2026_DesignAI/02-foundations/01.3-programming.md

## 学习目标

掌握Python AI开发环境配置

了解核心科学计算库

理解Vibe Coding的AI辅助编程新模式

### Python环境配置

#### Anaconda vs Miniconda

  -----------------------------------------------
  工具        大小      特点         适用场景
  ----------- --------- ------------ ------------
  Anaconda    \~500MB   预装常用库   初学者推荐

  Miniconda   \~50MB    仅含conda    精简安装
  -----------------------------------------------

#### 安装步骤

##### 1.下载安装

o访问 https://www.anaconda.com/download

o选择Python 3.x版本

o按提示安装

##### 2.创建虚拟环境

`conda`` create ``-n`` ai-env python=3.10`\
`conda`` activate ai-env`

##### 3.安装核心库

`conda`` install ``numpy`` pandas ``scipy`\
`pip`` install torch ``torchvision`

### 核心科学计算库

#### NumPy：数值计算基础

`import`` ``numpy`` ``as`` np`\
\
`# ``创建数组`\
`x ``=`` ``np.array``([``1``, ``2``, ``3``, ``4``])`\
\
`# ``矩阵运算`\
`W ``=`` ``np.random.randn``(``4``, ``3``)  ``# 4×3``权重矩阵`\
`h ``=`` np.dot(x, W)           ``# ``矩阵乘法`\
\
`# ``激活函数`\
`relu`` ``=`` ``np.maximum``(``0``, h)    ``# ``ReLU`

#### Pandas：数据处理

`import`` pandas ``as`` pd`\
\
`# ``读取数据`\
`df`` ``=`` ``pd.read_csv``(``'data.csv'``)`\
\
`# ``数据清洗`\
`df`` ``=`` ``df.dropna``()`\
`df`` ``=`` ``df`` normalized ``=`` (``df`` ``-`` ``df.mean``()) ``/`` ``df.std``()`\
\
`# ``统计分析`\
`df.describe``()`

#### SciPy：科学计算

`from`` ``scipy`` ``import`` optimize`\
`from`` ``scipy.spatial`` ``import`` distance`\
\
`# ``优化问题`\
`result ``=`` ``optimize.minimize``(``loss_func``, x0)`\
\
`# ``距离计算`\
`dist`` ``=`` ``distance.euclidean``(point1, point2)`

### 开发工具选择

#### VSCode

**特点**： - 微软开源，免费 - 丰富的插件生态 - 轻量级，启动快

**AI开发常用插件**： - Python - Jupyter - Pylance - Copilot

## Cursor

**特点**： - AI原生IDE - 代码补全与生成 - 自然语言编程

**使用场景**： - 快速原型开发 - 代码重构 - 学习新API

## Jupyter Notebook

**特点**： - 交互式编程 - 可视化友好 - 文档即代码

**使用场景**： - 数据探索 - 算法实验 - 教学演示

# Vibe Coding：AI辅助编程

## 什么是Vibe Coding

传统编程：**明确需求 → 设计算法 → 编写代码**

Vibe Coding：**模糊想法 → AI辅助 → 迭代完善**

## 工作流程

### 1. 描述意图（自然语言）

`"``帮我创建一个简单的神经网络``"`

### 

`2. AI``生成代码`

### → 自动生成完整代码框架

`3. ``运行测试`

`→ ``发现问题或需要调整`

`4. ``迭代优化`

`"``把隐藏层改成``128``个神经元``"`

`→ AI``自动修改代码`

`5. ``理解学习`

       → 阅读AI生成的代码，学习最佳实践

## 实践技巧

  ---------------------------------
  技巧       说明
  ---------- ----------------------
  明确需求   详细描述输入输出

  分步实现   复杂功能拆解为小任务

  验证结果   检查生成的代码

  学习思考   理解AI为什么这样写
  ---------------------------------

## 工具推荐

  --------------------------------------------
  工具             特点             适用场景
  ---------------- ---------------- ----------
  GitHub Copilot   代码补全         日常开发

  Cursor           对话式编程       快速原型

  ChatGPT/Claude   代码生成与解释   学习咨询

  Replit Agent     端到端开发       小型项目
  --------------------------------------------

## 开发工作流

项目结构

`project/`\
`├── data/              # ``数据文件`\
`├── notebooks/         # ``Jupyter``笔记本`\
`├── ``src``/               # ``源代码`\
`│   ├── models/        # ``模型定义`\
`│   ├── utils/         # ``工具函数`\
`│   └── train.py       # ``训练脚本`\
`├── requirements.txt   # ``依赖列表`\
`└── README.md          # ``项目说明`

### 典型工作流

`# 1. ``创建环境`\
`conda`` create ``-n`` ``myproject`` python=3.10`\
`conda`` activate ``myproject`\
\
`# 2. ``安装依赖`\
`pip`` install ``-r`` requirements.txt`\
\
`# 3. ``开发迭代`\
`# - ``在``notebook``中实验`\
`# - ``整理到``src``/``目录`\
`# - ``运行测试`\
\
`# 4. ``保存环境`\
`conda`` env export ``>`` ``environment.yml`

## 思考与练习

1.对比Anaconda和Miniconda，什么时候该用哪个？

2.尝试用Cursor/Copilot生成一个简单的神经网络代码

3.Vibe Coding如何改变传统的编程学习方式？

## 关键术语

  -----------------------------------------------------------
  中文       英文                    说明
  ---------- ----------------------- ------------------------
  虚拟环境   Virtual Environment     隔离的Python运行环境

  依赖管理   Dependency Management   管理项目所需的库

  代码补全   Code Completion         自动补全正在输入的代码

  原型开发   Prototyping             快速构建可运行版本

  迭代优化   Iterative Refinement    逐步改进代码
  -----------------------------------------------------------

## 延伸阅读

[Anaconda官方文档](https://docs.anaconda.com/)

[NumPy快速入门](https://numpy.org/doc/stable/user/quickstart.html)

[Cursor使用指南](https://cursor.com/docs)