| name | setup-llm-course-macos |
| description | 在 macOS 系统上为大模型课程自动配置 conda 虚拟环境并安装所有 Python 依赖包。支持 Intel 和 Apple Silicon (M1/M2/M3/M4) 芯片。当用户在 macOS 上需要配置 AI 课程环境、创建 conda 环境、安装 PyTorch/transformers/openai 等深度学习和大模型相关依赖时使用此技能。前提条件是用户已安装好 Miniconda 或 Anaconda。 |
macOS 大模型课程环境配置
描述
本技能用于在 macOS 系统上自动配置大模型课程所需的完整 Python 开发环境。包括检测芯片类型、创建 conda 虚拟环境、配置国内镜像源、安装 PyTorch（支持 Apple Silicon MPS 加速）及所有课程依赖包，并验证安装结果。
使用场景
- 用户请求在 macOS 上配置大模型/AI 课程的 Python 环境
- 用户需要创建 conda 虚拟环境并安装深度学习相关依赖
- 用户提到需要安装 transformers、openai、PyTorch 等课程所需的包
- 用户说"配置环境"、"安装依赖"、"准备课程环境"等
前提条件
- macOS 10.15+（推荐 macOS 12+）
- 已安装 Miniconda 或 Anaconda（本技能不包含 Miniconda 的下载和安装）
如果用户尚未安装 Miniconda，请告知用户需要先下载安装 Miniconda，然后再使用本技能。
指令
按以下步骤顺序执行。每一步执行后检查输出，确认成功后再继续下一步。
步骤 1：检测芯片类型
uname -m
- 输出
arm64 → Apple Silicon (M1/M2/M3/M4)
- 输出
x86_64 → Intel Mac
记住芯片类型，后续安装 PyTorch 时会用到。
步骤 2：验证 conda 可用
conda --version
如果输出版本号（如 conda 24.x.x），继续下一步。
如果提示 command not found，尝试初始化：
~/miniconda3/bin/conda init zsh
source ~/.zshrc
步骤 3：配置国内镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
步骤 4：创建课程专用虚拟环境
conda create -n llm-course python=3.10 -y
步骤 5：激活环境
conda activate llm-course
确认命令行前缀变为 (llm-course)。
步骤 6：安装 PyTorch
pip install torch torchvision torchaudio
在 Apple Silicon Mac 上，PyTorch 会自动支持 MPS (Metal Performance Shaders) 加速。
步骤 7：安装课程全部依赖包
pip install "numpy>=1.24.0" "matplotlib>=3.7.0" "seaborn>=0.12.2" "pandas>=2.0.0" "scikit-learn>=1.3.0" "tqdm>=4.66.0" "requests>=2.31.0" "openai>=1.0.0" "tiktoken>=0.5.0" "transformers>=4.36.0" "accelerate>=0.25.0" "sentence-transformers>=2.2.0" "peft>=0.7.0" "trl>=0.7.0" "datasets>=2.16.0" "jupyter>=1.0.0" "ipywidgets>=8.0.0"
如果某个包安装失败，单独重试该包。
步骤 8：验证安装
创建并运行以下 Python 验证脚本：
import sys, platform
print(f"系统: {platform.system()} {platform.machine()}")
print(f"Python: {sys.version}")
packages = {
"numpy": "numpy",
"matplotlib": "matplotlib",
"seaborn": "seaborn",
"pandas": "pandas",
"scikit-learn": "sklearn",
"torch": "torch",
"openai": "openai",
"tiktoken": "tiktoken",
"transformers": "transformers",
"accelerate": "accelerate",
"sentence-transformers": "sentence_transformers",
"peft": "peft",
"trl": "trl",
"datasets": "datasets",
"tqdm": "tqdm",
"requests": "requests",
"jupyter": "jupyter",
"ipywidgets": "ipywidgets",
}
failed = []
for name, module in packages.items():
try:
m = __import__(module)
ver = getattr(m, "__version__", "ok")
()
ImportError:
failed.append(name)
()
failed:
()
:
()
platform.machine() == :
torch
()
如果有包未安装成功，单独使用 pip install 重新安装失败的包。
如果是 Apple Silicon 但 MPS 不可用，确认 Trae 没有以 Rosetta 模式运行（uname -m 应输出 arm64）。
步骤 9：配置 API Key（可选）
询问用户是否已有阿里百炼 DashScope API Key。
如果有，帮助设置环境变量：
echo 'export DASHSCOPE_API_KEY="用户提供的key"' >> ~/.zshrc
source ~/.zshrc
提示用户重启 Trae 使环境变量生效。
如果没有，告知用户可以在 https://dashscope.console.aliyun.com/ 申请，课前准备好即可。
完成
告知用户：
- 环境配置已完成
- 每次使用前需要先运行
conda activate llm-course 激活环境
- 可以用
jupyter notebook 启动 Jupyter 来打开课程 .ipynb 文件
- （Apple Silicon 用户）PyTorch 已支持 MPS 加速，课程代码会自动使用
