ke jian

AI编程.md

@@ -0,0 +1,522 @@
+# AI编程
+
+## 学习目的
+
+1. 知道什么是核心编程
+2. 核心编程的工具
+3. 安装一款AI编程工具
+4. 使用AI编程完成一个示例
+
+飞书链接：https://uxtfmecm0c4.feishu.cn/wiki/N6jow3R4XiyKp0kGfuTcE1kHnFd   密码：7s436&55
+
+## 1. AI编程概念
+
+本质：意图的编译。
+
+概念：将自然语言/模糊需求/草图等通过LLM大模型编译成能够运行的软件产品。
+
+模型：
+
+![1766321630464](AI编程.assets/1766321630464.png)
+
+
+
+## 2. AI编程工具
+
+有哪些编程工具：
+
+![1766321711915](AI编程.assets/1766321711915.png)
+
+工具定位：
+
+![1766321727971](AI编程.assets/1766321727971.png)
+
+选用建议：
+
+1. 对于需要深入项目级重构、依赖多文件上下文且要求模型能力灵活切换的开发者，Cursor 提供了卓越的 AI驱动 IDE 体验。
+2. 对于处理超大型代码库、需要模型进行复杂架构推理的开发者，Claude Code 及其强大的上下文能力是最佳选择。
+3. 对于注重中文支持、国内生态和合规性的开发者，以 CodeBuddy、Comate 和通义灵码为代表的本土工具更具优势。
+
+## 3. Claude Code介绍
+
+### 3.1 ClaudCode概述
+Claude Code 是 Anthropic 专为软件开发人员和工程团队设计的一款 AI 驱动的编码工具，它将 Claude 的高级智能直接集成到终端和开发环境中。
+
+Claude是指Anthropic 这家公司训练的一系列基础模型。
+
+Anthropic 是一家专注于 AI 安全和研究 的人工智能公司。它由前 OpenAI 的研究人员创立，其核心使命是开发出安全、有用且可控的通用人工智能(AGI)。
+
+有哪些核心的模型，比如编程用Claude Sonnet
+
+![1766322032502](AI编程.assets/1766322032502.png)
+
+
+
+### 3.2 安装
+
+安装环境
+
+![1766324869600](AI编程.assets/1766324869600.png)
+
+还有一个:**安装git bash**
+
+
+
+node.js介绍
+
+![1766324861205](AI编程.assets/1766324861205.png)
+
+
+
+安装node.js
+
+node.js 下载地址:https://nodejs.org/en/download/
+
+下载.msi文件安装，并验证
+
+```bash
+node -v
+npm -v 
+```
+
+安装claudecode
+
+```bash
+#打开终端执行，以下是claudecode安装
+npm install -g @anthropic-ai/claude-code
+
+#claude-code版本验证
+claude --version
+```
+
+
+
+配置deepseek模型
+
+```bash
+# 设置 Deepseek 接地址
+setx ANTHROPIC_BASE_URL "https://api.deepseek.com/anthropic"
+
+# 设置认证 Key (请将 sk-xxxx 替换为你的真实的 Deepseek Key)
+Setx ANTHROPIC_AUTH_TOKEN "sk-xxxxx"
+
+# 设置超时时间(10分钟)
+Setx API_TIMEOUT_MS 600000
+
+# 指定模型
+setx ANTHROPIC_MODEL "deepseek-chat"
+Setx ANTHROPIC_SMALL_FAST_MODEL "deepseek-chat"
+
+#禁用非必要流量
+Setx CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC 1
+```
+
+
+
+安装git bash
+
+安装上git bash 才能使用claude命令，否则报错。
+
+安装并验证：https://git-scm.com/install/windows
+
+
+
+### 3.3 验证
+
+```bash
+# 如果项目在d盘就切到d盘
+C:\Users\13716>d:
+
+# 切到项目所在位置：
+cd C:\Users\13716\PycharmProjects\LlmProject\SmartVoyage1
+
+# 输入claude命令，并一直点回车
+claude
+
+测试：输入：总结下这个项目
+回复： 
+
+基于对项目的全面探索，以下是 SmartVoyage 智能旅行助手系统的详细总结：
+
+  📋 项目概述
+
+  SmartVoyage 是一个基于 Agent2Agent（A2A）架构 的智能旅行助手系统，采用多代理协同工作模式，为旅行者提供天气查询、票务查询、票务预定、景点推荐等一站式服务。
+
+  🏗️ 项目架构
+
+  系统架构
+
+  用户界面层 (UI Layer)
+      ├── Streamlit Web界面 (app.py)
+      └── 命令行交互界面 (main.py)
+
+  意图识别层 (Intent Recognition Layer)
+      └── LLM驱动的意图识别Agent
+
+  代理路由层 (Agent Routing Layer)
+      ├── WeatherQueryAssistant (天气查询代理)
+      ├── TicketQueryAssistant (票务查询代理)
+      └── TicketOrderAssistant (票务预定代理)
+
+  服务执行层 (Service Execution Layer)
+      ├── A2A代理服务器 (a2a_server/)
+      └── MCP服务器 (mcp_server/)
+
+  数据访问层 (Data Access Layer)
+      ├── MySQL数据库 (travel_rag)
+      └── 数据爬虫 (utils/spider_weather.py)
+
+  核心组件
+
+  | 组件                  | 端口 | 功能描述                                     |
+  |-----------------------|------|----------------------------------------------|
+  | WeatherQueryAssistant | 5005 | 天气查询代理，调用MCP天气服务器              |
+  | TicketQueryAssistant  | 5006 | 票务查询代理，支持火车、飞机、演唱会票查询   |
+  | TicketOrderAssistant  | 5007 | 票务预定代理                                 |
+  | MCP天气服务器         | 8002 | 提供天气数据查询的Model Context Protocol服务 |
+  | MCP票务服务器         | 8003 | 提供票务数据查询的MCP服务                    |
+  | MCP订单服务器         | 8004 | 提供票务预定服务的MCP服务                    |
+
+  🔧 技术栈
+
+  编程语言与框架
+
+  - Python 3.x - 主要开发语言
+  - Agent2Agent（A2A） - 代理间通信框架 (python_a2a)
+  - LangChain - LLM应用框架 (langchain_openai, langchain_core)
+  - Model Context Protocol（MCP） - 工具调用协议 (mcp)
+  - Streamlit - Web应用框架
+  - MySQL - 关系型数据库 (mysql-connector-python)
+
+  数据库设计
+
+  数据库 travel_rag 包含4张核心表：
+  1. weather_data - 天气数据表（城市、日期、温度、湿度、降水等）
+  2. train_tickets - 火车票信息表
+  3. flight_tickets - 航班机票信息表
+  4. concert_tickets - 演唱会票信息表
+
+  第三方服务
+
+  - LLM API: 硅基流动API（Qwen2.5-72B-Instruct模型）
+  - 天气API: 和风天气API（通过爬虫定时获取）
+
+  🎯 核心功能
+
+  1. 意图识别与路由
+
+  - 支持的意图类型：
+    - weather - 天气查询（如"合肥2025-12-03天气怎么样"）
+    - flight - 机票查询
+    - train - 火车票查询
+    - concert - 演唱会票查询
+    - order - 票务预定
+    - attraction - 景点推荐
+  - 多意图识别：支持单查询中的多个意图识别
+  - 智能追问：当信息不全时自动追问必要参数
+
+  2. 多代理协同工作流
+
+  用户输入 → 意图识别Agent → 路由决策 → 目标代理 → MCP工具调用 → 数据库查询 → 结果总结 → 用户响应
+
+  3. 天气服务模块
+
+  - 定时爬取北京、上海、广州、深圳的天气数据
+  - 支持单日查询和日期范围查询
+  - 返回温度、湿度、风向、降水等详细信息
+
+  4. 票务服务模块
+
+  - 火车票查询：出发/到达城市、时间、车次、座位、价格
+  - 机票查询：航班信息、舱位类型、剩余座位
+  - 演唱会票查询：艺人、城市、场馆、票类型
+  - 预定功能：模拟票务预定流程
+
+  5. 用户界面
+
+  - Streamlit Web界面：两栏布局（左侧对话，右侧Agent卡片）
+  - 命令行界面：交互式终端版本
+  - Agent卡片显示：展示代理的技能、描述、地址和状态
+
+  6. 数据处理与日志
+
+  - 数据爬虫：utils/spider_weather.py 定时获取天气数据
+  - 数据格式化：utils/format.py 处理日期、Decimal等特殊类型
+  - 统一日志：logs/app.log 记录系统运行状态
+
+  📁 目录结构详解
+
+  SmartVoyage1/
+  ├── a2a_server/          # A2A代理服务器
+  │   ├── weather_server.py    # 天气查询代理（端口5005）
+  │   ├── ticket_server.py     # 票务查询代理（端口5006）
+  │   └── order_server.py      # 票务预定代理（端口5007）
+  ├── mcp_server/          # MCP协议服务器
+  │   ├── mcp_weather_server.py    # 天气MCP服务（端口8002）
+  │   ├── mcp_ticket_server.py     # 票务MCP服务（端口8003）
+  │   └── mcp_order_server.py      # 订单MCP服务（端口8004）
+  ├── data/                # 数据文件
+  │   └── weather_data.json    # 天气数据缓存
+  ├── sql/                 # 数据库脚本
+  │   ├── sql.sql         # 表结构定义
+  │   └── insert_data.sql # 示例数据
+  ├── test/               # 测试文件
+  ├── utils/              # 工具函数
+  │   ├── spider_weather.py   # 天气爬虫
+  │   └── format.py       # 数据格式化
+  ├── app.py              # Streamlit Web应用
+  ├── main.py             # 命令行主程序
+  ├── config.py           # 配置文件（API密钥、数据库等）
+  ├── main_prompts.py     # 提示词模板
+  └── create_logger.py    # 日志配置
+
+  🚀 系统特色
+
+  1. 现代代理架构：采用A2A代理框架，实现代理间的标准化通信
+  2. MCP协议集成：通过Model Context Protocol提供工具调用能力
+  3. 双界面支持：同时提供Web界面和命令行界面
+  4. 可扩展设计：模块化设计便于添加新的代理和服务
+  5. 完整的日志系统：详细记录系统运行状态和错误信息
+
+  🎓 教育价值
+
+  该项目展示了：
+  - Agent2Agent代理架构的实际应用
+  - MCP协议在工具调用中的使用
+  - 基于LLM的意图识别和自然语言理解
+  - 多模块协同的完整AI系统设计
+  - 生产级代码的日志、配置和错误处理
+
+  🔍 典型使用场景
+
+  # 启动所有服务后，用户可查询：
+  1. "合肥2025-12-03天气怎么样"     → 天气查询
+  2. "合肥到上海的火车票，时间2025-12-03" → 火车票查询
+  3. "给我推荐一些合肥的著名景点"   → 景点推荐
+  4. "预定G1001车次的二等座一张"    → 票务预定
+
+  📝 总结
+
+  SmartVoyage 是一个完整的、生产可用的智能旅行助手系统，它结合了：
+  - 前沿的AI代理技术（A2A + MCP）
+  - 实用的业务功能（天气、票务、推荐）
+  - 良好的工程实践（模块化、日志、配置管理）
+  - 灵活的用户界面（Web + CLI）
+
+  该项目非常适合作为AI代理系统学习的参考案例，展示了如何将多个AI代理、LLM能力和传统业务系统有效整合。
+
+  ---
+  最后标记总结任务完成<｜end▁of▁thinking｜>
+
+```
+
+
+
+看是否可以编写文件：
+
+```bash
+编写一个测试 C:\Users\13716\PycharmProjects\LlmProject\SmartVoyage1\a2a_server\order_server.py
+的脚本，放到test下面，名称为 claude_test.py
+```
+
+
+
+```
+
+
+```
+
+
+
+### 3.4 编程实战
+
+第一步注册：
+
+- git地址：http://82.156.249.211:3000/student03
+
+- 注册用户名zzs123
+
+- 注册邮箱137.。。。。@163.com
+
+- 注册密码 zzs123123
+
+
+
+第二步配置密钥：
+
+- git bash打开
+
+- 输入：ssh-keygen -t ed25519 -C"137.。。。。@163.com"  创建密匙
+
+- 一直点enter
+
+- ~~~
+  启动ssh代理并添加私钥
+  eval "$(ssh-agent -s)"
+  ssh-add ~/.ssh/id_ed25519
+  cat ~/.ssh/id_ed25519.pub
+  
+  ~~~
+
+- 打开gitea设置 增加密钥
+
+- 将密钥加入进去，名称选邮箱名称，添加
+
+
+
+第二步git创建项目：
+
+- 点左上角绿色标
+
+- 仓库 点 + 号 创建项目，输入名称即可
+
+- 在git bash 中 用这个创建第一个文件并上传
+
+```bash
+git clone http://82.156.249.211:3000/zzs123/zzs_test.git
+cd zzs_test/
+
+
+
+touch README.md
+git init
+git checkout -b main
+git add README.md
+git commit -m "first commit"
+
+报错的话就输入以下：
+git config --global user.email "1371dd441@163.com"
+git config --global user.name "zzs123"
+
+在提交
+git commit -m "first commit "
+
+git remote add origin http://82.156.249.211:3000/zzs123/zzs_test2.git
+git push -u origin main
+
+
+
+```
+
+
+
+~~~shell
+请基于当前目录下 C:\Users\13716\PycharmProjects\zzs_test 进行克隆代码，并基于C:\Users\13716\PycharmProjects\zzs_test 开发及提交要求.txt进行完成开发及提交，我是zzs123，注意测试验证时候我这边是中文注意字符编码或者采用英文query测试。
+
+git clone ssh://git@82.156.249.211:2222/zzs123/zzs_test.git
+
+我的deepseek账号信息,采用from dotenv import load_dotenv进行加载
+DEEPSEEK_API_KEY1=skf001b5c30f294963b3906038239e41ea
+base_url1=https://api.deepseek.com/v1
+
+我的本地python解释器为: C:\Users\13716\.conda\envs\llm_env\python.exe
+~~~
+
+
+
+
+
+## 4. 项目实战
+
+初始化项目：
+
+~~~YAML
+【项目总览】 本项目目标是构建一个名为 CardioAI-心血管疾病智能辅助系统的多模块应用，集成了数据可视化(Streamlit)、机器学习预测(XGBoost/Flask)和AI语音问答(DeepSeek/cosyVoice)。
+【本地环境与文件路径约束】 请严格遵守以下文件路径和文件引用，它们是用户本地环境的绝对路径:
+代码根目录(CODE_ROOT):C:\Users\13716\PycharmProjects\ai_coding\aicodes
+数据文件(DATA_PATH):C:\Users\13716\PycharmProjects\ai_coding\data\心血管疾病.xlsx
+配置文件 (ENV_PATH):C:\Users\13716\PycharmProjects\ai_coding\.env
+【指令:项目初始化与环境配置】
+Conda 环境说明:
+请在 requirements.txt 文件前添加注释，指导用户创建并激活名为 cardioenv 的 conda 虚拟环境。
+用户执行示例(非代码生成部分):conda create -n cardioenv python=3.10 和 conda activate
+cardioenv。
+创建目录结构:
+在 CODE_ROOT 下创建以下目录:data(如果不存在)，module1_dashboard, module2_predictor, module3_voice_assistant, module2_predictor/templates, module3_voice_assistant/templates。
+生成 requirements.txt:
+CODE_ROOT 下生成requirements.txt 文件，包含以下所有依赖:pandas,openpyxl,numpy,scikit-learn, xgboost, joblib, streamlit, plotly, Flask, python-dotenv, langchain-openai,
+dashscope, requests。
+~~~
+
+
+
+模块1 交互式仪表盘
+
+~~~yaml
+【核心产出】module1_dashboard/cardio_dashboard.py
+【任务要求】生成一个streamlit应用程序，用于对 DATA_PATH 的数据进行清洗、特征工程和交互式可视化。
+数据处理:
+加载: 使用 DATA_PATH 加载数据,C:\Users\13716\PycharmProjects\ai_coding\data\心血管疾病.xlsx，注意数据格式excel表格和编码。
+特征工程:将age(天)转换为年(age_years，四舍五入)。计算BMI($BMI=\frac{weight}
+{(height/100)^2}$).
+异常值处理:删除舒张压(ap_1o)$\geq$ 收缩压(ap_hi)的记录。删除血压极端异常值(收缩压$\in[90,250]$,舒张压$\in[60,150]$)。
+类别转换:将 cholestero1 和 gluc 数值转换为描述性字符串。创建 bmi_category。
+性能优化: 对数据加载和清洗函数使用@st.cache_data装饰器。
+Streamlit 界面:
+侧边栏:包含 age_years范围滑块、gender 和 cardio 的多选框筛选器。
+主页展示:展示筛选后的总记录数和心血管疾病总风险率。
+图表(Plotly Express):绘制 age_years 分布直方图(按cardio 区分)和 bmi_category对 cardio影响的堆叠柱状图。
+
+ C:\Users\13716\.conda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器!虚拟环境是cardioenv
+
+~~~
+
+
+
+模块2 高效心血管风险预测模型
+
+~~~yaml
+【核心产出】module2_predictor/train_and_save.py (一次性脚本), module2_predictor/cardio_predictor_model.pkl, module2_predictor/app.py, module2_predictor/templates/index.html
+【任务要求】
+
+Part A:模型训练与保存
+
+生成独立脚本 module2_predictor/train_and_save.py:
+执行与模块1相同的清洗和特征工程。删除id和原始 age字段。
+构建 Pipeline:使用 ColumnTransformer 封装StandardScaler(用于连续特征)和 OneHotEncoder (用于分类特征)。
+训练XGBClassifier模型。
+使用joblib 将包含 预处理器和分类器的完整Pipeline 对象保存到 module2_predictor/cardio_predictor_model.pkl。
+
+Part B:Flask API 部署
+
+生成后端应用 module2_predictor/app.py (Flask):
+创建/predict_cardio API接口,接收11个原始特征值的JSON PosT 请求。
+在接口内部:加载模型，使用保存的 Pipeline 对输入数据进行预处理，然后预测。
+返回JsoN响应，包含预测的疾病概率(probability)和预测结果(prediction:0或1)。
+
+Part C:前端交互界面
+
+生成前端模板 module2_predictor/templates/index.html:
+创建一个包含 11 个输入字段的 HTML 表单。
+使用 Javascript/Fetch API 调用/predict_cardio接口，并将返回的风险概率和结果清晰地展示给用户。
+
+启动方式:bat
+不要创建bat文件进行启动 给出对应的命令手动启动即可
+
+C:\Users\13716\.conda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器!虚拟环境是cardioenv
+~~~
+
+
+
+模块3:VoiceDoc -AI驱动的心血管健康语音顾问
+
+~~~
+【核心产出】 module3_voice_assistant/voice_assistant_app.py, module3_voice_assistant/templates/voice_index.html
+【任务要求】 构建一个 F1ask API，实现 Deepseek 问答和大模型的文字回答到CosyVoice语音的同步转换和
+Base64 编码。
+后端生成 module3_voice_assistant/voice_assistant_app.py (Flask):
+初始化:使用 python-dotenv 从 ENV_PATH 加载所有 API Key。
+Deepseek 逻辑:使用1angchain-openai.ChatopenAI 连接 Deepseek API(使用环境变量)。设置 SystemPrompt 为"专业心血管健康顾问"。
+CosyVoice逻辑:使用 dashscope.audio.tts_v2,模型 cosyvoice-v2,音色 longxiaochun_v2。采用同步调用(SpeechSynthesizer.call)，指定 MP3 格式(AudioFormat.MP3_22050HZ_MONO_256KBPS)。
+编码与返回:将 LLM的完整文字回答合成为音频，使用base64.b64encode编码。返回JsoN:
+{"text_answer":"...", "audio_base64":"..."}。
+前端生成 module3_voice_assistant/templates/voice_index.html:
+包含用户输入框和提交按钮。
+JavaScript 必须能够接收 Base64音频，构造 data:audio/mp3;base64,...URL,并使用 HTML5<audio>标签自动播放音频，并显示文字回答。
+参考开发文档:C:\Users\13716\PycharmProjects\ai_coding\aicodes\语音合成cosyVoice.md 与 C:\Users\13716\PycharmProjects\ai_coding\aicodes\llm_streaming.py
+
+C:\Users\13716\.conda\envs\cardioenv\python.exe 解释器 这是当前整个项目的解释器!虚拟环境是cardioenv
+接下来请完成模块3
+
+~~~
+