开发环境

你的工具塑造你的思维。一次配置到位，就配置对。

类型： Build 语言： Python、Node.js、Rust 前置要求： 无 预计时间： ~45 分钟

学习目标

• 从零搭建 Python 3.11+、Node.js 20+ 和 Rust 工具链
• 配置虚拟环境和包管理器，实现可复现的构建
• 用 CUDA/MPS 验证 GPU 访问，并运行一次测试张量运算
• 理解四层技术栈：系统、包、运行时、AI 库

问题背景

你即将用 Python、TypeScript、Rust 和 Julia 学习 500+ 节 AI 工程课程。如果你的环境是坏的，那么每一节课都会变成和工具链的搏斗，而不是学习本身。

大多数人跳过环境搭建。然后他们花上好几个小时去调试 import 错误、版本冲突和缺失的 CUDA 驱动。我们要把这件事一次性做好、做对。

核心概念

一个 AI 工程环境有四层：

graph TD
    A["4. AI/ML 库\nPyTorch、JAX、transformers 等"] --> B["3. 语言运行时\nPython 3.11+、Node 20+、Rust、Julia"]
    B --> C["2. 包管理器\nuv、pnpm、cargo、juliaup"]
    C --> D["1. 系统基础\n操作系统、shell、git、编辑器、GPU 驱动"]

我们自底向上安装。每一层都依赖它下面的那一层。

s0-env-stack

动手构建

第 1 步：系统基础

检查你的系统并安装基础工具。

# macOS
xcode-select --install
brew install git curl wget

# Ubuntu/Debian
sudo apt update && sudo apt install -y build-essential git curl wget

# Windows（使用 WSL2）
wsl --install -d Ubuntu-24.04

第 2 步：用 uv 配置 Python

我们使用 uv —— 它比 pip 快 10-100 倍，并且自动管理虚拟环境。

curl -LsSf https://astral.sh/uv/install.sh | sh

uv python install 3.12

uv venv
source .venv/bin/activate  # Windows 上用 .venv\Scripts\activate

uv pip install numpy matplotlib jupyter

验证：

import sys
print(f"Python {sys.version}")

import numpy as np
print(f"NumPy {np.__version__}")
a = np.array([1, 2, 3])
print(f"Vector: {a}, dot product with itself: {np.dot(a, a)}")

第 3 步：用 pnpm 配置 Node.js

用于 TypeScript 课程（agents、MCP 服务器、Web 应用）。

curl -fsSL https://fnm.vercel.app/install | bash
fnm install 22
fnm use 22

npm install -g pnpm

node -e "console.log('Node', process.version)"

macOS / Apple Silicon（M1/M2/M3/M4）： 如果安装器报错 Error: Cannot install under Rosetta 2 in ARM default prefix (/opt/homebrew)，说明终端正通过 Rosetta 2 运行（arch 输出 i386），而 Homebrew 是原生 arm64 构建。强制使用 arm64 安装 fnm，将它接入 shell，然后从上面的 fnm install 22 继续执行：

arch -arm64 brew install fnm
echo 'eval "$(fnm env --use-on-cd)"' >> ~/.zshrc
source ~/.zshrc

第 4 步：Rust

用于性能关键的课程（推理、系统）。

curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

rustc --version
cargo --version

第 5 步：Julia（可选）

用于 Julia 大放异彩的数学密集型课程。

curl -fsSL https://install.julialang.org | sh

julia -e 'println("Julia ", VERSION)'

第 6 步：GPU 配置（如果你有 GPU）

NVIDIA（Linux / Windows）：

nvidia-smi

# 安装带 CUDA 的 PyTorch
uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

macOS / Apple Silicon（M1/M2/M3/M4）： Mac 没有 CUDA，这是预期行为，并非安装失败。不要传入 --index-url .../cuXXX（这些 wheel 只支持 Linux/Windows，否则安装会失败）。直接安装普通版本，其中包含 Apple 的 MPS（Metal）GPU 后端：

uv pip install torch torchvision torchaudio

验证（适用于所有平台）：

import torch
print(f"CUDA available: {torch.cuda.is_available()}")           # macOS 上为 False，符合预期
print(f"MPS available:  {torch.backends.mps.is_available()}")   # Apple Silicon 上为 True
if torch.cuda.is_available():
    print(f"GPU: {torch.cuda.get_device_name(0)}")

没有 GPU？没问题。大多数课程在 CPU 上就能跑。对于训练密集型课程，可以用 Google Colab 或云端 GPU。

第 7 步：验证你准备开始的路线

本课中的命令都要从仓库根目录执行，也就是同时包含 README.md 和 phases/ 的目录。预检只检查你准备开始的路线；默认跳过后面课程才会用到的工具，避免刚入门时被一墙 warning 淹没。

要从完整的新手序列开始：

python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner

也可以只检查你要走的路线：

python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route ml-foundations
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route llm-engineering
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route agents
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route mcp
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route agent-skills
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route certification

想在同一份预检中查看后续课程的可选工具与依赖时，加上 --show-later。少了后续工具不会阻止你开始已选路线。

每个未通过的必需检查都会给出探测到的路径或 import 错误，以及准确的修复命令。Agent Skills 和认证路线还会提示人工检查：Python 脚本无法证明 AI host 已发现某个 skill，也不能证明你选定的 skill 目录可写。

新手路线预检通过后，会直接打印第一节可运行的课：

Ready to start Beginner course.
Next: python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

实际使用

你的环境已经能启动所检查的路线。后续课程需要工具时再安装，不要为了尚未开始的整套技术栈卡住第一课。下面是各部分在课程中的用途：

语言	用于	包管理器
Python	阶段 1-12（ML、DL、NLP、视觉、音频、LLM）	uv
TypeScript	阶段 13-17（工具、Agent、集群、基础设施）	pnpm
Rust	阶段 12、15-17（性能关键系统）	cargo
Julia	阶段 1（数学基础）	Pkg

拿去用

本节课产出一个验证脚本，任何人都可以运行它来检查自己的配置。

参见 outputs/prompt-env-check.md，里面有一个帮助 AI 助手诊断环境问题的提示词。

练习

1. 运行验证脚本并修复任何失败项
2. 为本课程创建一个 Python 虚拟环境并安装 PyTorch
3. 用全部四种语言写一个 "hello world" 并各自运行