本文从范式、框架、架构三个层面深入浅出地解析了Agent的能力范式、主流框架的架构抽象以及如何设计自己的Agent系统。文章首先介绍了Agent的五种能力范式并阐述了它们之间的关系接着详细分析了LangGraph、AutoGen、CrewAI、MetaGPT等主流框架的通用架构抽象最后提供了架构选型决策树和最小Agent架构示例帮助读者更好地理解和应用Agent技术。引言为什么要从架构层面理解 AgentAgent智能体是一类能够感知环境、自主决策、并执行行动以达成目标的软件系统。大语言模型LLM本身不是 Agent——它更像一块大脑皮层擅长推理和生成文本但既不会主动调工具也不会记住对话之外的事情更不会把一个长任务拆开逐步完成。Agent LLM推理能力 工具行动能力 记忆持久能力 编排控制能力的组合体。理解 Agent 有两条常见的弯路只学范式记住了 CoT、ReAct、ToT 的名字但不知道它们各自解决架构里哪一层的问题也不知道它们如何组合进一个真实系统。只学框架会调 LangGraph 的 API但不知道为什么图编排是主流、什么时候该用多智能体离开框架就搭不出系统。本文想打通这两条路用一条主线把知识串起来范式理论能做什么 ↓ 被工程实现为 框架工具怎么省力地做 ↓ 被落地设计为 架构系统模块怎么分、数据怎么流、决策怎么做先沿一条主线看懂范式、再用全景图固定体系然后拆框架抽象最后讲架构落地——这也是本文三大部分的由来。第一部分 范式层Agent 的能力地基这一部分回答一个问题Agent 有哪些能力范式它们之间是什么关系为避免一上来就被名词淹没这一部分按由浅入深组织成三步1. 先讲一条主线第 1 章从一个只会答题的 LLM出发看范式如何一步步长出来——每个范式都是为了修补上一个的短板而出现。理解了为什么就理解了是什么。2. 再看一张全景第 2 章把演化主线按职责归类成五层体系并与学界主流综述的框架对齐。3. 最后逐层深挖第 3-7 章每一层都用同一个模板展开——解决什么问题 → 核心范式 → 变体演进 → 架构位置 → 开发视角。一条主线Agent 是怎么长出来的先回到最简单的起点一个裸的 LLM只会答题。你问它什么它答什么。它不会主动去查资料不会动手做事做完就忘。要让答题机器变成能干活的人学术界和工业界是一步步打补丁打出来的——每一个补丁就是一类范式图1 从「会答题的 LLM」到「会干活的 Agent」范式演进主线把这条主线整理成表就是整个 Agent 范式的骨架阶段打上的补丁范式解决什么问题新增能力0裸 LLM—单轮回答1CoT 思维链复杂问题一步答错分步思考2ReAct / Function Calling只会想不会做动手执行3RAG 检索增强知识陈旧、产生幻觉查外部知识4Plan-and-Execute长任务走着走着迷路先规划后执行5记忆与反思Reflexion / MemGPT做完就忘、重复犯错经验积累6多智能体协作单打独斗能力、视角有限分工协作读这条主线记住三条规律规律一每个范式都是为了修补上一个的短板。所以理解范式最好的方式不是背定义而是问一句它解决了前一个范式的什么痛点。规律二范式是叠加的不是替代的。CoT 出现后ReAct 依然要内嵌 CoT 的思考多智能体出现后每个 Agent 内部依然是推理行动规划。最终形态是一颗洋葱最里面是推理一层层往外包。规律三越往后系统越完整也越复杂、越贵。这正是下一章全景图要展开的内容也是后面所有选型讨论的基础。范式全景一张图看懂五层体系把第 1 章的演化主线压扁按职责归类就得到下面这张全景图。它把主流范式组织成五个能力层——这是整个领域的通用坐标系图2 Agent 范式全景五层地图读这张图同样记三个认知认知一分层 按回答什么问题划分。每一层对应 Agent 架构中的一个职责层回答的问题类比① 推理层怎么想脑② 行动/工具层怎么动手③ 规划层怎么排先后项目经理④ 记忆与学习层怎么记得住、越做越好长期记忆⑤ 多智能体层单打还是组队团队认知二这张图不是菜单是零件库。真实 Agent 不是选一个范式而是按任务从各层挑选范式、组装成系统。绝大多数生产 Agent 至少用到推理层CoT/ToT与行动层Function Calling再按需叠加规划、记忆与多智能体。认知三越往上越接近完整 Agent但每上一层都引入新的成本。多智能体不是更高级而是更复杂——这条代价曲线贯穿全书。这套五层体系不是拍脑袋分的它与学界主流综述的框架是一致的本文五层Lilian Weng 经典四件套人大 Wang 等综述 (2308.11432)复旦 Xi 等综述 (2309.07864)① 推理层Agent 核心推理Profiling ReasoningBrain大脑② 行动/工具层ToolsActionAction行动③ 规划层PlanningPlanningBrain决策规划④ 记忆与学习层MemoryMemoryBrain记忆⑤ 多智能体层单 Agent 扩展Multi-agent多智能体系统注上表是职责对应关系不是一一映射——各家综述对规划与推理的边界划分略有不同但核心模块推理、行动、规划、记忆、多智能体是共识。规划综述 (2402.02716) 进一步把规划细分为任务分解、方案选择、反思与记忆本文第 5 章会用到。下面五节逐层深挖。每一节按同一个模板这一层解决什么问题 → 核心范式 → 变体演进 → 架构位置 → 开发视角。推理层让 Agent 想清楚这一层解决什么问题LLM 面对复杂问题一步跳到答案时出错率高、且中间过程不可检查。推理层的答案是——把推理过程显式化、分步化。核心范式CoTChain-of-Thought思维链。它的洞见朴素但深刻让模型把中间推理步骤显式写出来再给出结论。为什么有效复杂问题的单步跳跃出错概率高把问题分解成多个小步骤每一步的错误率低且中间状态可以被检查、被修正。本质上是用序列化的中间计算换一步到位的正确率。两种用法显式提示prompt 里要求先想清楚再回答与隐式能力模型经训练天然具备但显式提示更稳定。变体演进都是 CoT 的改良解决不同缺陷范式核心思想解决的缺陷什么时候用CoT单链分步推理一步跳答案容易错默认选项CoT-SC自洽性采样多条思维链投票取多数单链可能系统性走偏结果需要更稳ToT思维树每步生成多个候选分支评估后剪枝、回溯单链无法回头、无法多方案比较搜索空间大、分支可评估GoT思维图允许分支之间合并信息ToT 分支彼此隔离子问题需要组合Self-Refine生成 → 自我评估 → 改写循环若干轮首轮输出质量不稳定输出质量要求高架构位置推理层是底座——ReAct 的 Thought、ToT 的节点评估、Plan-and-Execute 的计划生成底层都在做分步推理。它不接触外部世界解决想得对不对不解决做得成不成。开发视角简单推理任务用 CoT 就够搜索空间大、分支可评估的任务才值得上 ToT否则 token 成本爆炸。ToT 的工程成本在于评估器需要定义每个分支的打分方式这往往要再写一个 prompt 或规则。记住只有推理层的系统还不是 Agent——它只是会思考的聊天机器人下一步必须接上行动。行动层让 Agent 动起来这一层解决什么问题推理只发生在模型内部而 Agent 要改变世界。行动层的答案是——把手伸出去调用工具、获取反馈。核心范式ReActReasoning Acting它第一次把内部推理和外部环境接成闭环Thought想下一步做什么→ Action做调用工具→ Observation看工具返回什么→ 循环……架构意义用外部事实搜索返回、代码执行结果抑制幻觉并让模型根据观察实时调整下一步。它是所有交互式 Agent 的标配循环。局限贪心的一步步走没有全局计划长任务容易迷路——这是规划层第 5 章要补的。工程标准件Function Calling函数调用。现在主流 LLM 都原生支持开发者用 JSON Schema 描述工具签名模型输出结构化的调用请求框架负责执行并返回结果。与 ReAct 的关系ReAct 是想-做-看的思想Function Calling 是怎么做的协议。生产系统里Action 环节几乎都用 Function Calling 实现——比让模型自由写文本命令可靠得多结构化、可校验、可流式。Toolforce把这条线再推进一步让模型从数据里自学习何时该调用什么工具而不是全靠人工标注。知识接入RAGRetrieval-Augmented Generation检索增强生成——另一条伸手路径不调 API而是检索外部知识用户问题 → 检索向量库/关键词→ 取回相关片段 → 注入上下文 → LLM 生成架构意义把模型记忆里的知识和外部最新/私有知识分离解决幻觉和知识过期问题。几乎所有生产 Agent 都会用到。注意RAG 是只读的——它给 Agent 知识要让 Agent 改变世界还需要工具调用。RAG 读工具 写。架构位置工具层是 Agent 的手工具质量直接决定 Agent 能力的上限。它与推理层的关系是推理层决定怎么想行动层决定想完之后怎么落地。开发视角一个设计良好的工具接入层至少要有参数 Schema、执行器、错误契约、超时与重试、安全白名单详见第 18 章。规划层让 Agent 不迷路这一层解决什么问题ReAct 走一步看一步任务一长就容易迷失目标。规划层的答案是——先抬头看路再低头走路。核心范式Plan-and-Execute规划-执行分两个阶段1. PlanLLM 一次性把任务拆成有序子步骤计划2. Execute执行器逐个执行子步骤可结合 ReAct / Function Calling。静态规划计划生成后不再变适合流程明确的任务。动态规划执行中发现子任务失败或新信息重新生成/修订剩余计划适合长而复杂的任务。架构意义把规划和执行解耦成两个独立模块可以分别替换、分别调优——这是框架设计的典型思路。变体演进范式核心思想与 Plan-and-Execute 的关系分层任务分解HNS任务递归拆成子任务树上层分派、下层执行Plan 的递归推广是经理-工人结构的单 Agent 版本LATS把 MCTS 的选择-扩展-评估-回溯搬到语言空间在多个规划分支里搜索、评估、反思再选最优路径是 ReAct ToT 反思的融合架构位置规划层是想清楚执行层是做出来——两者之间必须有一条反馈回路执行结果要能触发计划修订这正是动态规划。在学界规划综述2402.02716把这块工作细分为 任务分解Task Decomposition、方案选择Plan Selection、反思与记忆Reflection Memory三条技术线本文的 Plan-and-Execute / LATS / 分层分解正好对应这三条线。开发视角规划的失败模式是幻觉计划——LLM 拆出看似合理、实则不可执行的步骤。缓解手段计划校验器让另一个 LLM 或规则检查计划、执行后反馈、动态重规划。记忆与学习层让 Agent 记得住、越做越好这一层解决什么问题LLM 的上下文窗口是工作台不是记忆——对话一结束一切归零。记忆层的答案是——让 Agent 跨轮次、跨任务记住经验并改进。先建立记忆的分类这对架构设计非常重要记忆类型内容类比工作记忆当前任务上下文窗口桌面上的纸情景记忆对话历史、过往任务经历日记语义记忆知识、事实常来自 RAG百科程序记忆技能、工具用法、经验教训肌肉记忆核心范式与变体Reflexion反思任务失败后让 LLM 用语言总结哪里错了、下次怎么做把教训写进记忆下次重试前先读取。它把失败变成了可复用的信号——以语言为媒介的强化学习。MemGPT分层记忆让 LLM 像操作系统管理内存一样管理自己的上下文——按重要性把内容换入换出超出窗口的内容归档到外部存储需要时再检索回来。是分层记忆的工程化实现。Generative Agents生成式智能体斯坦福小镇给每个 Agent 一个记忆流所有经历按时间重要性存储需要时按相关性、时效性、重要性三要素检索再定期反思生成更高层的抽象认知用于指导行为。这是目前最完整的个体记忆架构。Voyager技能库在 Minecraft 环境里让 Agent 把学会的技能代码化、存进技能库新任务优先检索复用旧技能实现终身学习。它对应记忆分类里的程序记忆。架构位置记忆层与推理、行动、规划是横切关系——它不单独存在而是被执行器读写见第 17 章图 3 的最小架构。规划层的反思Reflexion 式教训也依赖记忆存储。开发视角上下文窗口 ≠ 记忆。工程上记忆要回答四个问题存什么原始事件还是抽象总结、何时存任务结束批量存更省、怎么检索向量相似度 时效 重要性加权、怎么遗忘容量上限、陈旧淘汰。大多数项目的记忆需求用摘要 向量检索 反思三个件就能覆盖不必上完整架构。多智能体层让 Agent 组队这一层解决什么问题单个 Agent 的能力和视角有上限——有的任务天然需要多种角色、多种观点。多智能体层的答案是——组织多个 Agent 分工协作。按协作结构主流有四类| 模式| 观测与评测 | 记录 trace、追踪成本、评估质量、反馈 | 日志、监控面板、评测集 |其中编排引擎是框架的心脏值得单独展开。编排模型框架的心脏所有 Agent 框架的本质差异在于如何描述和控制 Agent 的执行流程顺序编排步骤排成一条线逐个执行。最简单适合流水线如 RAG 的检索→注入→生成。循环编排反复执行直到满足终止条件。ReAct 循环、反思-重试循环都属于此类。图编排Graph把步骤建模成节点把流转条件建模成边——支持分支、循环、并行、条件跳转。这是目前生产级框架的主流LangGraph、LlamaIndex Workflows 都是。状态机显式定义状态与转移条件是图编排的约束更强的版本适合流程非常稳定的场景。这里有一个业界常用的分类法由 LangChain/LangGraph 社区提出Agent-centric智能体中心一个 LLM 驱动的 Agent 自主决定每一步干什么开发者只给工具和目标。灵活但不可控、难调试。Workflow-centric工作流中心开发者用代码把步骤、分支、循环画死LLM 只在特定节点做决策。可控、可预测、易测试。生产实践的建议是用 Workflow 管骨架流程、分支、重试用 Agent 管叶子具体某个节点的自由决策——即工作流约束 智能体填空。为什么图编排是生产主流图天然表达分支与循环节点是天然的可观测/可断点单位支持并行可以把状态持久化实现断点恢复。这些特性恰好命中生产 Agent 最痛的三个需求可控、可观测、可恢复。消息与状态单 Agent 视角LLM 本身无状态所谓对话是把消息列表不断喂回去。消息列表就是状态。架构上要注意不是所有历史都要进上下文——要做摘要、剪枝、检索这正是第 6 章记忆层的内容。多 Agent 视角Agent 之间通过消息通信消息就是协作协议。架构上要显式定义谁可以给谁发消息、消息结构角色/内容/中间产物、消息如何被记录便于追溯。最佳实践状态结构化存字段而非堆文本、上下文精简化只喂当前步骤需要的、状态定期持久化检查点崩了能续跑。第三部分 解剖主流框架LangGraph图状态机编排重点一句话定位把 Agent 画成一张图用状态机执行——生产级工作流编排的事实标准。核心抽象StateGraph图、Node节点一个函数或一个 Agent 步骤、Edge边含条件边、State共享状态所有节点读写、checkpointer检查点持久化状态。心智模型写 Agent 画流程图 定义状态结构。循环就是回到某节点分支就是条件边并行就是多个节点。生产级能力状态持久化断点续跑、人工介入human-in-the-loop卡在节点等确认、流式输出、时间旅行回放到任意步骤。这些是学术原型框架普遍没有的。适合复杂长流程、需要强可控性和可恢复性的系统也适合把 ReAct、Plan-and-Execute 等范式显式建模成图。一个最小的心智模型伪代码from langgraph.graph import StateGraph g StateGraph(State) g.add_node(planner, plan_task) # 规划器拆子任务 g.add_node(executor, execute_step) # 执行器ReAct 循环 g.add_edge(planner, executor) g.add_conditional_edges(executor, # 条件边还有子任务就循环 lambda s: executor if s.todo else END)AutoGen会话式多 Agent一句话定位把协作建模成一群 Agent 的对话。核心抽象ConversableAgent可对话的 Agent可配 LLM、工具、人、GroupChat群聊多 Agent 轮流发言、UserProxyAgent代表人类执行代码、确认。心智模型任务由多 Agent 通过自然语言对话推进谁说话由调度策略决定。适合研究原型、需要灵活对话式协作的任务。代价是对话自由度大生产环境的可控性需要自己加固。CrewAI角色/任务/流程抽象一句话定位把团队搬进代码——角色、任务、流程三件套。核心抽象Agent角色定义 role、goal、backstory、Task任务描述、期望输出、指派给谁、Crew团队把 AgentTask 组起来、Process流程顺序 sequential 或层级 hierarchical层级模式会自带上司 Agent 分配任务。心智模型像带一个虚拟团队给每个成员定岗位和职责。适合快速搭建角色化工作流内容生产、研究、客服等。上手快抽象直观。MetaGPTSOP 流水线式多 Agent一句话定位把软件开发公司的 SOP标准作业流程搬进多 Agent 系统。核心抽象预定义角色产品经理、架构师、工程师、QA…… 固定流水线需求→设计→编码→测试 中间产物文档化每个环节产出结构化文档传给下一环节。心智模型一条虚拟软件公司生产线。适合软件开发、长内容生产等流程固定的多角色任务。特点是产出规范、链路清晰代价是灵活性低流程不适合的任务套不进去。其他值得知道的框架框架一句话定位Semantic Kernel 微软企业级 Agent 框架规划器Planner 插件Plugin与 .NET/Python 深度集成OpenAI Assistants API托管式 Agent线程、工具、文件、代码解释器开箱即用但编排能力有限LlamaIndex Workflows以数据/检索为中心的事件驱动工作流适合 RAG 密集的应用Haystack老牌 NLP 流水线框架面向生产检索与问答DSPy用声明式程序 自动优化 prompt替代手写提示词偏研究向框架横向对比总表维度LangGraphAutoGenCrewAIMetaGPT编排模型图/状态机会话循环顺序/层级SOP 流水线多 Agent支持显式建图核心卖点核心卖点核心卖点记忆自定义状态 检查点对话历史自带记忆组件中间产物文档可观测性强流式/重放/时间旅行中中中生产成熟度高中中中学习曲线较陡图思维平缓平缓平缓最佳场景复杂可控长流程对话式多 Agent 协作快速角色化团队固定流水线生产选型没有最好只有最匹配。判断依据就是第 16 章的决策树。第四部分 架构层如何设计自己的 Agent 系统架构选型决策树动手写代码之前先回答一个根本问题这个任务是什么形态图 4 给出决策路径图4 Agent 架构选型决策树决策逻辑逐条展开A. 简单单轮 / 纯知识问答直接 LLM 函数调用别引入 Agent 架构。上下文给全、输出做校验必要时加一层检索兜底。B. 需要工具 / 实时数据ReAct Function Calling 起步数据敏感就叠加 RAG。工具 Schema 严格定义错误处理与重试设上限。C. 多步骤、有分支的长流程Plan-and-Execute 图编排LangGraph 这类。状态机 检查点支持断点恢复与动态重规划——这是生产系统的主战场。D. 需要长期记忆 / 经验改进在第 C 层基础上加记忆与反思Reflexion 式教训、MemGPT 式分层存储、向量检索。记住记忆要显式设计反思要设上限。E. 需要多角色分工才上多 Agent 框架。明确角色、通信协议并行降延迟控成本。框架 vs 自研的边界任务流程能套进主流框架的抽象图、角色、流水线就用框架当你的编排有独特约束自定义调度策略、强状态一致性、深度定制记忆或框架成为瓶颈时再自研——自研时直接按第 17 章的模块划分搭。最小 Agent 架构抛开具体框架一个能跑的 Agent 系统架构上至少要长这样图3 最小 Agent 系统架构模块划分与数据流各模块职责与数据流1. 任务输入进入编排引擎图/状态机执行器。2. 规划器把任务拆成子步骤Plan-and-Execute。3. 执行器跑 ReAct 循环Thought → Action → Observation逐步执行子任务。4. 执行中调用工具层Function Calling / RAG / 外部 API拿到观察结果后决定下一步。5. LLM 推理核心支撑所有想的环节CoT/ToT 底座。6. 记忆模块被执行器读写短期存上下文长期沉淀经验与反思。7. 整个过程被观测与评测记录日志、成本、质量并把反馈送回编排引擎用于修正。8. 最后汇聚结果交付用户。一个最小实现的骨架伪代码用任何框架都能对号入座class MiniAgent: def __init__(self, llm, tools, memory): self.llm llm # LLM 推理核心 self.tools {t.name: t for t in tools} # 工具注册表 self.memory memory # 记忆管理 def run(self, task: str) - str: plan self.llm.plan(task) # 规划器拆子步骤 for step in plan: result self.execute(step) # 执行器ReAct 循环 self.memory.save(step, result) # 写记忆 return self.memory.collect(plan) # 汇聚结果 def execute(self, step): while True: # ReAct 循环必须有上限 thought self.llm.think(step, self.memory.context()) if thought.done: return thought.answer obs self.tools[thought.action].run(thought.args) # 调用工具 self.memory.append(obs) # Observation 进入上下文工程要点先跑通闭环输入→规划→执行→工具→输出再逐层加记忆、观测、反思。别一上来就堆模块。关键设计决策① 工具接口设计行动层的成败关键Schema 严格参数类型、必填项、描述写清楚减少模型乱传参。错误契约每个工具定义失败时的返回结构执行器据其决定重试还是换路。幂等与安全工具要幂等可重放白名单机制、参数校验防注入和越权——工具是 Agent 的权力边界权限越大风险越大。兜底策略超时、限流、最大调用次数。② 记忆接入存什么原始事件 vs 抽象总结长对话先摘要再存。何时存任务结束批量存比实时存更省。怎么检索向量相似度 时效 重要性加权Generative Agents 的三要素。遗忘策略容量上限 陈旧淘汰防止记忆库无限膨胀。③ 反思重试给反思和重试设硬上限次数、成本、时长否则失败任务会烧穿预算。反思结果要落库复用Reflexion 的核心而不是每次从零开始。④ 成本与延迟Token 预算每次调用前预估超预算降级缩短上下文、换小模型。缓存相同子问题结果缓存。并行可并行的子任务并发执行总延迟 最长路径而非总和。常见架构陷阱陷阱症状解法上下文爆炸越长越慢越贵还开始忘事滑动窗口 摘要 检索式记忆死循环Agent 反复做同一件事最大步数、终止条件、循环检测规划失效计划看着合理执行全错计划校验器 动态重规划 反馈回路成本失控一次任务烧掉大量 token预算上限、降级策略、缓存、并行不可观测出错不知道错在哪一步每节点日志/trace、状态快照工具滥用与安全模型调了不该调的、传了不该传的白名单、参数校验、权限最小化过早多智能体系统复杂了但没变好先单 Agent 验证确有必要再拆结语理解架构的意义回到开头的三层主线把全文压缩成一张心智图任务形态决策树 ← 第 16 章 ↓ 决定 范式组合推理 行动 规划 记忆 [ 多智能体] ← 第一部分 ↓ 决定 框架选型LangGraph / AutoGen / CrewAI / MetaGPT…← 第二、三部分 ↓ 落地 模块划分与数据流编排 / 规划 / 执行 / 工具 / 记忆 / 观测← 第 17 章一句话总结理解 Agent 的关键不是背范式名字而是知道每个范式在架构里负责哪一层、它们如何组合、框架如何帮你落地这些组合、以及你自己的系统该怎么切模块。范式是理论框架是工程实现架构是两者的连接——先想清楚任务形态再选范式再选框架最后设计模块这条路径可以避开绝大多数新手踩的坑。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。