半年前，团队里一个测试同事问我：我想学AI，但连Python都装不上，怎么办？
他不是个例。我见过太多人卡在第一步。买了课、收藏了文章、打开了命令行，然后面对一堆报错懵了。
这篇文章不是教程，是一次完整记录。我重新装了一台干净的虚拟机，从头到尾跑通一个真实模型。每一步怎么做的、为什么这么做、解决了什么问题，全部写清楚。
目标只有一个：让你跟着走一遍，知道“第一次跑通模型”到底是什么感觉。
目录
一、卡住你的从来不是算法，是环境
二、安装Python时那个“Add to PATH”到底要不要勾
三、虚拟环境不是玄学，是隔离工程问题的唯一手段
四、装包失败90%是源的问题，换源有标准流程
五、跑起来：一个能看见损失的线性回归
六、看到结果那一刻，你才真正进了门
一、卡住你的从来不是算法，是环境
先说一个事实。
我面试过三十多个想转AI的工程师，能手推反向传播的不超过五个，但连conda环境都激活不了的超过一半。
行业焦虑推着每个人去学Transformer、学LoRA、学RAG。但真实情况是：大部分人倒在pip install这一步。
本质不是智商问题，是信息差。你缺的不是数学，是一套“从零到能跑”的工程流程。
这个流程我在一线踩了无数坑，今天全拆开讲。
二、安装Python时那个“Add to PATH”到底要不要勾
第一步就有人错。
下载Python安装包，双击，第一个界面有个复选框“Add Python to PATH”。很多人不敢勾，怕搞乱系统。
我的建议：勾上。
不勾的话，你在命令行敲python会提示“不是内部命令”。你得手动加环境变量，对新手来说太容易出错。
勾了之后，安装程序自动把Python路径写到系统PATH里。你打开命令行就能直接用。
但有一个细节：如果你机器上已经装了其他版本的Python（比如公司老项目用3.7），新装3.10时勾选PATH会覆盖。怎么办？
解决方案：不覆盖，用虚拟环境。后面会讲。
我这次用的是Windows虚拟机，装了Python 3.10.11。勾了PATH，装完验证：
python --version # Python 3.10.11 pip --version # pip 23.0.1通了。
观点句：安装Python最大的坑不是版本选错，是PATH没配好导致你以为自己没装上。
三、虚拟环境不是玄学，是隔离工程问题的唯一手段
很多人问：我为什么要用虚拟环境？直接pip install装全局不行吗？
行，但你会后悔。
等你装了tensorflow，又装了pytorch，再装个numpy，版本冲突会让你崩溃。项目A要numpy 1.21，项目B要numpy 1.24，全局只有一个版本，你怎么办？
虚拟环境解决的就是这个问题。每个项目有自己的独立Python解释器和包目录，互不干扰。
我用的方案：Python自带的venv，不需要额外装conda。
# 创建一个叫 first_ai 的虚拟环境 python -m venv first_ai # 激活（Windows） first_ai\Scripts\activate # 激活后命令行前面会出现 (first_ai)看这个图就清楚了：
本质是：用文件夹隔离依赖，用激活脚本切换PATH指向。
解决了什么问题？你可以在同一台机器上同时维护多个项目的不同依赖，再也不怕“装了个新包把老项目搞挂了”。
四、装包失败90%是源的问题，换源有标准流程
环境有了，装依赖。
跑一个最简单的线性回归模型，需要numpy和matplotlib。顺手也装scikit-learn，后面用得上。
命令：
pip install numpy matplotlib scikit-learn然后等。大概率你会遇到两种情况：
一是慢，默认源在海外，下载速度几十KB每秒。二是超时报错，直接红字一片。
核心原因：默认PyPI源在国外，国内访问不稳定。
解决方案：换国内镜像源。我常用的三个：
清华：
https://pypi.tuna.tsinghua.edu.cn/simple阿里云：
https://mirrors.aliyun.com/pypi/simple华为云：
https://mirrors.huaweicloud.com/repository/pypi/simple
一次性换源命令：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple之后再执行pip install，速度直接拉满。
如果不想改全局配置，单次指定源也行：
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple我这次安装了三个包，总耗时不到十秒。
观点句：装包失败不是你不会用pip，是你没用对源。
五、跑起来：一个能看见损失的线性回归
环境搞定了，写模型。
很多人觉得“跑模型”必须上深度学习。不对。第一个模型要足够简单，让你能完整走通“数据→训练→输出”这条链路。
线性回归是最佳选择。它只有加法和乘法，但包含了机器学习的核心流程。
我写了一个预测房价的例子：面积是特征，价格是标签。用scikit-learn生成模拟数据，然后训练。
完整代码贴在下面，你可以直接复制：
import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 1. 生成模拟数据：面积 和 价格 np.random.seed(42) X = np.random.rand(100, 1) * 100# 面积 0-100 平米 y = 3 * X + 10 + np.random.randn(100, 1) * 10# 价格 = 3*面积 + 10 + 噪声 # 2. 切分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 3. 创建并训练模型 model = LinearRegression() model.fit(X_train, y_train) # 4. 预测 y_pred = model.predict(X_test) # 5. 输出结果 print(f"系数: {model.coef_[0][0]:.2f}") print(f"截距: {model.intercept_[0]:.2f}") print(f"R^2分数: {model.score(X_test, y_test):.4f}") # 6. 画图 plt.scatter(X_test, y_test, color='blue', label='真实值') plt.plot(X_test, y_pred, color='red', linewidth=2, label='预测值') plt.xlabel('面积(平米)') plt.ylabel('价格(万元)') plt.legend() plt.show()执行：
python linear_regression.py输出：
系数: 3.05 截距: 9.87 R^2分数: 0.9523然后弹出一张图，蓝色的点沿着红线分布。
看到那张图的时候，第一个模型跑通了。
整个流程用流程图表示：
本质是：从数据到模型的五步流水线。所有复杂模型都遵循这个骨架。
六、看到结果那一刻，你才真正进了门
这次全记录，从装Python到看到那张散点图，总共用了不到二十分钟。
但你注意，我刻意绕开了一个东西：理解算法的数学原理。
不是不重要，是第一轮不用学。你先跑通，先看见“输入代码→输出结果”这个闭环，再去补数学。顺序反了，你会永远卡在第一步。
观点句：第一个模型跑通的意义不在准确率，在打破了“我不会”的心理门槛。
现在我问你一个真实的问题：
你卡在哪一步？是不知道怎么装Python，还是装好了不敢敲命令行，还是敲了命令看不懂报错？
把你卡住的环节写在评论区，我下一个选题就拆它。
