很多朋友问我“AI怎么安装”，其实每次我都要反问一句：你说的这个AI，是聊天机器人？是本地大模型？还是写代码的编程助手？
这不是抬杠。过去一年我帮团队和网友装过至少上百次AI工具，发现大多数人卡住的原因根本不是操作复杂，而是没搞清楚自己要装的到底是哪一种。有人下载了一个本地大模型客户端，配置了半天发现电脑带不动；有人装了个AI编程插件，结果不知道该怎么提问；还有人以为AI就是一个App，装完发现真正干活的是背后那一整套环境。
这篇教程我不打算只教某一个工具怎么装，而是把“AI安装”这件事拆成三条常见路线：零基础直接用现成的云端AI、开发者自己部署本地大模型、程序员在编辑器里接入AI编程助手。你对照自己的需求选一条走，每一步我都会写清楚为什么要这么做，以及容易踩的坑是什么。
1. 先搞清楚你要装的“AI”到底是哪一种
“安装AI”这个词，放在2025年已经不是一个动作了，而是一套选择。市面上你能接触到的AI工具，大致分为三个流派。
第一个流派是云端服务型。你打开网页、扫码登录，就能和AI对话、生成图片、写文档、做PPT，背后靠的是服务商的服务器算力。这类工具的代表有DeepSeek、通义千问、Kimi、豆包等。它们的共同特点是零安装成本，浏览器就是客户端，对电脑配置没有任何要求。
第二个流派是本地部署型。你把开源大模型下载到自己电脑或服务器上，完全离线运行，数据不出门。这类工具代表有Ollama、LM Studio、llama.cpp，模型则来自Hugging Face或者ModelScope社区。好处是隐私安全、可定制，坏处是吃硬件，一张好显卡动辄上万，没显卡也能跑但速度会让你怀疑人生。
第三个流派是开发集成型。把AI能力嵌到VS Code、JetBrains这类IDE里，让AI帮你写代码、查Bug、生成测试用例。代表有GitHub Copilot、Codex插件、Continue、通义灵码等。严格来说这不算独立安装，而是在现有开发环境里加一个智能副驾。
这三条路线不是互斥的，我自己的电脑上就同时装了云端的聊天工具、本地的小模型、以及编辑器里的编程插件。不同场景用不同工具，这才是正常状态。
提示：如果你连“我要拿AI干什么”都还没想清楚，先别急着下载任何东西。先拿网页版的产品聊十天半个月，搞清楚自己能拿它做什么，再决定要不要往本地部署或编程集成的方向走。装工具是简单的，想清楚用途才是真正需要花时间的事。
2. 零基础最快上手：搭建你的AI应用工作台
如果你不是程序员，也不想折腾环境变量，这条路线最适合你。目标只有一个：在半小时内拥有一个能稳定使用的AI对话助手，并且能把它接入到日常工作流里。
2.1 先选一个主力AI工具
市面上的云端AI产品很多，功能大同小异，但各有侧重。我的建议是别贪多，先选一个当主力。选择标准有三条：免费额度够用、中文理解好、支持联网搜索。
以目前的主流产品来看，DeepSeek和Kimi在中文长文本理解上表现出色，通义千问背靠阿里生态，如果你日常用钉钉或者阿里云，无缝衔接会方便很多。豆包的优势是语音交互和多模态能力，适合内容创作场景。
注册流程都差不多：手机号验证码登录，或者微信扫码，不用下载客户端的话直接收藏网页版就行。我最建议的是把网页版加入浏览器书签，而不是装桌面端——少一个常驻内存的进程，网页版的功能也完全够用。
2.2 建立你自己的专属对话体系
装好之后，别急着问“你能干什么”，先做三件事。
第一，新建几个不同的对话窗口。把日常提问、长文写作、代码调试、翻译润色分开，每个对话保持独立的上下文，避免互相污染。我在用的时候会为“方案撰写”“代码问题”“日常答疑”各开一个会话，这样AI记住的上下文更纯净，回答质量明显更高。
第二，写一段属于你的角色设定。每次开始一个重要对话前，用一段话告诉AI“你是谁、你要什么、输出的格式是什么”。比如你要写一份工作周报，可以先发一句“你是我的助理，我接下来会给你这周的工作碎片记录，请你帮我整理成结构清晰的周报，语气正式，重点突出结果”。这个动作叫提示词工程，普通用户不需要学复杂的公式，但养成“先交代背景再提问”的习惯，回答质量会翻倍。
第三，善用联网搜索和历史记录。很多AI工具的默认知识截止日期是过去某一天，查实时信息的时候记得手动打开联网开关。历史记录功能我现在几乎天天用——回到三天前的对话继续追问，比新开一个对话从头讲起效率高得多。
2.3 关于安全，我必须多说几句
云端AI确实方便，但所有对话内容理论上都会经过服务商的服务器。我的原则是：个人感悟、技术学习、文字润色这类不涉及敏感信息的内容随意用，但公司的代码片段、客户资料、身份证照片这些东西绝不往里面贴。
另外留意一下你选择的工具是否有隐私保护开关。部分企业版产品提供了“对话内容不用于模型训练”的选项，如果你有需求，优先考虑这类产品。免费的可能是最贵的，这句话用在这也很合适。
3. 开发者路线：本地大模型从下载到跑通
如果说云端AI是打车，那本地部署就是买车。前期投入大、维护成本高，但胜在完全可控。你本地部署的模型可以用在任何场景，数据不出内网，还能针对自己的业务做微调。这部分的教程，我以目前最流行的Ollama为主来展开。
3.1 硬件门槛先算清楚，别装了跑不动
先看你电脑的配置，再决定装哪个模型。我列一个经验值供参考：
| 你的设备配置 | 建议运行的模型规模 | 体验评价 |
|---|---|---|
| 16GB内存，无独显 | 7B-8B量化模型 | 勉强可用，速度偏慢 |
| 32GB内存，无独显 | 7B-14B量化模型 | 日常够用，长文本吃力 |
| 16GB显存（如RTX 4080） | 14B-32B量化模型 | 流畅，适合多数场景 |
| 24GB显存（如RTX 4090） | 32B-70B量化模型 | 接近商业模型体验 |
| 多卡/服务器 | 70B以上全精度 | 专业场景，成本高 |
这里的B是参数规模的意思，7B大概就是70亿参数，可以简单理解为模型的“知识容量”。普通家用电脑如果只有核显和16GB内存，建议只跑7B或8B级别的量化版本，别硬上大模型，否则等一个回复等到怀疑人生。
3.2 安装Ollama并拉取模型
Ollama是目前把本地大模型安装门槛压得最低的工具，一条命令就能跑起一个模型。安装包从官网下载，Windows和macOS都有对应的安装包，下载完一路Next就行。
装好之后按住Win+R输入cmd打开命令行，执行下面这条命令拉取一个中文能力不错的模型：
ollama pull qwen2.5:7bqwen2.5是阿里开源的模型，中文理解能力在同级别里算非常能打的。7b是参数规模，如果你的内存只有8GB，可以改成qwen2.5:3b。下载过程会显示进度条，模型文件一般好几个GB，网速快的话几分钟，慢的话可能要等一会儿。
下载完成之后，执行：
ollama run qwen2.5:7b看到类似“Send a message”的提示，就说明你已经成功在本地跑起来了一个大语言模型。直接在里面输入中文提问，它会像聊天一样回你。退出对话用/bye命令，查看已安装的模型用ollama list。
3.3 把本地模型接入你的程序
跑通命令行对话只是第一步。真正有价值的是把本地模型通过API接入你自己的应用，让AI成为你系统里的一个功能模块。
Ollama默认提供一个兼容OpenAI格式的API接口。启动服务（Ollama安装后默认开机自启），然后在你的代码里写一个请求就能调用：
import requests response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:7b", "prompt": "用三句话介绍你自己", "stream": False } ) print(response.json()["response"])这段代码干的事情是：向本地服务发送一个请求，让模型生成一段回答。stream参数设成False表示等全部内容生成完再一次性返回，设成True则是流式输出，类似聊天网页里一个字一个字往外蹦的效果。流式输出在对话类产品里体验更好，但代码处理起来复杂一些，新手先用非流式就够了。
如果你想用OpenAI的Python库来调用本地模型，也可以把base_url指到Ollama：
from openai import OpenAI client = OpenAI( base_url="http://localhost:11434/v1", api_key="ollama" # 本地服务不需要真实key，随便填 ) response = client.chat.completions.create( model="qwen2.5:7b", messages=[{"role": "user", "content": "你好"}] ) print(response.choices[0].message.content)这一步的意义在于：你写的代码将来想切换到GPT或其他云端模型时，只需要改base_url和api_key，代码基本不用动。
3.4 本地部署的几个常见坑
我部署本地模型踩过不少坑，挑几个高频的说。
第一个是中文乱码或显示不全。Windows命令行默认编码是GBK，而Ollama输出的是UTF-8，两者冲突就容易出乱码。解决办法是在命令行执行chcp 65001切换到UTF-8编码，或者干脆使用Windows Terminal。
第二个是模型下载太慢或者下载中断。Ollama的模型默认托管在国外服务器，网络不好时会失败。解决办法是设置镜像环境变量，找一个国内可访问的镜像地址，然后重启Ollama服务。这属于基础设施层面的问题，不同网络环境差异很大，如果下载失败，可以考虑从ModelScope魔搭社区下载GGUF格式的模型文件，然后用Ollama导入。
第三个是内存不足导致Ollama进程被系统杀掉。这通常是因为模型参数规模超出你的内存容量。检查一下你运行的是什么规模的模型，8GB内存就跑3b，16GB内存跑7b，别贪大。
4. 把AI装进编辑器：VS Code插件与Agent
对程序员来说，比起聊天窗口里的AI，直接在编辑器里用AI写代码才是效率提升最明显的方式。这条路线本质上是在VS Code或其他IDE里安装一个AI插件，让它读你当前打开的代码文件，理解项目上下文，然后辅助你补全代码、生成函数、解释报错。
4.1 选型：本地模型插件还是云端插件
VS Code里的AI助手大致分两类。一类是接云端API的，比如GitHub Copilot、Codex插件、通义灵码，能力上限高，能处理复杂任务，但需要联网，且代码会发送到服务商的服务器。另一类是接本地模型的，比如Continue插件，可以搭配你本地的Ollama使用，代码不上传，但受限于本地模型能力，复杂工程问题的理解力会差一些。
我的建议是：如果你还没有任何AI编程工具，先装一个接云端API的插件，选免费额度充足的开始用。同时配置好Continue接本地模型，用于你不想把代码传出去的私密项目。
4.2 VS Code安装与插件配置步骤
VS Code本身是免费软件，到官网下载安装包，安装过程没什么可说的。装好后按Ctrl+Shift+X打开扩展面板，搜索你想装的AI插件，点击Install安装。
以Continue插件为例，安装完成后软件会要求你配置一个模型。你可以选择让它连接云端服务，也可以指定它用本地Ollama的某个模型。配置界面是可视化表单，或者在配置文件里写明：
{ "models": [ { "title": "Qwen 2.5 7B", "provider": "ollama", "model": "qwen2.5:7b" } ] }配置完成之后，你可以在编辑器里选中一段代码，按快捷键让AI帮你解释这段代码的逻辑，或者输入自然语言让它生成一个函数。它的本质就是把你的提问和当前文件内容一起拼成提示词，发给模型，再把模型返回的代码展示在编辑器里。
4.3 AI编程不是“一键生成”，是“结对编程”
用AI写代码，最大的误区是把它当成自动完成机器。我见过不少同事安装插件后第一句话是“帮我写个电商系统”，然后期待AI直接吐出一个完整项目。实际用过就知道，这是不可能的。原因是生成式模型擅长的是片段级补全和讨论式解答，而不是凭空交付一个多文件、有状态、有依赖的完整系统。
正确的用法是结对编程的姿势：你负责拆分任务、设计接口、提供约束条件，它负责写具体实现、做重复劳动、检查遗漏边界。比如我会先在代码里写一个带注释的函数签名，然后让AI填充函数体；或者贴一个报错截图，让它从报错信息里反推问题根源。
提示词在这时候同样关键。拿一段代码问AI“这段代码有Bug吗”，不如直接说“这个函数在并发场景下会有什么问题？请从线程安全的角度分析”。上下文越具体，答案质量越高。
4.4 别盲目信任AI生成的代码
必须强调的一点：AI生成的代码一定要自己读懂后再提交。我踩过最惨的一次坑是让AI帮我写一个正则表达式，输入一段格式奇怪的日志，它给出的正则看着很对，实际跑起来却把一大半有效数据给吞了。原因就是模型生成的正则匹配逻辑过于宽松，边界情况没处理好。
所以我的纪律是：AI生成的代码进了代码库之前，至少满足三个条件——我看得懂每行在干什么；关键边界条件有测试用例覆盖；依赖的库版本与项目一致。把AI当成一个能力很强但偶尔犯迷糊的初级工程师，你会发现它能帮你省很多时间，也不会给你惹太多麻烦。
5. 装完AI之后的避坑清单
安装工具只是开始，日常使用中你会遇到各种奇奇怪怪的问题。我把这些年遇到的高频问题整理成一份速查表，按“现象、原因、解决办法”三列排好，你遇到类似情况可以直接照着查。
| 现象 | 常见原因 | 解决办法 |
|---|---|---|
| 本地模型回答速度极慢 | 模型太大，内存/显存不够 | 换更小的模型，或开量化版本 |
| 中文回答夹着英文甚至乱码 | 模型本身中文能力弱，或终端编码问题 | 切换中文能力更强的模型，终端执行chcp 65001 |
| 聊天窗口答着答着就断了 | 上下文太长，超出模型限制 | 新开对话，把关键信息压缩后再提问 |
| 本地API调不通 | 服务没启动，或端口被占用 | 执行ollama serve确认服务运行，检查11434端口 |
| 插件安装了但没反应 | 没配置模型，或模型没下载 | 打开插件设置，确认模型配置正确 |
| 生成的代码报错看不懂 | 模型不理解你的环境 | 把报错信息和相关代码都贴给它，让它结合上下文分析 |
安装配置之外，还有几个观念层面的建议，我觉得比任何工具教程都重要。
第一，别追新模型。AI工具圈每天都有新东西出来，今天这个模型屠榜，明天那个框架发布，追起来没完没了。我目前的策略是：主力工具用一个性能稳定、生态成熟的模型，型号更新时先看看社区反馈再决定要不要换。工具是拿来干活的，不是拿来收藏的。
第二，养成“先定义输出，再开始提问”的习惯。很多人觉得AI不够聪明，其实大半原因是问得太泛。你问“怎么学Python”，和你说“我每天有1小时碎片时间，想三个月内学会用Python做数据分析，请给我一个包含每周目标和练习项目的计划”，后者得到的答案价值是前者的十倍。这一点在工作流搭建、提示词设计、本地模型使用中都通用。
第三，隐私和合规的底线别突破。涉及个人隐私、商业机密、内部系统的内容，先想想有没有必要让这些数据经过第三方服务。有些工具确实好用，但“好用”和“可以随便用”是两回事。我个人的做法是：任何人发给我的文件，只要包含身份证号、手机号、企业内部系统截图，一律先脱敏再交给AI处理。
最后再分享一个我的小技巧。如果你的电脑配置不高，又想体验本地大模型，不一定非要跑满血大模型。Ollama支持在同一个模型下切换不同量化等级，量化可以理解为对模型做一定程度的压缩，压缩后体积小、速度快，只是生成质量略有下降。你的内存捉襟见肘时，优先选择带q4或者q8后缀的量化版模型，体验差距其实没有想象中那么大。
AI的安装和应用是一个持续迭代的过程。我今天写的这些工具和命令，可能半年后就会被更好的替代。但底层的方法论不会变：先明确你要拿AI解决什么问题，再选择合适的工具和部署方式，最后养成高效提问和验证输出的习惯。把这套逻辑跑顺了，不管将来工具怎么更新，你都能很快上手。
