ai工作台项目目录结构已按四层模块（core/models/prompts/eval）解耦设计，含git初始化、环境隔离、cli入口及自动化检查配置。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要快速搭建一个可扩展、易维护的AI工作台项目目录，让模型调用、数据预处理、提示工程和结果评估能分层解耦，避免后期代码混杂、路径错乱或环境冲突。
初始化项目根目录与基础配置
在终端中进入目标父文件夹，执行：mkdir ai-workbench && cd ai-workbench。
运行 git init 初始化仓库，立即创建 .gitignore 文件，填入 __pycache__/、*.pyc、.env、outputs/ 和 logs/ —— 这些不纳入版本控制的条目若遗漏，后续提交会意外泄露临时文件或密钥。
用 touch pyproject.toml 新建配置文件，写入最低兼容声明：[build-system]\nrequires = ["setuptools>=45", "wheel"]\nbuild-backend = "setuptools.build_meta"。
构建核心四层模块目录
执行以下命令一次性建立主干结构：
mkdir -p src/{core,models,prompts,eval} tests configs docs
其中 src/core 存放工作台调度器、上下文管理器和统一日志封装；src/models 专用于封装 Claude、GPT、本地 Llama 等模型的标准化调用接口，【每个模型子目录必须包含 __init__.py 和 client.py 两个文件，否则 import 时会报 ModuleNotFoundError】；src/prompts 按任务类型（如 extraction、classification、rewrite）分文件夹，每个 prompt 文件以 YAML 格式定义 template、variables、output_schema；src/eval 放置指标计算函数、人工评估模板和自动化对比脚本。
注意：tests 下不要直接写测试用例，先建 tests/unit 和 tests/integration 两级子目录——单元测试只 mock 模型响应，集成测试才真实调用 API。
配置开发环境与依赖隔离
方法一：用 uv 创建轻量虚拟环境
使用 @youdotcom-oss/teams-anthropic 将 Anthropic Claude 模型（Opus、Sonnet、Haiku）添加到 Microsoft Teams.ai 应用程序中。可选集成 You.com MCP 服务器以进行网页搜索和内容提取。
运行 uv venv .venv，再执行 source .venv/bin/activate（macOS/Linux）或 .venv\Scripts\Activate.ps1（Windows PowerShell）。
方法二：用 pipx 安装全局 CLI 工具链
先确保 pipx 已安装，然后运行 pipx install pre-commit ruff pyright —— 这三个工具将脱离项目环境独立运行，避免不同项目间格式化规则互相干扰。
在项目根目录运行 pre-commit install，自动挂载 Git 提交前的代码检查钩子。这一步跳过会导致后续多人协作时格式混乱，且难以追溯源头。
注入首个可运行的CLI入口
第一步：在 src/ 下新建 __main__.py 文件。
第二步：写入最简调度逻辑：if __name__ == "__main__":\n print("AI Workbench v0.1.0 is ready.")。
第三步：回到根目录，执行 python -m src，终端应输出版本就绪提示——这验证了 Python 模块路径解析正常，【若报错 'No module named src'，说明未设置 PYTHONPATH 或未在根目录下执行】。
第四步：添加 pyproject.toml 中的可执行段：[project.entry-points."console_scripts"]\naiwb = "src.__main__:main"，然后运行 pip install -e . 完成本地可调用安装。
