在编程工作流里生成式 AI 的价值不只是聊天而是把模型放进一个能边写边跑边验证的环境。Jupyter Notebook 因为支持单元格交互、状态保留、富文本和可视化输出成为快速试验提示词、调用模型 API、调试本地模型最顺手的工具之一。这篇博客会围绕 Jupyter Notebook 集成生成式 AI 的环境配置、在线 API 与本地开源模型两条接入路线以及常见故障排查展开目标是让读者在读完并操作后能够在一台普通开发机里完成“启动 Notebook、接入模型、批量试验、验证结果、沉淀可复用代码”的完整链路。适合的读者包括刚开始接触生成式 AI 的 Python 开发者想在 Notebook 里批量调用大模型 API 做效果对比的算法同学以及想用本地开源模型替代在线服务做隐私实验的工程师。整篇文章会尽量按照“为什么这样设计、怎么搭环境、怎么写代码、怎么排查问题”的顺序推进。1. 为什么把 Jupyter Notebook 作为生成式 AI 的开发试验台1.1 生成式 AI 工作流需要“对话、调试、记录”三位一体现在写一个生成式 AI 应用通常不会一次成功。无论是调 API 还是跑开源模型都要反复调整系统提示词、用户提示词、temperature、max_tokens 等参数然后观察输出质量。这种迭代模式如果放在普通.py脚本里每次修改都要整文件运行过程难回溯结果难对比。Jupyter Notebook 的核心价值在于单元格级别的运行和结果留存。改一个单元格、观察一次输出下一次再改下一个单元格前面生成过的内容仍然留在页面上。这种工作方式特别接近“调试 实验记录”的复合需求。实际项目中Notebook 非常适合做 AI 功能原型验证比如某个提示词版本在一个数据集上表现如何或者某个模型的错误信息是否可以自动修复。1.2 Notebook 与普通脚本的核心差异从执行模型上说Notebook 把代码拆成多个 cell共享同一个内核kernel。内核就是 Python 解释器进程变量、模块状态和模型实例可以在 cell 之间保持。普通脚本每次运行都会重启进程重新加载配置、重新下载模型而 Notebook 中模型只要加载一次后续所有 cell 都可以复用同一个实例。这个差异在本地大模型场景中尤其重要。1B 参数级别的模型加载到内存可能就需要数 GB如果每次调用都重新加载实验效率会非常低。把模型的初始化放在一个 cell 里后续实验只需要调用生成函数省掉了重复加载的开销。1.3 Jupyter Notebook 与 Jupyter Lab 怎么选很多新同学会混淆 Notebook 和 Lab。两者其实共用同一套内核、同一个.ipynb文件格式和同一套扩展体系差别主要在界面形态。对比维度Jupyter NotebookJupyter Lab界面布局单文档标签页较简洁多面板、分栏支持拖拽文件操作文件列表较弱内置文件树、终端、文本编辑器多任务处理一次专注一个 Notebook可同时编辑多个 Notebook 和脚本插件生态经典成熟部分插件仍只支持经典版新一代扩展体系官方推荐上手成本简单直接布局稍复杂习惯后效率更高当前新项目一般推荐 Jupyter Lab。但很多课程、例题和网上代码仍然以 Notebook 命名和操作为主学习阶段如果只装 Notebook 也没有问题。后续的命令基本都是通用的因为安装、内核、配置方式一致。2. 环境准备Python、Anaconda 与 Notebook 服务2.1 先确认 Python 与包管理工具Jupyter Notebook 运行的底层是 Python 内核所以第一步是有一份可用的 Python 环境。很多教程默认使用 Anaconda因为 conda 能同时管理 Python 版本和第三方包创建隔离环境很方便。如果没有 Anaconda也可以用系统自带的 Python 加 venv 或 pyenv只是命令略有不同。建议先执行以下命令确认基础信息python --version pip --version conda --version在 Windows 上如果python命令不是内部或外部命令说明 Python 没有加入 PATH需要在安装器里勾选 Add to PATH或者使用 Anaconda Prompt 来运行命令。生产环境中更推荐用 conda 环境装固定版本避免不同项目互相污染依赖。2.2 用 Anaconda 创建隔离环境并安装 Jupyter这里的目标不是直接往 base 环境里堆包而是为这个生成式 AI 项目单独建一个环境。原因很直接base 环境往往是系统