在进行具体的开发之前，我们需要选择具体采用的实现技术，并搭建开发环境。我们在这里选择Python 3.x，因为我们会将人工智能、机器学习的算法应用到代码生成中，而在人工智能和机器学习领域，Python无疑是最流行的语言，因此我们选择Python语言有利于我们在后期引入人工智能和机器学习算法。其次是选择开发平台，对于软件开发而言，比较理想的开发平台，当然是Linux系统，例如Ubuntu系统，再有就是MacOS系统。但是国内程序员大多数都用的是Windows系统，因此为了更接地气，我们在这里也选择Windows平台。
下面，我们就来看一下怎样在Windows平台下，搭建一个Python的人工智能开发环境。
首先第一步是安装Python。当然我们可以选择到Python网站下载最新版本Python，然后安装各种科学计算的扩展，诸如numpy、scikit、matplotlib、PIL等，虽然有pip安装工具，但是配置PIL等还是需要很多依赖，一一找齐它们在Windows下的二进制最新版本，并且彼此兼容，是一个需要极大耐心的体力活。幸亏有人体谅我们的苦处，为我们准备了一键是安装工具anaconda。这个软件可以帮助我们一次安装好Python科学计算所需的依赖库，非常方便。
我们首先到官网上下载安装文件：https://repo.continuum.io/archive/Anaconda3-4.3.0.1-Windows-x86_64.exe，注意我在这里列出的是我下载时的最新版本，同时是针对Windows 64位的系统，大家需要根据自己系统选择不同的版本。
下载完成之后，双击就可以进行安装了，按照系统的提示，一步一步进行正常安装即可。安装完成后，打开一个Dos窗口，在命令行中输入命令：
python
如果可以进入到python提示符状态，那么就说明我们的安装是成功的。下面在命令行试着引入几个库：
import numpy as np import matplotlib.pyplot as plt import PIL
如果系统不报错，就基本证明我们的安装是成功的。为了进一下证明我们的安装是成功的，大家可以编定一个绘制Sigmoid函数曲线的程序，代码t0.py如下所示：
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-5.0, 5.0, 1000)
y = (1 / (1 + np.exp(-x)))
plt.figure(figsize=(8, 4))
plt.plot(x, y, label='$exp(x)$', color='blue', linewidth=2)
plt.xlabel('x')
plt.ylabel('y')
plt.title('logistic function')
plt.ylim(0, 1.1)
plt.xlim(-5.0, 5.0)
plt.legend()
plt.show()
在Dos命令行下运行：python t0.py，系统会打出如下所示的图形：
当有了Python开发环境之后，我们就需要下载自动代码生成中需要用到的库Jinja2。由于我们将用Jinja2来生成代码，可能会涉及深度定制Jinja2代码，因此我们选择以源码形式安装Jinja2。为了能以源码形式安装Jinja2，我们需要安装Git命令行工具。大家随使下载一个Windows下的Git工具即可。
进入Git命令行模式，进入到开发根目录（以下我们用$home表示），创建并进入libs目录，检出Jinja2的代码：
git clone git://github.com/pallets/jinja.git
这会在当前目录（$home/libs/）下创建jinja目录。
下面我们来做一个Hello World级的小程序，来看一下我们的Jinja2库是否下载成功。
我们在$home目录下创建t1.py文件，写入如下内容：
import sys
sys.path.append('./libs/jinja')
from jinja2 import Template
template = Template('Hello {{ name }}')
rst = template.render(name='Yt')
print(rst)
系统会打印出Hello Yt，这说明运行时Jinja2将我们的表达式{{ name }}求出具体的值，这里是Yt，并将结果打印出来。
至此，我们的开发环境搭建就完成了。在下一节中，我们将一起来学习一下Jinja的语法，这是我们代码生成的基础。