setup-llm-course-macos

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：

1. 环境配置已完成
2. 每次使用前需要先运行 conda activate llm-course 激活环境
3. 可以用 jupyter notebook 启动 Jupyter 来打开课程 .ipynb 文件
4. （Apple Silicon 用户）PyTorch 已支持 MPS 加速，课程代码会自动使用