邓立国《LangGraph开发AI Agent实践》1~8章试读_langgraph开发ai agent实践在线阅读-CSDN博客注意你安装了这个开发环境就可以按上面链接给出的《LangGraph开发AI Agent实践》第3-8章试读内容进行学习。清华大学出版社-人工智能技术丛书-介绍-CSDN博客Python与AI Agent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。本节讲解面向Python的相关编程工具Miniconda、PyTorch与PyCharm的安装。2.1.1 Miniconda的下载与安装Miniconda的下载与安装步骤如下1选择Miniconda是由于它比Anaconda更加小巧。访问Anaconda官网https://www.anaconda.com登录官网后找到Miniconda介绍页面如图2.1所示。2单击Download Miniconda Installer按钮打开Miniconda下载页面。根据读者自己的计算机系统下载相应的Miniconda安装包作者下载的是Windows 64位版本的安装包如图2.2所示。3下载下来的安装文件名为Miniconda3-latest-Windows-x86_64.exe双击此文件按安装向导操作直到完成安装。4验证安装是否成功。打开Miniconda提供的Anaconda Prompt窗口执行以下命令验证安装是否成功conda --versionpython --version图2.1 Anaconda介绍页面图2.2 下载Miniconda Windows安装包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能够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。1. 安装CPU版本的PyTorch以Windows平台为例根据读者工作计算机的资源情况到PyTorch官网选择不同的命令进行安装。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。例如想要安装PyTorch 2.8.0命令如下# CPU onlypip install torch2.8.0 torchvision0.23.0 torchaudio2.8.0 --index-url https://download.pytorch.org/whl/cpu2. CUDA、cuDNN、PyTorch三者之间的关系相比CPU版本的安装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。考虑到最新大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。在配置环境之前理解CUDA、cuDNN、PyTorch三者之间的关系至关重要。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。cuDNNCUDA 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。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在NVIDIA GPU上高效运行。它们的调用关系总结为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。3. GPU版本PyTorch的安装步骤接下来我们讲解一下GPU版本PyTorch的安装步骤。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 GPUGeForce、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确定你需要安装哪个版本的CUDA。打开Windows终端管理员窗口执行命令nvidia-smi在结果中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:12.8这表示你的当前驱动最高可以支持CUDA 12.8。你需要安装版本不高于12.8的CUDA。3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。4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支持的版本比如12.6。5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。6验证CUDA是否安装成功。在终端管理员窗口执行命令nvcc -V若结果显示版本信息则表示安装成功。7接下来下载cuDNN。cuDNN是NVIDIA的深度神经网络加速库是PyTorch GPU加速的必要组件下载地址为https://developer.nvidia.com/rdp/cudnn-download。下载时记得选择与已安装CUDA版本匹配的cuDNN版本。8安装cuDNN。解压下载的ZIP文件。将bin、include、lib文件夹复制到CUDA安装目录例如默认的目录为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.6下。9检查cuDNN版本。查看CUDA安装目录下的cudnn_version.h文件。10打开Miniconda提供的Anaconda Prompt窗口安装PyTorch注意虚拟环境使用默认的Base。访问PyTorch官网https://pytorch.org/根据系统、CUDA版本选择合适的安装命令比如PyTorch 2.8.0 CUDA 12.6的安装命令为# CUDA 12.6pip install torch2.8.0 torchvision0.23.0 torchaudio2.8.0 --index-url https://download.pytorch.org/whl/cu12611安装成功后验证PyTorch安装。打开Python终端输入以下代码import torchprint(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则表示安装成功。2.1.3 PyCharm的安装与虚拟环境搭建和其他语言类似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时我们可以使用专用的Python编译器PyCharm。1安装PyCharm。由于其安装比较简单就不展开讲解了。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2.3所示。2完成PyCharm的安装后接下来可以搭建本书示例源码运行的虚拟环境。打开Miniconda提供的Anaconda Prompt窗口输入如下命令创建名为langgraph的虚拟环境并激活conda env listconda create --name langgraph python3.12 #这个命令用于创建langgraph虚拟环境conda activate langgraph #这个命令激活langgraph虚拟环境图2.3 PyCharm下载页面3在langgraph虚拟环境中安装本书配套源码的依赖文件。安装的库比较多需要一点时间pip install -r requirements.txt4如果安装PyTorch有误或者不工作可以根据自己NVIDIA显卡的具体情况以及2.1.1小节有关PyTorch的介绍在langgraph虚拟环境中重新安装一下PyTorch。5下载本书配套代码解压保存到PyCharm项目目录PycharmProjects中。6在PyCharm中打开本书配套代码设置虚拟环境界面如图2.4所示。至此本书示例源码运行环境就基本搭建好了。图2.4 在PyCharm中设置代码虚拟运行环境