引言

复杂的python环境是不是让你望而却步,梳理近十年python构建环境的发展以及安装方法**,帮助你快速入坑大模型应用开发;同时还有实战可二开落地项目** 还不快来试试.

---

一、Python虚拟环境发展现状

在过去十年中，Python的包管理工具经历了从简单到复杂、功能逐渐丰富的演变。最初，开发者主要依靠pip和virtualenv来处理依赖和创建隔离环境。随着需求的增长，conda出现，提供了更强大的跨语言依赖管理和环境控制，尤其在数据科学领域得到广泛应用。近年来，Poetry/UV等新一代工具崛起，它借鉴了Java的Maven，提供了一站式的解决方案，包括依赖管理、项目构建和发布流程自动化等功能，极大地简化了开发和部署过程。由于其高效便捷的特点，Poetry/UV迅速获得了开源社区的认可和支持，成为现代Python项目管理的首选之一

结论:

• Poetry类似于Java的Maven
• Maven依赖Jdk同样Poetry也依赖Python
• 安装Poetry之前要安装特定版本的Python

---

随着Python社区的成长，虚拟环境的概念和技术也在不断发展。一方面，像venv这样的内置工具因其简便易用而得到广泛应用；另一方面，诸如Poetry/UV等新兴工具则因为其强大的功能和现代化的设计理念而在开发者中获得了高度评价。同时，conda继续在数据科学和机器学习领域占据重要地位，因为它能够很好地处理复杂的依赖关系和跨语言的支持需求.

结论: 安装conda创建虚拟环境;激活环境并安装Peotry构建项目

二、Poetry安装

• 官网地址: https://python-poetry.org/docs

• 创建Conda虚拟环境并安装Poetry

• 优点安装方便环境隔离,缺点全局使用不方便

# 创建虚拟环境conda create -n myenv python=3.10
# 激活循环环境conda activate myenv
# 在当前虚拟环境使用pip进行安装pip install poetry

---

• 使用系统默认的python环境全局安装poetry
• 优点命令行可以全局使用,缺点对系统全局Python版本有要求

# 在系统默认的命令行进行安装pip instll poetry
#或使用pipx进行安装pipx install poetry

结论: 推荐使用conda进行安装poetry

---

三、Poetry使用

• 项目配置poetry构建环境

• 选择上面创建的myenv虚拟环境里的python

• 配置poetry安装位置 在myenv虚拟环境中选择
• 如果使用pipx或系统全局默认方式安装poetry选择路径会有所不同

• 包管理

#提供了一种方式来组织您的依赖性分组。例如，您可能具有仅用于测试项目或生成文档所需的依赖项。[tool.poetry.group.test.dependencies]pytest = "^6.0.0"pytest-mock = "*"poetry install --only mainpoetry install --with test,docs --without docs #安装分组定义的依赖包poetry remove mkdocs --group docs #删除分组依赖poetry new poetry-demo #初始化python项目poetry add http3 #添加三方依赖包poetry install #安装三方依赖包包括本项目poetry install --no-root#安装三方依赖包但不包括本项目poetry add numpy==1.26.4 #这个可以强制替换原来安装的版本

• 包发布

poetry build #项目打包poetry publish #发布到仓库 默认中央仓库poetry publish -r my-repository #发布到私有仓库

• 常用命令

# 添加指定版本的依赖# Allow >=2.0.5, <3.0.0 versionspoetry add pendulum@^2.0.5# Allow >=2.0.5, <2.1.0 versionspoetry add pendulum@~2.0.5# Allow >=2.0.5 versions, without upper boundpoetry add "pendulum>=2.0.5"# Allow only 2.0.5 versionpoetry add pendulum==2.0.5poetry show # 依赖包明细pyproject.toml.定义[tool.poetry.scripts]my-script = "my_module:main"poetry run my-script #运行指定的类poetry check #检查项目依赖

• 仓库配置

# 添加三方仓库poetry source add pypi-test https://test.pypi.org/simple/#设置仓库优先级poetry source add --priority=explicit pypi#删除仓库配置poetry source remove pypi-test

---

四、代码自动格式化

• 效果ctrl+s保存代码后自动格式化

pip install black #全局环境安装where is black #查看位置

• pycharm配置

五、实战项目

pip install black #全局环境安装where is black #查看位置

• pycharm配置

五、实战项目

那么，如何快速系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

9周快速成为大模型工程师

第1周：基础入门

• 了解大模型基本概念与发展历程

• 学习Python编程基础与PyTorch/TensorFlow框架

• 掌握Transformer架构核心原理

• 

第2周：数据处理与训练

• 学习数据清洗、标注与增强技术

• 掌握分布式训练与混合精度训练方法

• 实践小规模模型微调（如BERT/GPT-2）

第3周：模型架构深入

• 分析LLaMA、GPT等主流大模型结构

• 学习注意力机制优化技巧（如Flash Attention）

• 理解模型并行与流水线并行技术

第4周：预训练与微调

• 掌握全参数预训练与LoRA/QLoRA等高效微调方法

• 学习Prompt Engineering与指令微调

• 实践领域适配（如医疗/金融场景）

第5周：推理优化

• 学习模型量化（INT8/FP16）与剪枝技术

• 掌握vLLM/TensorRT等推理加速工具

• 部署模型到生产环境（FastAPI/Docker）

第6周：应用开发 - 构建RAG（检索增强生成）系统

• 开发Agent类应用（如AutoGPT）

• 实践多模态模型（如CLIP/Whisper）

第7周：安全与评估

• 学习大模型安全与对齐技术

• 掌握评估指标（BLEU/ROUGE/人工评测）

• 分析幻觉、偏见等常见问题

第8周：行业实战 - 参与Kaggle/天池大模型竞赛

• 复现最新论文（如Mixtral/Gemma）
• 企业级项目实战（客服/代码生成等）

第9周：前沿拓展

• 学习MoE、Long Context等前沿技术
• 探索AI Infra与MLOps体系
• 制定个人技术发展路线图
  
  👉福利篇👈
  最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】