AI编程

今日内容介绍

• AI编程概念
• AI编程工具
• Claude Code
• 项目实战

AI编程概念

本质：意图的编译。（vibe coding）

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：

编程语言发展历史：

#1.机器码（0/1）
通过设备的插拔来操作。

#2.汇编语言
A语言，通过指令来操作cpu。

#3.低级语言（面向过程）
C语言

#4.高级语言（面向对象）
Java、Python

#5.vibe coding（氛围编程）
2025年

AI编程工具

有哪些编程工具：

工具定位：

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。

建议Claude Code或者Cursor。

Claude Code介绍

Claude和Claude Code是一回事嘛？

不是。Claude是Anthropic公司推出来的一款大模型。而Claude Code是Anthropic公司推出来的一款AI编程工具。

ClaudCode概述

https://claude.com/product/claude-code

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

安装

安装环境

#1.安装Node.js
运行环境。电脑本身看不懂JS代码，必须安装这个"解释器"才能运行Claude Code。

#2.安装npm
下载工具。包管理工具，随着node.js下载一起附带的。

#3.安装Claude code
AI编程工具。我们要用的编程助手软件本身。

#4.安装git bash
git代码管理工具。可以通过claude Code帮我们把代码推送到github等git仓库中。

node.js介绍

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。

当然，资料中已经提前下载好了，直接安装即可。

node -v
npm -v

安装claudecode

#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

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

前面项目中用过git，应该都已经安装好了。

配置

配置deepseek模型

# 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

配置文件有2处需要修改：

其一：C:\Users\81196\.claude.json文件：

"hasCompletedOnboarding": true

其二：C:\Users\xxx\.claude\settings.json文件：

{
  "autoUpdatesChannel": "stable",
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "sk-cc66af9c235c4adsfa9d69fa6f3dde7",
    "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-chat",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-chat",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-chat",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1
  }
}

验证

# 1.如果项目在d盘就切到d盘
C:\Users\81196>d:

# 2.切到项目所在位置：
cd D:\coding\workspace1\claudecode

# 3.输入claude命令，并一直点回车
claude

# 4.在claude的命令行下输入需求，让claude帮我们干活。比如：
你是谁？
你能干什么？
...
其他问题

项目实战

实战一：点歌平台

#1.生成需求文档
使用Python写一个简单的点名系统。要求：
（1）随机点名，但是要尽量公平
（2）支持一次性随机多个
（3）能看到所有的点名历史纪录
（4）页面美观，观赏性强
（5）不需要登录功能，直接开始点名即可
（6）名单从金庸武侠小说中随机30个人。
（7）Python解释器使用

先基于上述需求，成一个需求文档：requirements.md

#2.生成最后代码
最后基于需求文档，生成最终的代码。

实战二：心血管疾病模型

初始化项目

【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)。
【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):D:\coding\workspace1\ai_code\aicodes
数据文件(DATA_PATH):D:\coding\workspace1\ai_code\data\心血管疾病.xlsx
配置文件 (ENV_PATH):D:\coding\workspace1\ai_code\.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

【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,D:\coding\workspace1\ai_code\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:\Programming\Anaconda3\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

参考效果如下：

模块2-高效心血管风险预测模型

【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:\Programming\Anaconda3\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

参考效果如下：

实战三：推送到gitee

#1.推送到git仓库
帮我把代码推送到gitee平台，仓库地址为：git@gitee.com:pydliyong2/hz4ai.git