开发环境配置

工欲善其事，必先利其器。一套趁手的开发环境会显著提升你的科研效率。本节介绍编程语言选择、IDE 配置、AI 编程工具和常用包的安装。关于 Python 虚拟环境的详细配置，请参见 Python 环境配置。

编程语言

实验室的日常工作主要涉及四种语言，各有不同的使用场景：

Python 是实验室的主力编程语言，几乎所有的代码实现、数据分析和模型训练都基于 Python 完成。建议在第一周就开始学习基础语法，熟练掌握 NumPy、Pandas 等核心库的使用。如果你还没有编程基础，可以从官方教程 The Python Tutorial 或中文版的 廖雪峰 Python 教程 入手。

Markdown 是另一个需要立刻上手的技能。它是 AI 对话、笔记记录、文档写作的通用格式。语法极其简单，十分钟就能学会基本用法。推荐阅读 Markdown 官方指南。

Matlab 在数值分析和部分仿真实验中仍然常用，特别是一些经典的模糊系统和决策方法的早期实现。如果你的课题需要复现早期论文，可能会用到它。

LaTeX 则是学术论文排版的标准工具。不需要在入学初期专门学习，等到开始写论文时再学即可。推荐使用在线编辑器 Overleaf，免去本地环境配置的麻烦。

IDE 选择

一个好的 IDE（集成开发环境）能让你的编程体验事半功倍。以下是实验室常用的几款：

VS Code + GitHub Copilot 是目前的首选方案。VS Code 本身轻量、插件生态丰富，配合 GitHub Copilot 可以获得强大的 AI 代码补全和对话辅助能力。安装步骤：

1. 下载安装 VS Code
2. 安装 Python 扩展（搜索 “Python” by Microsoft）
3. 安装 GitHub Copilot 扩展（需要 GitHub 账号，学生可免费使用）
4. 可选：安装 Jupyter、Markdown All in One 等实用扩展

PyCharm 是 JetBrains 出品的专业 Python IDE，代码补全、调试、重构等功能非常完善。Professional 版本对学生免费，社区版也足够日常使用。如果你习惯功能集成度高的 IDE，PyCharm 是很好的选择。

Cursor 是基于 VS Code 构建的 AI 原生编辑器，内置了更深度的 AI 交互能力。如果你已经熟悉 VS Code 并且希望更强大的 AI 辅助体验，可以尝试 Cursor。

AI 编程 Agent

AI 编程 Agent 可以帮助你理解代码、生成代码，甚至自动完成复杂的编程任务。它们通常在终端（Terminal）中运行，拥有读写文件、执行命令等能力，能够自主完成多步骤的编程任务：

Claude Code 是目前最推荐的终端编程 Agent。它可以直接在你的项目目录中工作，理解项目结构、阅读文件、编写代码、运行测试，整个过程高度自动化。对于复现论文代码、调试复杂程序、搭建项目脚手架等任务非常实用。

必备 Python 包

以下是科研工作中最常用的 Python 包。安装方法参见 Python 环境配置 中的详细说明。

NumPy 和 Pandas 是数据处理的基本功，几乎每个项目都会用到。Matplotlib 是绑制论文图表的标准工具。这三个包建议首先掌握。

scikit-learn 提供了几乎所有经典机器学习算法的标准实现，API 设计统一简洁，是快速实验和原型开发的首选。

PyTorch 是当前学术界使用最广泛的深度学习框架，以动态计算图和 Pythonic 的 API 著称。如果你的研究涉及神经网络，PyTorch 是必学的工具。

快速安装所有常用包：

pip install numpy pandas matplotlib scikit-learn torch axisfuzzy langchain

版本控制

版本控制是现代软件开发的基础技能，对于科研编程同样重要——你一定不想丢失一周的代码改动。

Git 是每个做编程的研究者都必须掌握的工具。它能记录代码的每一次修改历史，让你随时回退到之前的版本，也方便多人协作。建议在第一周就学会 git init、git add、git commit、git push 等基本操作。

GitHub 不仅是代码托管平台，更是查找论文复现代码和开源工具的重要入口。很多论文的代码实现都会发布在 GitHub 上。学生可以申请 GitHub Education 获取免费的 Copilot 和 Pro 权益。

Hugging Face 是下载和使用开源大模型、数据集的首选平台。如果你的研究涉及大模型或 NLP，经常需要从这里获取预训练模型和基准数据集。