Week 1：认识 Agent、安全使用 DSH，并完成第一个数据问题

本章导读 时长：3 节课，每节 45 分钟 数据：data/01-agent/nyc_airbnb.csv 你将学到：认识 AI Agent、常见 Agent 与大模型，理解 DeepSeek + DSH 的特点和安全使用规则，安装本课程环境，再分别体验传统 Python 编程和 Vibe Coding 本周产出：projects/<姓名>/first_analysis.py

本周三节课的安排：

1. 第 1 节课：认识 Agent、大模型与安全规则，不安装软件；
2. 第 2 节课：安装 Python/VS Code/Node.js，并完成传统 Python 测试 hello.py；
3. 第 3 节课：安装 DSH、配置工作区，并完成第一次 Vibe Coding 数据问题。

1. 第 1 节课：认识 Agent、大模型与安全规则（45 分钟）

第一节不急着安装软件，先按这个顺序讲明白：现在有哪些常见大模型 → 大模型和 Agent 的发展历史 → 什么是 AI Agent → 常见 Agent 有哪些 → 为什么本课程用 DeepSeek + DSH → 怎么安全使用 Agent。后面的所有操作都建立在这些认知之上。

1.1 现在常见的大模型

大模型是 Agent 的“大脑”。先认识模型，再理解 Agent，因为同一个 Agent 环境可以替换不同大模型，但模型能力决定它到底能理解什么、生成什么。

对数据分析课来说，我们看重三件事：中文提问能不能听懂、代码和推理准不准、学生自己用起来贵不贵。DeepSeek 在这三点上比较均衡，所以本课程选它作为默认大模型。

价格会随厂商政策变化，上表是课程整理时的参考口径，实际以 ChatGPT、Claude、Gemini、DeepSeek、Qwen、Llama 各自官网为准。课程里不需要背价格，只需要会判断“订阅费、API 费、自部署硬件费”这三类成本。

参考链接：

• Hannibal046/Awesome-LLM：持续更新的大语言模型论文、工具和教程清单。
• WangRongsheng/awesome-LLM-resources：中文友好的 LLM、Agent、多模态与训练推理资料汇总。
• luban-agi/Awesome-AIGC-Tutorials：面向入门学习的 LLM 和 AIGC 教程合集。

1.2 大模型的发展历史

大模型的历史：

参考链接：

• Hannibal046/Awesome-LLM：持续更新的大语言模型论文、工具和教程清单。
• luban-agi/Awesome-AIGC-Tutorials：面向入门学习的 LLM 和 AIGC 教程合集。

1.3 什么是 AI Agent

AI Agent（智能体）不是普通的聊天机器人。聊天机器人只能“说”，Agent 还能“做”。DeepSeek Harness（DSH）就是一个能读写文件、运行命令、搜索网页、执行长任务的 Agent 工作环境。

一个 Agent 至少由四部分组成：

DSH 的工作方式是一个循环：理解目标 → 制定计划 → 调用工具 → 看到结果 → 调整计划。例如你让它“读取 Airbnb 数据”，它先找到文件，再运行 Python 读取，然后把结果贴给你。

flowchart LR
    A[你提出目标] --> B[Agent 制定计划]
    B --> C[Agent 调用工具]
    C --> D[工具返回真实结果]
    D --> E{结果符合目标吗}
    E -- "不符合" --> B
    E -- "符合" --> F[Agent 汇报结果]
    F --> G[你审查并验证]

最重要的观念：Agent 是执行者，不是负责人；你是负责人。 Agent 会做的事，是它的工具允许它做的事；它能做到哪一步，取决于你在界面上确认了什么。

1.4 常见的 AI Agent

常见的 Agent 可以分成四类，权限从小到大的顺序是：网页助手 → 代码补全 → AI IDE → 本地 Agent。

记住这条规律：Agent 能做的事情越多，风险越大。 网页助手帮你写答案，出了问题你可以不看；本地 Agent 帮你删文件、改配置、装软件，出了问题会真实发生在你的电脑上。

收费上有两个容易混的点：产品订阅费和模型 API 费是两回事。例如 ChatGPT Plus 是订阅 ChatGPT 这个产品；GitHub Copilot 是订阅编辑器里的补全服务；而 Claude Code、Codex CLI、DSH 这类本地 Agent 往往工具本身免费，真正的费用来自你配置的大模型 API。课程选择 DeepSeek + DSH，就是因为订阅成本为零、API 单价低，同时能控制本地权限。

1.5 Agent 的发展历史

在理解了什么是 Agent、见过常见 Agent 后，再回看 Agent 是怎么发展过来的，会更容易把产品分类和底层能力对上。

参考链接：

• e2b-dev/awesome-ai-agents：AI Agent 框架、论文、工具和项目清单。
• luo-junyu/Awesome-Agent-Papers：以论文为主的 LLM Agent 综述和进展。
• Shubhamsaboo/awesome-llm-apps：Agent、RAG 和应用案例合集。

1.6 本课程为什么用 DeepSeek + DSH

DeepSeek 提供“大脑”，DSH 提供“手脚”。这一节只讲概念，具体的 DSH 安装、界面和工作区配置在第 3 节课完成。

DeepSeek 的特点：

• 中文自然语言理解好，适合用中文描述分析任务；
• 推理和代码能力适合写 pandas、跑统计、画图；
• API 成本低，适合学生反复尝试；
• 支持长任务和工具调用，适合配合 Agent 使用。

DSH 的特点：

• 有本地工作区：Agent 主要只操作你选定的目录；
• 有真实工具：能读文件、写文件、运行 Python 命令、搜索网页；
• 有任务机制：plan mode、长期目标、后台子代理、workflow；
• 有安全边界：执行命令前可能请求确认，学生可以打断；
• 有 Web 界面：浏览器打开 http://127.0.0.1:3080 即可使用。

flowchart LR
    A[DeepSeek 大模型<br/>负责理解和生成方案] --> B[DSH Agent 环境<br/>负责规划和调用工具]
    B --> C[读文件 / 写文件]
    B --> D[运行 Python 命令]
    B --> E[搜索网页]
    C --> F[工具返回真实结果]
    D --> F
    E --> F
    F --> G[你审查并验证]

1.7 安全使用 Agent

Agent 能做的事情和真人操作电脑一样有后果：删除文件、覆盖文件、安装软件、下载数据、执行命令。如果学生看不懂命令就点击“允许”，一个不小心就可能把课程项目、原数据甚至系统环境弄坏。

本课程的安全规则，先背下来再动手：

1. 看不懂的命令不执行。 Agent 请求执行命令时，先读命令本身；看不懂就让它解释，解释完仍看不懂就查看课程说明或问 DSH。
2. 只在自己的工作区里干活。 课程任务只允许修改 projects/<姓名>/ 和课程指定的目录；原始数据目录只读。
3. 不处理秘密。 不把 API Key、密码、个人身份信息发给 Agent，也不让它写进文件。
4. 每步都有验证。 Agent 说“完成”不等于完成；必须运行、看输出、检查结果。
5. 发现异常立即喊停。 看到删除、格式化、上传、安装系统级软件等命令，先停下来。

风险点与应对规则

安全使用流程

每次使用 DSH 完成任务，都按这个流程走：

flowchart LR
    A[说清目标和验收标准] --> B[先审计划]
    B -->|看不懂| C[让 Agent 解释或暂停]
    C --> B
    B -->|可以| D[执行最小一步]
    D --> E[检查输出和文件改动]
    E -->|不对| D
    E -->|正确| F[保存代码并写结论]

本节自测

第 1 节课下课前完成一次快速自测：写出 3 个“绝对不执行”的命令，以及 3 个“执行前必须确认”的操作。写不出来，第 2 节课不许开始安装。

2. 第 2 节课：安装环境并完成传统 Python 测试（45 分钟）

第二节课的目标是在 45 分钟内完成三件事：装好 Python 环境、装好 VS Code、用传统方式运行 hello.py。DSH 不在这节课安装，放到第 3 节课。

本课程需要安装：Anaconda（Python 环境）、VS Code（编辑器）、Node.js（第 3 节课安装 DSH 的运行环境）。

2.1 从 TUNA 镜像下载 Anaconda

Anaconda 不要从官网下载，国内网络直接使用清华 TUNA 镜像更快、更稳定。

TUNA 的 Anaconda 镜像帮助页：

https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

下载目录：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

在目录里选择最新版本，按系统下载对应文件：

版本号会不断更新，选择目录里最新日期对应的文件即可，不要死记文件名。

2.2 安装 Anaconda 并配置 TUNA 镜像

Windows

1. 双击下载好的 .exe 安装包。
2. 一路 Next，到许可协议时点 I Agree。
3. 选择 Just Me，安装到默认路径。
4. 到 Advanced Installation Options 时，勾选 Add Anaconda3 to my PATH environment variable。
5. 等待安装完成，不要提前关闭窗口。
6. 打开 cmd、PowerShell 或 Anaconda Prompt，运行：

python --version
conda --version

macOS

1. 双击下载好的 .pkg 安装包，按提示安装。
2. 打开“终端”，运行 conda init 让 Anaconda 生效：

conda init zsh

如果默认 shell 是 bash，运行：

conda init bash

3. 关闭终端再重新打开。
4. 验证：

python --version
conda --version

Linux

1. 打开终端，进入下载目录：

cd ~/Downloads

2. 运行安装脚本：

bash Anaconda3-版本号-1-Linux-x86_64.sh

3. 按 Enter 阅读协议，输入 yes 同意。
4. 安装位置保持默认。
5. 提示是否初始化 conda 时输入 yes。
6. 让配置生效：

source ~/.bashrc

7. 验证：

python --version
conda --version

三个系统只要能输出版本号即可：

Python 3.12.8
conda 24.11.3

版本号不一样也没关系，只要两个命令都能打印版本就行。

配置 TUNA 镜像

先让 conda 生成配置文件：

conda config --set show_channel_urls yes

Windows 配置文件在：

C:\Users\<你的用户名>\.condarc

macOS / Linux 配置文件在：

~/.condarc

把 .condarc 改成 TUNA 镜像：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

再把 pip 也改成 TUNA 镜像：

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

以后 conda install 和 pip install 都会自动走 TUNA 镜像。

2.3 安装并配置 VS Code

本课程统一使用 VS Code 作为编辑器，所有 .py 文件都用它创建、编辑和运行。

安装 VS Code

1. 打开 VS Code 官方下载页：

   https://code.visualstudio.com/download

   

2. 按自己的系统下载并安装：

   系统	下载项
   Windows	Windows User Installer x64（或 ARM64）
   macOS	macOS Universal（Apple 芯片和 Intel 都可用）
   Linux	.deb 或 .rpm，按发行版选择

3. Windows 安装时勾选：

   • Add "Open with Code" action to Windows Explorer file context menu
   • Add "Open with Code" action to Windows Explorer directory context menu

   其余选项保持默认，一路 Next 安装。

4. 打开 VS Code，第一次启动时点左侧“扩展”图标（或按 Ctrl+Shift+X），搜索并安装：

   扩展名	发布者	作用
   Python	Microsoft	Python 代码提示、运行和调试
   Pylance	Microsoft	Python 代码补全与类型提示

5. 安装后确认 VS Code 左下角状态栏显示 Python 版本，例如 Python 3.12.8。如果没有显示，点状态栏中的 Python 版本号（或按 Ctrl+Shift+P 执行 Python: Select Interpreter），选择 Anaconda 安装的 Python 解释器。

安装与配置流程如下：

flowchart TD
    A[打开 VS Code 官方下载页] --> B{你的系统}
    B -->|Windows| C[下载 Windows User Installer]
    B -->|macOS| D[下载 macOS Universal]
    B -->|Linux| E[下载 .deb 或 .rpm]
    C --> F[安装 VS Code]
    D --> F
    E --> F
    F --> G[Windows 勾选 Open with Code 右键菜单]
    G --> H[打开 VS Code]
    H --> I[安装 Python 扩展<br/>自动包含 Pylance]
    I --> J[选择 Anaconda 的 Python 解释器]
    J --> K[完成]

用 VS Code 打开工作目录

VS Code 只能打开已经存在的文件夹，新建文件也是在已打开的文件夹里创建。先记住固定顺序：

1. 先在文件管理器或终端里创建目录，例如 python-course。
2. 再让 VS Code 打开这个目录。
3. 最后在打开的目录里新建 hello.py 等文件。

各系统的打开方式：

• Windows：在文件夹中右键，选择 Open with Code；也可以先打开 VS Code，再用 文件 → 打开文件夹。
• macOS：打开 VS Code，按 Cmd+O 或使用 文件 → 打开文件夹，选择目录。
• Linux：打开 VS Code，按 Ctrl+O 或使用 文件 → 打开文件夹，选择目录。

打开 VS Code 内置终端

VS Code 打开目录后，在窗口顶部菜单栏点击：

终端（Terminal） → 新建终端（New Terminal）

也可以直接按快捷键：

终端会出现在 VS Code 窗口下方，显示为一行可输入命令的黑色（或深色）面板，并自动定位到当前打开的文件夹。以后命令行操作都在这个终端里进行，不需要另外打开 cmd 或“终端”。

如果窗口下方没有看到终端，就重新执行一次“顶部菜单 → 终端 → 新建终端”，或按上面的快捷键。

2.4 创建专用目录并打开 VS Code（Windows）

1. 打开“文件资源管理器”，进入 Documents：

C:\Users\<你的用户名>\Documents

2. 新建目录 python-course。
3. 在文件夹上右键，选择 Open with Code。
4. 在 VS Code 里打开内置终端：点顶部 终端 → 新建终端，或按 Ctrl+`。终端会自动定位到这个文件夹。
5. 验证 Python：

python --version
conda --version

能输出版本号即可，例如：

Python 3.12.8
conda 24.11.3

2.5 创建专用目录并打开 VS Code（macOS）

1. 打开“访达”，进入 ~/Documents。
2. 新建目录 python-course。
3. 打开 VS Code，按 Cmd+O 选择 ~/Documents/python-course。
4. 打开内置终端：点顶部 终端 → 新建终端，或按 Control+`。终端会自动定位到这个文件夹。
5. 验证 Python：

python --version
conda --version

2.6 创建专用目录并打开 VS Code（Linux）

1. 先用文件管理器进入 ~/Documents，新建目录 python-course；也可以用终端创建：

mkdir -p ~/Documents/python-course

2. 打开 VS Code，按 Ctrl+O 选择 ~/Documents/python-course，并打开内置终端：点顶部 终端 → 新建终端，或按 Ctrl+`。
3. 验证 Python：

python --version
conda --version

三个系统都完成目录创建和 VS Code 打开后，说明 Python 环境、目录管理和编辑器使用都正常。

2.7 安装课程依赖

安装依赖前，先确认 pip 已使用国内镜像，否则默认会从国外 PyPI 下载，速度会很慢，甚至卡住。

1. 查看当前 pip 源：

pip config list

2. 如果输出里没有 global.index-url，或网址不是 TUNA 镜像，先配置：

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

3. 配置完成后，进入本仓库根目录，运行：

pip install -r requirements.txt

这里会安装 pandas、numpy、matplotlib、seaborn、scikit-learn、openpyxl、pytest。安装过程中出现黄色提示通常是升级提示，不一定是错误。

2.8 安装 Node.js

DSH 是一个 npm 工具，先安装 Node.js：

1. 打开 https://nodejs.org/en/download。
2. 下载 LTS 版本的 Windows/macOS 安装包。
3. 一路 Next 安装，保持默认选项。
4. 打开命令行，验证：

node --version
npm --version

能输出版本号即可，例如：

v20.18.0
10.8.2

2.9 第一次传统 Python 测试：hello.py

传统 Python 编程是“人写代码、人运行、人调试”：

• 每一行代码都由你亲手输入；
• 运行报错后，由你读报错、改代码；
• 代码的结构、命名、逻辑都由你控制；
• 学得慢，但每一步都更容易理解。

现在在 VS Code 里完成第一次传统编程测试：

1. 在 VS Code 中确认已打开 python-course 目录。
2. 点击左侧资源管理器中的“新建文件”图标，输入文件名 hello.py，然后写入：

print("Hello, Python!")
print(1 + 2)

3. 按 Ctrl+S（macOS 为 Command+S）保存。
4. 打开 VS Code 内置终端，运行：

Windows：

python hello.py

macOS / Linux：

python hello.py

预期输出：

Hello, Python!
3

这一步是“传统方式”：每一行都是你写的，命令是你自己敲的，输出也是你亲眼看到的。请记住这种“我能解释每一行代码”的感觉。

2.10 第 2 节课验收

下课前至少完成：

• [ ] python --version 和 conda --version 能输出版本
• [ ] node --version 和 npm --version 能输出版本
• [ ] VS Code 已安装 Python、Pylance 扩展，并选择 Anaconda 解释器
• [ ] 已创建 python-course 目录，并用 VS Code 打开
• [ ] python hello.py 能输出 Hello, Python! 和 3
• [ ] 第 1 节课的 3+3 安全自测已写出来

如果 Anaconda 或 Node.js 下载超过 10 分钟，先改用课程预置的离线安装包，不要原地等待。

3. 第 3 节课：安装 DSH 并完成第一次 Vibe Coding（45 分钟）

第三节课把 DSH 装好、配置好，然后完成本周最重要的一步：让 DSH 读取 data/01-agent/nyc_airbnb.csv，生成第一份数据分析脚本。

3.1 安装并启动 DSH

DSH 的官方仓库在：

https://github.com/deepseek-ai/deepseek-harness

截图来自官方 GitHub 仓库；安装命令以官方 README 为准。

最稳妥的启动方式是使用 npx，第一次会自动下载，不需要手动配置路径：

npx @deepseek-ai/dsh web

也可以全局安装一次，之后直接使用 dsh：

npm install -g @deepseek-ai/dsh
dsh web

看到下面这些信息，说明 DSH 已经启动：

URL: http://127.0.0.1:3080

然后浏览器打开：

http://127.0.0.1:3080

3.2 配置 DSH

DSH 需要两样配置才能开始工作：模型 API Key 和 工作区。

先到 DeepSeek 开放平台申请 API Key：

https://platform.deepseek.com/

申请后打开 DSH 的 Settings → Models，粘贴 API Key 并保存。然后在主界面点击 Choose workspace，选择本仓库根目录，例如：

/home/zhong/Documents/python-data-analysis

Windows 上类似：

D:\python-data-analysis

保存 API Key、选中工作区后，会话输入框才可以使用。注意：API Key 只保存在本地设置里，不要写进教程、代码、聊天内容或 GitHub。

3.3 DSH 界面介绍

启动 DSH 后，浏览器打开 http://127.0.0.1:3080，界面主要分成几块：

在设置里选择工作区时，必须选中本课程仓库根目录。Agent 主要只在这个目录里活动，选错目录等于把钥匙交给了不认识的人。

3.4 执行前安全检查

配置完成后，先问一句：

请告诉我当前工作区路径。

如果 DSH 回答的路径不是本课程仓库，先改回本仓库再继续。本课程的规则是：DSH 只能修改 projects/ 和课程明确指定的文件，原始 data/ 目录只读。

每次允许 DSH 执行命令前，按第 1 节课的安全流程检查：命令是否看得懂、会不会改原数据、会不会删除文件、是不是安装额外软件。看不懂就让 DSH 解释，解释后仍不懂就查看课程说明。

3.5 Vibe Coding 的特点（与传统 Python 对比）

第 2 节课已经体验了传统 Python。Vibe Coding 是“用自然语言描述目标，由 AI Agent 写代码并运行，人负责审查和验证”：

• 你只描述：要读什么数据、回答什么问题、保存到哪里；
• Agent 负责读文件、写代码、运行、看报错、继续修改；
• 你负责审查：命令是否安全、代码是否正确、结论是否来自数据。

优点：

• 从“想法”到“可运行版本”很快；
• 适合探索数据、生成初稿、解释报错；
• 能把精力放在“问题定义”和“结果验证”上。

缺点：

• 可能生成你看不懂的代码；
• 可能把结论编造得像真的；
• 如果不审查，它可能删除文件、安装无关软件、泄露 Key。

本课程的固定协作循环：

定义问题 → 要求最小版本 → 运行 → 反馈真实结果 → 追问 → 验证

不管是传统方式还是 Vibe Coding，结论都必须能在数据或代码里被指出：哪张表、哪个字段、什么计算、样本量多少。

3.6 第一次 Vibe Coding 测试：DSH 读 Airbnb

发送任务前，先按第 1 节课的流程确认三件事：当前工作区是课程仓库、只读不修改 data/、代码只写入 projects/<姓名>/。在 DSH 里输入：

请先告诉我当前工作区路径，确认后开始。
请读取 data/01-agent/nyc_airbnb.csv，不要修改原文件。
任务：
1. 输出 shape、dtypes、缺失值、前 5 行；
2. 按 room_type 分组，计算 price 的平均值和样本量；
3. 用一句话回答“哪种房型平均价格最高”。
代码保存为 projects/<姓名>/first_analysis.py。

本次整理课程时，我按上面的提示词独立跑了一次真实测试，没有使用预估值。DSH 生成的完整脚本如下：

import pandas as pd

df = pd.read_csv("data/01-agent/nyc_airbnb.csv")

print("shape:", df.shape)
print()
print(df.dtypes)
print()
print("缺失值:")
print(df.isna().sum())
print()
pd.set_option("display.max_columns", None)
pd.set_option("display.width", 140)
print(df.head())
print()

summary = (
    df.groupby("room_type")["price"]
    .agg(["mean", "count"])
    .round(2)
)
print(summary)

top = summary["mean"].idxmax()
top_mean = summary.loc[top, "mean"]
top_count = int(summary.loc[top, "count"])
print()
print(f"按平均价格看，{top} 的平均价格最高，为 {top_mean:.2f} 美元/晚，样本量为 {top_count}。")

实际运行结果（当前 data/01-agent/nyc_airbnb.csv 实测）：

shape: (48895, 16)

id                                  int64
name                               object
host_id                             int64
host_name                          object
neighbourhood_group                object
neighbourhood                      object
latitude                          float64
longitude                         float64
room_type                          object
price                               int64
minimum_nights                      int64
number_of_reviews                   int64
last_review                        object
reviews_per_month                 float64
calculated_host_listings_count      int64
availability_365                    int64
dtype: object

缺失值:
id                                    0
name                                 16
host_id                               0
host_name                            21
neighbourhood_group                   0
neighbourhood                         0
latitude                              0
longitude                             0
room_type                             0
price                                 0
minimum_nights                        0
number_of_reviews                     0
last_review                       10052
reviews_per_month                 10052
calculated_host_listings_count        0
availability_365                      0
dtype: int64

     id                                              name  host_id    host_name neighbourhood_group neighbourhood  latitude  longitude  \
0  2539                Clean & quiet apt home by the park     2787         John            Brooklyn    Kensington  40.64749  -73.97237
1  2595                             Skylit Midtown Castle     2845     Jennifer           Manhattan       Midtown  40.75362  -73.98377
2  3647               THE VILLAGE OF HARLEM....NEW YORK !     4632    Elisabeth           Manhattan        Harlem  40.80902  -73.94190
3  3831                   Cozy Entire Floor of Brownstone     4869  LisaRoxanne            Brooklyn  Clinton Hill  40.68514  -73.95976
4  5022  Entire Apt: Spacious Studio/Loft by central park     7192        Laura           Manhattan   East Harlem  40.79851  -73.94399

         room_type  price  minimum_nights  number_of_reviews last_review  reviews_per_month  calculated_host_listings_count  availability_365
0     Private room    149               1                  9  2018-10-19               0.21                               6               365
1  Entire home/apt    225               1                 45  2019-05-21               0.38                               2               355
2     Private room    150               3                  0         NaN                NaN                               1               365
3  Entire home/apt     89               1                270  2019-07-05               4.64                               1               194
4  Entire home/apt     80              10                  9  2018-11-19               0.10                               1                 0

                   mean  count
room_type
Entire home/apt  211.79  25409
Private room      89.78  22326
Shared room       70.13   1160

按平均价格看，Entire home/apt 的平均价格最高，为 211.79 美元/晚，样本量为 25409。

结论：

按平均值看，Entire home/apt 的平均价格最高，为 211.79 美元/晚；
它同时有 25409 个样本，结论比只有几十条数据的表更可靠。

这次请特别注意三件事：

• Agent 在工具行里显示它读取了 data/01-agent/nyc_airbnb.csv，没有修改原文件；
• 它运行了 Python 命令，你要点击工具行看命令内容；
• 它写的代码你要能看懂：read_csv 是读数据，groupby 是分组，mean 是平均。

如果代码看不懂，继续问：

请解释 first_analysis.py 里每一行代码在做什么，不要改代码。

3.7 自己动手与审查

1. 新建 projects/<姓名>/first_analysis.py，把上面的完整流程整理成可运行脚本。
2. 增加一个分组：按 neighbourhood_group 计算 price 的平均值和样本量，找出平均价格最高的行政区。
3. 让 DSH 审查你的脚本，并给出 2 个你没发现的数据风险。

自己动手时建议用这个提示词：

请审查 projects/<姓名>/first_analysis.py：
1. 是否按“读取 → 审计 → 分组 → 结论”组织；
2. 是否报告每个分组的样本量；
3. 是否注意到缺失值、价格为 0 或超过 1000 的异常；
4. 列出 2 个可能的坑，并给出修改建议。

3.8 第 3 节课验收

• [ ] npx @deepseek-ai/dsh web 能启动，浏览器打开 http://127.0.0.1:3080
• [ ] 已保存 DeepSeek API Key，且 Key 没有出现在任何文档或代码里
• [ ] 已选择本仓库作为工作区，会话输入框可输入
• [ ] DSH 能回答当前工作区路径
• [ ] 每次允许 DSH 执行命令前，都能说出“这条命令在做什么”
• [ ] DSH 能读取 data/01-agent/nyc_airbnb.csv 并输出 shape (48895, 16)
• [ ] room_type 分组表包含 mean 和 count
• [ ] projects/<姓名>/first_analysis.py 已保存且可运行

4. 本周验证清单

• [ ] 能用一句话说明 Agent 和聊天机器人的区别
• [ ] 能说出至少 4 个常见 Agent，并区分“网页助手”和“本地 Agent”
• [ ] 能说出 DeepSeek 与 GPT/Claude/Gemini 的 2 个区别
• [ ] 能解释传统 Python 编程和 Vibe Coding 各自的 1 个优点、1 个风险
• [ ] 能背出 5 条安全规则
• [ ] 第 2 节课的 6 项环境验收全部通过
• [ ] 第 3 节课的 8 项 DSH 验收全部通过
• [ ] 每个结论都能指出“用了哪一列、怎么算的”

5. 常见错误与坑

6. 作业

1. 用自己的话写 300 字以内的“Agent 使用安全说明”，至少包含：Agent 是什么、5 条安全规则、3 个绝对不执行的操作、为什么每条结论都要自己验证。保存到 projects/<姓名>/agent-safety.md。
2. 写一份 150 字以内的“DeepSeek + DSH 选型说明”，解释为什么本课程用 DeepSeek 而不是 GPT 或 Claude。保存到 projects/<姓名>/stack-notes.md。
3. 按自己系统对应的小节完成 Anaconda、VS Code、Node.js 和 DSH 安装，把 hello.py 运行结果和验证命令截图保存到 projects/<姓名>/environment.png。
4. 让 DSH 按 neighbourhood_group 统计 data/01-agent/nyc_airbnb.csv 的平均价格和样本量，然后写出 3 个“这份数据能回答、但第一版提示词没有回答”的问题。

示例：

• 不同房型在不同行政区的价格差异有多大？
• 价格最低的 10 个房源有什么共同点？
• 评论数量越多的房源，价格一定更低吗？

评分要点