辑构建等核心功能，从而快速搭建和迭代智能体系统。此外，Python丰富的异步编程和网络库也便于智能体与外部系统（如API、数据库、传感器）进行高效通信。因此，掌握Python不仅是进入人工智能领域的钥匙，更是构建功能强大、灵活智能的AI Agent的基石。

2.1.1 Anaconda的下载与安装

下载Anaconda

（1）访问Anaconda官网https://www.anaconda.com，登录官网后，在Anaconda官网打开下载页面，如图2.1所示。

图2.1 Anaconda下载页面

（2）根据读者自己的计算机系统下载相应的安装包，作者下载的是Windows 64位Python 3.13版本的安装包，如图2.2所示。

图2.2 下载Anaconda3 Windows安装包

（3）安装包下载页面如图2.3所示，下载的安装文件名为Anaconda3-2025.06-Windows-x86_64.exe。

安装过程

双击下载好的Anaconda3-2025.06-Windows-x86_64.exe文件，按安装向导操作，建议：

图2.3 Anaconda3-2025.06-Windows-x86_64.exe安装包下载页面

为所有用户安装（需要管理员权限）。
安装路径不要包含空格或特殊字符（如C:\Anaconda3）。
勾选Add Anaconda3 to my PATH environment variable（虽然不推荐，但开发常用）。
勾选Register Anaconda3 as my default Python。
验证安装

打开新终端/命令提示符，执行以下命令验证安装是否成功：

conda --version

python --version

2.1.2 PyTorch的下载与安装

在深度学习领域，PyTorch凭借其卓越的灵活性与强大的功能，已成为业界广泛采用的核心框架之一。其最显著的优势在于支持动态计算图（Dynamic Computation Graph），这一特性使得模型的构建、调试和迭代过程更加直观高效。开发者可以在运行时灵活调整网络结构，实时查看中间结果，极大地提升了研发效率，特别适用于研究探索、模型快速原型设计以及复杂任务的实现。

从实践角度来看，PyTorch提供了简洁清晰的API接口，具有良好的可读性和易用性，无论是初学者还是资深研究人员都能迅速上手。同时，它与Python生态无缝集成，支持主流数据处理和可视化工具，便于构建完整的深度学习工作流。更重要的是，PyTorch背后拥有一个活跃且庞大的开源社区，持续贡献高质量的模型库、教程资源和技术支持，为实际项目落地提供了强有力的保障。

在本书重点讲解的Qwen3、DeepSeek等大语言模型的应用实践中，PyTorch作为其核心后端框架，承担着模型加载、推理执行、参数微调以及分布式训练等关键任务。LLM模型的高效部署与精细化微调，高度依赖于PyTorch所提供的张量计算能力、自动微分机制以及对多设备（CPU/GPU）的统一支持。因此，正确配置PyTorch环境是开展后续所有工作的前提和基础。

在安装层面，PyTorch提供了CPU版本和GPU版本两种选择，以适配不同的硬件条件与性能需求。

CPU版本：适用于开发测试、轻量级推理或缺乏GPU资源的场景，安装简单，兼容性强。
GPU版本：能充分利用NVIDIA CUDA加速能力，显著提升训练与推理速度，尤其适合大规模模型（如Qwen3）的实际部署与调优。

以Windows平台为例，根据读者工作计算机的资源情况，若选择安装仅支持GPU的PyTorch版本（以PyTorch 2.8.0（CUDA12.6）为例），可使用如下命令：

CPU only

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126

相比之下，GPU版本的安装涉及CUDA驱动、cuDNN等底层依赖的匹配，配置更为复杂。考虑到Qwen3模型对计算资源的高要求，推荐在具备NVIDIA显卡的环境中安装GPU版本PyTorch，以充分发挥其并行计算优势，加速模型训练与推理进程。接下来，我们将重点介绍GPU版本的安装步骤与常见问题解决方案。

核心概念理解

在开始之前，理解这三者之间的关系至关重要。

（1）CUDA：由NVIDIA推出的并行计算平台和编程模型。它允许软件开发者和软件工程师使用支持CUDA的GPU进行通用处理（而不仅仅是图形处理）。简而言之，PyTorch需要CUDA来在NVIDIA GPU上执行计算。

（2）cuDNN：CUDA Deep Neural Network library的缩写。它是NVIDIA提供的针对深度神经网络的GPU加速库。它提供了高度优化的常见深度学习操作（如卷积、池化、归一化等）的实现。cuDNN是运行在CUDA之上的一个专用加速库，PyTorch等框架会调用它来极致地提升训练和推理速度。

（3）PyTorch：一个开源的机器学习框架。它本身不直接与GPU通信，而是通过CUDA接口来利用GPU进行计算。当你安装了PyTorch的CUDA版本（即GPU版本）后，PyTorch就可以调用CUDA和cuDNN来在NVIDIA GPU上高效运行。

调用关系总结：PyTorch→cuDNN→CUDA→NVIDIA GPU Driver→NVIDIA GPU。

因此，安装顺序应该是：先安装GPU驱动，再安装CUDA和cuDNN，最后安装对应版本的PyTorch。

安装前的准备工作

1）检查你的NVIDIA GPU是否支持CUDA

确保你的计算机拥有NVIDIA显卡，并且它支持CUDA。几乎所有现代的NVIDIA GPU（GeForce、RTX、Quadro、Tesla等）都支持CUDA。

官方支持列表请查看：https://developer.nvidia.com/cuda-gpus。

2）查看你的显卡驱动版本

这一步是为了确定你需要安装哪个版本的CUDA。

（1）在键盘上按Win+R键，输入cmd并按Enter键，打开命令提示符。

（2）输入命令：nvidia-smi。

（3）查看右上角显示的驱动版本和最高支持的CUDA版本。

例如，输出中有一行CUDA Version:12.4，这表示你的当前驱动最高可以支持CUDA 12.4。你需要安装不高于12.4的CUDA版本。

CUDA安装

CUDA是NVIDIA的并行计算平台，PyTorch的GPU加速需要依赖它。

1）检查GPU是否支持CUDA

访问NVIDIA官网查看你的GPU型号是否在支持列表中，或在命令行窗口输入命令：wmic path win32_VideoController get name来检查。

2）下载CUDA Toolkit

访问NVIDIA CUDA下载页面：https://developer.nvidia.com/cuda-toolkit-archive。
选择适合你系统的版本，建议选择PyTorch支持的版本，目前常用11.7或11.8。
按照系统类型选择相应的安装包。

3）安装CUDA

运行下载的.exe文件，建议使用默认安装路径。安装过程中确保勾选CUDA Toolkit。

4）验证安装

命令行输入：nvcc -V，若显示版本信息，则安装成功。

cuDNN安装

cuDNN是NVIDIA的深度神经网络加速库，是PyTorch GPU加速的必要组件。

1）下载cuDNN

（1）访问：https://developer.nvidia.com/rdp/cudnn-download。

（2）需要注册NVIDIA开发者账号。

（3）选择与已安装CUDA版本匹配的cuDNN版本。

2）安装cuDNN

解压下载的ZIP文件。将bin、include、lib文件夹复制到CUDA安装目录（默认为：C:\Program Files\ NVIDIA GPU Computing Toolkit\CUDA\vxx.x）。

3）验证安装

检查cuDNN版本：查看CUDA安装目录下的cudnn_version.h文件。

PyTorch安装

1）推荐使用Anaconda环境（可选，但推荐）

（1）安装Anaconda：https://www.anaconda.com/products/distribution。

（2）打开Anaconda Prompt窗口，创建虚拟环境：

conda create -n pytorch_env python=3.12

conda activate pytorch_env

2）安装PyTorch

（1）访问PyTorch官网：https://pytorch.org/。

（2）根据系统、CUDA版本选择合适的安装命令。

（3）常用命令（以PyTorch 2.6.0 + CUDA 11.8为例）：

CUDA 11.8

pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118

3）验证PyTorch安装

打开Python终端，输入以下代码：

import torch

print(torch.version)

print(torch.cuda.is_available()) #输出True表示GPU可用

print(torch.backends.cudnn.version()) #输出cuDNN版本

如果没有报错且torch.cuda.is_available()返回True，则安装成功。

常见问题解决
CUDA版本不匹配：确保PyTorch版本与CUDA版本兼容。
权限问题：Linux安装时可能需要使用sudo。
PATH环境变量：确保CUDA安装路径已添加到系统PATH中。
驱动问题：确保NVIDIA显卡驱动是最新版本。

如果你的计算机没有NVIDIA显卡，可以安装CPU版本的PyTorch，只需在PyTorch官网选择CPU对应的安装命令进行安装即可。

2.1.3 PyCharm的安装与使用

和其他语言类似，Python程序的编写可以使用Windows自带的编辑器。但是这种方式对于较为复杂的程序工程来说，容易混淆相互之间的层级和交互文件，因此在编写程序工程时，我们可以使用专用的Python编译器PyCharm。

由于PyCharm的安装比较简单，本小节就不展开讲解了。读者上网搜索PyCharm官网，进入Download页面，选择适合自己操作系统的版本安装即可。PyCharm下载页面如图2.4所示。

图2.4 下载PyCharm

完成PyCharm安装后，可以在PyCharm中打开本书配套代码，并在Anaconda Prompt窗口中搭建虚拟环境。本书配套代码可以运行在虚拟环境中，如图2.5所示。

图2.5 在PyCharm中设置代码虚拟运行环境

智能体开发环境安装

2.1.1 Anaconda的下载与安装

2.1.2 PyTorch的下载与安装

CPU only

CUDA 11.8

2.1.3 PyCharm的安装与使用