文章详细介绍了意图识别技术的演进路径，从早期的关键词识别到结合多轮上下文的任务推断。随着业务复杂度的提升，文章提出了应对策略，包括规则、分类器、深度学习模型、Embedding、对比学习以及LLM的应用。特别强调了LLM在处理多轮对话和复杂场景中的优势，以及如何通过级联架构和动态知识库优化意图识别系统。文章还讨论了评估指标和系统设计原则，旨在帮助读者构建更高效、更灵活的意图识别系统。很多人设计 Agent 意图识别，会从 Prompt、Few-Shot 或 RAG 开始。把时间线拉长后会发现，这项技术有一条清晰的演进路径：最早识别用户说了哪个关键词，后来判断一句话属于哪种业务类型，如今还需要结合多轮上下文，推断用户准备推进什么任务。这条路径由业务复杂度推动。表达越来越口语化，意图标签持续增加，对话上下文不断变长，系统还要处理意图切换、多任务组合、参数缺失和执行风险。选型之前可以先回答四个问题：意图数量有多少、标签是否频繁变化、标注数据是否充足、一次判断需要理解多少轮上下文。答案基本决定了技术路线。一、规则和分类器，先接住确定的请求业务刚启动时，规则通常最实用。例如出现"退款"“取消订单”“修改地址"便路由到对应流程。规则几乎没有推理成本，结果可解释，也方便产品和运营直接调整，因此适合高频、确定、风险敏感的请求。它的边界同样明显：用户可能说"这个我不想要了”“地址填错了”，还可能同时提到退款和物流。规则数量增加后，冲突、优先级和维护成本也会快速上升。所以规则适合守住最确定的一部分流量，其余表达交给统计模型处理。当意图标签相对稳定，同时积累了一批标注语料，可以使用 TF-IDF、FastText 等文本表示，再结合逻辑回归、SVM 或轻量神经网络完成分类。这类方案训练快、推理成本低，适合客服分流、工单归类、FAQ 路由等高并发场景。它依赖历史数据学习决策边界，因此需要关注类别不均衡、线上新表达和相邻意图混淆。离线准确率很高，仍可能在促销、新产品或新政策上线后快速下降。随着表达复杂度提高，CNN、LSTM、BERT 一类深度学习模型开始发挥作用。预训练模型能够理解词序和上下文，同一句"我要退了"出现在商品、机票和会员服务中，可以得到不同表示。此时还能把意图分类与槽位抽取联合训练，一次得到 intent=book_flight、departure=杭州、destination=北京、date=周五。这种方案适合标签稳定、数据充足、线上流量较大的业务，代价是标注、训练和版本管理成本更高；标签调整后，通常还要补数据并重新训练。业务进入冷启动阶段时，问题会发生变化：标签已经定义好，每个标签却只有少量样本。Embedding、原型网络和对比学习更适合这种情况。它们通过向量空间描述类别关系，让同类表达靠近，让不同意图逐渐分开。新意图上线时，只要准备少量示例即可参与召回，扩展速度会快很多。这里要注意，语言相似与业务动作并不总是一致。"怎么取消订单"和"为什么订单被取消"在向量空间里可能非常接近，后续动作却完全不同。因此，Embedding 更适合召回几个候选意图，最终判断再由分类器或 LLM 完成。二、意图变多，就先缩小范围再判断LLM 进一步降低了意图系统的冷启动门槛。我们可以在 Prompt 中写明业务意图、判断边界、正反案例和输出结构，让模型直接返回意图、槽位、置信信息以及是否需要追问。它对口语、省略、情绪表达和少样本意图的适应能力更强，也适合意图频繁调整的 Agent 产品。当意图数量逐渐增加，把全部定义和案例都塞进 Prompt，会带来上下文膨胀、标签混淆、成本增加和维护困难。系统由此自然演进到"先缩小范围，再完成判断"的两阶段架构。意图 RAG 的核心价值就在于缩小决策空间。系统先用当前请求召回最相关的意图定义、边界案例和混淆反例，再让 LLM 在这些候选中判断。原本从几十个意图里选择一个，现在可能只需要比较三到五个候选，Prompt 更短，边界也更集中。这套架构需要分别评估召回层和判断层。目标意图没有进入 Top-K，后面的 LLM 很难补救；目标已经召回却选择错误，说明问题更可能出在意图边界、案例质量或判断提示词。把两个环节拆开评估，才能快速定位系统误差。意图库也需要覆盖真实线上分布。除了标准定义，还应收录口语表达、相邻意图、混淆反例、业务前置条件以及历史误判。LLM 批量生成的同义句可以补充长尾表达，线上真实请求仍然是更新意图库最重要的数据来源。三、多轮对话里，要判断的是状态不是一句话当业务进入多轮对话后，上下文会成为新的主变量。用户说"换成明天吧"，单看这一句话无法判断他准备修改机票、酒店还是日程。系统需要把历史对话整理成结构化状态，例如当前任务、已确认槽位、待补槽位、上一步工具结果和最近一次用户修正，再结合最新输入完成判断。这时可以将识别目标设计为一次状态更新：{ "active_intent": "modify_flight", "intent_transition": "continue", "slot_updates": { "departure_date": "明天" }, "missing_slots": [], "next_action": "confirm_change"}模型需要判断当前意图是否延续、切换、取消或完成，同时识别用户修正了哪些参数。这样，Agent 能够围绕流程状态理解用户，减少旧意图残留对新任务的干扰。继续扩大到复杂 Agent，用户的一句话还可能包含多个意图。例如："查一下余额，超过一万就转五千到储蓄卡。"这里包含余额查询、条件判断和转账任务，三个动作之间还有明确依赖关系。单标签分类会丢失任务结构，更合适的输出形式是命令序列或执行图：到了这一阶段，意图识别已经逐渐扩展为语义解析、任务拆解和规划。模型既要理解用户目标，也要确定动作顺序、参数依赖和需要确认的高风险步骤。生产环境通常会采用级联架构，让不同方法各自处理擅长的流量：规则处理确定性命令和安全拦截，轻量分类器覆盖稳定高频意图，Embedding 负责候选召回，LLM 处理模糊表达、多轮状态和长尾请求，RAG 动态提供业务定义与案例，规划器负责多任务拆解。每一层还要保留拒识、追问和升级通道。这种级联还有一个重要收益：系统可以根据请求难度分配计算成本。简单请求走短链路，复杂请求再升级到更强模型。每层都能单独监控、替换和回滚，意图新增时也只需要调整相关分支。识别完成后，还要单独处理权限与执行安全。意图层回答"用户想做什么"，权限层判断"用户能否这样做"，执行层确认"动作是否应该立即发生"。查询天气可以直接执行，删除数据、转账和发送外部消息通常需要身份校验或二次确认。这三个层次分开设计，能够避免模型把"理解成功"误当成"授权完成"。因此，一个完整的意图系统需要提供四类出口：执行、追问、拒识和确认。缺少信息时追问，置信不足时拒识，高风险动作进入确认流程，只有条件充分且权限通过后才调用工具。评估时也需要超越整体 Accuracy。类别不均衡场景更适合观察 Macro-F1；相邻意图需要维护混淆矩阵；Embedding 层关注 Recall@K；槽位抽取关注字段级 F1；多轮场景关注意图切换和状态更新准确率；生产环境还要观察拒识率、追问率、工具调用成功率、端到端任务完成率、延迟和单次请求成本。一个成熟的意图系统，需要判断何时直接行动、何时升级模型、何时停下来追问。系统能力越强，对"不确定性"的管理也应该越精细。整条演进脉络可以归结为更清晰的系统分工：规则负责确定性，分类器负责高频稳定流量，Embedding 负责缩小候选空间，LLM 负责复杂语义，RAG 负责动态业务知识，多轮状态负责上下文连续性，规划器负责把复合目标转成可执行步骤。意图识别做得好，靠的通常是这套分工能够随着业务复杂度持续升级。如何学习大模型 AI ？由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！2、大模型学习书籍&文档学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。4、大模型项目实战&配套源码学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。适用人群第一阶段（10天）：初阶应用该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。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）：高阶应用该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。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…第三阶段（30天）：模型训练恭喜你，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。你已经成为了一名“AI小子”。那么你还想往下探索吗？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…第四阶段（20天）：商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。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…学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
文章详细介绍了意图识别技术的演进路径，从早期的关键词识别到结合多轮上下文的任务推断。随着业务复杂度的提升，文章提出了应对策略，包括规则、分类器、深度学习模型、Embedding、对比学习以及LLM的应用。特别强调了LLM在处理多轮对话和复杂场景中的优势，以及如何通过级联架构和动态知识库优化意图识别系统。文章还讨论了评估指标和系统设计原则，旨在帮助读者构建更高效、更灵活的意图识别系统。很多人设计 Agent 意图识别，会从 Prompt、Few-Shot 或 RAG 开始。把时间线拉长后会发现，这项技术有一条清晰的演进路径：最早识别用户说了哪个关键词，后来判断一句话属于哪种业务类型，如今还需要结合多轮上下文，推断用户准备推进什么任务。这条路径由业务复杂度推动。表达越来越口语化，意图标签持续增加，对话上下文不断变长，系统还要处理意图切换、多任务组合、参数缺失和执行风险。选型之前可以先回答四个问题：意图数量有多少、标签是否频繁变化、标注数据是否充足、一次判断需要理解多少轮上下文。答案基本决定了技术路线。一、规则和分类器，先接住确定的请求业务刚启动时，规则通常最实用。例如出现"退款"“取消订单”“修改地址"便路由到对应流程。规则几乎没有推理成本，结果可解释，也方便产品和运营直接调整，因此适合高频、确定、风险敏感的请求。它的边界同样明显：用户可能说"这个我不想要了”“地址填错了”，还可能同时提到退款和物流。规则数量增加后，冲突、优先级和维护成本也会快速上升。所以规则适合守住最确定的一部分流量，其余表达交给统计模型处理。当意图标签相对稳定，同时积累了一批标注语料，可以使用 TF-IDF、FastText 等文本表示，再结合逻辑回归、SVM 或轻量神经网络完成分类。这类方案训练快、推理成本低，适合客服分流、工单归类、FAQ 路由等高并发场景。它依赖历史数据学习决策边界，因此需要关注类别不均衡、线上新表达和相邻意图混淆。离线准确率很高，仍可能在促销、新产品或新政策上线后快速下降。随着表达复杂度提高，CNN、LSTM、BERT 一类深度学习模型开始发挥作用。预训练模型能够理解词序和上下文，同一句"我要退了"出现在商品、机票和会员服务中，可以得到不同表示。此时还能把意图分类与槽位抽取联合训练，一次得到 intent=book_flight、departure=杭州、destination=北京、date=周五。这种方案适合标签稳定、数据充足、线上流量较大的业务，代价是标注、训练和版本管理成本更高；标签调整后，通常还要补数据并重新训练。业务进入冷启动阶段时，问题会发生变化：标签已经定义好，每个标签却只有少量样本。Embedding、原型网络和对比学习更适合这种情况。它们通过向量空间描述类别关系，让同类表达靠近，让不同意图逐渐分开。新意图上线时，只要准备少量示例即可参与召回，扩展速度会快很多。这里要注意，语言相似与业务动作并不总是一致。"怎么取消订单"和"为什么订单被取消"在向量空间里可能非常接近，后续动作却完全不同。因此，Embedding 更适合召回几个候选意图，最终判断再由分类器或 LLM 完成。二、意图变多，就先缩小范围再判断LLM 进一步降低了意图系统的冷启动门槛。我们可以在 Prompt 中写明业务意图、判断边界、正反案例和输出结构，让模型直接返回意图、槽位、置信信息以及是否需要追问。它对口语、省略、情绪表达和少样本意图的适应能力更强，也适合意图频繁调整的 Agent 产品。当意图数量逐渐增加，把全部定义和案例都塞进 Prompt，会带来上下文膨胀、标签混淆、成本增加和维护困难。系统由此自然演进到"先缩小范围，再完成判断"的两阶段架构。意图 RAG 的核心价值就在于缩小决策空间。系统先用当前请求召回最相关的意图定义、边界案例和混淆反例，再让 LLM 在这些候选中判断。原本从几十个意图里选择一个，现在可能只需要比较三到五个候选，Prompt 更短，边界也更集中。这套架构需要分别评估召回层和判断层。目标意图没有进入 Top-K，后面的 LLM 很难补救；目标已经召回却选择错误，说明问题更可能出在意图边界、案例质量或判断提示词。把两个环节拆开评估，才能快速定位系统误差。意图库也需要覆盖真实线上分布。除了标准定义，还应收录口语表达、相邻意图、混淆反例、业务前置条件以及历史误判。LLM 批量生成的同义句可以补充长尾表达，线上真实请求仍然是更新意图库最重要的数据来源。三、多轮对话里，要判断的是状态不是一句话当业务进入多轮对话后，上下文会成为新的主变量。用户说"换成明天吧"，单看这一句话无法判断他准备修改机票、酒店还是日程。系统需要把历史对话整理成结构化状态，例如当前任务、已确认槽位、待补槽位、上一步工具结果和最近一次用户修正，再结合最新输入完成判断。这时可以将识别目标设计为一次状态更新：{ "active_intent": "modify_flight", "intent_transition": "continue", "slot_updates": { "departure_date": "明天" }, "missing_slots": [], "next_action": "confirm_change"}模型需要判断当前意图是否延续、切换、取消或完成，同时识别用户修正了哪些参数。这样，Agent 能够围绕流程状态理解用户，减少旧意图残留对新任务的干扰。继续扩大到复杂 Agent，用户的一句话还可能包含多个意图。例如："查一下余额，超过一万就转五千到储蓄卡。"这里包含余额查询、条件判断和转账任务，三个动作之间还有明确依赖关系。单标签分类会丢失任务结构，更合适的输出形式是命令序列或执行图：到了这一阶段，意图识别已经逐渐扩展为语义解析、任务拆解和规划。模型既要理解用户目标，也要确定动作顺序、参数依赖和需要确认的高风险步骤。生产环境通常会采用级联架构，让不同方法各自处理擅长的流量：规则处理确定性命令和安全拦截，轻量分类器覆盖稳定高频意图，Embedding 负责候选召回，LLM 处理模糊表达、多轮状态和长尾请求，RAG 动态提供业务定义与案例，规划器负责多任务拆解。每一层还要保留拒识、追问和升级通道。这种级联还有一个重要收益：系统可以根据请求难度分配计算成本。简单请求走短链路，复杂请求再升级到更强模型。每层都能单独监控、替换和回滚，意图新增时也只需要调整相关分支。识别完成后，还要单独处理权限与执行安全。意图层回答"用户想做什么"，权限层判断"用户能否这样做"，执行层确认"动作是否应该立即发生"。查询天气可以直接执行，删除数据、转账和发送外部消息通常需要身份校验或二次确认。这三个层次分开设计，能够避免模型把"理解成功"误当成"授权完成"。因此，一个完整的意图系统需要提供四类出口：执行、追问、拒识和确认。缺少信息时追问，置信不足时拒识，高风险动作进入确认流程，只有条件充分且权限通过后才调用工具。评估时也需要超越整体 Accuracy。类别不均衡场景更适合观察 Macro-F1；相邻意图需要维护混淆矩阵；Embedding 层关注 Recall@K；槽位抽取关注字段级 F1；多轮场景关注意图切换和状态更新准确率；生产环境还要观察拒识率、追问率、工具调用成功率、端到端任务完成率、延迟和单次请求成本。一个成熟的意图系统，需要判断何时直接行动、何时升级模型、何时停下来追问。系统能力越强，对"不确定性"的管理也应该越精细。整条演进脉络可以归结为更清晰的系统分工：规则负责确定性，分类器负责高频稳定流量，Embedding 负责缩小候选空间，LLM 负责复杂语义，RAG 负责动态业务知识，多轮状态负责上下文连续性，规划器负责把复合目标转成可执行步骤。意图识别做得好，靠的通常是这套分工能够随着业务复杂度持续升级。如何学习大模型 AI ？由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！2、大模型学习书籍&文档学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。4、大模型项目实战&配套源码学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。适用人群第一阶段（10天）：初阶应用该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。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）：高阶应用该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。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…第三阶段（30天）：模型训练恭喜你，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。你已经成为了一名“AI小子”。那么你还想往下探索吗？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…第四阶段（20天）：商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。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…学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】