- 博客(27)
- 收藏
- 关注
RSS订阅原创 零代码Agent平台盘点：Dify/Coze/扣子如何选
优点是推理轨迹清晰，便于追溯；最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的LLM，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？学习AILLM是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。例如数据分析场景中，模型生成Python脚本用于生成表格、绘制图表，再输出执行结果。
2026-04-13 17:05:23
92
原创 深度学习的完整学习路径全面对比：什么区别分阶段学哪些内容区别
性价比最高的是：Python（工具）、PyTorch（框架）、项目实践（核心）。大家好，我是唐宇迪，这些年，我带过上千名学员从零基础转行深度学习领域，从程序员小白到算法工程师、数据科学家，甚至是大厂AI岗位。我会用通俗语言讲清企业真正要什么技能、零基础最短路径、分阶段内容（每个阶段配时间、项目、简历点、面试准备），帮你避坑、快出成果。每个阶段突出：学什么、为什么学、怎么学、时间规划、成果输出（项目、简历、面试）。路径分5阶段：入门（打基）、基础（建模）、进阶（优化）、实战（项目）、求职（冲刺）。
2026-04-13 17:03:22
112
原创 新手小白学习人工智能，推荐哪些入门书籍和课程？适合零基础的有哪些？｜2024新手必看
优势：零基础友好（从概念起步，无需编程基），体系完整（覆盖书籍精华+课程项目），实战导向（带做5-10个项目，如AI聊天bot），加上1v1学习规划（我帮评估、定制路线）、带练答疑（小班直播，每周反馈）。为什么推荐：免费，体系化（视频+quiz），2026年热门。大家好，我是唐宇迪，这些年，我辅导过上千名零基础小白入门AI，从文科生、职场妈妈到中年转行者，他们一开始连“算法”是什么都搞不清，但通过正确的资料和路线，几个月就上手了简单模型、做小项目，甚至拿到了AI助理或数据分析师的offer。
2026-04-13 17:01:44
110
原创 斯坦福CS146S vs 吴恩达AI课程：哪个更适合你
2025 年秋季，斯坦福计算机系出现了一门排课火爆的新课 —— CS146S: The Modern Software Developer（现代软件开发者）。这门课由 Mihail Eric 主讲，他是斯坦福校友，曾在 Amazon Alexa 担任技术主管，创办过 YC 孵化的 AI 编程公司，如今重返母校，开设了斯坦福历史上第一门专注于 AI 软件开发的课程。课程从 9 月 22 日开始，为期十周，每周两次课。
2026-04-13 17:01:00
105
原创 从调API到企业级Agent：自学路线与项目积累
现在Agent这行真的属于窗口期拉满，而且是全新的领域，新到学校里教不出来，清华的学生和你一样，都是自学加摸着石头过河，因此你是双非本也好，985硕也好，都是同一起跑线，也都是一套入门路线。应聘几次下来，你会发现公司对“你会不会模型训练模型”、“你是不是985背景”这些关心得越来越少，他们更关心得反而：是你能不能把LLM接到业务里？能不能让它自己调用工具？能不能跑流程、做决策、出结果、跟项目、还能稳定交付？
2026-04-13 16:58:39
85
原创 万字长文：零基础学深度学习需要学哪些框架？PyTorch 和 TensorFlow 选哪个？
优势：零基础友好教学（从Python起步，通俗讲解PyTorch/TensorFlow），实战项目导向（带你做10+项目，如CNN检测、Transformer生成），个性化学习规划（我1v1评估你的背景，定制路线），带练答疑（小班直播，每周反馈bug）。这些年，我辅导过数百名非计算机专业的学员入门深度学习，从财务、销售、教师到文员背景，他们中很多人一开始连编程都没碰过，但通过正确的路径和框架选择，几个月就上手了模型训练、项目落地，甚至拿到了算法助理或数据工程师的offer。为什么入门必学：稳定，工业级。
2026-04-13 16:57:14
244
原创 Prompt驱动开发：PRD与Spec书写规范
每个作业都基于真实的 AI 工具——Claude Code、Warp、Semgrep、Graphite——而不是玩具项目。课程主页：https://themodernsoftware.dev这里有课程大纲、每周的 Slides（Google Slides 格式）、以及嘉宾演讲的资料。2025 年秋季，斯坦福计算机系出现了一门排课火爆的新课 —— CS146S: The Modern Software Developer（现代软件研发者）。
2026-04-13 16:56:18
209
原创 CS146S课程第3周：AI IDE与开发者体验
2025 年秋季，斯坦福计算机系出现了一门排课火爆的新课 —— CS146S: The Modern Software Developer（现代软件研发者）。这门课由 Mihail Eric 主讲，他是斯坦福校友，曾在 Amazon Alexa 担任技能主管，创办过 YC 孵化的 AI 编程公司，如今重返母校，开设了斯坦福历史上第一门专注于 AI 软件研发的课程。课程从 9 月 22 日开始，为期十周，每周两次课。
2026-04-13 16:54:47
180
原创 AI编程工具对比：Claude Code vs Devin vs Copilot
一、这门课独特在哪里？传统的软件工程课教你如何写代码、如何设计系统、如何测试。CS146S 则教你一件完全不同的事：如何成为 AI Agent 的管理者。课程开篇就提出了一个关键理念：Human-agent engineering, not vibe coding. （人机协作工程，而非氛围式编程）什么意思？纯粹靠"感觉"让 AI 生成代码（所谓 vibe coding），并不能产出生产级软件。
2026-04-13 16:53:17
278
原创 AI Agent开发：把玩具变成生产力的关键
刚开始我也是无从下手，眉毛胡子一把抓，今天学Prompt，明天学LangChain，后天看RAG，学完感觉懂了，一到上手做就做不出来。后面一个偶然的机会我去听了一个腾讯、字节等大厂高p联合研发的LLM应用开发公开课，才发现Agent开发学习路线原来这么清晰！
2026-04-13 16:51:46
276
原创 AI Agent实习薪资盘点：大厂/中厂/创业公司对比
简单说就是你拿到offer后能不能快速上手干活儿做项目，至于学历背景，本科以上基本满足大部分公司的绝大部分职业方向门槛了。下面我直接把我当时走通的路线讲明白，你照这个节奏去做，基本不会偏。刚开始我也是无从下手，眉毛胡子一把抓，今天学Prompt，明天学LangChain，后天看RAG，学完感觉懂了，一到上手做就做不出来。后面一个偶然的机会我去听了一个腾讯、字节等大厂高p联合研发的LLM应用开发公开课，才发现Agent开发学习路线原来这么清晰！
2026-04-13 16:50:17
285
原创 大模型从业者必读：2025年技术复盘与2026年趋势预测
体验是技术含量很高进步很大，虽然业务核心代码没啥注释，但用的都是比较先进的工程框架，靠着GPT老师一个个接口学，硬啃学会了分布式训练框架、推理框架，各种类型的微调……选择了小厂继续做rag，不过这边有agent开发内容，学会了langchain那些框架，有一说一感觉没啥用，自己也能写，纯应用层包装，门槛特低。小公司or普通研究院，非常一般。海面了好几家公司，靠以前的课题项目和pku一个研究院切合，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 14:00:26
34
原创 大模型从业者必读：2025年技术复盘与2026年趋势深度预测
从2024年底DeepSeek"诺曼底登陆"以来，2025年开源和闭源模型迭代速度和开源质量远超以往几年。经常会遇到当T时刻在领域benchmark上优化到SOTA之后，T+1时刻有更优的通用模型公布，在领域benchmark指标反而比你专门优化的领域大模型更好。经历过几轮类似事件后，理解到做领域大模型的本质其实是产出一套稳健的训练方案Training-Recipe。即不管通用SOTA模型如何变化，我都能在短时间内基于通用SOTA模型，重新走一遍training recipe，达到更优水平。
2026-04-07 14:00:23
91
原创 大模型Agent开发：Tool Calling函数调用原理解密
我在项目中使用的自建数据集，质量一般，实体关系密度较低，如果按照传统句子级关系抽取的窗口来切分语料，会导致关系样本量不足。二是长距离依赖，RNN的梯度在长序列中容易衰减，而Transformer通过自注意力可以直接建立任意两个位置之间的联系，路径长度为O(1)，所以更适合长文本。然后基于这个Schema，对切分后的语料进行标注。检索增强生成（RAG）：在我的多模态聊天机器人项目中，我会先从知识图谱或非结构化文本向量库中检索相关内容，作为上下文注入给模型，这样模型是基于事实生成，而不是靠“记忆”编造。
2026-04-07 14:00:21
80
原创 大学生如何准备大模型方向实习
现在95%的大模型实习岗位，都不是让你去从头“创造”一个GPT-5，而是让你基于现有的模型，去做各种“下游”工作。大家想象中的大模型实习，可能是这样的：一排排A100/H100在你面前闪烁，你和团队大佬一起，对着满屏的代码和公式，高喊一声“开始训练！实际情况更可能是这样的：你的导师（mentor）丢给你一个开源模型（比如Llama 3, Qwen, ChatGLM），然后让你去解决一个具体的业务问题。不是教科书式的空谈，也不是夸张的“你只要努力就能进大厂”的励志文，而是尽量落地、可执行的路径。
2026-04-07 14:00:18
39
原创 大厂真实算法岗：不是发论文而是搭RAG
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 14:00:16
75
原创 大厂用大模型做数据治理：效果如何
所以最后我们退而求其次，还是做辅助吧，就是你一个需求来了，先帮你设计个大概，或者你自己描述清楚点，一步步做引导式的进行开发，就像现在的cursor，不过这里做了rag检索，就是用把2️⃣里面的表和描述都放进去了。首先这个一开始想的是给运营和老板做的，因为他们不会写代码，但是就是会有各种奇奇怪怪的查数需求，之前都是提需求给数据研发，所以想说能不能用大模型做这事，这个功能我觉得做的不是很好，虽然老板和业务买单了，因为这个功能要求非常精准的结果，我们做到最后单表查询是很准的，多表查询不行。
2026-04-07 14:00:12
32
原创 大厂数据智能化：大模型赋能数据开发
所以最后我们退而求其次，还是做辅助吧，就是你一个需求来了，先帮你设计个大概，或者你自己描述清楚点，一步步做引导式的进行开发，就像现在的cursor，不过这里做了rag检索，就是用把2️⃣里面的表和描述都放进去了。首先这个一开始想的是给运营和老板做的，因为他们不会写代码，但是就是会有各种奇奇怪怪的查数需求，之前都是提需求给数据研发，所以想说能不能用大模型做这事，这个功能我觉得做的不是很好，虽然老板和业务买单了，因为这个功能要求非常精准的结果，我们做到最后单表查询是很准的，多表查询不行。
2026-04-07 14:00:10
32
原创 大厂数据团队都在用大模型做什么
所以最后我们退而求其次，还是做辅助吧，就是你一个需求来了，先帮你设计个大概，或者你自己描述清楚点，一步步做引导式的进行开发，就像现在的cursor，不过这里做了rag检索，就是用把2️⃣里面的表和描述都放进去了。首先这个一开始想的是给运营和老板做的，因为他们不会写代码，但是就是会有各种奇奇怪怪的查数需求，之前都是提需求给数据研发，所以想说能不能用大模型做这事，这个功能我觉得做的不是很好，虽然老板和业务买单了，因为这个功能要求非常精准的结果，我们做到最后单表查询是很准的，多表查询不行。
2026-04-07 14:00:07
94
原创 大厂大模型实习上岸指南：过来人经验
现在95%的大模型实习岗位，都不是让你去从头“创造”一个GPT-5，而是让你基于现有的模型，去做各种“下游”工作。大家想象中的大模型实习，可能是这样的：一排排A100/H100在你面前闪烁，你和团队大佬一起，对着满屏的代码和公式，高喊一声“开始训练！实际情况更可能是这样的：你的导师（mentor）丢给你一个开源模型（比如Llama 3, Qwen, ChatGLM），然后让你去解决一个具体的业务问题。不是教科书式的空谈，也不是夸张的“你只要努力就能进大厂”的励志文，而是尽量落地、可执行的路径。
2026-04-07 14:00:04
88
原创 大厂Agent面试必问：这5个挑战答不好，直接挂
最根本的挑战是 LLM 推理的不确定性，传统软件是确定性执行，但 Agent 的每一步都由概率模型驱动，同样的输入可能产生不同的输出。因为 Agent 的执行过程是多步串联的——每一步的输出是下一步的输入，如果某一步出了偏差，后面所有步骤都可能在错误的基础上越走越偏。第一是任务规划与分解，让 Agent 把一个高层任务合理拆解成可执行的子步骤非常困难，分解粒度、步骤间的依赖关系、以及执行中的动态调整都是难点，实践中我们常用 Plan-and-Execute 分离或 ReAct 逐步推进来应对。
2026-04-07 14:00:02
87
原创 多模态LLM：文本+图像+语音+视频联合推理技术
作为LLM领域的“关键技术担当”，最为负责设计、优化和模型训练大规模预模型训练模型，例如改进Transformer架构、融合多模态模型、实现模型压缩与加速等。从我们日常接触的NLP（例如聊天机器人）、计算机视觉（例如人脸识别），到企业端的智能推荐、金融风控，LLM技术正在悄悄重构传统行业的运作模式，也催生了大量高薪酬待遇职业方向。在当下求职就业竞争激烈的环境里，想要实现年薪百万的目标，AI技术LLM赛道，甚至比传统互联网行业更有优势，成为了很多开发者和职场人的“新出路”。
2026-04-07 13:59:59
195
原创 多模态Agent：GLM-ASR语音交互集成实战
这样更可靠、更容易解析。语料切分：项目中的关系抽取任务是句子级关系抽取，传统的句子级关系抽取数据集每条样本的句子长度是几十个Token。我在项目中使用的自建数据集，质量一般，实体关系密度较低，如果按照传统句子级关系抽取的窗口来切分语料，会导致关系样本量不足。计算方法：首先利用 Embedding 模型（如 BGE 或 OpenAI-text-embedding）对某个关系类别下的所有样本句子进行向量化，然后对这些高维向量求均值（Mean Pooling），得到该类别的“质心向量”来代表这个关系的原型。
2026-04-07 13:59:57
211
原创 多Agent协作：决策冲突处理与仲裁机制详解
这样更可靠、更容易解析。语料切分：项目中的关系抽取任务是句子级关系抽取，传统的句子级关系抽取数据集每条样本的句子长度是几十个Token。我在项目中使用的自建数据集，质量一般，实体关系密度较低，如果按照传统句子级关系抽取的窗口来切分语料，会导致关系样本量不足。计算方法：首先利用 Embedding 模型（如 BGE 或 OpenAI-text-embedding）对某个关系类别下的所有样本句子进行向量化，然后对这些高维向量求均值（Mean Pooling），得到该类别的“质心向量”来代表这个关系的原型。
2026-04-07 13:59:54
201
原创 复旦女生RAG求职面试复盘：从知识图谱库召回到答案生成
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 13:59:51
176
原创 复旦RAG求职面试精华：如何用外部知识增强LLM回答
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 13:59:49
179
原创 基础模型研发组vs业务落地组：LLM实习怎么选
以前我们是用一个复杂的Deep Learning模型（例如DIN, DIEN）去猜用户可能喜欢什么商品，现在是直接把用户的行为序列（点了啥、买了啥）当成一种“语言”，扔给LLM，让LLM去“理解”这个用户的品味和意图。你能把你做过的项目，像上面这样，把遇到的问题、你的尝试、你的思考、最后的效果给说明白了，这比你简历上挂一个不相关的论文要有说服力得多。你的项目经历，就是你最好的“论文”。尤其在企业侧，尤其是业务落地的LLM算法，不是做基础模型架构研究的那帮团队，对口论文的硬性要求没你想象的那么严。
2026-04-07 13:59:46
275
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