AI 开发

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），会自动完成 Python 环境、SDK 安装与 API Key 配置，不想手动逐条敲命令的同学可以直接拉到文末运行。 前言 你大概已经听说过 Claude 这个名字——它是在编程、写作、长文本分析上口碑最好的大模型之一，来自 Anthropic 公司。 但你可能不知道的是：Claude 不只可以在网页上聊天，它还开放了 API（Application Programming Interface，应用程序编程接口）——简单说，就是一个"程序调用通道"：你可以写几行代码，让 Claude 变成你自己软件里的"大脑"，自动完成总结文档、写代码、翻译、客服问答这些事。 这篇文章面向完全没有编程经验的零基础读者：只要求你有一台电脑、能复制粘贴命令。我会带你完成以下四件事： 拿到一把 API Key（钥匙） 装好 Python 和 Anthropic 官方 SDK（软件开发工具包，可以理解为"官方写好的调用插件"） 写出并运行你人生中第一段 AI 调用代码 学会按需调整参数、看懂报错 官方文档地址：海外用户可直连 https://platform.claude.com/docs；国内用户访问需要科学上网，也可以参照本文第八节用国内可直连的中转方式接入。 好，我们现在开始。 一、准备工作（三样东西） 1. 一台装了 Python 的电脑 文章用 Python 3（版本 ≥ 3.8 即可）写调用代码。怎么确认装没装？打开终端（macOS 叫"终端"，Linux 由发行版决定，Windows 建议用 WSL，即"Windows 自带的 Linux 子系统"），输入： python3 --version 看到 Python 3.x.x 就说明有了。如果没有，去 https://www.python.org/downloads/ 下载安装，Windows 用户安装时记得勾选"Add Python to PATH"。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），自动完成 Python 环境、SDK 安装与 API Key 配置，想省事的同学直接拉到文末运行即可。 前言 DeepSeek 是中国本土的大模型团队，做出来的模型在代码、推理、中文理解上一直处于第一梯队——而且相比海外大厂，国内用户注册、充值、调用全都畅通无阻，不需要海外信用卡，也不需要科学上网。这是它最"亲民"的地方。 和 Claude 一样，DeepSeek 也开放了 API（应用程序编程接口）——就是"程序调用通道"：写几行代码，就能让 DeepSeek 的模型住进你自己的程序里，自动写代码、做分析、当客服。 本教程面向零基础读者，四步走： 注册账号，拿到 API Key（钥匙） 装好 Python 环境 跑通第一个 DeepSeek 调用 看懂定价、常见报错，把它用起来 官方文档：https://api-docs.deepseek.com/（国内可直接访问）。 一、注册账号并获取 API Key 打开 https://platform.deepseek.com，用手机号或邮箱注册 登录后点左侧「API Keys」，创建一个新 Key，立刻复制保存（形如 sk- 开头的一长串，只显示一次，丢了要重建） 如果需要调用付费模型，先去「充值」页充一点钱（按量扣费，充多少用多少，没有月租；充值与赠送余额并存时系统会优先扣赠送余额） ⚠️ Key 相当于你的"钱包钥匙"，别截图发给别人，别提交到公开的代码仓库（GitHub 会扫描并提示风险）。 二、准备 Python 环境 确认终端里 python3 可用（不会开终端的同学见文末脚本，全部自动化）： python3 --version 看到 Python 3.x.x 即可。然后装官方示例用的 OpenAI 官方 Python 包（deepseek 复用 OpenAI 的 SDK，所以不用装 deepseek 自己的包）： ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），会自动装好全部依赖、配置 API Key、生成一个可直接运行的知识库问答 Demo，动手党直接拉到文末。 前言 一个扎心的事实：大模型（ChatGPT、Claude、DeepSeek 这类 AI 的大脑）并不知道你的私有资料。你的公司规章、产品手册、个人笔记，模型一概没学过——你问它，它只能靠"编"来回答，这就是著名的"一本正经地胡说八道"（AI 圈叫"幻觉"）。 RAG（Retrieval-Augmented Generation，检索增强生成） 就是解决这个问题的标准方案。一句话解释： 给 AI 塞一个你专属的资料库，每次提问先从这个库里"检索"相关片段，再让 AI 基于检索到的内容回答。 效果是：AI 只依据你的资料作答，不乱编、不认错人，还永远跟得上资料的最新版本（资料更新，答案自动变）——因为它每次都是"现查现答"。 官方对 RAG 的定义是：在推理（回答）时把外部文档作为上下文喂给模型，避免幻觉与过时信息。 本教程基于 LangChain 官方 RAG 教程编写（https://docs.langchain.com/oss/python/langchain/rag），面向零基础读者，一步步跑通一个"公司制度问答机器人"。 一、RAG 的五步流水线（先看懂再动手） 把整个过程想象成"图书馆查资料"： 入库（加载文档）：把你的资料搬进系统——Document 对象，每个文档带"来源"标签（哪个文件/网页） 切分（拆成块）：长文档切成 1000 字一块的小段——图书馆把书拆成一页页，检索才知道翻哪页 向量化（编号上架）：每一段文字变成一串数字（叫"向量"），语义相近的文字，数字也相近——检索"迟到怎么处理"能找到"考勤制度"那段 检索：用户提问→把问题也变成向量→找出库里最相近的前几段 回答：把"问题 + 检索到的片段"一起发给大模型，让模型只依据这些片段回答 五步里，1-4 是"资料库"，5 用到了大模型能力。我们一步步来。 二、准备工作（三样东西） Python 3（终端执行 python3 --version 确认；Windows 建议用 WSL） 一把 OpenAI 兼容的 API Key——本文代码按 OpenAI 格式写（这也是整个 AI 生态里最通用的格式：DeepSeek、Ollama、各种中转站都兼容）。还没 Key 的同学先注册一个（国内推荐 DeepSeek 官方平台 https://platform.deepseek.com，注册即送少量体验额度；或者运行文末一键脚本，脚本会带你把 Key 配好） 一个文本资料（随便拿一个 .txt 文件：公司制度、产品说明、学习笔记都行） 三、安装依赖 mkdir rag-demo && cd rag-demo python3 -m venv .venv && source .venv/bin/activate pip install "langchain[openai]" langchain-text-splitters requests numpy python3 -m venv .venv：建虚拟环境（独立目录装依赖，不污染系统） langchain[openai]：LangChain 主包 + OpenAI 兼容适配（[openai] 是"附加组件"标记，一次装齐） langchain-text-splitters：切分文档的官方组件 requests：发 HTTP 请求（抓网页用）；numpy：向量计算底层依赖 pip 慢或失败：加 -i https://pypi.tuna.tsinghua.edu.cn/simple。 ...

📌 新手提示：本文结论基于 Anthropic 官方提示工程指南（https://platform.claude.com/docs/en/build-with-claude/prompt-engineering，海外站点国内需科学上网）。文末一键脚本会生成一个"前后对比"小工具，让你亲眼看到提示词的作用。 前言 很多人以为提示词（Prompt）就是"多说点好话、多发点脾气"，这是误解。提示词不是玄学，它有一套官方方法论——就像写代码有规范和架构，写提示词也有原则。 一个残酷的事实：同一个模型、同一个问题，提示词写法和写法之间，回答质量可以差 10 倍。官方文档的原话是：把 Claude 想成一个"聪明但完全不熟悉你们公司的新员工"——你不说清楚，他就发挥不出。 本文带你看官方六大原则 + 一张可直接抄的三段式模板，再用一个真实案例感受差距。 一、官方六大黄金原则 原则 1：清晰直接（Be clear and direct） 说得越具体，得到的结果越好。想要"超出预期"的发挥（比如"做得全面一点"），要明确写出来，而不是指望模型自行领悟。 黄金准则（官方原文）：把你的提示词拿给一位对任务几乎一无所知的同事，请 TA 照着做。如果 TA 会困惑，Claude 也会困惑。 对照（官方示例）： ❌ 差的：“Create an analytics dashboard”（做一个分析仪表盘） ✅ 好的：“Create an analytics dashboard. Include as many relevant features and interactions as possible. Go beyond the basics to create a fully-featured implementation."（……把能用上的功能和交互都做上，别停留在基础版） 原则 2：补充上下文与动机（Add context） 解释"为什么"能让模型更精准。官方例子： ❌ 差的：“NEVER use ellipses”（永远别用省略号） ✅ 好的：“Your response will be read aloud by a text-to-speech engine, so never use ellipses since the text-to-speech engine will not know how to pronounce them."（你的回答会被语音引擎朗读，所以别用省略号——它不知道怎么发音） 一句话解释了动机，模型就懂了"这是硬规则，不是个人风格”。 ...