3. 开发环境搭建：Python虚拟环境配置、Docker部署Elasticsearch与Kibana、安装依赖库
说实话，很多初学者在搭建环境这一步就卡住了。我见过太多人花了两三天装包，最后发现版本冲突，心态直接崩了。嗯，这一章咱们就把这事彻底捋清楚。
我会带你一步步搞定三件事：Python虚拟环境、Docker部署ES和Kibana、以及核心依赖库的安装。这三件事说白了就是给知识库项目打好地基，地基稳了，后面盖楼才不慌。
3.1 Python虚拟环境：为什么必须搞？
你想想看，一个项目要装LangChain，另一个项目要装Flask，它们可能依赖同一个包的不同版本。如果不隔离，那就是一场灾难。我在项目中遇到过好几次，因为全局环境装了个新包，结果把旧项目的依赖搞崩了，排查了一整天。
虚拟环境就是干这个的——每个项目有自己的小天地，互不干扰。
3.1.1 创建虚拟环境
我个人习惯用 venv，它是Python自带的，不需要额外安装。操作很简单：
# 创建虚拟环境，命名为 fin_env
python -m venv fin_env
# 激活虚拟环境（Windows）
fin_env\Scripts\activate
# 激活虚拟环境（Mac/Linux）
source fin_env/bin/activate
激活成功后，命令行前面会出现 (fin_env) 的标识。这时候你安装的所有包，都只会在这个环境里生效。
.venv 或 env，这样一眼就能看出来。记得把虚拟环境文件夹加到 .gitignore 里，别提交到代码仓库。
3.1.2 管理依赖
依赖管理是门学问。我见过有人直接把所有包都列在 requirements.txt 里，结果别人一装就报错。为什么？因为没锁定版本号。
正确的做法是：
# 生成当前环境的依赖清单（带版本号）
pip freeze > requirements.txt
# 别人拿到项目后，一键安装
pip install -r requirements.txt
举个例子，我的 requirements.txt 长这样：
langchain==0.1.0
transformers==4.36.0
elasticsearch==8.11.0
torch==2.1.0
pip freeze > requirements.txt 把系统全局的包都导出来。我曾经犯过这个错，结果别人装的时候发现一堆莫名其妙的包，还冲突。正确的做法是：先激活虚拟环境，再执行这个命令。
3.2 Docker部署Elasticsearch与Kibana
Elasticsearch（简称ES）是知识库的搜索引擎，Kibana是它的可视化界面。用Docker部署，说白了就是拉个镜像、跑个容器，几分钟搞定。
我个人强烈推荐用Docker Compose，因为它可以把ES和Kibana一起管理，省心省力。
3.2.1 编写docker-compose.yml
在项目根目录下创建一个 docker-compose.yml 文件：
version: '3.8'
services:
elasticsearch:
image: docker.elastic.co/elasticsearch/elasticsearch:8.11.0
container_name: es-knowledge
environment:
- discovery.type=single-node
- xpack.security.enabled=false
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
ports:
- "9200:9200"
volumes:
- es_data:/usr/share/elasticsearch/data
kibana:
image: docker.elastic.co/kibana/kibana:8.11.0
container_name: kibana-knowledge
environment:
- ELASTICSEARCH_HOSTS=http://elasticsearch:9200
ports:
- "5601:5601"
depends_on:
- elasticsearch
volumes:
es_data:
这里有几个关键点：
- discovery.type=single-node：单节点模式，开发环境够用了
- xpack.security.enabled=false：关闭安全认证，省得折腾证书
- ES_JAVA_OPTS：限制内存，别让ES把电脑吃爆了
3.2.2 启动服务
# 启动ES和Kibana
docker-compose up -d
# 查看运行状态
docker-compose ps
# 查看日志
docker-compose logs -f elasticsearch
启动后，访问 http://localhost:9200 能看到ES的JSON响应，访问 http://localhost:5601 进入Kibana界面。
避坑指南： 我曾经在Mac上遇到过ES启动失败，原因是Docker分配的内存不够。解决办法是在Docker Desktop的设置里，把内存调到4GB以上。Windows用户也要注意，WSL2的内存限制同样会影响。
3.3 安装核心依赖库
依赖库的安装顺序有讲究。我建议先装PyTorch，再装Transformers，最后装LangChain。为什么？因为LangChain依赖Transformers，而Transformers又依赖PyTorch。按顺序装，能避免版本冲突。
3.3.1 安装PyTorch
PyTorch是深度学习框架，用来跑模型。去官网 pytorch.org 选择你的配置，复制命令即可：
# CPU版本（大多数开发环境够用）
pip install torch torchvision torchaudio
# GPU版本（如果有NVIDIA显卡）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
3.3.2 安装Transformers
Transformers是Hugging Face的库，提供了大量预训练模型：
pip install transformers==4.36.0
装完后可以验证一下：
python -c "from transformers import pipeline; print('Transformers安装成功')"
3.3.3 安装LangChain
LangChain是知识库的核心框架，负责编排LLM调用和文档处理：
pip install langchain==0.1.0
pip install langchain-community # 社区扩展包
pip install langchain-openai # OpenAI集成
3.3.4 安装Elasticsearch客户端
Python连接ES需要客户端库：
pip install elasticsearch==8.11.0
3.3.5 其他辅助库
pip install tiktoken # Token计数
pip install pypdf # PDF解析
pip install sentence-transformers # 文本向量化
pip install chromadb # 向量数据库（备用）
3.4 验证环境
全部装完后，跑一个简单的测试脚本，确保所有组件都能正常工作：
# test_env.py
from elasticsearch import Elasticsearch
from langchain.llms import OpenAI
from transformers import pipeline
# 测试ES连接
es = Elasticsearch("http://localhost:9200")
print(f"ES连接状态: {es.ping()}")
# 测试Transformers
classifier = pipeline("sentiment-analysis")
result = classifier("I love this course!")
print(f"情感分析结果: {result}")
# 测试LangChain
from langchain.llms import OpenAI
llm = OpenAI(temperature=0)
print("LangChain加载成功")
docker ps 看一眼，如果容器没启动，用 docker-compose logs 看日志，90%的问题都能找到答案。
3.5 本章知识体系
下面这张图帮你理清整个开发环境的架构：
这张图展示了三层架构：最底层是Docker容器（ES和Kibana），中间层是Python依赖库，最上层是虚拟环境。每一层都独立运行，但又紧密协作。
好了，环境搭建就到这里。你跟着操作一遍，应该半小时内就能搞定。如果遇到问题，别慌，先看日志，再查文档，实在不行就重启——我当年就是这么过来的。