Day1.环境+自动化脚本

Day1.环境+自动化脚本

本周位置：大模型/大模型实战/Week01/Day1

本节目标：让LLM帮我做第一个科研工程任务

预期成果

到今天结束，应该有：

​ 一个能跑通的Python项目目录

​ 一个API Key（已安全存到.env)

​ 一个能调通LLM的chat.py脚本

​ 第一次让LLM帮我处理项目里的非结构化数据（如：把一段README草稿润色/把log信息提取成表格）

第一步：创建项目目录

打开终端（macOS 用Terminal或iTerm2，windows用Windows PowerShell），执行：

# 创建项目目录
mkdir -p ~/projects/llm-week01
cd ~/projects/llm-week01

# 创建子目录
mkdir -p prompts
mkdir -p outputs

以上是Linux的语法，如果用Windows PowerShell，那么应该换成如下命令：

# 进入项目初始工作目录
cd F:\大模型\大模型实战\Week01\Day1.环境+自动化脚本

# 创建项目目录
mkdir llm-week01 -Force
cd llm-week01

# 创建子目录
mkdir prompts -Force
mkdir outputs -Force

验证：执行 ls 会看到

第二步：注册并获取API Key

推荐：Deepseek（国内友好、中文好、注册送10元）

1.打开https://platform.deepseek.com/

2.手机号注册

3.登录后，左边菜单点API Keys-->创建API Key

4.给key起个名字（比如week01-learning）

5.复制key存到安全的地方

备注：key创建后只显示一次，关掉后就再也看不到完整版本了

备选：OpenAI/Anthropic

服务商	URL	国内可用	价格	备注
DeepSeek	platform.deepseek.com	✅	极便宜	推荐，新用户送10元
硅基流动	cloud.siliconflow.cn	✅	便宜	模型多
智谱 BigModel	bigmodel.cn	✅	中等	GLM-4
月之暗面	platform.moonshot.cn	✅	中等	长上下文
OpenAI	platform.openai.com	❌	需要代理	GPT-4o
Anthropic	console.anthropic.com	❌	需要代理	Claude

---

建议先用 DeepSeek，100% 跑通再换别的。

🔍 知识卡：API Key 的本质------你 12 周的"科研资产"

API Key 是什么？服务商给你的「身份令牌」，相当于你的长期密码。每次请求都会带上它，服务商就知道「这次调用该扣谁的钱」。

泄漏后果：拿到你 key 的人可以在 5 分钟内把你的余额刷光------爬虫会 24 小时扫 GitHub/Slack/网盘/邮件附件里的 key。

工程经验：

• 永远 .env 管理，不进代码
• 团队协作时不分享 key，每人自己生成
• 旧 key 怀疑泄漏就 revoke 重生（DeepSeek 控制台一键完成）

W12+ 会学：专业做法是用 Secret Manager（AWS Secrets Manager / HashiCorp Vault / Doppler）------但学习阶段 .env 够用。

第三步：安装依赖

3.1 确认python已安装

python --version

3.2 创建虚拟环境

为什么用虚拟环境？

不污染全局python环境，项目之间互不干扰，专业做法

# 创建虚拟环境
python -m venv venv

# 激活
source venv/bin/activate

# 激活后命令行前面会出现 (venv)
(venv) $

以上仍然是Linux的语法，如果用Windows PowerShell，需要换成下面的语句：

# 进入工作目录
cd F:\大模型\大模型实战\Week01\Day1.环境+自动化脚本\llm-week01

# 创建虚拟环境
python -m venv venv

# 激活
.\venv\Scripts\Activate.ps1

# 激活后命令行前面会出现 (venv)
(venv) $.\venv\Scripts\Activate.ps1

下次打开新终端要重新 .\venv\Scripts\Activate.ps1 进行激活

如果报错"禁止运行脚本"，先执行这一条解除限制，再激活：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process
.\venv\Scripts\Activate.ps1

3.3 安装依赖

pip install openai python-dotenv -i https://pypi.org/simple

下载好了就是这样，如下：

第四步：配置环境变量

4.1 创建 .env文件

用一行命令搞定

cd ~/projects/llm-week01

# 把 sk-xxx 换成你 DeepSeek 控制台拿到的真实 key
echo "DEEPSEEK_API_KEY=sk-你的实际key" > .env

# 立即验证文件创建成功
ls -la .env
# 应该看到类似: -rw-r--r-- ... .env

cat .env
# 应该看到: DEEPSEEK_API_KEY=sk-xxx...

以上仍然是Linux的语法，Windows PowerShell如下：

cd F:\大模型\大模型实战\Week01\Day1.环境+自动化脚本\llm-week01

# 把 sk-xxx 换成你 DeepSeek 控制台拿到的真实 key
echo "DEEPSEEK_API_KEY=sk-你的实际key" > .env

# 立即验证文件创建成功
cat .env
# 应该看到: DEEPSEEK_API_KEY=sk-xxx...

4.2 创建【不要同步的文件清单】（关键！）

这个清单告诉我们项目里哪些文件绝对不能分享、不能上传云盘、不能发给任何人

touch .exclude-list.txt

Windows PowerShell如下：

ni .exclude-list.txt

编辑.exclude-list.txt：

# .exclude-list.txt
# 这个项目里绝不能分享/同步的文件清单

.env              # ← API Key 在这里
venv/             # ← 虚拟环境，几百 MB，可重建
__pycache__/      # ← Python 编译缓存
*.pyc
.DS_Store

⚠️ .env 永远不能分享、不能截图、不能上传到任何云盘！

这是整个一周最重要的安全规则。API Key 一旦泄漏（哪怕是误传到微信/网盘/邮箱），5 分钟内就会被爬虫扫走刷光余额。养成习惯：.env 只在本地，永远不动。

⚠️ 为啥叫 .exclude-list.txt？

如果你哪天想用 git、想同步到 iCloud/OneDrive、想打包发给同学复习，这个清单能直接被大部分工具识别。即使现在不用，写下来等于"立规矩"。

4.3 测试一下

第五步：写第一个能跑通的脚本

我们要做一件有实际价值的事情：让LLM帮我把项目里的README草稿润色成清晰版。

这比问LLM一个研究问题更工程化------我们每天都会写README、写文档、写邮件让LLM帮我们润色，这就是真实的工作场景

创建 chat.py

# chat.py
# Day 1 · 第一次让 LLM 帮你润色项目文档

import os
from openai import OpenAI
from dotenv import load_dotenv

# 加载 .env 中的环境变量
load_dotenv()

# 创建客户端
# DeepSeek 兼容 OpenAI SDK，只需要换 base_url 和 model
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com",
)


def ask(question: str, temperature: float = 0.5) -> dict:
    """调用 LLM，返回完整响应对象"""
    resp = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": question}],
        temperature=temperature,
    )
    return resp


def main():
    # 一段粗糙的 README 草稿（你日常会写的真实场景）
    rough_readme = """这是我的项目。功能是处理 VisDrone 数据集。跑 baseline。
    之前用 YOLOv8，现在要试试 YOLOv9。代码有点乱。GPU 是一张 A100。
    队友不知道从哪开始。需要装个环境。需要装 torch。需要 pip install。
    跑起来大概要 1 小时。"""

    prompt = f"""你是一个科研项目文档润色助手。任务是把下面这段粗糙的项目说明润色成清晰的 README 草稿。

要求：
- 用 Markdown 格式
- 包含"项目目标 / 技术栈 / 硬件需求 / 快速开始 / 当前进度"5 个段落
- 保留所有具体信息（模型名、数据集名、硬件等）
- 不要编造代码示例

原始草稿：
```
{rough_readme}
```

请润色输出："""

    print(f"\n输入的粗糙草稿：\n{rough_readme}\n")
    print("=" * 60)

    resp = ask(prompt)

    # 提取答案
    answer = resp.choices[0].message.content
    print(f"\n润色后的 README 草稿：\n{answer}\n")

    # 打印用量信息
    print("-" * 60)
    print(f"输入 tokens: {resp.usage.prompt_tokens}")
    print(f"输出 tokens: {resp.usage.completion_tokens}")
    print(f"总计 tokens: {resp.usage.total_tokens}")
    print(f"模型: {resp.model}")
    print(f"finish_reason: {resp.choices[0].finish_reason}")


if __name__ == "__main__":
    main()

运行

 # 进入工作目录
 cd F:\大模型\大模型实战\Week01\Day1.环境+自动化脚本\llm-week01
 
 # 解除限制
 Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process
 
 # 激活虚拟环境
 .\venv\Scripts\Activate.ps1
 
 # 运行代码
 python chat.py

这里开始会报错，说UTF-8编码打不开，我们需要用记事本打开.env文件，然后另存为成UTF-8版本，覆盖原.env文件即可

输出结果

(venv) PS F:\大模型\大模型实战\Week01\Day1.环境+自动化脚本\llm-week01> python chat.py

输入的粗糙草稿：
这是我的项目。功能是处理 VisDrone 数据集。跑 baseline。
    之前用 YOLOv8，现在要试试 YOLOv9。代码有点乱。GPU 是一张 A100。
    队友不知道从哪开始。需要装个环境。需要装 torch。需要 pip install。
    跑起来大概要 1 小时。

============================================================

润色后的 README 草稿：
# 无人机航拍目标检测项目（VisDrone）

## 项目目标

本项目旨在基于 **VisDrone 数据集** 进行无人机航拍场景下的目标检测任务，主要工作包括：

- 运行并评估现有 baseline 模型在 VisDrone 上的表现；
- 将检测模型从 **YOLOv8** 迁移至 **YOLOv9**，对比两者在精度与速度上的差异；
- 整理当前代码结构，为团队协作提供清晰可复现的运行流程。

## 技术栈

- **模型**：YOLOv8（当前 baseline）、YOLOv9（待测试）
- **深度学习框架**：PyTorch（需安装 `torch`）
- **依赖管理**：`pip` 安装所需 Python 包
- **数据集**：VisDrone（官方格式）

## 硬件需求

- **GPU**：NVIDIA A100（单卡，显存 40GB 或以上）
- **建议显存**：≥ 16GB（以适配 YOLOv9 训练/推理）

## 快速开始

1. **克隆项目并进入目录**
   ```bash
   git clone <repo-url>
   cd <project-dir>

2. 创建虚拟环境（可选但推荐）

   python -m venv venv
   source venv/bin/activate  # Linux/Mac
   venv\Scripts\activate     # Windows

3. 安装依赖

   pip install torch torchvision
   pip install -r requirements.txt  # 若存在

4. 准备数据

   将 VisDrone 数据集按项目内 data/ 目录结构放置，或修改配置文件中的路径。

5. 运行训练/评估脚本

   参考 scripts/ 下的脚本（当前代码结构尚在整理中，具体命令待补充）。

⚠️ 注意：当前代码组织较为混乱，正在重构中，后续会提供更清晰的入口脚本。

当前进度

• ✅ 已用 YOLOv8 跑通 baseline（单次完整流程约需 1 小时）
• 🔄 正在准备 YOLOv9 环境与配置
• 📝 代码结构重构中，需补充 README、配置说明与运行脚本
• 👥 团队协作：环境安装步骤已整理，队友可参照"快速开始"部分自行搭建环境

---

项目处于早期阶段，欢迎补充与改进。

---

输入 tokens: 175

输出 tokens: 543

总计 tokens: 718

模型: deepseek-v4-flash

finish_reason: stop

##### 跑通标志：

- 看到一段结构化的 README 草稿
- 看到 token 计数（一般 200-500 之间）
- finish_reason: stop （表示正常完成，不是被截断）

------

##### 知识卡：

base_url + model 两个参数决定一切------OpenAI SDK 是"标准接口"
你看到代码里只改 base_url 和 model 就能切到不同服务商的模型。这不是技巧------是 OpenAI 定义的 Chat Completions API 成为了行业标准。

------

##### 为什么这点很关键？

OpenAI 2023 年发布的 Chat Completions API（/v1/chat/completions）现在被所有主流 LLM 服务商兼容：

- DeepSeek ✓
- 智谱 BigModel ✓
- 月之暗面 ✓
- 通义千问 ✓
- Ollama（本地模型） ✓

------

##### 结果是：

你学到这套 SDK，在任何 LLM 服务商都能直接用------切换服务商 = 改 1 行 base_url。

------

##### 工程师视角：

这是"接口标准化"的胜利：

- HTTP 之于网络协议
- SQL 之于数据库
- OpenAI Chat Completions API 之于 LLM 应用



## 第六步：理解响应结构

python

```bash
>>> from chat import ask
>>> resp = ask("你好")
>>> type(resp)
<class 'openai.types.chat.chat_completion.ChatCompletion'>

# 访问字段
>>> resp.choices              # 列表，通常只有一个
>>> resp.choices[0]           # 选择对象
>>> resp.choices[0].message   # 消息对象
>>> resp.choices[0].message.role   # 'assistant'
>>> resp.choices[0].message.content  # 实际回答
>>> resp.usage                 # 用量
>>> resp.usage.total_tokens    # 总 token
>>> resp.model                 # 'deepseek-chat'

理解这一点的意义：

• choices0.message.content 是你要的文本------后面所有 LLM 应用都从这里取
• usage.total_tokens 用来算成本------W2 你会用它做 token 计费
• choices 是列表------可以一次生成多个候选（n=3）让用户挑

按 ctrl + D 退出REPL

第七步：尝试5个不同类型的工程任务

修改chat.py的prompt部分，每次跑一种类型，跑5个不同类型的prompt：

#	任务类型	你日常会做的例子
1	文档润色	"把这段粗糙的 README 改成清晰版"
2	代码生成	"用 Python 写一个快速排序"
3	代码解释	"解释这段代码 一段复杂代码"
4	Bug 分析	"我训练 loss 不下降，可能原因？"
5	英语翻译	"把这段中文邮件翻译成英文给国外导师"

---

为什么是这 5 个类型？

这是你日常科研工程工作中，真正会用 LLM 做的 5 类事：

• 文档润色（写 README、写 commit msg、写邮件）
• 代码生成（写小工具、写脚本）
• 代码解释（看别人/自己的代码）
• Bug 分析（debug 训练、debug 代码）
• 英语翻译（论文写作、跨语言交流）

这不是"问研究问题"，而是"让 LLM 当你的工程助理"。

第八步：理解token计费

Token是什么？

简单理解：1个汉字≈1-2个token，1个英文单词≈1-1.5个token

Deepseek单价是：输入1元/百万token，输出2元/百万token

小结

环境搭建 ：Python 虚拟环境 + .env 管理 + 排除清单

第一次跑工程自动化：让 LLM 帮我润色 README 草稿

理解响应结构 ：知道 choices / message / usage 是什么

跑 5 种工程类型：文档 / 代码 / Bug / 翻译 各种用法

建立计费意识：知道 token 怎么算钱

---

为什么是这 5 个类型？

这是你日常科研工程工作中，真正会用 LLM 做的 5 类事：

• 文档润色（写 README、写 commit msg、写邮件）
• 代码生成（写小工具、写脚本）
• 代码解释（看别人/自己的代码）
• Bug 分析（debug 训练、debug 代码）
• 英语翻译（论文写作、跨语言交流）

这不是"问研究问题"，而是"让 LLM 当你的工程助理"。

第八步：理解token计费

Token是什么？

简单理解：1个汉字≈1-2个token，1个英文单词≈1-1.5个token

Deepseek单价是：输入1元/百万token，输出2元/百万token

小结

环境搭建 ：Python 虚拟环境 + .env 管理 + 排除清单

第一次跑工程自动化：让 LLM 帮我润色 README 草稿

理解响应结构 ：知道 choices / message / usage 是什么

跑 5 种工程类型：文档 / 代码 / Bug / 翻译 各种用法

建立计费意识：知道 token 怎么算钱