第2章 环境搭建

▶

📢 本章语音导览

🖼️ 查看课件 →

第2章 环境搭建：AI IDE与开发协作基础

AI IDE生态全景

AI IDE 三阶段演进示意（自制）

从传统IDE到AI IDE的演进

集成开发环境（IDE）是程序员的核心工作工具。回顾IDE的发展历程，可以大致分为三个阶段：

第一阶段：编辑器时代（1980s—2000s）。以Vim、Emacs为代表，程序员需要手动配置语法高亮、编译命令和调试流程，学习曲线陡峭但高度可定制。

第二阶段：传统IDE时代（2000s—2022）。以Eclipse、Visual Studio、IntelliJ IDEA为代表，IDE集成了代码补全、语法检查、调试器、版本控制等功能，极大提升了开发效率。但这一阶段的代码补全本质上是基于规则的模式匹配------它只能根据已输入的字符推测可能的补全项，无法理解代码的语义和上下文。

第三阶段：AI IDE时代（2023至今）。大语言模型（LLM）的突破催生了全新的IDE形态------AI IDE。与传统IDE的根本区别在于：AI IDE内嵌了具有代码理解能力的大模型，不仅能补全代码，还能理解需求、生成项目、调试错误、重构代码。AI IDE将程序员的角色从”逐行编写代码”转变为”描述需求+审核AI产出”，开发范式发生了根本性变革。

::: theorybox

• 2021年，GitHub Copilot发布，开创了AI代码补全的先河，但它只是一个插件，仍需依附于传统编辑器
• 2023年，Cursor推出，首次将AI作为IDE的核心交互范式，而非附属功能
• 2024—2025年，TRAE、Qoder、Windsurf等产品涌现，AI IDE进入百花齐放阶段
• 2025—2026年，MCP协议和Skill体系成熟，AI IDE从”代码助手”升级为”全栈开发伙伴”

核心趋势：AI IDE的定位正在从辅助工具转向协作伙伴------AI不仅能写代码，还能操作文件系统、调用外部工具、执行测试、部署项目。 :::

主流AI IDE对比

当前市场上的AI IDE产品众多，以下从金融专业学生和研究者的实际需求出发，对五款主流产品进行对比分析：

对比维度 TRAE Qoder Cursor CodeBuddy Windsurf

---

模型支持 豆包系列 通义+Claude Claude+GPT 腾讯混元 Claude+GPT MCP支持 支持 支持 支持 支持 支持 Skill支持 有限 丰富 有限 丰富(CNB) 有限 定价 免费 付费 付费 试用后付费 付费 中文支持 优秀 优秀 一般 优秀 一般 Agent能力 Builder/SOLO Builder/SOLO Agent Builder Cascade 国内访问 直接 直接 需加速 直接 需加速

: 主流AI IDE对比（2026年6月）

::: notebox Cursor和Windsurf的服务器位于海外，直接访问可能较慢或不稳定。如需使用，建议配置网络加速工具。TRAE、Qoder和CodeBuddy均为国内厂商出品，访问速度快且无需额外配置。 :::

::: notebox

• TRAE（字节跳动）：https://www.trae.cn/ide/download
• Qoder（阿里云）：https://qoder.com/zh/download
• CodeBuddy（腾讯云）：https://www.codebuddy.cn/ide/ :::

选型建议

不同用户群体的需求差异较大，以下是针对性建议：

用户类型 核心需求 推荐方案 理由

---

学生 / 初学者 免费易上手 TRAE（首选） 免费、中文友好、Builder模式零门槛 研究者 论文写作+数据分析 Qoder或TRAE Skill生态丰富，支持学术写作链路 企业开发者 稳定可控 Cursor或Qoder 成熟Agent能力，企业级安全合规

::: practicebox 本课程以TRAE为主要教学IDE，原因是：（1）完全免费；（2）中文界面友好；（3）Builder和SOLO模式适合教学演示。如果你更习惯其他AI IDE，核心概念和操作逻辑是相通的，可自行替换。 :::

Python数据科学环境配置

Python是金融数据科学的基石语言。本节介绍四种环境配置方案，并提供金融专业的完整库安装指南。

四方案对比与安装

根据你的需求和电脑环境，以下提供四种配置方案：

方案一：Anaconda（推荐数据科学方向）

下载 Anaconda，安装时勾选 “Add Anaconda to PATH”。安装后在终端验证：

python --version   # >= 3.10
node --version     # >= v20
git --version

优点：预装 pandas、numpy、scikit-learn 等科学计算库；可视化环境管理界面。 缺点：安装包较大（约 800MB），部分包更新略慢于 pip。

方案二：Miniconda（轻量推荐）

如果不需要完整 Anaconda 的庞大库，可选 Miniconda：

# 安装后创建课程专用环境
conda create -n smartbanking python=3.11
conda activate smartbanking

# 安装常用依赖
conda install pandas numpy openpyxl
pip install pypdf flask scikit-learn

优点：最小化安装（约 50MB），灵活创建多环境。 缺点：仍需额外安装部分 Python 包。

方案三：venv（Python 内置，简单轻量）

# 官方下载：https://www.python.org/downloads/
# 安装时勾选 "Add Python to PATH"

# 创建虚拟环境（推荐命名 .venv）
python -m venv .venv

# Windows 激活
.venv\Scripts\Activate.ps1    # PowerShell
.venv\Scripts\activate.bat    # CMD

# macOS / Linux 激活
source .venv/bin/activate

# 安装课程所需依赖
pip install flask pandas openpyxl pypdf scikit-learn

优点：无需额外安装，Python 3.3+ 内置；轻量简单。 缺点：不能管理多个 Python 版本，需先安装目标版本 Python。

方案四：pyenv + venv（多版本管理，推荐进阶用户）

macOS / Linux 下可用 pyenv 管理多个 Python 版本：

# macOS 安装
brew install pyenv

# Linux 安装
curl https://pyenv.run | bash

# 配置 ~/.zshrc 或 ~/.bashrc
export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init --path)"

# 安装多个 Python 版本
pyenv install 3.10.12
pyenv install 3.11.8

# 项目本地指定版本
cd your-project
pyenv local 3.11.8
python -m venv .venv
source .venv/bin/activate

优点：完美支持多版本 Python 共存；项目级自动切换。 缺点：需要配置 shell；仅管理 Python 本身。

选型建议：

场景 推荐方案

---

初学者 / 快速上手 Anaconda 磁盘空间有限 / 多项目 Miniconda 简单项目 / 不想额外装软件 venv 多版本 Python 开发 pyenv + venv

环境验证（通用）

无论选择哪种方式，安装完成后在终端验证：

python --version   # >= 3.10
node --version     # >= v20
git --version
pip --version

金融Python库全景图

金融数据科学的工作流通常包括数据获取→数据处理→建模分析→可视化呈现四个环节。以下按环节梳理核心Python库：

::: theorybox 金融数据科学的核心工作流可概括为：

1. 数据获取：从API、数据库或文件中获取原始数据
2. 数据处理：清洗、转换、合并、特征工程
3. 建模分析：统计分析、机器学习、深度学习
4. 可视化呈现：图表、仪表盘、报告

每个环节都有专门的Python库支撑，选择合适的工具链是高效工作的前提。 :::

数据获取库

库名 数据源 说明

---

tushare A股、基金、期货 国内最流行的金融数据接口，需注册获取Token akshare A股、宏观数据、另类数据 开源免费，覆盖面广，适合学术研究 yfinance 美股、全球市场 Yahoo Finance数据接口，海外市场首选 pandas-datareader FRED、World Bank 宏观经济数据，国际比较研究必备

数据分析库

库名 定位 说明

---

pandas 数据处理框架 DataFrame数据结构，金融数据处理的基石 numpy 数值计算 高性能数组运算，pandas的底层引擎 scipy 科学计算 优化、插值、统计检验等高级数学运算 statsmodels 统计建模 回归分析、时间序列、假设检验，计量经济学核心库

机器学习与深度学习库

库名 定位 说明

---

scikit-learn 通用机器学习 分类、回归、聚类、降维，金融风控建模首选 xgboost 梯度提升树 表格数据竞赛之王，信用评分模型常用 lightgbm 轻量梯度提升 训练速度更快，内存更省，适合大规模数据 pytorch 深度学习框架 灵活动态图，LSTM/Transformer等金融序列模型首选 tensorflow 深度学习框架 工业部署成熟，本课程仅简要提及

可视化库

库名 定位 说明

---

matplotlib 基础绑图 Python可视化基石，高度可定制但代码较繁琐 seaborn 统计可视化 基于matplotlib的高级接口，一行代码出美观统计图 plotly 交互可视化 支持缩放/悬停/筛选，适合探索性数据分析

金融专用库

库名 定位 说明

---

QuantLib 量化金融 定价、风险管理、利率建模，C++底层Python封装 zipline 回测框架 量化策略回测，Quantopian开源项目 backtrader 回测框架 轻量灵活，支持实盘交易接口

::: practicebox 以下是一键安装命令，覆盖本课程全部实验所需库：

# 数据获取
pip install tushare akshare yfinance pandas-datareader

# 数据分析（Anaconda已含pandas/numpy/scipy）
pip install statsmodels openpyxl pypdf

# 机器学习（Anaconda已含scikit-learn）
pip install xgboost lightgbm

# 可视化（Anaconda已含matplotlib/seaborn）
pip install plotly

# 金融专用（可选，按需安装）
pip install QuantLib-Python zipline-reloaded backtrader

# Web开发（实验三、四必装）
pip install flask

# MCP工具链（实验二必装）
pip install uv

加速提示：国内用户建议使用清华镜像源加速下载：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \
  tushare akshare statsmodels xgboost lightgbm plotly flask

:::

Node.js与前端工具链

为什么金融专业需要Node.js

许多金融专业同学会问：我主要用Python做数据分析，为什么还需要装Node.js？原因有三：

1. MCP工具链的运行基础：本课程实验二将深入使用的MCP（Model Context Protocol）服务器，大多以Node.js包形式发布。例如文件操作、浏览器控制、Office文档处理等MCP工具，都需要通过Node.js运行。
2. AI IDE的插件生态：TRAE、Qoder等AI IDE的Skill和扩展机制基于Node.js生态，npm install是安装AI增强功能的通用方式。
3. 前端可视化：金融仪表盘、交互式图表、Web应用等前端项目需要Node.js作为开发服务器和构建工具。

简而言之，Python是你的”数据分析引擎”，而Node.js是你的”AI工具基础设施”。

安装步骤

Node.js 是所有 AI CLI 工具的运行基础，也是本课程后续实验的必备依赖。

Windows 安装步骤

# 方式一：winget（Windows 10/11 自带，推荐）
winget install --id OpenJS.NodeJS.LTS -e --source winget

# 方式二：官网下载安装包
# 访问 https://nodejs.org/ 下载 LTS 版本

macOS 安装步骤

# 方式一：Homebrew（推荐）
brew install node

# 方式二：官网下载 .pkg 安装包
# 访问 https://nodejs.org/ 下载 macOS 版 LTS

# 验证
node --version   # 应输出 v22.x.x 或 v24.x.x
npm --version    # 应输出 10.x.x 或更高

::: notebox 不要选 “Current” 版本（不稳定），始终选 LTS（长期支持版）。LTS版本每两年发布一次，享有30个月的维护保障。 :::

npm / npx / pnpm 区别

Node.js生态中有三个常用的包管理命令，初学者容易混淆：

命令 功能 典型用法

---

npm Node.js默认包管理器 npm install -g @cnbcool/cnb-cli（全局安装CNB CLI） npx 一次性执行远程包 npx skills add ...（临时下载并运行，不污染全局） pnpm 高效包管理器 pnpm install（硬链接去重，节省磁盘空间）

::: notebox npm install = 安装到本地；npm install -g = 安装到全局；npx = 临时下载运行一次；pnpm = 更快的npm替代品。本课程主要使用npm和npx。 :::

Git版本控制与CNB云平台

Git基础概念

Git是分布式版本控制系统的事实标准。理解Git的核心概念是高效使用它的前提。

:::: theorybox ::: description 项目的数据库，存储所有文件的完整历史记录。分为本地仓库和远程仓库。

介于工作目录和仓库之间的缓冲区。用git add将修改放入暂存区，用git commit将暂存区的内容正式提交到仓库。

仓库中的一次快照。每个提交有唯一的哈希ID，包含作者、时间、提交信息。

独立的开发线。默认分支为main，可以创建新分支进行实验性开发，完成后合并回主分支。 :::

Git的典型工作流：修改文件 → git add（暂存）→ git commit（提交）→ git push（推送到远程）。 ::::

Git安装

Windows

# 方式一：winget（推荐）
winget install --id Git.Git -e --source winget

# 方式二：官网下载
# https://git-scm.com/download/win

macOS

# 方式一：Homebrew（推荐）
brew install git

# 方式二：首次在终端运行 git 命令时，
#       macOS 会自动提示安装 Xcode Command Line Tools（含 Git）

# 验证（通用）
git --version   # 应输出 git version 2.x.x

安装完成后，配置全局用户信息：

git config --global user.name "你的姓名"
git config --global user.email "你的邮箱@example.com"

金融项目的版本控制最佳实践

金融项目通常涉及数据文件、模型代码和分析报告，版本控制有其特殊性：

::: warningbox 金融数据文件（.xlsx、.csv、.db）通常体积较大且可能包含敏感信息，不建议直接提交到Git仓库。正确做法是：

1. 将数据文件放入data/目录，并在.gitignore中排除
2. 在README中说明数据来源和获取方式
3. 使用小规模样例数据进行版本控制（如data/sample/） :::

金融项目推荐的.gitignore模板：

# === Python ===__pycache__/
*.pyc
.venv/
*.egg-info/

# === 数据文件（敏感/大文件）===
data/raw/
data/*.xlsx
data/*.csv
!data/sample/

# === Jupyter Notebook ===
.ipynb_checkpoints/

# === 模型文件 ===
models/*.pkl
models/*.h5

# === LaTeX 临时文件 ===
*.aux
*.log
*.out
*.bbl
*.bcf
*.blg
*.run.xml
*.toc
*.lof
*.lot

# === 系统文件 ===
.DS_Store
Thumbs.db
*.lock
node_modules/

CNB云开发平台配置

CNB（CodeNotebook，https://cnb.cool）是国内领先的云原生代码托管与开发平台，提供 Git 代码托管、CI/CD 流水线、AI 辅助编程等功能。相比 GitHub，CNB 具有国内访问速度快、中文界面友好、集成 AI Skill 等优势。

注册与配置

1. 访问 https://cnb.cool，使用微信扫码注册/登录

2. 登录后进入个人设置，创建访问令牌（Access Token）：

   • 进入「设置」→「访问令牌」→「创建新令牌」
   • 勾选 repo-code:rw 权限
   • 记录生成的 Token（仅显示一次）

安装 CNB CLI 和 Skills

# 安装 CNB CLI（全局）
npm install @cnbcool/cnb-cli -g

# 安装 Skills 工具（AI 增强功能）
npm install skills -g

# 添加 CNB Skill（增强 IDE 中的 AI 功能）
npx skills add https://cnb.cool/cnb/skills/cnb-skill.git --agent codebuddy -y --copy

验证安装

cnb --version
skills list

安装成功后会显示已安装的技能列表，包括：cnb-api、cnb-code-commit、cnb-code-review、cnb-docs、cnb-pr-summary 等。

::: notebox CNB兼容Git协议，可以与GitHub互操作。你可以将CNB视为”国内版GitHub”，核心操作（clone/push/pull/pull request）的逻辑完全一致。本课程选择CNB是因为其国内访问速度快、与AI Skill深度集成。 :::

LaTeX学术排版环境

为什么金融专业需要LaTeX

在金融学术界，LaTeX是论文写作的事实标准。掌握LaTeX对金融专业学生有三重价值：

1. 学术论文：国内外顶级金融期刊（如Journal of Finance、《经济研究》、《金融研究》）均要求或推荐LaTeX投稿。LaTeX的公式排版、参考文献管理、交叉引用等功能远超Word。
2. 基金申请：国家自然科学基金（NSFC）的申请书模板即基于LaTeX，掌握LaTeX可以大幅提升基金写作效率。
3. 实验报告：本课程的实验报告推荐使用LaTeX排版，培养学术写作的规范性习惯。

::: theorybox

---

**LaTeX**            **Word**

学习曲线 陡峭，需学标记语言 平缓，所见即所得 公式排版 原生支持，精美 公式编辑器，较繁琐 参考文献 BibTeX自动管理 手动或Zotero插件 多人协作 Git版本控制 OneDrive/批注 期刊模板 主流期刊均提供 部分期刊不提供

---

建议：正式学术论文用LaTeX，日常速记用Word，两者互补而非替代。 :::

安装步骤

Windows：安装 MiKTeX（推荐）

1. 访问 https://miktex.org/download，下载 Basic MiKTeX Installer（约 230 MB）
2. 运行安装程序，选择 “Install for current user”（无需管理员权限）
3. 安装完成后打开 MiKTeX Console → Settings → 将 “Install missing packages” 设为 Always

macOS：安装 MacTeX

# 方式一：通过 Homebrew（推荐）
brew install --cask mactex

# 方式二：清华镜像手动下载（约 7 GB，国内速度快）
curl -L -o /tmp/mactex.pkg \
  "https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/mac/mactex/mactex-20260324.pkg"
sudo installer -pkg /tmp/mactex.pkg -target /

验证安装（Windows / macOS 通用）

xelatex --version   # 应输出 XeTeX 版本信息
biber --version     # 应输出 biber 版本号

测试中文编译

新建 test.tex，写入：

\documentclass{ctexart}
\begin{document}
你好，LaTeX！如果中文正常显示，环境配置成功。
\end{document}

终端执行 xelatex test.tex，生成 PDF 且中文正常即可。

::: notebox MiKTeX 首次编译会自动下载缺失宏包（如 ctex 系列），弹出提示点击 Install 即可。首次耗时约 1—2 分钟，后续约 5—10 秒。macOS 使用 MacTeX 则无需额外下载，已包含全部宏包。 :::

推荐的LaTeX编辑器

编辑器 平台 特点

---

TeXstudio Win/Mac/Linux 专用LaTeX编辑器，内置PDF预览、语法高亮、一键编译 VS Code + LaTeX Workshop Win/Mac/Linux 通用编辑器+插件方案，与AI IDE统一工作环境 Overleaf 在线 无需安装，在线协作编辑，适合团队合作论文

::: practicebox 如果你已经安装了TRAE或VS Code，安装LaTeX Workshop插件即可获得完整的LaTeX编辑体验，无需额外安装TeXstudio。这样你的AI IDE和LaTeX编辑器合二为一，工作流更顺畅。 :::

AI协作四模式详解

现代AI IDE通常提供多种AI协作模式，理解每种模式的特点和适用场景，是高效利用AI的前提。本节以TRAE为例详解四种模式，其他AI IDE的逻辑类似。

IDE模式：传统编码+AI辅助补全

工作方式：在编辑器中正常编写代码，AI在光标位置提供行内补全建议（类似手机输入法的联想功能）。按Tab键接受建议，按Esc键忽略。

典型场景：

• 编写重复性代码（如批量定义变量、生成样板代码）
• 补全函数签名和参数
• 根据注释生成代码片段

使用技巧：先写好注释或函数签名，AI补全的准确率会大幅提升。例如：

# 计算年化收益率：给定日收益率序列，计算年化收益率
def annualized_return(daily_returns, trading_days=252):
    # AI将基于注释自动补全函数实现

Chat模式：问答式交互

工作方式：在侧边栏的聊天窗口中与AI对话，AI仅以文字回答，不会直接修改代码文件。这是最安全的模式，适合学习理解阶段。

典型场景：

• 理解概念：“什么是SARIMA模型的季节性差分？”
• 解释代码：“这段pandas代码的groupby操作做了什么？”
• 排查错误：“这个ImportError是什么原因？”
• 对比方案：“ARIMA和LSTM在时间序列预测中各有什么优劣？”

使用技巧：Chat模式支持选中代码后提问------选中一段代码，按快捷键发送到Chat窗口，AI会针对选中的代码进行解释或修改建议。

Builder模式：AI直接操作文件系统

工作方式：AI可以直接创建、修改、删除文件，并在终端中执行命令。这是生产力最高的模式，也是风险较高的模式。

典型场景：

• 从零生成项目：“做一个贪吃蛇网页”
• 批量修改文件：“把所有Python文件的import语句按字母排序”
• 安装依赖并运行：“安装flask并启动开发服务器”

使用技巧：Builder模式下的AI操作可以逐条确认或自动接受。建议初学者使用”逐条确认”模式，仔细审核AI的每一步操作，逐步建立对AI输出的判断力。

SOLO模式：全自主开发

工作方式：SOLO模式下AI拥有最大自主权，它会自行规划任务、分解步骤、创建子Agent、执行操作。界面通常为三栏布局：左侧任务计划、中间代码编辑、右侧预览/终端。

典型场景：

• 快速原型验证：“帮我搭建一个银行客户管理系统的原型”
• 零代码开发：只描述需求，完全依赖AI生成

使用技巧：SOLO模式适合快速探索，但生成的代码质量需要人工审核。建议在SOLO模式生成项目后，切换到IDE模式逐一审查代码逻辑。

四模式对比

模式 触发方式 AI权限 风险等级 适用场景 关键提示

---

IDE 编辑器内自动 行内补全 低 日常编码 写好注释再补全 Chat 侧边栏对话 仅回答 最低 学习理解 选中代码再提问 Builder Ctrl+U 读写文件+执行命令 中 项目生成 初学者逐条确认 SOLO 独立面板 全自主操作 高 快速原型 生成后务必审查

: AI协作四模式对比

::: warningbox Builder和SOLO模式下AI可以直接操作文件系统，存在误删文件或执行危险命令的风险。建议：

1. 重要项目务必使用Git版本控制，出错可以回退
2. 初学者优先使用Chat模式理解问题，再切换Builder模式执行
3. 不要在含有重要数据的目录中使用SOLO模式 :::

提示工程基础

无论使用哪种模式，与AI交互的核心技能是写好提示词（Prompt）。提示工程（Prompt Engineering）是有效利用AI的基础能力。

::: theorybox

1. 明确角色：告诉AI”你是谁”。例如：“你是一位资深的银行业学术解读助手”，比”帮我读论文”效果好得多。
2. 具体任务：描述要做什么，而非怎么做。例如：“生成一个贪吃蛇游戏”，而不是”写一些JavaScript代码”。
3. 约束条件：给出边界和格式要求。例如：“纯HTML+CSS+原生JS，不引入第三方库”。
4. 示例输出：提供期望的输出格式或样例。例如：“按以下结构输出：一、论文信息；二、研究问题；三、核心发现”。
5. 迭代优化：第一次的输出通常不够完美，通过追加提示词逐步修正。例如：“请把颜色方案改为蓝色主题，并增加暂停功能”。

记忆口诀：角色-任务-约束-样例-迭代（RTEII原则）。 :::

以下是一个提示词的优化过程示例：

版本 提示词

---

差 帮我做数据分析 一般 帮我分析信用卡消费数据，用SARIMA预测 好 请基于data/credit_card_daily.xlsx完成业绩预测：（1）缺失值用前后7日均值填补；（2）SARIMA(1,1,1)(1,1,1,7)预测未来30天；（3）输出预测报告到reports/ 最佳 （好版本）+ 角色设定 + 输出格式约束 + 异常值处理规则

实验：贪吃蛇与AI协作闭环验证

::: exercisebox 通过”一句话生成贪吃蛇”实验，验证AI协作闭环：分析→生成→运行→调试。完成本实验后，你将亲身体验Builder模式的完整工作流，并理解AI如何从需求描述自动生成可运行的项目。 :::

实验时间：约30分钟

AI智能环境检测

在开始实验前，先用AI检测你的开发环境是否就绪。在 Builder 模式（Ctrl + U）输入下列提示词：

请检测当前开发环境是否满足课程要求，输出表格：
检测项 | 要求版本 | 当前状态 | 修复建议
检测项至少包含：Python(>=3.10) / pip / Node.js(>=v20) / npm / Git / Flask / pandas / openpyxl。
有缺失请给出 Windows 一键安装命令。

如有缺失对应工具，可在 PowerShell（管理员）中执行：

# 1) 基础运行时（winget，Windows 10/11 自带）
winget install --id Python.Python.3.12 -e --source winget
winget install --id OpenJS.NodeJS.LTS -e --source winget
winget install --id Git.Git -e --source winget

# 2) 升级 pip / npm 到最新
python -m pip install --upgrade pip
npm install -g npm@latest

# 3) Python 三件套 + Flask（实验必装）
pip install flask pandas openpyxl pypdf -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4) MCP 工具链（实验二必装 —— word/ppt/fetch/stata-mcp 都用 uvx）
pip install uv -i https://pypi.tuna.tsinghua.edu.cn/simple

提醒项 说明

---

Python 3.14 较新 部分老三方库尚未发 cp314 wheel。如 SARIMA+LSTM 报错，可用 conda 另建 3.11/3.12 虚拟环境 pandas 3.0 已升至 3.x，部分接口有变更 Flask __version__ 在 Flask 3.2 将被弃用 uv / uvx（实验二关键） MCP 服务如 fetch、word/ppt/stata-mcp 通过 uvx 启动，必须先装 uv Stata（实验二相关） 如未安装 Stata，可在实验报告中注明用 Python statsmodels 替代

贪吃蛇网页实验

按 Ctrl + U 切换到 Builder 模式，输入下列提示词：

做一个 HTML 贪吃蛇游戏单文件 index.html，要求：
1. 纯 HTML+CSS+原生 JS，不引入第三方库；
2. 画布 600x600，蛇头蓝、身体绿、食物红；
3. 方向键控制方向，吃到食物分数 +1；
4. 撞墙/撞身体游戏结束，弹"再来一局"按钮；
5. 顶部显示当前分数与最高分（localStorage）。

做完后双击 index.html 验证。

观察AI工作流

AI生成贪吃蛇的过程是一个典型的AI协作闭环，包含四个步骤：

1. 分析（Analyze）：AI解析你的提示词，提取关键需求------单文件、画布尺寸、颜色方案、游戏逻辑、分数系统。
2. 生成（Generate）：AI创建index.html文件，包含HTML结构、CSS样式和JavaScript游戏逻辑。
3. 运行（Run）：AI可能尝试在终端打开文件或启动本地服务器进行预览。
4. 调试（Debug）：如果运行结果不符合预期（如蛇的移动方向反了、分数显示异常），AI会根据你的反馈修改代码。

::: theorybox 贪吃蛇实验中的”分析→生成→运行→调试”四步闭环，是本课程后续所有实验的工作模式。无论做论文解读、Excel合并还是业绩预测，AI都遵循这一流程。理解这个闭环，你就掌握了与AI高效协作的节奏感。 :::

常见问题与AI修复策略

在贪吃蛇实验中，你可能会遇到以下问题：

问题 原因 AI修复策略

---

页面空白 JS语法错误或DOM未正确加载 在Chat模式中粘贴浏览器控制台错误信息，让AI定位修复 蛇不动 事件监听器未绑定或游戏循环未启动 告诉AI”蛇不动”，AI会检查keydown事件和setInterval 方向控制反了 键盘事件映射错误 描述现象：“按左键蛇向右走”，AI会修正keyCode映射 食物出现在蛇身上 食物生成未排除蛇身坐标 告诉AI”食物和蛇身重叠”，AI会添加排除逻辑

::: practicebox 遇到AI生成的代码有问题时，使用以下模板进行反馈：

[现象] 描述你看到的具体问题
[期望] 描述你期望的正确行为
[环境] 浏览器/Python版本/操作系统
[错误] 控制台/终端的完整错误信息

信息越具体，AI修复的准确率越高。 :::

项目推送到CNB

完成贪吃蛇项目后，将其推送到 CNB 代码托管平台：

# 1. 进入项目目录
cd your-project-folder

# 2. 初始化 Git 仓库（如未初始化）
git init

# 3. 创建 .gitignore（排除不需要的文件）
cat > .gitignore << EOF
*.lock
.DS_Store
Thumbs.db
node_modules/
.venv/
EOF

# 4. 添加并提交
git add .
git commit -m "Initial commit: 贪吃蛇项目"

# 5. 配置 Git 用户信息（如未配置）
git config --global user.name "cnb"
git config --global user.email "your-email@example.com"

# 6. 登录 CNB（可选）
cnb login

# 7. 查看可用组织
cnb organizations list-top-groups

# 8. 配置远程仓库（替换 your-token、组织名、仓库名）
git remote add origin https://cnb:your-token@cnb.cool/组织名/仓库名.git

# 9. 推送代码
git push -u origin main

::: notebox 如果远程仓库已存在，使用 git remote set-url origin 更新地址。推送成功后访问 https://cnb.cool/组织名/仓库名 查看代码。 :::

实验：AI驱动的金融论文解读系统

::: exercisebox 通过三个递进任务，体验AI在金融研究中的三种典型应用：（1）学术论文智能解读；（2）Excel数据批量处理；（3）时间序列预测建模。完成本实验后，你将理解AI如何将繁琐的研究流程自动化。 :::

实验时间：约60分钟

创建AI论文解读智能体

聊天框右上角 → 设置 → 智能体 → 创建：

• 名称：AI 论文解读助手
• 工具：勾选文件读取、代码执行、网络访问
• 系统提示词：

你是资深的银行业 / 金融科技领域学术论文解读助手。
用户拖入 PDF 后，按下列结构输出 Markdown 报告：

一、论文基本信息（标题/作者/期刊/年份/DOI）
二、研究问题与背景（<=200 字）
三、方法论（数据集/模型/实验设计）
四、核心发现（<=5 条）
五、术语速查表（5--10 个英文术语 + 中文解释）
六、可复现性评估（数据/代码/难度 1--5）

注意：英文论文关键概念中英对照；不得编造数据；
首次运行如缺 pypdf 等 pdf 处理工具请提示用户并自动安装。

使用方法：从知网下载论文 → PDF 拖入对话框 → 选中本智能体 → 输入”解读一下”。

论文解读的学术规范

AI论文解读虽然高效，但需要注意学术规范：

::: warningbox

1. AI可能编造内容：大语言模型存在”幻觉”问题，可能虚构论文中不存在的结论或数据。务必对照原文核实AI的解读。
2. 不能替代精读：AI解读是快速获取论文框架的工具，不能替代深度阅读。理解研究方法和逻辑链仍需人工精读。
3. 引用规范：在你的论文中引用被解读文献时，必须引用原文而非AI的解读摘要。
4. 数据核实：AI可能误解论文中的统计结果（如混淆相关性与因果性），关键数字需回原文确认。 :::

Excel多文件合并实验

这是金融数据处理中最常见的场景：多个Excel文件需要合并为统一数据集。

第一步（数据准备提示词）：

请为后续 Excel 整合任务做准备：
1. 检查"原始数据"文件夹是否存在；不存在则自动创建一组 >=5 张表的模拟数据（每张 >=50 行，列名故意 1--2 处不一致便于练手）；
2. 列出所有文件的编码 / 列名 / 样例 / 数据类型；
3. 输出准备报告，明确合并可行性与最佳方案。本步骤只做准备，不做合并。

第二步（执行合并提示词）：

基于上一步的准备报告：
1. 用 pandas 读入"原始数据"中所有 .xlsx/.csv；
2. 列名归一化（大小写统一、去空格、中英文映射）；
3. concat 后基于"客户 ID + 交易日期"去重；
4. 输出到"整合数据"/merged_{时间戳}.xlsx，并生成 merge_log.md。

::: theorybox 为什么要把合并操作拆成两步？这是提示工程中”分步求解”原则的典型应用：

• 第一步让AI先观察数据，了解编码、列名差异、数据类型等，避免盲目合并导致数据错乱
• 第二步基于AI的观察结果，有针对性地执行合并，准确率大幅提升

如果直接给一个”合并所有Excel”的提示词，AI可能跳过数据质量检查，导致合并结果有误。 :::

SARIMA+LSTM业绩预测实验

请基于 data/credit_card_daily.xlsx（如不存在请先按下列规则模拟生成）：
- 时间 2022-01-01 至 2024-12-31，每日一行；
- 列：日期 / 消费额(万元) / 是否节日 / 节日名称 / 星期几；
- 节日 +-1 天放大 1.5--2.2 倍；故意造 5% 缺失 + 1% 异常值。

完成业绩预测：
1. 缺失值用前后 7 日均值填补，IQR 异常值标注但不删；
2. EDA 三图（日时序 / 月度均值柱状 / 节日 vs 非节日箱线）→ reports/eda/；
3. SARIMA(1,1,1)(1,1,1,7) 预测未来 30 天 + 95% 置信区间；
4. LSTM(窗口=14, 隐层=64, epoch=20) 对比；
5. 用 RMSE / MAPE 比较，画对比折线图；
6. 生成 reports/forecast_report.md（含模型选择理由 + >=3 条业务建议）。

::: notebox SARIMA是经典统计模型，适合捕捉线性趋势和季节性模式；LSTM是深度学习模型，适合捕捉非线性模式。两者对比是金融时间序列预测的标准范式。本实验中SARIMA通常在短期预测上表现更稳定，而LSTM在数据量充足时可能捕捉到更复杂的模式。 :::

本章小结

本章完成了三项核心任务：

1. 环境搭建：安装并验证了Python、Node.js、Git、LaTeX四件套，以及CNB云开发平台，构建了完整的金融科技开发环境。
2. AI协作模式：理解了IDE/Chat/Builder/SOLO四种AI协作模式的适用场景和切换策略，掌握了提示工程的RTEII原则。
3. 实验验证：通过贪吃蛇实验验证了”分析→生成→运行→调试”的AI协作闭环，通过论文解读、Excel合并和业绩预测实验体验了AI在金融研究中的三种典型应用。

::: theorybox 环境搭建是起点，AI协作是方法，金融应用是目标。后续章节将在此基础上，依次引入MCP协议（第3章）和Skill体系（第4章），逐步将AI从”对话助手”升级为”专业金融工具”。 :::

验收清单

请逐项检查你的开发环境：

序号 检查项 验证命令 期望结果

---

1      Python$\geq$ 3.10   `python --version`              Python 3.10+
  2      pip 已安装           `pip --version`                 pip 23+
  3      Node.js $\geq$ v20   `node --version`                v20+
  4      npm 已安装           `npm --version`                 10+
  5      Git 已安装           `git --version`                 git 2.x
  6      XeLaTeX 已安装       `xelatex --version`             XeTeX 3.x+
  7      Biber 已安装         `biber --version`               biber 2.x+
  8      pandas 已安装        `python -c "import pandas"`     无报错
  9      Flask 已安装         `python -c "import flask"`      无报错
  10     openpyxl 已安装      `python -c "import openpyxl"`   无报错
  11     uv 已安装            `uv --version`                  uv 0.x
  12     CNB CLI 已安装       `cnb --version`                 版本号输出
  13     AI IDE 已登录        打开IDE确认                     登录状态
  14     贪吃蛇可运行         双击index.html                  游戏正常
  15     CNB仓库已推送        访问cnb.cool                    代码可见

: 第2章验收清单

常见问题

Q1：安装Anaconda后，终端输入python提示”命令未找到”？

这通常是因为安装时未勾选”Add Anaconda to PATH”。解决方法：

• Windows：重新运行安装程序，勾选”Add Anaconda to PATH”；或手动将Anaconda安装目录添加到系统环境变量
• macOS：在~/.zshrc中添加export PATH="/opt/anaconda3/bin:$PATH"

Q2：pip install安装包时报网络超时？

国内访问PyPI默认源较慢，改用清华镜像源：

pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple

如需永久配置，创建~/.pip/pip.conf（macOS/Linux）或%APPDATA%\pip\pip.ini（Windows）：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

Q3：macOS安装Homebrew报错”command not found: brew”？

Homebrew未安装或路径未配置。执行安装命令：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

安装后根据提示将brew路径添加到~/.zshrc。

Q4：TRAE的Builder模式生成代码很慢或经常中断？

高峰时段TRAE服务器可能排队。建议：

• 避开上课高峰（工作日晚间通常较快）
• 将复杂任务拆分为多个小步骤
• 如果中断，发送”继续”让AI恢复

Q5：贪吃蛇页面打开后空白？

打开浏览器的开发者工具（F12），查看Console面板的报错信息。常见原因：

• JavaScript语法错误：将错误信息发给AI，让它修复
• 文件编码问题：用UTF-8编码保存HTML文件
• 浏览器兼容性：换用Chrome或Edge打开

Q6：pip安装statsmodels报错”Building wheel for scipy failed”？

这通常是因为缺少C编译器。解决方法：

• Windows：安装Microsoft C++ Build Tools
• macOS：运行xcode-select --install安装命令行工具
• 或使用conda安装：conda install statsmodels

Q7：SARIMA+LSTM实验报错”No module named ‘statsmodels‘“或”No module named ‘torch’”？

需要安装缺失的依赖：

pip install statsmodels -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install torch --index-url https://download.pytorch.org/whl/cpu  # CPU版即可

Q8：Git push到CNB时报认证失败？

检查以下几点：

• Token是否正确（注意Token仅显示一次，需重新生成如果忘记）
• 远程地址格式是否正确：https://cnb:your-token@cnb.cool/组织名/仓库名.git
• Token权限是否包含repo-code:rw

Q9：MacTeX安装后xelatex命令找不到？

MacTeX的可执行文件位于/Library/TeX/texbin/，需要确保该路径在PATH中：

# 在 ~/.zshrc 中添加
export PATH="/Library/TeX/texbin:$PATH"
source ~/.zshrc
xelatex --version  # 验证

Q10：Python 3.14安装后部分库报错怎么办？

Python 3.14较新，部分库尚未发布兼容版本。建议：

# 使用 conda 创建 3.11 虚拟环境
conda create -n py311 python=3.11
conda activate py311
pip install statsmodels scikit-learn torch

环境搭建流程总览