上下文工程会成为下一代 AI Agent 的核心竞争力吗?

S4HANA Rebate Management(条件合同) -Single Step S4HANA 条件合同管理(Condition Contract Management), 包括如何创建条件合同,场景应用 阅读详情

前段时间 OpenAI 的前研究员 Andrej Karpathy 提出一个新的名词:Context Engineering。他将 LLM 比作计算机的处理器(CPU),而其上下文窗口则相当于内存(RAM)。最近看到一篇发表在 langchain 博客里面的文章:Context Engineering(链接见文末),让我对这个概念的理解更加深刻。

上下文工程(Context Engineering)是构建和优化大型语言模型(LLM)驱动的 AI 智能体的一门关键技术。它被定义为“在智能体运行轨迹的每一步中,以恰到好处的信息填充上下文窗口的艺术与科学”。

上下文工程的重要性在于:

  • • 提升推理能力:通过提供最相关、最简洁的信息,智能体能够更准确地理解任务、进行有效推理并生成高质量的响应。
  • • 提高运行效率:优化上下文的使用可以减少不必要的计算,从而加速智能体的响应时间,并降低资源消耗。
  • • 增强智能体鲁棒性:有效的上下文管理有助于避免信息过载或错误信息引起的故障,使智能体在复杂多变的环境中保持稳定表现。
  • • 实现复杂任务:对于需要长期记忆、多步骤规划或与外部工具交互的复杂任务,上下文工程是确保智能体能够有效执行这些任务的基础。

上下文工程是“填充上下文窗口的艺术和科学,在 Agent 轨迹的每一步都填充正确的信息”

引用自:Andrej Karpathy https://x.com/karpathy/status/1937902205765607626

错误的 LLM 上下文对 Agent 的影响

当 LLM 的上下文管理不当时,可能会对 AI Agent 产生以下四种严重影响:

上下文中毒(Context Poisoning)

指当幻觉或其他错误信息进入 LLM 的上下文并被反复引用时。例如,一个 Agent 在执行任务时产生错误信息,这些错误信息被模型“记住”并持续影响后续的判断和决策,导致 Agent 固执于不可能或不相关的目标。

上下文干扰(Context Distraction)

发生在上下文过长,导致 LLM 过度关注上下文中的冗余信息,而忽略了其在训练中学到的核心知识。这使得 Agent 倾向于重复历史动作而非生成新的、更优的计划。对于上下文窗口较小的模型,这种干扰效应会更早出现。

上下文混乱(Context Confusion)

当上下文中的冗余内容被 LLM 用于生成低质量响应时。即使提供了大量工具描述,模型也可能因信息过载而性能下降,甚至尝试使用不相关的工具。LLM 会关注上下文中的所有内容,即使是无关信息,这会降低响应的准确性。

上下文冲突(Context Clash)

指上下文中新获取的信息或工具与现有信息发生直接冲突。例如,在多轮对话中分阶段提供信息,可能导致模型在早期轮次做出错误假设并过分依赖这些错误答案,从而显著降低最终性能。这种内部矛盾会使 Agent 的推理过程脱轨。

这些失败模式对 AI Agent 的影响尤为显著,因为 Agent 通常在需要收集多源信息、进行顺序工具调用、多轮推理和积累大量历史的复杂场景中运行,这些场景极易导致上下文膨胀,从而放大上述问题。

上下文工程策略

为了应对上下文管理不当的问题,文章中将上下文工程策略分为写入、选择、压缩和隔离四类。

在这里插入图片描述

1. 写入上下文(Write Context)

此策略旨在将信息保存于上下文窗口之外,以备未来使用。这包括两种主要形式:

  • • 草稿本(Scratchpads):用于存储会话内部的临时信息。这可以是在一个单一的交互过程中,智能体为了完成当前任务而需要临时记录的数据。
  • • 记忆(Memories):用于跨多个会话持久化信息。这些记忆可以是智能体自动生成或从过去的交互中综合提炼出来的,用于保留长期知识或个性化设置。

在这里插入图片描述

2. 选择上下文(Select Context)

此策略专注于将相关信息提取到当前的上下文窗口中。这涉及从以下来源进行选择:

  • • 草稿本和记忆的检索:根据当前任务或用户查询,从已存储的草稿本或各种类型的记忆(如事件记忆、程序记忆、语义记忆)中检索最相关的信息。
  • • 检索增强生成(RAG):尤其在代码智能体中,RAG 被广泛应用于从工具描述和知识库中获取信息,确保智能体能够访问到其执行任务所需的外部知识。

3. 压缩上下文(Compressing Context)

此策略通过保留必要的 token 来优化上下文窗口的使用效率。它主要包含:

  • • 上下文摘要(Context Summarization):将冗长的智能体交互或工具输出浓缩成更简洁的形式,减少不必要的细节,突出关键信息。
  • • 上下文修剪(Context Trimming):通过过滤或剪枝技术(通常基于启发式规则),从上下文中移除不相关或冗余的 token。

图片

4. 隔离上下文(Isolating Context)

此策略通过分离上下文来帮助智能体更有效地执行任务。这可以通过以下方式实现:

  • • 多智能体架构(Multi-agent Architecture):将任务分解给多个子智能体,每个子智能体处理其特定任务并拥有独立的上下文,避免不同任务的上下文相互干扰。
  • • 环境(Environments):使用沙箱等环境来隔离包含大量 token 的对象或状态,例如在执行复杂计算或访问敏感数据时,将这些操作限制在特定的、受控的环境中。

实践建议

虽然 Langchain 的博客中未详细展开,但上下文工程实践中建议:

  • • 动态加载工具:根据任务需求动态加载和卸载工具,避免一次性加载过多工具导致上下文混乱。
  • • 上下文隔离(Context Quarantines):创建独立的上下文区域,用于处理特定类型的信息或执行特定子任务,防止信息交叉污染。
  • • 监控与评估:建立完善的监控机制,追踪 LLM 的 token 使用情况、响应时间和成本,并对 Agent 的决策过程进行记录和评估,以便及时发现和解决上下文问题。
  • • 逐步优化与场景化设计:针对最耗费 token 的部分进行优化,然后逐步优化关键信息的选择,最后考虑复杂的架构调整。同时,根据具体应用场景(如客服、营销、代码生成等)设计定制化的上下文管理策略。

总结

上下文工程(Context Engineering)是构建高效、智能、鲁棒 AI 智能体的核心要素。通过巧妙地写入、选择、压缩和隔离上下文,并充分理解上下文管理不当的潜在风险,我们可以最大限度地发挥 LLM 的潜力,使其在各种任务中表现出色。

对于 AI 智能体的开发者而言,掌握这些上下文工程技术是构建 AI Agent 的关键。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:

在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

如果你真的想学习大模型,请不要去网上找那些零零碎碎的教程,真的很难学懂!你可以根据我这个学习路线和系统资料,制定一套学习计划,只要你肯花时间沉下心去学习,它们一定能帮到你!

大模型全套学习资料领取

这里我整理了一份AI大模型入门到进阶全套学习包,包含学习路线+实战案例+视频+书籍PDF+面试题+DeepSeek部署包和技巧,需要的小伙伴文在下方免费领取哦,真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段
在这里插入图片描述
在这里插入图片描述

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,皆可用。
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

三、视频和书籍PDF合集

从入门到进阶这里都有,跟着老师学习事半功倍。
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

四、LLM面试题

在这里插入图片描述
在这里插入图片描述

五、AI产品经理面试题

在这里插入图片描述

六、deepseek部署包+技巧大全

在这里插入图片描述

😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~
在这里插入图片描述

【OD统一考试(C卷)考生抽中题】符号运算(200 分),用 C++ 编码,速通 3. 结果为整数或分数, 分数必须化为最简格式(比如 6, 3/4, 7/8, 90/7)参加华为 od 机试,一定要注意不要完全背诵代码,需要理解之后模仿写出,通过率才会高。字符串格式的表达式,仅支持±*/,数字可能超过两位,可能带有空格,没有负数。4. 除数可能为 0,如果遇到这种情况,直接输出"ERROR"1. 所有的输入数字皆为正整数(包括 0)用例的输入一定合法, 不会出现括号不匹配的情况。结果可能是负数, 负号放在最前面。表达式结果,以最简格式表达。长度小于 200 个字符。 阅读详情

相关推荐

RK3568-MIPI屏幕调试实战:LCD初始化时序解析与转换

本文详细解析RK3568平台MIPI屏幕调试中的LCD初始化时序,重点介绍DCS Write与Generic Write数据类型的转换方法,并提供厂家时序到RK格式的实战转换案例。通过理解上电初始化时序的重要性,帮助开发者快速解决屏幕不亮、花屏等常见调试问题,提升RK3568硬件开发效率。

d6e7f8g9h的博客 187

告别提示词工程,「上下文工程」才是 AI Agent 的核心竞争力

上下文工程(Context Engineering)是一个在人工智能领域逐渐走红的新术语。行业内讨论的焦点正从 "提示词工程"(prompt engineering)转向一个更广泛、更强大的概念:上下文工程(Context Engineering)。托比・卢克(Tobi Lutke)[1] 将其描述为 "

欢迎来到我的博客 1404

【maxENT】从数据到地图:R语言实现最大熵物种分布建模全流程解析

本文详细解析了如何使用R语言实现最大熵模型(MaxEnt)进行物种分布建模的全流程。从数据准备、环境变量处理到模型训练与参数调优,再到模型评估与结果可视化,提供了实用的代码示例和避坑指南。特别适合生态学研究者利用最大熵模型处理物种分布数据,提升研究效率。

weixin_27244795的博客 216

告别提示词工程,「上下文工程」才是 AI Agent 的核心竞争力,看到就是赚到!!

上下文工程(Context Engineering)是一个在人工智能领域逐渐走红的新术语。行业内讨论的焦点正从“提示词工程”(prompt engineering)转向一个更广泛、更强大的概念:上下文工程(Context Engineering)。托比·卢克(Tobi Lutke)[1]将其描述为“为任务提供完整的上下文背景,使大语言模型能够合理解决问题的一门艺术”,他说得很到位。 随着 Agents 的兴起,将哪些信息输入“有限的工作记忆(limited working memory)”中变得越来越重要

bugyinyin的博客 1028

OpenCV安装配置教程VS2022(超级顺利)

博主最开始没打算写这篇博客,只是想简单的在网上找一下最新版的OpenCV的安装配置教程,适用于VS2022的,但是我搜了一早上,也没搜到一个能让我成功安装配置的,看了很多很多文章,根本就没有几篇有用的。所以没办法了,只能自己研究了,于是就整理了这篇博客,希望能帮到和我一样的人,这就是博主一直信奉的利他精神!

weixin_47367099的博客 5万+

weblogic 集群搭建,双机部署,相关问题记录

4.5.集群搭建1 参考网址https://wenku.baidu.com/view/76365129cd1755270722192e453610661ed95aa4.html IP地址 端口 角色 192.168.1.160 9001 AdminServer ...

zl386119974的专栏 1670

怎么成为一个 ai agent 工程师?

2026年AI Agent工程师成长路径摘要 AI Agent工程师分为应用开发、框架/中台、算法研究三个方向,2026年性价比最高的是框架/生产化方向(50-100w+薪资)。务实成长路径分四阶段: 0-3个月基础:精通Python或主流框架,掌握经典Agent范式 3-8个月实战:完成2-3个线上可演示项目(如多工具Agent、协作系统) 8-15个月进阶:重点攻克生产化六大能力(容错/安全/评估等) 15个月+冲刺:参与真实大规模系统,输出行业见解 学习资源以实战为主(70%),搭配生产化工具(20%

likuolei的博客 888

【时时三省】tessy 集成测试 总论

序论不积跬步无以至千里,不积小流无以成江海。正文。

时时三省的博客 1149

20亿并购背后的AI Agent核心密码:LangChain与Manus联合揭秘上下文工程三大策略

Meta以20亿美元收购AI Agent公司Manus引发行业震动。LangChain创始人Lance Martin与Manus联合创始人Peak Ji的对话揭示了其核心竞争力:精妙的上下文工程方法而非依赖大模型。面对AI Agent的"上下文爆炸"和"上下文腐烂"痛点,Manus开发了三大核心策略:1)上下文减少,通过"双形式"方法精简信息;2)上下文卸载,采用分层架构管理工具;3)上下文隔离,通过模块化子Agent协同工作。实战问答环节还探讨了

小程故事多的博客 1021

RK3588部署YOLO模型 包含模型量化+npu轻量化+ubuntu+RGA图像加速和多线程模型加速 包源码

本专栏为深度学习部署全栈学习体系,包含68篇由浅入深的教程,专为零基础学习者设计。内容涵盖TensorRT与RK3588平台部署技术,包含Jetson系列和RK系列硬件部署实战,采用"理论+源码+实战"三位一体的教学模式。学习路径从基础环境搭建到模型优化、容器化部署、多硬件平台适配,最终掌握工业级AI部署能力。特色包括C++基础教学、Docker容器化、INT8量化、多线程优化等核心技术,并附带YOLOv5、人脸检测、车牌识别等多个实战项目源码。适合算法工程师转部署方向、嵌入式开发者及对

FJN110的博客 3733

点云数据生成DEM,并导出三维模型

点云数据生成DEM,并导出三维模型

qq_42540466的博客 2万+

LLM - 从 MCP 到 Skills:2025 年 AI Agent 的工程实践全景解析

摘要: AI Agent技术正从概念走向落地,通用Agent虽功能全面但成功率低,垂直场景Agent(如Coding Agent)表现更优。MCP协议解决了Agent与工具/数据的连接问题,而Skills层通过可复用的“技能包”提升了任务执行的稳定性。上下文工程通过精准控制信息输入(写入、选择、压缩、隔离)优化决策质量。未来Agent将演变为以LLM为核心、工具为外设的云端计算环境,需结合工程化方法实现高效落地。

小工匠 3424

XRoboToolkit —— 基于 PICO 4 Ultra 的机器人遥操作方案(一)

视觉-语言-动作模型(Vision-Language-Action models)的快速发展催生了对大规模、高质量机器人演示数据集的迫切需求。尽管遥操作是数据采集的主要方法,但现有方法存在可扩展性有限、设置流程复杂以及数据质量不佳等问题。本文提出XRoboToolkit,这是一个基于OpenXR标准的跨平台扩展现实(XR)机器人遥操作框架。该系统具备低延迟立体视觉反馈、基于优化的逆运动学算法,并支持多种跟踪模态,包括头部、控制器、手部及辅助运动追踪器。

2506_90492529的博客 3321

AI Agent学习:Harness工程——模型之外的Agent核心竞争力(李博杰《深入理解 AI Agent》1.2观后总结)

摘要: Harness工程是AI Agent适配生产环境的核心支撑体系,通过五大能力(上下文、工具、约束、验证、纠正)弥补基础Agent的缺陷,确保稳定性和可靠性。Agent生产级公式为"模型+Harness",Harness如同马具约束模型能力并保障安全落地。AI工程历经五代演进,当前竞争焦点转向Harness工程优化,而非模型本身。Agent落地需遵循三大原则:架构简洁、运行透明、接口适配Agent视角。成熟案例表明,优化Harness可显著提升任务成功率,成为核心竞争力关键。

xqhlr的博客 291

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Prompt 已过时?Harness Engineering 才是 AI Agent 时代的程序员核心竞争力

本文深入解析了AI工程化中的提示词工程、上下文工程和HarnessEngineering(驾驭工程)的本质关联,指出三者是层层递进的体系化管控方案。提示词工程解决单次交互优化,上下文工程实现动态信息管理,而HarnessEngineering则构建完整的Agent管控体系。文章详细拆解了HarnessEngineering的四层架构(记忆层、执行层、反馈层、编排层)及其落地方法,并介绍了规范驱动开发(SDD)的实战模式。最后强调在AI时代,程序员的核心竞争力将转向搭建可控的AI工程体系。全文提供了从理论到实

爱人爱己,风生水起 1326

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

搞懂“上下文工程”,你才是真正的AI架构师,这才是让你项目牛起来的核心竞争力!

《上下文工程:AI应用开发的新范式》摘要 AI领域最新热词"上下文工程"正引发关注,它标志着Prompt思维已无法满足复杂AI应用需求。本文揭示了6大核心实践:1)建立外部记忆系统突破上下文长度限制;2)通过TODO机制保持任务焦点;3)利用KV缓存降低计算成本;4)采用工具遮蔽提升决策精准度;5)将错误转化为学习素材;6)引入可控噪音避免思维固化。这套方法论将AI应用开发从"手工作坊"升级为系统工程,通过动态管理AI的思考环境来构建真正智能的Agent系统。作者还分

2401_84495872的博客 887

吃透 51.2 万行源码|《Claude Code 技术架构深度解析》:读懂下一代自主 AI 编程 Agent 底层内核

《Claude Code技术架构深度解析》是国内首本系统性剖析AI自主编程核心技术的书籍。全书基于51.2万行Claude Code源码,深入解析Harness工程范式与自主Agent架构设计,包含五大核心内容: AI编程发展历程与Claude Code定位 源码级拆解项目结构、上下文感知与代码生成机制 独家揭秘Harness任务调度与工具调用框架 工业级落地方案与性能优化 自定义Agent开发指南 适合研发工程师、技术架构师等希望深入理解AI编程底层原理、掌握自主Agent开发能力的专业人士。本书填补了市

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 2万+

【收藏必备】别再盲目追求GPT-4了,上下文工程才是AI开发的核心竞争力

上下文工程已成为AI开发的关键能力,涉及信息流的系统性设计,包括四大支柱:记忆管理、检索策略、信息压缩和上下文隔离。正确的上下文架构能解决AI"失忆"、信息过载等问题,避免上下文投毒、混淆等失败模式。通过KV Cache优化等技术,可大幅提升性能和降低成本。未来3-5年,上下文工程将区分玩具级Demo与生产级AI系统,是构建隐形AI基础设施的核心分水岭。

2401_85373691的博客 915

程序员必看:LLM Agent应用工程师如何成为2025年最抢手人才

AI正在改变编程世界,但为程序员提供了转型机遇。AI应用工程师特别是LLM Agent方向成为2025年热门岗位,需求增长62.8%,薪资达40-50K。技能栈包括Python、AI框架、工程能力和AI伦理知识。企业对LLM Agent工程师需求激增,尤其在医疗、金融和制造业领域。程序员可从学习基础概念、实践项目入手,成为AI的"操控者"而非"受害者",抓住这一波AI转型浪潮。

youmaob的博客 1518

零基础入门AI Agent开发:三大核心竞争力全解析,值得收藏!

零基础入门AI Agent开发:三大核心竞争力全解析,值得收藏!

qq_46094651的博客 1804

驾驭工程(Harness Engineering):AI时代真正的核心竞争力

文章开头说,Harness 来自马术——骑手不是更强的马,但骑手能决定马往哪儿跑。未来的竞争,不是比谁有更强的马,而是比谁是更好的骑手。驾驭工程,正是从"有 AI"到"用好 AI"的那道分水岭。

guolong1983811的专栏 533

【值得收藏】揭秘上下文工程:大模型应用开发的核心竞争力

提示词工程和上下文工程都是致力于解决“如何与AI有效沟通的问题”。但提示词工程侧重于提示词的写法,而上下文工程则致力于有效的管理包含提示词在内的所有上下文。它并非是简单的炒概念,而是 AI 应用开发从 Demo 走向工业级应用中产生的开发哲学与准则。在实际工程应用场景中,对上下文进行有效管理是非常必要的。上下文管控的好坏,直接决定了大模型的回答效果。

qq_46094651的博客 984

上下文工程的艺术:AI Agent提示设计的终极指南

在AI Agent开发中,上下文工程是决定智能体能力上限的核心技术。《深入理解 AI Agent:设计原理与工程实践》(李博杰 著)开源项目通过丰富的理论阐述和实践案例,揭示了如何通过精心设计的提示策略让AI Agent发挥最大潜能。本文将系统介绍该项目中的上下文工程原则与最佳实践,帮助开发者构建更智能、更可靠的AI Agent系统。 ## 为什么上下文工程是AI Agent的核心竞争力 AI

gitblog_00217的博客 333

评估工程正成为下一轮 Agent 演进的重点

随着大模型迈过拐点,评估方法进入第三阶段,LLM-as-a-Judge,其核心思想是让模型学习人类的主观偏好,即利用一个功能强大的大型语言模型(通常是前沿模型)来扮演裁判的角色,对另一个 AI 模型(或应用)的输出进行评分、排序或选择,即用魔法打败魔法。需要强调的是,不同于奖励模型,云监控 2.0 提供的 LLM-as-a-Judge,是在 SQL/SPL 中调用大模型实现的,具有不需要训练评估模型、可按任务随时修改评估规则、可原生嵌入企业数据的特点,适合轻量场景与快速验证。

欢迎来到我的博客 841

AI核心竞争力:Agent、Prompt、Context,缺一不可!

文章探讨了AI时代开发者应重点培养的核心能力,指出AIAgent、提示词工程和上下文工程是未来竞争力的关键。作者结合自身工作经验,分析了传统开发能力与AI技能的学习优先级,建议优先掌握AI相关能力,其他开发技能可在实践中逐步积累。文中还分享了系统学习AI大模型的四个阶段:从基础应用到高阶开发、模型训练到商业落地,并提供了包括提示词模板、实战案例等在内的免费学习资源包,强调在AI浪潮中抢先掌握相关技能将获得显著竞争优势。

Trb701012的博客 488

上下文工程完全指南:让AI Agent不再“掉链子“,程序员必学必收藏!

本文深入探讨上下文工程对AI Agent成功的关键作用,指出多数AI Agent失败并非模型能力不足,而是上下文管理失效。文章系统分析上下文工程的四大核心技术(写入、选取、压缩、隔离),提供智能客服、代码助手、数据分析等场景的实践方案,分享构建生产级系统的最佳实践。强调"模型能力+上下文工程"将成为AI系统竞争力的双引擎,为开发者提供完整解决方案。

m0_74942241的博客 664

从提示工程到上下文工程,大模型应用的核心能力进化!

上下文工程与提示工程不同,前者关注如何在有限的上下文窗口中筛选、组织和压缩有价值的信息,而非单纯地清晰表达指令。有效的上下文工程需要结合提示词、知识库资料、工具信息、对话历史和用户偏好等,根据任务需求动态组合最合适的上下文。随着模型能力提升,上下文工程已成为比提示工程更核心的能力,掌握它能更高效地释放大模型潜力。

WANGJUNAIJIAO的博客 662
上一篇: Java开发转AI工程师实战指南:2025年必备技能与大模型学习路线
下一篇: RAGFlow vs FastGPT,如何选型落地 RAG 应用?
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值