2. 环境与工具准备：Python环境搭建、LangChain框架安装、OpenAI/本地模型API配置

说实话，做RAG项目最怕什么？不是算法难，而是环境配三天，代码跑不通。我见过太多新手卡在第一步——Python版本冲突、依赖包打架、API密钥找不到。这一章，咱们就把这些坑一个个填平。

2.1 Python环境搭建：别小看这一步

我个人习惯用 Python 3.10+。为什么？因为LangChain和很多新库已经放弃3.8了。你想想看，装个旧版本回头还得升级，何必呢？

2.1.1 安装Python

• Windows用户：去python.org下载安装包，记得勾选「Add Python to PATH」。我当年第一次装就忘了勾，结果命令行打python没反应，折腾了半小时。
• Mac用户：推荐用Homebrew安装——brew install python@3.10。系统自带的Python千万别动，那是给macOS自己用的。
• Linux用户：sudo apt install python3.10 python3.10-venv，一步到位。

2.1.2 虚拟环境：你的项目隔离舱

嗯，这里要注意。千万别把依赖直接装到全局！我在项目中遇到过两次惨案：一次是同事把项目A的torch升级了，结果项目B直接崩了。从那以后，我每个项目必建虚拟环境。

# 创建虚拟环境
python -m venv rag_env

# 激活（Windows）
rag_env\Scripts\activate

# 激活（Mac/Linux）
source rag_env/bin/activate

# 退出
deactivate

2.2 LangChain框架安装：核心依赖一览

LangChain现在更新很快，版本号蹭蹭往上涨。我个人建议锁定 0.1.x 版本，因为0.2.x有些API变了，教程跟不上容易踩坑。

2.2.1 安装命令

# 核心包
pip install langchain==0.1.20

# 社区扩展（各种模型、向量库的集成）
pip install langchain-community

# OpenAI相关
pip install openai tiktoken

# 文档加载器（PDF、网页等）
pip install pypdf beautifulsoup4

# 向量数据库（我们后面会用到）
pip install chromadb faiss-cpu

2.2.2 验证安装

装完之后，跑个简单的测试，看看能不能正常导入：

python -c "from langchain.llms import OpenAI; print('LangChain安装成功')"

如果没报错，恭喜你，环境通了。如果报错，多半是版本冲突。我建议用 pip list 看看已安装的包，然后一个个排查。

2.3 OpenAI API配置：密钥管理与调用

说白了，OpenAI的API就是你的「AI大脑」。但密钥这东西，千万不能硬编码在代码里。为什么？因为一旦你上传到GitHub，别人就能用你的额度了。我有个朋友就吃过这个亏，一晚上被刷了200美金。

2.3.1 获取API密钥

1. 访问 platform.openai.com/api-keys
2. 点击「Create new secret key」
3. 复制密钥（注意：关闭窗口后就看不到了）

2.3.2 配置环境变量

我个人习惯用 .env 文件管理密钥：

# 安装python-dotenv
pip install python-dotenv

# 创建 .env 文件
echo "OPENAI_API_KEY=sk-你的密钥" > .env

然后在代码里加载：

from dotenv import load_dotenv
import os

load_dotenv()  # 加载.env文件
api_key = os.getenv("OPENAI_API_KEY")

2.3.3 测试API连通性

from openai import OpenAI

client = OpenAI()
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)

如果返回了内容，说明API配置成功。如果报401错误，检查密钥是不是复制完整了。

2.4 本地模型API配置：省钱又省心

你想想看，每次调OpenAI都要花钱，调试阶段动不动就几十次调用，钱包受不了。所以我建议本地也搭一套模型，至少用来做开发和测试。

2.4.1 使用Ollama（推荐）

Ollama是目前最方便的本地模型管理工具。安装很简单：

# Mac/Linux
curl -fsSL https://ollama.com/install.sh | sh

# Windows：去ollama.com下载安装包

然后拉取模型：

# 拉取一个轻量模型（2GB左右）
ollama pull qwen2:1.5b

# 或者用更强的模型
ollama pull llama3:8b

2.4.2 配置LangChain连接本地模型

from langchain_community.llms import Ollama

# 初始化本地模型
llm = Ollama(model="qwen2:1.5b")

# 调用
response = llm.invoke("什么是RAG？")
print(response)

2.5 环境验证：跑通第一个RAG Demo

最后，咱们来个完整的「Hello RAG」测试，确保所有组件都正常工作：

from langchain_community.llms import Ollama
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.document_loaders import TextLoader

# 1. 加载文档
loader = TextLoader("sample.txt")
documents = loader.load()

# 2. 切分文本
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
docs = text_splitter.split_documents(documents)

# 3. 创建向量库
embeddings = OllamaEmbeddings(model="qwen2:1.5b")
vectorstore = Chroma.from_documents(docs, embeddings)

# 4. 检索+生成
llm = Ollama(model="qwen2:1.5b")
retriever = vectorstore.as_retriever()

# 简单测试
query = "文档里说了什么？"
results = retriever.get_relevant_documents(query)
print(f"检索到 {len(results)} 个相关片段")
print(results[0].page_content[:200])

2.6 常见问题速查表

好了，环境准备就到这儿。说白了，这一步虽然枯燥，但基础打好了，后面写代码才顺畅。下一章咱们开始真正动手——搭建第一个RAG流水线。

公众号:蓝海资料掘金营，微信deep3321