1. 为什么要在 Cursor 里单独给 PyTorch 建 conda 环境如果你刚开始学深度学习大概率会遇到这样一个场景电脑里装了好几个 Python 项目有的用 TensorFlow有的用 PyTorch还有的只是跑个爬虫脚本。如果所有包都往全局环境里塞迟早会出现版本打架——今天 PyTorch 要 CUDA 12.1明天某个库又只兼容 numpy 1.x最后连import torch都报错。Cursor 本质上是基于 VS Code 深度定制的编辑器它的 Python 插件、终端、调试器和 VS Code 几乎一致所以环境隔离这件事必须靠 conda 来做。conda 虚拟环境能做什么简单说就是给每个项目单独开一个房间房间里的 Python 版本、pip 包、CUDA 工具链互不干扰。你在这个房间里装 PyTorch 2.x隔壁房间照样可以跑 PyTorch 1.x谁也不影响谁。这篇笔记面向的是刚接触深度学习、准备用 Cursor 写 PyTorch 代码的同学。我会从创建 conda 环境开始一步步走到在 Cursor 里选中这个环境、装好 PyTorch、验证 GPU 是否可用最后再接入 TaoToken 的统一 Key/API 通道解决多工具之间密钥分散、环境变量到处复制的问题。整套流程走完你应该能在本地跑通一个最小的 PyTorch 环境并且完成一次 TaoToken 的连通性检查。需要提前说明的是TaoToken 在这里扮演的是统一模型调用入口的角色。你在 Cursor 里写代码、调试、让 AI 助手补全背后可能要用到不同的模型服务如果每个工具都单独配一套 Key管理起来很麻烦。通过 TaoToken 的 API 通道可以用一套 Key 覆盖多个调用场景这也是我后面会重点配置的部分。2. 前置准备Anaconda、Cursor 与 TaoToken Key动手之前先把三样东西准备好。第一是 Anaconda。它相当于一个 Python 工具合集装完之后 conda 命令、Python 解释器、常用的科学计算库都会就位。去 Anaconda 官网下载对应系统的安装包像装普通软件一样下一步下一步即可。安装完成后打开终端输入conda --version能打印出版本号就说明成功了。第二是 Cursor。它的界面和 VS Code 几乎一样左边文件目录中间代码编辑区下面终端右边是 AI 助手区。区别在于右侧的 AI 能力更强能调用模型帮你改 bug、写函数。下载安装后建议先在扩展市场里确认 Python 插件已经启用因为后面选择解释器要靠它。第三是 TaoToken 的 API Key。访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后进入控制台创建 Key。这里有个细节Key 只在创建时完整显示一次记得立刻复制保存到安全的地方。TaoToken 的 API 基础地址是 https://taotoken.net/api这个地址后面配置环境变量和请求时都会用到。提示不要把 API Key 直接写进代码文件里再提交到 Git。正确做法是放进环境变量或者本地不被追踪的配置文件后面我会给出具体写法。三样东西齐了就可以开始建环境了。3. 在 Cursor 中创建并激活 conda 虚拟环境3.1 用命令创建环境打开 Cursor按Ctrl调出终端。我习惯直接用命令行创建因为参数清晰、可复现。假设项目叫pytorch-demo想要 Python 3.10conda create -n pytorch-demo python3.10 -y-n指定环境名python3.10锁定版本-y跳过确认。执行完会看到 conda 下载并安装基础包。创建完成后激活conda activate pytorch-demo激活后终端提示符前面会出现(pytorch-demo)说明当前会话已经进入这个环境。你可以用which pythonWindows 用where python确认解释器路径指向 conda 环境目录而不是系统全局的 Python。3.2 在 Cursor 界面里选中这个环境命令行激活只对当前终端生效Cursor 的代码编辑、调试、AI 补全还需要单独指定解释器。操作方式打开任意.py文件点击右下角的状态栏会弹出系统中所有 Python 环境列表找到刚创建的pytorch-demo选中即可。选中后 Cursor 会在项目根目录生成.vscode/settings.json记录解释器路径。如果你更喜欢手动控制也可以直接编辑这个文件。下面是一个配置骨架{ python.defaultInterpreterPath: ~/anaconda3/envs/pytorch-demo/bin/python, python.terminal.activateEnvironment: true, terminal.integrated.env.linux: { TAOTOKEN_API_KEY: 你的Key, TAOTOKEN_BASE_URL: https://taotoken.net/api } }Windows 用户的路径类似C:\\Users\\你的用户名\\anaconda3\\envs\\pytorch-demo\\python.exe注意反斜杠要转义。python.terminal.activateEnvironment设为 true 后每次在 Cursor 里新建终端都会自动激活当前环境省去手动conda activate的步骤。3.3 安装 PyTorch环境激活后先看一眼里面有什么pip list你会发现没有 torch。去 PyTorch 官网的选择器里挑对应 CUDA 版本的安装命令比如 CUDA 12.1 的写法pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你没有 NVIDIA 显卡或者只想先用 CPU 跑通流程把--index-url换成 CPU 版本即可。安装完成后再次pip list能看到 torch 就说明装好了。4. 接入 TaoToken统一 Key 与环境变量配置4.1 为什么要统一通道学到后面你会发现Cursor 的 AI 助手、自己写的脚本、可能还有别的命令行工具都要调用模型服务。如果每个地方都填一遍 Key改一次要改好几处还容易泄露。TaoToken 的思路是提供一个统一的 API 入口你只需要维护一套 Key 和 Base URL各个工具都指向它。4.2 环境变量的两种写法第一种是写进 Cursor 的settings.json就是上面 3.2 里那段terminal.integrated.env这样 Cursor 内置终端启动时会自动带上这两个变量。第二种是写进项目根目录的.env文件配合python-dotenv读取适合脚本调用TAOTOKEN_API_KEY你的Key TAOTOKEN_BASE_URLhttps://taotoken.net/api然后在 Python 里这样读import os from dotenv import load_dotenv load_dotenv() api_key os.getenv(TAOTOKEN_API_KEY) base_url os.getenv(TAOTOKEN_BASE_URL) print(Key 已加载:, bool(api_key)) print(Base URL:, base_url)记得把.env加进.gitignore避免误提交。4.3 在 Cursor 的 AI 配置里指向 TaoToken如果你希望 Cursor 的 AI 助手也走 TaoToken 通道可以在 Cursor 的设置里找到模型/API 相关配置项把 Base URL 填成https://taotoken.net/apiKey 填 TaoToken 的 Key。具体入口在 Cursor 设置面板的模型区域不同版本位置略有差异按界面提示操作即可。配置完成后Cursor 的补全和对话请求就会经过 TaoToken 转发。5. 验证一次请求确认 PyTorch 与 TaoToken 都通了环境配好了得验证两件事PyTorch 能不能用 GPUTaoToken 通道能不能通。先验证 PyTorchimport torch print(PyTorch 版本:, torch.__version__) print(CUDA 是否可用:, torch.cuda.is_available()) if torch.cuda.is_available(): print(GPU 型号:, torch.cuda.get_device_name(0))如果torch.cuda.is_available()返回 True说明 GPU 可以被 PyTorch 调用。返回 False 的话先确认显卡驱动和 CUDA 版本是否匹配再检查安装命令里的cu121是否和本机 CUDA 对应。再验证 TaoToken 连通性。用 requests 发一个最小请求import os import requests from dotenv import load_dotenv load_dotenv() headers { Authorization: fBearer {os.getenv(TAOTOKEN_API_KEY)}, Content-Type: application/json } payload { model: claude-3-5-sonnet, messages: [{role: user, content: 回复两个字连通}] } resp requests.post( f{os.getenv(TAOTOKEN_BASE_URL)}/v1/messages, headersheaders, jsonpayload, timeout30 ) print(状态码:, resp.status_code) print(返回:, resp.text[:200])状态码 200 且返回内容里有正常回复就说明 Key 和 Base URL 都配置正确。如果返回 401检查 Key 是否复制完整返回 404检查 Base URL 有没有多写或少写路径。你也可以直接在浏览器里打开模型对话页面做一次手动验证确认账号和 Key 状态正常。6. 本篇常见报错与排查报错一conda: command not found说明 Anaconda 没装好或者没加进 PATH。Windows 用户重新运行安装程序勾选添加到 PATHmacOS/Linux 用户检查~/.bashrc或~/.zshrc里有没有 conda 的初始化脚本。报错二Cursor 右下角找不到刚创建的环境先确认环境确实创建成功conda env list能看到然后重启 Cursor 或按CtrlShiftP执行 Python: Select Interpreter 手动刷新列表。报错三torch.cuda.is_available()返回 False最常见的原因是安装的 torch 是 CPU 版本或者 CUDA 版本和驱动不匹配。用pip list看 torch 版本号后面有没有cu121之类的标记没有就说明装的是 CPU 版需要按官网命令重装。报错四TaoToken 请求返回 401Key 错误或过期。去控制台重新生成一个注意复制时不要带空格。如果 Key 放在.env里确认load_dotenv()在读取之前调用。报错五请求超时检查网络是否能访问https://taotoken.net/api可以用curl -I https://taotoken.net/api看返回头。如果公司网络有限制换一个网络环境再试。报错六ModuleNotFoundError: No module named dotenv忘了装依赖执行pip install python-dotenv即可。7. 下一步把环境用起来到这里conda 环境、PyTorch、Cursor 解释器、TaoToken 通道都已经打通。接下来你可以做几件事如果你主要用 Cursor 写代码、让 AI 帮你补全和调试建议去控制台把 API Key 管理好并阅读接入文档了解不同模型的调用参数地址分别是 API Keys 页面和接入文档页面。如果你打算长期用 AI 辅助编码、跑 Agent 任务可以了解一下 Coding Plan它更适合高频调用场景。如果只是想先验证模型效果直接打开模型对话页面聊几句最直观。我自己的习惯是每开一个新项目先conda create一个干净环境把.env和settings.json配好然后跑一遍上面那两段验证代码。确认 torch 和 TaoToken 都通了再开始写正式代码。这样能避免写到一半才发现环境有问题回头排查成本更高。下一篇笔记我会记录如何用这个环境跑通第一个卷积神经网络把数据加载、模型定义、训练循环串起来。环境这关过了后面就顺了。
