代码运行指南

版本： v1.3 最后更新： 2026-06-08

本指南是各章代码实验的依赖参考手册。环境配置和安装步骤见附录B。

快速命令

bash

# 运行任意实验
python code/ch{N}_{topic}/{script}.py

# 运行所有测试
pytest tests/ -v

# 生成覆盖率报告
pytest tests/ --cov=code --cov-report=html

# 按章节运行（使用 Makefile）
make run-exp-ch01   # 离线，<5s
make run-exp-ch05   # 离线（8个脚本）
make run-exp-ch05-api  # 需要 llama.cpp / Ollama 或 API Key
make run-exp-ch08   # 离线，仅标准库
make test

🎯 快速判断：我能运行什么？

根据你的资源和需求，查看能运行哪些脚本：

场景 1️⃣：只有 CPU、完全离线

✅ 能运行： 第 1-6 章默认实验、第 6 章扩展实验、第 7 章默认离线实验、第 8 章实验 ❌ 不能运行： 第 7 章重度脚本（需要下载模型权重）

bash

pip install -e .
make run-exp-ch01 run-exp-ch02 run-exp-ch03 run-exp-ch04
make run-exp-ch05 run-exp-ch06 run-exp-ch06-extra run-exp-ch07 run-exp-ch08

场景 2️⃣：有国内 API（DeepSeek / 阿里云）或本地 llama.cpp / Ollama

✅ 额外能运行： 第 5 章的 llm_api_demo.py
依赖： pip install -e ".[llm]" + 设置 API Key 或启动 llama.cpp / Ollama 本地服务

bash

export DEEPSEEK_API_KEY="your-key"
python code/ch05_llm_basics/llm_api_demo.py

场景 3️⃣：有 GPU + 能下载模型权重

✅ 额外能运行： 第 7 章重度脚本（CLIP、Qwen2.5-VL）
依赖： pip install -e ".[hf]" + 按脚本下载 CLIP 或 Qwen2.5-VL 权重

bash

pip install -e ".[hf]"
huggingface-cli download Qwen/Qwen2.5-VL-7B-Instruct --local-dir ./models
make run-exp-ch07-heavy

场景 4️⃣：用云端环境（Google Colab / CNB）

✅ 都能运行（Colab 有免费 T4 GPU）
推荐： CNB（预配置所有依赖）

依赖总览

各章代码实验所需依赖一览。核心依赖（numpy / matplotlib / scipy / pytest）通过 pip install -e . 安装；可选依赖按章节按需安装。

章节	核心依赖	可选依赖	API / 外部资源
第1章 DSP	numpy, matplotlib, scipy	—	—
第2章优化	numpy, matplotlib	—	—
第3章深度学习	numpy, matplotlib	—	—
第4章 Transformer	numpy, matplotlib, networkx¹	—	—
第5章 LLM基础	numpy, matplotlib, scipy	openai, anthropic²	llama.cpp / Ollama（本地）或任一 API Key
第6章 LLM应用	numpy, matplotlib	langchain, faiss-cpu³	—
第7章多模态	numpy, matplotlib	torch, Pillow, seaborn, scikit-learn⁴	下载 Qwen2.5-VL-7B 或 CLIP ViT-B/32⁵
第8章工程实践	— （仅标准库）	—	—

注释：

networkx 仅 ch04_transformer/graph_theory_demo.py 使用，不在 make run-exp-ch04 中：pip install networkx
可选；llm_api_demo.py 优先检测本地 llama.cpp / Ollama 兼容服务，无需 API Key 也可运行
make run-exp-ch06 只运行 rag_demo.py（纯 numpy 模拟），无需安装 langchain/faiss
仅 ch07_multimodal_llm/ 中的重度脚本（make run-exp-ch07-heavy），先执行 pip install -e ".[hf]"
clip_alignment_demo.py 还需 pip install openai-clip，首次运行自动下载 CLIP 权重（~350MB）；case_studies.py / multimodal_applications.py 需下载 Qwen2.5-VL-7B（~14GB）

模型/API 和数据集的统一登记见 configs/models.yaml 与 configs/datasets.yaml。章节文档、代码注释和 Notebook 涉及外部模型或数据集时，应以这两个文件为事实来源，避免在多个文档中维护互相冲突的版本、依赖和下载说明。

代码实验清单

第1章：DSP基础

⭐ 完全离线 — 仅需 numpy, matplotlib, scipy，无需任何 API 或模型

主力脚本（`make run-exp-ch01`）

脚本	说明	输出图表	运行时间
`fft_spectrum.py`	FFT 频谱分析，正弦信号分解	`assets/ch01_fft_spectrum.png`	<1s
`positional_encoding.py`	Transformer 位置编码可视化	`assets/ch01_positional_encoding.png`	<1s

扩展脚本（按需运行）

脚本	说明	额外依赖	输出图表
`signal_three_views.py`	信号的时域/频域/相位三视角	scipy	`ch01_three_views.png`
`signal_dimensions.py`	信号维度与表示	—	`ch01_signal_dimensions.png`
`feature_extraction_comparison.py`	特征提取方法对比	—	`ch01_feature_extraction.png`
`fourier_2d.py`	二维傅里叶变换	—	`ch01_fourier_2d.png`
`time_freq_analysis.py`	时频分析（STFT/小波）	scipy	`ch01_time_freq_*.png`
`random_signals.py`	随机信号与功率谱	scipy	`ch01_random_signals.png`
`signal_detection.py`	信号检测与假设检验	scipy	`ch01_signal_detection.png`
`parameter_estimation.py`	参数估计（MLE/贝叶斯）	scipy	`ch01_parameter_estimation.png`
`music_algorithm.py`	MUSIC 超分辨率算法	scipy	`ch01_matrix_decomposition*.png`
`stochastic_processes_demo.py`	随机过程演示	scipy	`ch01_stochastic_processes.png`

测试文件：`tests/test_ch01_dsp.py`（8 个测试）

测试类	覆盖内容
`TestFFTSpectrum`	FFT 输出形状、对称性、频率检测精度、噪声鲁棒性
`TestPositionalEncoding`	PE 形状、数值稳定性、周期性、无 NaN

bash

pytest tests/test_ch01_dsp.py -v

第2章：优化与机器学习

⭐ 完全离线 — 仅需 numpy, matplotlib，无需任何 API 或模型

主力脚本（`make run-exp-ch02`）

脚本	说明	输出图表	运行时间
`lms_vs_adam.py`	LMS 与 Adam 收敛速度对比	`assets/ch02_lms_vs_adam.png`	<1s
`mmse_vs_nn.py`	MMSE 估计与神经网络对比	`assets/ch02_mmse_vs_nn.png`	<1s

扩展脚本（按需运行）

脚本	说明	额外依赖	输出图表
`linear_logistic_regression.py`	线性/逻辑回归可视化	—	`ch02_linear_logistic_regression.png`
`convex_analysis_demo.py`	凸函数与梯度下降演示	mpl_toolkits (已内置)	`ch02_convex_analysis.png`
`decision_tree_random_forest.py`	决策树与随机森林	—	`ch02_decision_tree_random_forest.png`
`svm_kernel.py`	SVM 核函数可视化	—	`ch02_svm_kernel.png`

测试文件（2 个文件，12 个测试）

文件	测试类	覆盖内容
`test_ch02_optimization.py`	`TestLMSOptimizer`	LMS 收敛、权重估计
`test_ch02_optimization.py`	`TestAdamOptimizer`	Adam 收敛、Adam vs LMS 性能
`test_ch02_ml_extended.py`	`TestLinearRegression`	线性回归收敛、参数估计
`test_ch02_ml_extended.py`	`TestLogisticRegression`	逻辑回归收敛、分类准确率
`test_ch02_ml_extended.py`	`TestSVM`	SVM 收敛性
`test_ch02_ml_extended.py`	`TestDecisionTree`	基尼系数、纯节点判定
`test_ch02_ml_extended.py`	`TestRandomForest`	Bootstrap 采样

bash

pytest tests/test_ch02_optimization.py tests/test_ch02_ml_extended.py -v

第3章：深度学习快速通道

⭐ 完全离线 — 仅需 numpy, matplotlib，无需任何 API 或模型（所有脚本纯 numpy 手写实现）

主力脚本（`make run-exp-ch03`）

脚本	说明	输出图表	运行时间
`polynomial_vs_mlp.py`	多项式拟合 vs MLP 对比	`assets/ch03_polynomial_vs_mlp.png`	<1s
`mnist_cnn.py`	CNN 特征提取结构演示（纯 numpy）	`assets/ch03_mnist_cnn.png`	<1s
`rnn_structure.py`	RNN 隐状态演化可视化	`assets/ch03_rnn_structure.png`	<1s

扩展脚本（按需运行）

脚本	说明	额外依赖	输出图表
`detection_segmentation_demo.py`	目标检测与分割对比	—	`ch03_yolo_vs_segmentation.png` 等
`sequence_models_1d_signal.py`	序列模型处理一维信号	—	`ch03_sequence_models.png`

测试文件：`tests/test_ch03_deep_learning.py`（5 个测试）

测试类	覆盖内容
`TestPolynomialVsMLP`	MLP 输出形状、非线性能力
`TestRNNStructure`	隐状态形状、隐状态演化、激活值有界性

bash

pytest tests/test_ch03_deep_learning.py -v

第4章：Transformer详解

⭐ 完全离线 — 仅需 numpy, matplotlib，无需任何 API 或模型

主力脚本（`make run-exp-ch04`）

脚本	说明	输出图表	运行时间
`self_attention.py`	自注意力机制计算与可视化	`assets/ch04_self_attention.png`	<1s

扩展脚本（按需运行）

脚本	说明	额外依赖	输出图表
`causal_mask_demo.py`	因果掩码可视化	—	`ch04_causal_mask.png`
`scaled_attention_demo.py`	缩放点积注意力演示	—	`ch04_scaled_attention.png`
`positional_encoding.py`	位置编码热力图	—	`ch04_positional_encoding.png`
`graph_theory_demo.py`	图论基础与注意力图	networkx	`ch04_graph_theory.png`, `ch04_attention_graph.png`

测试文件：`tests/test_ch04_transformer.py`（5 个测试）

测试类	覆盖内容
`TestSelfAttention`	注意力输出形状、权重归一化、多头注意力
`TestTransformerBlock`	LayerNorm 稳定性、前馈网络

bash

pytest tests/test_ch04_transformer.py -v

第5章：LLM基础

依赖： numpy, matplotlib, scipy（离线脚本）；openai 或 anthropic（API 脚本） 安装（离线）： pip install -e .安装（API）： pip install -e ".[llm]"

主力脚本——离线（`make run-exp-ch05`，8 个）

⭐ 这 8 个脚本完全离线，使用纯模拟数据和轻量计算，无需 PyTorch / 模型下载

脚本	说明	输出图表	运行时间
`bpe_tokenization.py`	BPE 分词算法演示	`assets/ch05_bpe_tokenization.png`	<1s
`scaling_laws.py`	缩放律拟合与可视化	`assets/ch05_scaling_laws.png`	<1s
`autoregressive_generation.py`	自回归生成过程演示	`assets/ch05_autoregressive_generation.png`	<1s
`training_data_composition.py`	训练数据构成分析	`assets/ch05_training_data_composition.png`	<1s
`model_families_evolution.py`	模型家族演化时间线	`assets/ch05_model_families_evolution.png`	<1s
`lora_visualization.py`	LoRA 参数量可视化	`assets/ch05_lora_visualization.png`	<1s
`rlhf_pipeline.py`	RLHF 流程图	`assets/ch05_rlhf_pipeline.png`	<1s
`benchmark_comparison.py`	基准测试对比图	`assets/ch05_benchmark_comparison.png`	<1s

主力脚本——API（`make run-exp-ch05-api`）

脚本	说明	运行条件
`llm_api_demo.py`	基本调用、Prompt 工程、ICL、多轮对话	本地 llama.cpp / Ollama 或任一 API Key

bash

# 离线（本地 llama.cpp / Ollama）
llama.cpp 或 Ollama 启动本地 OpenAI 兼容服务，例如 `http://localhost:8000/v1` 或 `http://localhost:11434/v1`
python code/ch05_llm_basics/llm_api_demo.py

# 国内 API
export DEEPSEEK_API_KEY="your-key"
python code/ch05_llm_basics/llm_api_demo.py

测试文件：`tests/test_ch05_llm_basics.py`（5 个测试）

测试类	覆盖内容
`TestScalingLaws`	损失随模型/数据规模下降规律
`TestInContextLearning`	Few-shot 学习、Prompt 工程效果
`TestTokenization`	Token 计数

bash

pytest tests/test_ch05_llm_basics.py -v

第6章：LLM应用

⭐ 完全离线 — 所有脚本使用模拟数据和轻量计算，无需 LangChain/FAISS/API/模型

主力脚本（`make run-exp-ch06`）

脚本	说明	输出图表	运行时间
`rag_demo.py`	RAG 检索增强生成（模拟 embedding）	`assets/ch06_rag_vector_search.png`	<1s

扩展脚本（`make run-exp-ch06-extra`）

脚本	说明	输出图表	运行时间
`prompt_demo.py`	Zero-shot / Few-shot / CoT 效果对比	`assets/ch06_prompt_techniques.png`	<1s
`agent_demo.py`	ReAct Agent 框架演示（规则替代 LLM）	`assets/ch06_agent_error_accumulation.png`	<1s
`finetuning_demo.py`	LoRA 不同 rank 下参数量对比	`assets/ch06_lora_parameters.png`	<1s
`system_design_demo.py`	Prompt/RAG/微调/Agent 方案选型雷达图	`assets/ch06_system_design.png`	<1s

测试文件：`tests/test_ch06_llm_applications.py`（4 个测试）

测试类	覆盖内容
`TestRAGSystem`	文档检索、上下文增强
`TestFineTuning`	微调收敛性
`TestAgentFramework`	Agent 决策逻辑

bash

pytest tests/test_ch06_llm_applications.py -v

第7章：多模态LLM

依赖（主力脚本）： numpy, matplotlib 依赖（重度脚本）： torch, Pillow, scikit-learn（multimodal_applications）；torch, Pillow, seaborn, openai-clip（clip_alignment_demo）；torch, Pillow, transformers（case_studies） 安装（主力）： pip install -e .安装（重度）： pip install -e ".[hf]" 并下载模型

主力脚本（`make run-exp-ch07`，完全离线，6 个）

⭐ 这些脚本完全离线，仅用 numpy/matplotlib，无需 PyTorch / 模型

脚本	说明	输出图表	运行时间
`vit_patches.py`	ViT 图像分块可视化	`assets/ch07_vit_patches.png`	<1s
`clip_similarity.py`	CLIP 余弦相似度演示（模拟向量）	`assets/ch07_clip_similarity.png`	<1s
`high_resolution_processing.py`	高分辨率动态分块演示	`assets/ch07_high_resolution_processing.png`	<1s
`qwen_vl_analysis.py`	Qwen2.5-VL 架构性能分析（静态数据）	`assets/ch07_qwen_vl_analysis.png`	<1s
`architecture_diagrams.py`	ViT vs CNN 结构对比、温度参数效果	`assets/ch07_vit_cnn_comparison.png`, `assets/ch07_temperature_effect.png`	<1s
`explainer_diagrams.py`	LLaVA vs Qwen2.5-VL 架构、融合策略、动态分辨率	`assets/ch07_architecture_comparison.png` 等 4 张	<1s

重度脚本（`make run-exp-ch07-heavy`，需额外依赖 + 下载模型）

⚠️ 这些脚本不属于默认实验。CLIP 脚本会下载约 350MB 权重；Qwen2.5-VL 相关脚本需要下载约 14GB 权重，建议使用 GPU。

脚本	说明	额外依赖	外部资源
`clip_alignment_demo.py`	CLIP 图文对齐热力图	torch, Pillow, seaborn, openai-clip	自动下载 CLIP ViT-B/32（~350MB）
`multimodal_applications.py`	图像描述 / VQA / 图像检索	torch, Pillow, scikit-learn, transformers	下载 Qwen2.5-VL-7B（~14GB）
`case_studies.py`	文档理解 / 图表分析 / 多语言应用	torch, Pillow, transformers	下载 Qwen2.5-VL-7B（~14GB）

bash

# 重度脚本安装
pip install -e ".[hf]"
pip install openai-clip  # clip_alignment_demo 额外需要

# 下载模型（二选一）
huggingface-cli download Qwen/Qwen2.5-VL-7B-Instruct --local-dir ./models/Qwen2.5-VL-7B-Instruct
# 或 设置 HF_ENDPOINT=https://hf-mirror.com 后再下载

测试文件：`tests/test_ch07_multimodal.py`（6 个测试）

测试类	覆盖内容
`TestVisionTransformer`	图像分块逻辑、patch embedding
`TestCLIPModel`	图文对齐、对比学习损失
`TestHighResolutionProcessing`	动态分块方法、分辨率自适应

bash

pytest tests/test_ch07_multimodal.py -v

第8章：LLM工程实践

⭐ 完全离线 — 仅需标准库（time, json, dataclasses, enum），无需任何依赖安装

主力脚本（`make run-exp-ch08`）

脚本	说明	输出	运行时间
`llm_engineering_demo.py`	模型选型、成本优化、错误处理、监控演示	终端输出（无图表）	<1s

测试文件：`tests/test_ch08_engineering.py`（8 个测试）

测试类	覆盖内容
`TestModelDeployment`	模型量化逻辑、缓存机制
`TestCostOptimization`	批处理优化、模型选择策略
`TestSafetyAlignment`	内容过滤、输出验证
`TestMonitoring`	性能指标采集、错误追踪

bash

pytest tests/test_ch08_engineering.py -v

常见问题

环境安装、虚拟环境、PyTorch/CUDA 问题见附录B 常见问题。

Q1: 如何配置 LLM API 密钥？

方法1： 设置环境变量

bash

# Linux/macOS
export DEEPSEEK_API_KEY="your-key"
export DASHSCOPE_API_KEY="your-key"
export ZHIPUAI_API_KEY="your-key"
export OPENAI_API_KEY="sk-..."
export ANTHROPIC_API_KEY="sk-ant-..."

# 本地 llama.cpp / Ollama（无需 API Key）
export LOCAL_LLM_BASE_URL="http://localhost:11434/v1"
export LOCAL_LLM_MODEL="qwen2.5:7b"
export OLLAMA_BASE_URL="http://localhost:11434/v1"
export OLLAMA_MODEL="qwen2.5:7b"

# Windows (PowerShell)
$env:DEEPSEEK_API_KEY="your-key"
$env:DASHSCOPE_API_KEY="your-key"
$env:ZHIPUAI_API_KEY="your-key"
$env:OPENAI_API_KEY="sk-..."
$env:ANTHROPIC_API_KEY="sk-ant-..."

方法2： 在代码中设置

python

import os
os.environ["DEEPSEEK_API_KEY"] = "your-key"
os.environ["DASHSCOPE_API_KEY"] = "your-key"
os.environ["ZHIPUAI_API_KEY"] = "your-key"
os.environ["OPENAI_API_KEY"] = "sk-..."
os.environ["ANTHROPIC_API_KEY"] = "sk-ant-..."

方法3： 使用 .env 文件

创建 .env 文件：

DEEPSEEK_API_KEY=your-key
DASHSCOPE_API_KEY=your-key
ZHIPUAI_API_KEY=your-key
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
LOCAL_LLM_BASE_URL=http://localhost:11434/v1
LOCAL_LLM_MODEL=qwen2.5:7b
OLLAMA_BASE_URL=http://localhost:11434/v1
OLLAMA_MODEL=qwen2.5:7b

然后在代码中加载：

python

from dotenv import load_dotenv
load_dotenv()

Q2: LLM API 调用超时或失败？

原因： 网络连接问题、API 配额限制或密钥无效

解决方案：

bash

# 检查网络连接
ping api.openai.com

# 检查 API 密钥是否正确
python -c "import os; print(os.environ.get('OPENAI_API_KEY'))"

# 查看 API 使用情况和配额
# 访问 https://platform.openai.com/account/usage/overview

Q3: 如何降低 LLM API 的成本？

使用更便宜的模型（如 GPT-3.5 而不是 GPT-4）
减少 token 数量（缩短 prompt 和 response）
使用缓存和批处理
参考第6章 6.5 LLM 系统设计的成本估算

Q4: 如何在离线环境中运行代码？

某些实验需要网络连接（LLM API 调用），但可以：

运行第1-4章的所有实验（不需要网络）
运行第5章、第6章、第8章的默认离线实验
运行第7章默认离线实验（不下载模型）
使用本地模型替代 API（如 Ollama、LLaMA）
预先缓存 API 响应

获取帮助

环境配置问题：附录B
提交 Bug：GitHub Issue

代码运行指南 ​

目录 ​

快速命令 ​

🎯 快速判断：我能运行什么？ ​

场景 1️⃣：只有 CPU、完全离线 ​

场景 2️⃣：有国内 API（DeepSeek / 阿里云） 或 本地 llama.cpp / Ollama ​

场景 3️⃣：有 GPU + 能下载模型权重 ​

场景 4️⃣：用云端环境（Google Colab / CNB） ​

依赖总览 ​

代码实验清单 ​

第1章：DSP基础 ​

主力脚本（make run-exp-ch01） ​

扩展脚本（按需运行） ​

测试文件：tests/test_ch01_dsp.py（8 个测试） ​

第2章：优化与机器学习 ​

主力脚本（make run-exp-ch02） ​

扩展脚本（按需运行） ​

测试文件（2 个文件，12 个测试） ​

第3章：深度学习快速通道 ​

主力脚本（make run-exp-ch03） ​

扩展脚本（按需运行） ​

测试文件：tests/test_ch03_deep_learning.py（5 个测试） ​

第4章：Transformer详解 ​

主力脚本（make run-exp-ch04） ​

扩展脚本（按需运行） ​

测试文件：tests/test_ch04_transformer.py（5 个测试） ​

第5章：LLM基础 ​

主力脚本——离线（make run-exp-ch05，8 个） ​

主力脚本——API（make run-exp-ch05-api） ​

测试文件：tests/test_ch05_llm_basics.py（5 个测试） ​

第6章：LLM应用 ​

主力脚本（make run-exp-ch06） ​

扩展脚本（make run-exp-ch06-extra） ​

测试文件：tests/test_ch06_llm_applications.py（4 个测试） ​

第7章：多模态LLM ​

主力脚本（make run-exp-ch07，完全离线，6 个） ​

重度脚本（make run-exp-ch07-heavy，需额外依赖 + 下载模型） ​

测试文件：tests/test_ch07_multimodal.py（6 个测试） ​

第8章：LLM工程实践 ​

主力脚本（make run-exp-ch08） ​

测试文件：tests/test_ch08_engineering.py（8 个测试） ​

常见问题 ​

Q1: 如何配置 LLM API 密钥？ ​

Q2: LLM API 调用超时或失败？ ​

Q3: 如何降低 LLM API 的成本？ ​

Q4: 如何在离线环境中运行代码？ ​

获取帮助 ​

代码运行指南

目录

快速命令

🎯 快速判断：我能运行什么？

场景 1️⃣：只有 CPU、完全离线

场景 2️⃣：有国内 API（DeepSeek / 阿里云）或本地 llama.cpp / Ollama

场景 3️⃣：有 GPU + 能下载模型权重

场景 4️⃣：用云端环境（Google Colab / CNB）

依赖总览

代码实验清单

第1章：DSP基础

主力脚本（`make run-exp-ch01`）

扩展脚本（按需运行）

测试文件：`tests/test_ch01_dsp.py`（8 个测试）

第2章：优化与机器学习

主力脚本（`make run-exp-ch02`）

扩展脚本（按需运行）

测试文件（2 个文件，12 个测试）

第3章：深度学习快速通道

主力脚本（`make run-exp-ch03`）

扩展脚本（按需运行）

测试文件：`tests/test_ch03_deep_learning.py`（5 个测试）

第4章：Transformer详解

主力脚本（`make run-exp-ch04`）

扩展脚本（按需运行）

测试文件：`tests/test_ch04_transformer.py`（5 个测试）

第5章：LLM基础

主力脚本——离线（`make run-exp-ch05`，8 个）

主力脚本——API（`make run-exp-ch05-api`）

测试文件：`tests/test_ch05_llm_basics.py`（5 个测试）

第6章：LLM应用

主力脚本（`make run-exp-ch06`）

扩展脚本（`make run-exp-ch06-extra`）

测试文件：`tests/test_ch06_llm_applications.py`（4 个测试）

第7章：多模态LLM

主力脚本（`make run-exp-ch07`，完全离线，6 个）

重度脚本（`make run-exp-ch07-heavy`，需额外依赖 + 下载模型）

测试文件：`tests/test_ch07_multimodal.py`（6 个测试）

第8章：LLM工程实践

主力脚本（`make run-exp-ch08`）

测试文件：`tests/test_ch08_engineering.py`（8 个测试）

常见问题

Q1: 如何配置 LLM API 密钥？

Q2: LLM API 调用超时或失败？

Q3: 如何降低 LLM API 的成本？

Q4: 如何在离线环境中运行代码？

获取帮助