- 博客(1745)
- 收藏
- 关注
RSS订阅
原创 DeepSeek本地部署+投喂数据训练AI教程！！
DeepSeek-R1，是深度求索（DeepSeek）研发的推理模型，本地部署后完全免费，无使用次数限制。DeepSeek-R1采用的大规模强化学习技术，尤其擅长数学、代码和自然语言推理等复杂任务。DeepSeek-R1系列模型（1.5b~671b）开源且免费，进一步降低了AI应用门槛，赋能开源社区发展。使用教程❶Win版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）❷Mac版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）
2025-02-05 13:49:42
153161
21
原创 【手把手教你】搭建私有大模型+私有知识库
就是把目前最流行的开源大模型部署到自己的电脑上，无需联网、也不用买会员，隐私可不会泄露，直接可以和AI聊天。就是你可以把你喜欢的资料统统喂给大模型，然后让AI查询你指定的材料，再来回复你的问题。若是在公司搭建这套组合，可以把公司的介绍、产品数据、销售数据等等都发给私有大模型，回复用户的信息就更有针对性。大模型搭建已经分享过了，就不在此赘述，直接进入主题，知识库搭建。AnthingLLM可以直接在其界面上对话，导入各种形式的资料。也可以把本地AI大模型和知识库做成接口API，在企业的其他应用里面去调用。
2024-12-09 17:49:19
4481
原创 Llama3微调教程：超简单，人人都可以打造属于自己的GPT！
本教程详细介绍了如何使用Unsloth和Google Colab环境对Llama 3进行微调。使用Colab基本上是无脑点击运行就好了。经过这个教程，我们发现微调模型主要有三个核心环节：数据准备，这一步决定了质量；模型训练，这一步硬件资源决定了时间；模型测试，因为我们初步体验，所以比较简略，后续可以进一步探讨。通过本教程，即使是AI领域的新手也能够掌握大模型的微调技术。Unsloth不仅降低了技术门槛，也为个人和小团队提供了强大的工具。如果还有问题，可以查看我的notebook或者进群讨论。
2024-05-29 17:45:59
11458
2
原创 『保姆级』大模型教程来了（从入门到实战）
在大模型的构建之下，AI自动化交互，将会决定世界的未来，谁的大模型更强大，将决定在遥远的未来的话语权，同时，大模型会成为AI基础设施。AI大模型，正在构建的颠覆力，为了更好的入局AI大模型，🔻 针对ChatGLM大模型，介绍ChatGLM模型微调。🔻 大模型的定义和特点，如预训练、微调、指令学习等。🔻 05 精读大模型-3论文、Instruct论文。🔻 04 GLM-130B训练营——论文泛读。🔻 05 GLM-130B训练营——论文精读。🔻 08 Alpaca训练营——论文精读。
2024-04-01 17:50:11
5785
原创 【必学收藏】8种AI记忆策略全解析：从原理到代码实现，提升大模型对话能力
有没有办法在不丢失重要信息的前提下缩短对话长度？摘要策略由此诞生。其动机是像人类做笔记一样，将冗长的对话内容去除无用的信息（寒暄、闲聊、重复信息等），浓缩成关键要点（事实、关键数据、兴趣爱好等）保存。这样既保留了核心信息，又能大量节省上下文窗口空间，缓解记忆无限增长的问题。在实际实现中，可以结合滑动窗口策略：超出窗口的对话才进行摘要与压缩。【基本原理】在对话过程中定期将较早的对话内容生成摘要与压缩，并用这个摘要代替原始详细内容存入记忆。摘要可以由一个LLM生成。
2026-01-09 15:34:24
504
原创 RAG检索增强生成12大最新架构与方法，程序员必备知识库，建议收藏！
本文介绍了RAG检索增强生成的12种最新高级架构与方法，包括全局感知RAG、基于超图记忆的多步RAG、动态RAG、高保真分层RAG、双向RAG、长视频时序RAG等。这些创新架构针对不同应用场景优化了RAG系统，从长文档处理到多模态理解，再到安全防御，展现了RAG技术的最新发展，为提升大模型检索能力提供了多种创新思路。
2026-01-09 15:30:03
170
原创 收藏！裸辞转行AI大模型全记录：从决定到入职的4个月实战指南
结合多场面试的复盘，我总结了4个核心要点，能直接提升面试通过率：第一，吃透底层原理，拒绝“八股式背诵”：这是AI面试的核心。面试官更看重对技术的理解而非背诵能力，只有真正搞懂原理，才能在面试中从容应对各种追问，甚至能基于原理推导未知问题的解决方案；第二，深耕简历内容，提前做好问题预判：简历是面试的“核心剧本”，面试官的问题基本都围绕简历展开。建议提前借助AI工具（比如用ChatGPT根据简历生成可能的面试题）进行模拟演练，同时每面试完一场就及时复盘，整理高频问题的回答思路。
2026-01-09 15:27:53
288
原创 大模型推理技术新突破：RLVR+GRPO算法详解，程序员必学收藏
2025年大模型推理技术迎来革命性突破，开源社区通过RLVR和GRPO算法大幅降低训练成本。GRPO算法摒弃昂贵的"批评家"模型，采用"组内竞争"机制；训练方式从过程微观管理转向结果导向，甚至去除KL散度限制。这些创新使顶级模型的护城河不再完全由金钱堆砌，标志着AI领域从"更大参数"向"更智能推理"的战略转变。
2026-01-08 15:21:32
576
原创 收藏！2026大模型行业就业全景报告：小白入门/程序员转型必看指南
近两年来，大模型技术浪潮强势席卷整个科技圈，热度始终居高不下！不管是深耕Java、C++等传统技术栈的后端开发者、专注交互体验的前端工程师，还是扎根数据领域的数据分析师、算法工程师，亦或是统筹技术架构的架构师群体，都纷纷将目光聚焦于大模型赛道，开启了新一轮的技术深耕与转型竞速。在这股热潮之下，不少技术人尤其是刚入行的小白和计划转型的程序员，普遍陷入了困惑之中。最近一段时间，我在后台收到了大量咨询，核心问题高度集中：2026年AI大模型行业的就业前景到底怎么样？
2026-01-08 15:20:04
541
原创 收藏学习！LLM工作原理解析：从条件概率到温度参数，小白程序员必看
本文详细解析了LLM的工作原理，从基础条件概率概念开始，解释了模型如何根据上下文预测下一个单词，以及损失计算的作用。重点介绍了temperature参数如何通过调整softmax函数影响输出的多样性和创造性：低温度使输出更确定但缺乏创意，高温度增加随机性但可能降低连贯性。理解这些概念有助于掌握LLM生成文本的核心机制。在 x（原帖链接见文章末尾） 上看到有人分享一组图解 LLM 工作原理的帖子，内容通俗易懂，就搬运过来汉化一下，和大家一起学习！
2026-01-08 14:26:28
434
原创 必藏！LIR3AG框架：8B模型秒杀32B推理模型，RAG性能提升22.5%，成本降低98%
LIR3AG框架创新性地通过检索、重排和推理构造三模块设计，将大模型推理能力"蒸馏"到轻量级模型中。实验表明，8B参数的LIR3AG在多跳问答任务上性能超越32B推理模型（F1提升6.2%-22.5%），同时减少98%的token消耗和58.6%推理时间，实现效率与效果的双重突破。这一研究为RAG系统提供了新的优化思路，证明通过结构化重排策略可替代传统复杂推理过程。
2026-01-07 19:10:18
602
原创 2026双重突破：世界模型构建×具身智能实践
2026年AI领域的新风向将聚焦于世界模型与具身智能的结合，推动AI从虚拟世界向物理世界落地。世界模型赋予AI对环境的内部模拟与预测能力，使其具备"想象未来"的规划能力。当前研究呈现三大架构范式：模块化（分工明确但易偏差）、顺序化（长程规划友好但脆弱）、统一化（性能最优但可解释性差）。具身智能正成为学术界和产业界的新焦点，清华大学、复旦大学等高校已成立专门研究机构。这一趋势将重塑机器人技术，使其从执行者升级为具备推理、规划和适应能力的智能体。掌握大模型与具身智能技术将成为未来AI人才的核
2026-01-07 19:09:24
799
原创 【必看收藏】LLMs与KGs融合三大框架：2026前沿技术路线图
大模型与知识图谱融合是AI发展的重要方向，两者优势互补：大模型擅长语言理解与生成，知识图谱提供结构化、可解释的知识。融合路径包括知识图谱增强大模型、大模型赋能知识图谱构建，以及两者的协同进化。当前检索增强生成（RAG）等技术已实现落地应用，未来将向智能体方向发展，构建兼具语言能力与精确推理的新一代AI系统。这一融合标志着AI从纯数据驱动转向"数据+知识"双轮驱动的新范式。
2026-01-07 19:04:54
513
原创 超越文本生成：Agent 的三重能力如何为 LLM 注入决策与记忆
摘要：文章探讨了AI智能体的三重觉醒：1)工具使用（Tool）使AI从封闭系统变为开放系统，通过web_search等工具获取实时信息；2)计划与推理（Plan/Reason）让AI具备深度思考能力，从直觉反应到系统性推理；3)记忆系统（Memory）突破无状态限制，实现经验积累和个性化服务。这三重觉醒共同推动AI从简单语言模型向能思考、行动和成长的智能体进化，标志着AI从"知道什么"到"能做什么"的根本性转变。
2026-01-07 19:03:54
661
原创 收藏！Agent全面爆发！万字长文吃透上下文工程（小白&程序员入门必备）
从Chatbot到Agent，LLMs 的上下文也变得更加复杂多样。之前的提示工程主要围绕系统和用户提示词，而如今的上下文工程还要处理状态、记忆、工具和结构化输出等内容及其之间的协同工作。在长期运行、多轮决策和工具协同的场景下，模型能否稳定发挥，往往取决于它所“看到”的上下文是否清晰、是否连贯、是否始终围绕当前目标展开。上下文不再只是输入的一部分，而是系统状态的集中体现。这也解释了为什么，在 Agent 体系中，单纯依赖提示词已经难以支撑复杂需求。
2026-01-07 15:27:47
728
原创 收藏！2026技术岗就业真相：大模型时代，新人如何选对第一份工作站稳脚跟
夯实核心基础技能：优先掌握Python编程语言（AI领域通用）、PyTorch/TensorFlow等主流深度学习框架，了解大模型基本原理（如Transformer架构、预训练-微调流程），提升AI素养——这是2026年技术岗的“基础门槛”，没掌握这些很难通过简历筛选；
2026-01-07 15:23:11
255
原创 【程序员必看】AI Agent进化全解析：如何让“只会说话“的模型变成“能干活“的行动派
现在，让我们回到最初的问题。从只会聊天的 ChatGPT，到能够协同工作的 Agent 系统，AI 真的变得更“聪明”了吗？Agent 不是 AI 的一次升级，而是人类工程思维的一次“外包”。我们并没有创造一个无所不能的“神”，而是设计了一套精密的“流程系统”。这套系统围绕着 LLM 这个“大脑”，一步步地教会它如何思考、如何使用工具、如何记录经验、如何与同伴协作。从 ChatGPT 到 Agent，不是模型突然变聪明了。是人类一步一步，把“怎么干活”这件事，从人脑，搬进了系统。
2026-01-07 15:21:09
299
原创 收藏级干货！反思架构：让AI变身“自我审查专家“，代码质量堪比人类专家
反思架构：LLM的自我批评与优化机制 摘要：反思架构是一种通过"生成-评估-改进"循环提升LLM输出质量的智能体工作模式。该架构模拟人类创作流程，首先生成初稿，然后切换为批评者角色进行自我评估，最后基于反馈优化输出。其核心优势在于仅需单一LLM即可实现质量提升，特别适用于代码审查、内容优化等场景。文章详细介绍了反思架构的三阶段流程（生成、批评、优化），通过结构化数据模型和LangGraph实现了代码自动审查的完整示例，展示了如何将普通LLM转化为具备自我纠错能力的智能体。该架构虽然会带来
2026-01-06 19:04:39
527
原创 Dify 或 LangChain？高手用原生 API 重构 LLM 开发逻辑
框架的本质：成熟周期的产物，而非创新的催化剂我们需要先厘清一个软件工程的常识： 框架（Framework）是为了解决什么问题而诞生的？Spring 诞生是为了解决 Java EE 的繁琐配置；React 诞生是为了解决复杂的 DOM 状态管理。它们的共同点是： 所在的领域已经高度成熟，最佳实践已经固化。此时，框架通过强约束，强行让开发者遵循“标准动作”，从而提高复用率、降低门槛、减少犯错。但在 LLM 领域，情况截然不同。目前的 AI 技术栈还在以“周”为单位迭代。
2026-01-06 19:03:58
783
原创 【干货收藏】2026年AI智能体工程：10大维度详解，决定Agent能否规模化落地的生死线
智能体工程是将不确定的LLM系统转化为可靠生产级应用的工程化过程。它通过四大能力架构层（应用交互层、智能决策层、知识与上下文层、运行时与信任层）和十大工程维度，解决Agent从Demo到产品面临的五道鸿沟：LLM不确定性、动态上下文管理、环境变化、可观测性不足和安全治理缺失。智能体工程采用"边上线、边学习"的开发范式，通过交互工程、模型工程、推理执行核心、上下文工程等具体实践，将AI能力驯化为可规模化、可信赖的企业级工具。预计到2026年，智能体工程将成为AI落地的重要热点，推动Agen
2026-01-06 19:01:58
549
原创 【收藏必备】EAG-RAG架构详解：打造闭环自优化的企业级知识问答系统，彻底解决大模型幻觉问题
EAG-RAG技术通过智能体增强的闭环工作流，解决了传统RAG的知识时效性、幻觉问题和数据访问限制。该技术采用深度知识处理、双重LLM智能体优化查询、混合检索策略及自评估机制，显著提升了知识问答系统的准确性、可维护性和持续改进能力。其核心创新在于将智能体范式融入RAG全流程，实现从数据预处理到生成优化的自主优化，为企业级知识管理提供了高效解决方案。
2026-01-06 19:00:59
537
原创 Agentic-KGR: 利用多智能体协同强化学习提升知识图谱动态演化
这份资料由我们和鲁为民博士(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。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，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。
2026-01-06 19:00:14
978
原创 收藏！下一个AI Agent爆发点：拆解ReAct框架，轻松掌握通用任务自主智能体构建
在大语言模型（LLM）应用的初期阶段，提示工程（Prompt Engineering）是衔接用户需求与模型输出的关键桥梁。但在处理多步推理任务、调用外部工具以及与动态环境交互等复杂场景时，纯提示驱动的方案往往显得力不从心。正是在这样的背景下，ReAct框架（Reasoning+Acting）应运而生。它创新性地将链式推理（Reasoning）与环境行动（Acting）深度融合，成功构建出能够主动思考、自主决策并高效执行复杂任务的智能体（Agent），成为AI Agent领域的核心突破方向。
2026-01-06 15:19:44
732
原创 收藏级图解AI核心技术：RAG、大模型、智能体全解析（小白&程序员入门必备）
维度传统RAG检索方式单次、静态多轮、动态优化推理能力单跳，依赖人工设计多跳，自主分解任务上下文管理固定拼接动态筛选与精炼错误处理无自检机制结果验证与修正适用场景简单问答、文档摘要复杂推理、实时交互、工具调用演进本质：Agentic RAG将RAG从“管道流程”升级为“自主决策系统”，更贴近人类问题解决模式。策略核心逻辑优势局限性Fixed-size固定长度切割高效、通用语义断裂风险Semantic语义边界检测保留上下文计算复杂度高Recursive。
2026-01-06 15:15:59
904
原创 珍藏！Agent记忆系统完全指南：从崩溃到稳定的三层记忆架构（必收藏）
摘要：文章揭示了Agent系统"失忆"的根本原因在于错误的内存设计，指出LLM本身不具备记忆功能。作者提出三层记忆模型解决方案：Working Memory（短期上下文过滤）、Episodic Memory（行为事件记录）和Semantic Memory（向量知识检索），强调记忆是策略而非数据结构。文章提供了Rust实现方案与四条工程铁律，帮助开发者构建可长期运行、可调试、可学习的Agent系统，突破90%开源框架的工程局限。
2026-01-05 19:04:32
1006
原创 【必收藏】颠覆传统RAG！Hindsight Agent Memory深度解析：类人记忆系统让AI更智能
Hindsight项目革新AI记忆系统，突破传统RAG的检索局限。通过Retain方法将信息拆解为五维因果链，Recall采用四路混合检索策略，Reflect则实现带性格特质的推理能力。这套系统将记忆视为动态学习过程而非静态存储，已开源并提供简洁API（retain/recall/reflect），支持事实关联、时间推理和观点演化，使AI具备更接近人类的记忆理解能力。项目强调"RAG只是检索，记忆需要理解"的创新理念，为AI记忆系统发展提供新方向。
2026-01-05 19:03:30
712
原创 RAG vs CAG：大模型知识增强技术实战对比，收藏级深度解析
本文对比了两种大语言模型知识增强技术：检索增强生成(RAG)和缓存增强生成(CAG)。RAG通过实时检索外部数据库提供最新信息，适合动态知识场景，但系统复杂且存在延迟；CAG通过预加载和缓存机制提高响应速度，适合稳定知识场景，但信息易过时且内存需求高。文章详细分析了两者的工作原理、优势与局限，指出技术选择需根据业务需求、更新频率等因素综合考虑，并建议混合方案可兼顾二者优势。
2026-01-05 19:02:15
902
原创 【收藏】RAG系统Chunking质量验证全攻略：从物理指标到端到端效果，3层次搞定！
本文提出了验证RAG系统中Chunking质量的三层次方法：物理指标层（块大小分布、重叠覆盖率、语义完整性）、检索效果层（召回率、精确率等）和端到端效果层（答案准确率、用户满意度）。建议采用"先快后慢、先局部后全局"的验证策略，通过多层次指标找到最适合特定场景的Chunking方案。文章强调Chunking质量直接影响检索准确性、上下文完整性和系统成本，需要持续监控和优化。
2026-01-05 19:00:37
823
原创 RAG系统构建必看：切片(Chunking)决定效果上限，6种技术详解（建议收藏）
文章剖析了RAG系统中切片环节的关键作用，详细介绍了六种主流切片方法（固定长度、语义、结构化、重叠、递归和混合）的特点与适用场景。提出切片设计的三个实战要点：控制粒度(200-800字)、合理重叠(10%-20%)、指标评估效果，强调切片质量直接影响检索准确率和生成稳定性。最后指出大模型技术催生新职业机遇，并附赠全套学习资源获取方式。
2026-01-05 18:59:57
889
原创 【必收藏】智能体记忆、中间件与工具全解析：打造会学习的AI助手
本文解析智能体的三大关键技术：记忆系统实现对话历史存储与优化（短期记忆管理/长对话处理），中间件提供执行流程控制，工具支持外部系统交互（API/数据库调用）。这些技术协同构建了具备持续学习能力的AI助手，推动AI应用向实用化发展。同时指出大模型技术催生了Prompt工程师等新兴岗位，强调掌握相关技能对职业发展的重要性，并附赠全套大模型学习资源（路线图/书籍/项目/面试题）。
2026-01-05 18:58:56
705
原创 收藏！2026年大模型工程师年薪50w+，这份完整学习路线助你快速入门
大模型应用工程师学习路线：五步掌握核心技术 核心学习路径： 提示词工程：优化AI交互效果 RAG技术：结合向量数据库增强模型能力 模型微调：实现定制化需求 部署实践：云端/本地部署方案 AI系统开发：多智能体系统构建 行业趋势： 2025年将迎Agent技术爆发，全模态应用将成为主流，大模型与行业结合前景广阔 职业发展： 掌握这些技术可实现50w+年薪，资料包含学习路线、实战项目及行业报告等全套资源
2026-01-05 18:56:37
511
原创 从零入门AI Agent：小白必学，程序员必收藏，AI下一个技术高地
AI Agent（智能体）自主感知：能够理解当前环境和任务需求自主决策：能够制定执行计划并动态调整自主执行：能够调用工具完成实际任务用一句话总结：Agent = LLM（大脑） + 工具（手脚） + 记忆（经验） + 规划（智慧）一个工具的标准结构"""执行数学计算"""try:result = eval(expression) # 实际生产中不要用evalreturn f"计算结果：{result}"return f"计算错误：{str(e)}"# 定义工具。
2026-01-05 16:22:49
750
原创 2025开年必藏！AI技术爆火重构职场，程序员的命运正在被大模型改写
2025年刚拉开序幕，AI领域的技术浪潮就席卷各行各业，尤其对程序员群体来说，这场变革早已不是“选择题”，而是关乎职业生存的“必修课”：阿里云核心业务完成全链路Agent体系接入，效率提升超40%；字节跳动最新招聘需求显示，30%后端岗位明确要求掌握大模型开发能力，含SFT、RLHF等核心技术；腾讯、京东、百度开春大规模开放技术岗，80%岗位聚焦AI方向，大模型应用、智能体开发等岗位供不应求……大模型正在彻底重构技术开发的底层逻辑，
2026-01-05 16:21:45
826
原创 AI Agent设计模式全攻略：从零开始掌握9种核心模式，建议收藏
Agent是让LLM根据动态变化的环境信息选择执行具体的行动或者对结果做出判断，并影响环境，通过多轮迭代重复执行上述步骤，直到完成目标。精简的决策流程：P(感知)–>P(规划)–>A(行动)为了Agent像人一样干活，Agent需要具备四个模块：推理、记忆、工具、行动。
2026-01-05 16:19:02
535
原创 【深度收藏】姚顺雨的AI智能体之路：ReAct框架如何让大模型从“军师“变“将军“
姚顺雨，OpenAI前研究员，现担任腾讯首席AI科学家，提出ReAct框架和思维树方法，推动AI从"军师"变为"将军"。ReAct通过"推理-行动-观察"循环，使大模型能主动调用工具解决问题，与CoT、ToT形成互补。这一框架已成为AI智能体研究的基石，在需要整合多源信息和多步操作的场景中尤为关键。
2026-01-04 15:46:20
1036
原创 收藏！2025 AI黄金赛道：大模型应用开发，程序员职业升级必抓机遇
在2025年AI行业的发展蓝图中，若论最具爆发力的机遇赛道，大模型应用层无疑是万众瞩目的“黄金地带”。随着底层大模型技术日趋成熟，行业发展的核心重心已清晰地从技术攻坚转向场景落地——谁能率先吃透大模型应用逻辑、抢占实际业务落地先机，谁就能在新一轮AI产业浪潮中掌握主动权，这一点对于程序员群体而言，更是职业跃迁的关键风口。头部企业的战略布局，向来是行业趋势的“晴雨表”。
2026-01-04 15:45:22
922
原创 AI智能体(Agent)架构完全指南：从单兵作战到Multi-Agent协同（附代码，建议收藏）
Multi-Agent 的爆发，本质是 AI 从“会说”走向“会干活”、从“单点能力”走向“系统能力”。当任务复杂到需要分工协作、需要流程闭环、需要持续迭代时，多智能体就不再是概念，而是一条必经之路。把协作变成可描述、可治理、可复用、可恢复的工程系统。如果你正在做客服、运营、风控、流程自动化相关项目，建议你从一个“最小可行的多智能体链路”开始：意图分析 → 回复/补全 → 执行闭环（派单/写库）→ 质检与反馈。
2026-01-04 15:43:30
687
原创 收藏备用！Agentic AI突破LLM局限：从内容生成到任务执行的进化全解析
本文深度解析Agentic AI（代理式人工智能）如何破解大语言模型（LLM）的核心局限，实现从“被动内容生成”到“主动任务执行”的关键跨越。文中系统梳理2021年Prompt Engineering（提示词工程）至2024年Multi-Agent（多智能体）的四年技术演进脉络，详解AI Agent的记忆、工具与行动、规划、反思等五大核心能力，拆解不同产品形态的适用场景。同时直面Agentic AI落地挑战并给出解决方案，展望其向主动智能发展的未来方向，助力小白与程序员快速掌握大模型进阶核心技术。以Open
2026-01-02 15:15:00
893
原创 收藏！后端转AI大模型工程化工程师：从入门到落地全学习路径
随着DeepSeek等开源大模型的爆火，AI大模型工程化落地需求迎来爆发式增长，市场对具备工程化能力的大模型人才缺口持续扩大。不少后端工程师看中这一行业机遇，却苦于没有清晰的转型方向和学习框架，陷入“想学却不知从何入手”的迷茫。借着周末时间，我系统梳理了一套后端转大模型工程化的学习路线，分享给有需要的技术同仁。要做好转型规划，首先得明确目标岗位的核心要求。
2026-01-02 11:30:00
1543
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人