AI Universal Environment Platform产品系统Vibe Coding

面向刚接触Python、人工智能和科研代码复现的学生、研究生及非计算机专业科研人员，解决Windows环境下Python、Conda、PyTorch、CUDA与项目依赖版本难以匹配的问题。用户可通过图形化界面选择预置AI方案或导入Git项目，无需熟悉复杂命令行即可完成环境检查、隔离部署、依赖修复和结果验证，适用于AI课程实践、论文代码复现、YOLO目标检测、PyTorch GPU训练及本地大模型推理等场景。

1. 新手方案部署：提供AI入门、PyTorch GPU训练、YOLO目标检测、本地大模型推理等预置环境方案。
2. 项目一键部署：支持导入本地项目、HTTPS Git地址以及requirements.txt、environment.yml、pyproject.toml、conda-lock等依赖文件。
3. 智能硬件适配：自动检测NVIDIA显卡、显存和驱动能力，并匹配适合的PyTorch CPU或CUDA官方安装源。
4. 隔离环境管理：统一创建和管理Conda、venv环境，避免项目之间相互污染。
5. 依赖诊断修复：通过版本约束分析识别可修复冲突和依赖死锁，修复前自动保存环境快照，完成后重新校验。
6. 可验证部署：安装结束后执行依赖完整性和GPU可用性检查，并保存任务日志、历史记录和复现报告。

我负责项目需求分析、产品原型、桌面端架构设计、核心功能开发、测试验证及打包交付。项目采用Python与Tkinter构建Windows桌面客户端，按照界面层、环境管理、依赖解析、硬件检测、任务调度和日志记录进行模块化设计。底层封装Conda、venv与pip，通过子进程流式读取安装日志，并使用多线程任务队列保持界面响应。

针对依赖冲突，实现了按目标包聚合的全局版本约束分析，可区分能够自动修复的问题与无法求解的依赖死锁；修复前保存pip freeze环境快照，修复后再次执行完整性校验。针对PyTorch与CUDA配置难点，通过nvidia-smi读取显卡、驱动及CUDA兼容能力，匹配官方安装源，并使用torch.cuda.is_available()验证GPU是否真正可用。开发过程中使用AI辅助进行原型迭代和代码重构，由我负责需求定义、架构决策、代码审查及最终验证。