python环境搭建(普通python、PyCharm )

python环境搭建(普通python、PyCharm )

步骤 1:安装 PyCharm

  1. 访问 JetBrains 官网:https://www.jetbrains.com/pycharm/download/Download PyCharm: The Python IDE for data science and web development by JetBrains
  2. 最后点击完成即可

下载完成后,运行安装程序,按照提示完成安装

向下滚动界面 找到PyCharm Community Edition 进行下载Community 版免费

选择适合你系统的版本(Community 版免费,Professional 版功能更丰富但需付费)

步骤 2:安装 Python 解释器

如果你还没有安装 Python,可以通过 PyCharm 来安装:

  1. 访问 Python 官方下载页面:Download Python | Python.org
  2. 下载完成后,双击安装包开始安装

选择适合你系统的 Python 版本(建议下载 Python 3.9 及以上版本)

  • 双击下载好的安装包,启动安装程序。
  • 务必勾选 "Add Python to PATH" 选项,这样才能在命令行中直接调用 Python。
  • 点击 "Install Now",等待安装完成。
  • 点击 "Customize installation",可以对安装路径等进行自定义设置。
  • 全都勾选,点击Next
  • 2)检查 Python是否安装成功
    命令行中输入以下命令,确认安装成功:
python

按 Win + R 打开运行对话框,输入 cmd 并按回车,打开 命令提示符

验证安装

(1)打开命令提示符

如果安装成功,你将看到类似于以下输出:

如果没有其他问题,下面是一些补充说明:

如果忘记配置环境变量,也可以手动添加。具体操作方法可以参考其他技术博主的教程,这里就不详细展开了。

安装完成后,按Win+R打开运行窗口,输入cmd进入命令行界面。输入"python -V"并按回车键,如果安装成功,会显示当前Python版本号。你也可以直接输入"python"进入交互模式,成功后会显示如下提示界面。

到这一步,完成一大半了

也可以通过 PyCharm 来安装(上面咱自己安装了解释器,就不用了)

  1. 打开 PyCharm,选择 "Get from VCS" 或 "New Project"
  2. 在弹出的窗口中,点击 "New environment using Virtualenv"
  3. 在 "Python interpreter" 下拉菜单中,选择 "Download and install Python"
  4. 选择你需要的 Python 版本(建议 3.9 及以上),点击 "Install"

如果你已经安装了 Python,可以直接配置现有解释器:

  1. 进入 "Project: [项目名]" > "Python Interpreter"
  2. 点击齿轮图标,选择 "Add"
  3. 在弹出的窗口中,选择 "System Interpreter"
  4. 点击 "OK" 完成配置

点击 "..." 按钮,找到并选择你已安装的 Python 解释器路径(例如:C:\Python39\python.exe)

打开 PyCharm,进入 "File" > "Settings"(Windows/Linux)或 "PyCharm" > "Preferences"(macOS)

-------------------------------------------------------------------------------------------------------------------

上面就完成了python环境的配置

步骤 3:创建新项目

  1. 打开 PyCharm,点击 "New Project"
  2. 在 "Location" 字段中选择项目存储路径
  3. 在 "Python interpreter" 下拉菜单中,选择之前配置好的解释器
  4. 点击 "Create" 创建项目

步骤 4:编写并运行 Python 程序

  1. 在项目视图中,右键点击项目名称,选择 "New" > "Python File"
  2. 输入文件名,例如 "hello_world",点击 "OK"
  3. 在编辑器中输入以下代码:
print("Hello, PyCharm!") 
  1. 右键点击编辑器空白处,选择 "Run 'hello_world'"
  2. 在底部的 "Run" 窗口中,你应该能看到输出结果

步骤 5:安装第三方库

PyCharm 提供了便捷的库管理界面:

  1. 打开 "File" > "Settings"(Windows/Linux)或 "PyCharm" > "Preferences"(macOS)
  2. 进入 "Project: [项目名]" > "Python Interpreter"
  3. 点击 "+" 按钮
  4. 在搜索框中输入你需要的库名,例如 "numpy"
  5. 选择需要的库,点击 "Install Package"
  6. 等待安装完成,PyCharm 会自动更新项目环境

步骤 6:使用调试功能

PyCharm 的调试功能非常强大,可以帮助你快速定位和解决问题:

  1. 在代码行号旁边点击,设置断点
  2. 右键点击编辑器,选择 "Debug 'hello_world'"
  3. 程序会在断点处暂停,你可以查看变量值、执行下一步等操作
  4. 使用调试工具栏上的按钮控制调试流程

步骤 7:配置版本控制(可选)

如果你需要使用 Git 进行版本控制,可以在 PyCharm 中配置:

  1. 打开 "VCS" > "Get from Version Control"
  2. 输入 Git 仓库 URL,选择本地存储路径
  3. 点击 "Clone" 克隆仓库
  4. 使用 PyCharm 的 Git 集成功能进行代码提交、拉取等操作

通过以上步骤,你可以在 PyCharm 中搭建一个完整的 Python 开发环境,并开始高效地编写和调试 Python 程序。PyCharm 提供了丰富的功能和插件,可以进一步提升你的开发体验。

Read more

tmux_for_windows windows上面安装 git bash 2026年 正是专门为了解决“SSH 掉线后还能继续原来的会话”这个问题而设计的工具

tmux_for_windows tmux是一个开源工具,用于在一个终端窗口中运行多个终端会话。本工具从msys2里提取,可以在Git for Windows的Git Bash (MingW64)下正常使用。 蘭雅sRGB 龙芯小本服务器 | https://262235.xyz ##tmux(以及 screen)正是专门为了解决“SSH 掉线后还能继续原来的会话”这个问题而设计的工具。 简单来说: 工具SSH 掉线后还能连上原来的会话吗?说明普通 bash / zsh不能会话结束,进程收到 SIGHUP 信号,通常被杀死tmux能会话独立于 SSH 连接存在,掉线后可以随时重新 attachscreen能和 tmux 功能几乎一样,但 tmux 现在更流行、功能更强zellij能更现代的替代品,但普及度不如 tmux tmux 的典型用法(SSH 掉线后重连)

By Ne0inhk
DeerFlow 2.0开源

DeerFlow 2.0开源

目录 从研究工具到超级智能体 什么是 DeerFlow? 核心特性 技能系统 子智能体 沙盒与文件系统 上下文工程 长期记忆 技术架构 快速开始 推荐模型 应用场景 项目现状 总结 2026 年 2 月 28 日,一款来自字节跳动的开源项目登顶 GitHub Trending 榜首。 它叫 DeerFlow,一个超级智能体架构,短时间就拿了 2.2 万 Star。 说实话,刚看到这个项目的时候,我还有些疑惑——又一个 AI Agent 框架?但深入了解后,我发现这玩意儿确实不一样。 从研究工具到超级智能体 DeerFlow 的故事挺有意思。 最开始,它只是个深度研究框架。但开发者们把它用出了各种花样:构建数据管道、

By Ne0inhk
【Linux】从版本控制到代码调试:Git 入门与 GDB 调试器学习指南

【Linux】从版本控制到代码调试:Git 入门与 GDB 调试器学习指南

前言  作为 Linux 开发的 “左膀右臂”,Git 管版本、gdb 调程序 —— 前者搞定代码的迭代与协同,后者专治程序里的各种 “疑难杂症”。这篇博客就从 Git 的核心概念、基础操作,讲到 gdb 的调试指令,把这俩工具的高频用法讲透,帮你把开发效率直接拉满。 目录 一、Git 版本控制器 1.1 什么是 Git? 【问题】:什么是分布式? 【问题】:什么是集中式? 1.2 Git 核心概念  1.3 GitHub 与 Gitee 二、Git 基础操作 1. Git安装 2. 远程仓库与本地仓库联动(以

By Ne0inhk

清华智谱开源7440亿参数的智能体GLM-5

简介 我们正式推出GLM-5,面向复杂系统工程与长周期智能体任务。规模化仍然是提升通用人工智能(AGI)智能效能的最重要途径之一。相比GLM-4.5,GLM-5将参数量从3550亿(激活320亿)扩展至7440亿(激活400亿),预训练数据从23万亿token增至28.5万亿token。GLM-5还集成了深度求索稀疏注意力机制(DSA),在保持长上下文能力的同时大幅降低部署成本。 强化学习旨在弥合预训练模型"达标"与"卓越"之间的鸿沟。然而由于RL训练效率问题,在大语言模型中规模化部署面临挑战。为此我们开发了slime——创新的异步RL基础设施,显著提升训练吞吐效率,支持更精细化的训练后迭代。得益于预训练与训练后的双重突破,GLM-5在各类学术基准测试中较GLM-4.7实现显著提升,在推理、编程和智能体任务领域达到全球开源模型顶尖水平,进一步缩小与前沿模型的差距。 基准测试 GLM-5GLM-4.7DeepSeek-V3.2Kimi K2.5Claude Opus 4.5Gemini 3 ProGPT-5.2

By Ne0inhk