LangGraph终极速成！零基础构建AI研究助手：状态管理+工具调用，四小时搞定企业级Agent

最近在搭建Agent，包括之前也写过一些智能体编排的流程，不过在构建项目的时候以及调研相关资源，当前发现Agent框架中LangGprah的资源是较多的，文档也比较完善，感觉又回到了之前Langchain流行的感觉。笔者花了几个小时大致把LangGraph一些基础概念包括调用快速过了一遍，后续会使用LangGraph搭建一些有趣的应用。主要参考流程来自LangGraph官方教程

另外之前发过不少关于Agent的理论文章，不懂相关概念的大家也可以查看历史文章

LangGraph官方链接：https://langchain-ai.github.io/langgraph/

前序准备

在使用LangGraph之前，我们先提前准备一些基础知识以及相关概念的了解，方便我们了解后续代码

Langchain的ChatModel

我们清楚Agent的主要通过设计提示语，然后调用模型，完成对应流程与目标输出，所以在构建智能体之前，我们首先搞明白如何调用大模型，langchain框架提供了很多厂商的调用方式，使用文档在这里：

https://python.langchain.com/api_reference/langchain/chat_models.html

虽然聊天模型在底层使用了语言模型，但它们暴露的接口略有不同。它们并没有暴露“文本输入、文本输出”的 API，而是暴露了一个以“聊天消息”作为输入和输出的接口。下面支持的模型厂商列表

• openai -> langchain-openai
• anthropic -> langchain-anthropic
• azure_openai -> langchain-openai
• azure_ai -> langchain-azure-ai
• google_vertexai -> langchain-google-vertexai
• google_genai -> langchain-google-genai
• bedrock -> langchain-aws
• bedrock_converse -> langchain-aws
• cohere -> langchain-cohere
• fireworks -> langchain-fireworks
• together -> langchain-together
• mistralai -> langchain-mistralai
• huggingface -> langchain-huggingface
• groq -> langchain-groq
• ollama -> langchain-ollama
• google_anthropic_vertex -> langchain-google-vertexai
• deepseek -> langchain-deepseek
• ibm -> langchain-ibm
• nvidia -> langchain-nvidia-ai-endpoints
• xai -> langchain-xai
• perplexity -> langchain-perplexity

langchain有个方法init_chat_model，可以初始化各种厂商的模型，同时也提供了不同大模型的调用sdk,下面是deepseek的例子：

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv(verbose=True)

model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

response=model.invoke("你好,请帮我生成一首儿歌")
print(response)

模型输出如下：

{
"content": "当然！这里有一首温馨可爱的儿歌，适合小朋友传唱：\n\n---\n\n**《小星星的梦》**  \n✨🌙🎵  \n\n小星星，眨眼睛，  \n躲在云端放光明。  \n月亮船，摇啊摇，  \n载着梦儿轻轻飘。  \n\n萤火虫，提灯笼，  \n照亮花园小草丛。  \n风儿唱，树叶响，  \n伴我进入甜梦乡。  \n\n——  \n希望这首简单又充满画面感的儿歌能让宝贝喜欢！如果需要主题调整（比如动物、季节等），可以告诉我哦 😊",
"additional_kwargs": {
"refusal": null
  },
"response_metadata": {
"token_usage": {
"completion_tokens": 120,
"prompt_tokens": 12,
"total_tokens": 132,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 0
      },
"prompt_cache_hit_tokens": 0,
"prompt_cache_miss_tokens": 12
    },
"model_name": "deepseek-chat",
"system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
"id": "866e04cd-5b1c-41cd-a7c6-a4140f4bcd05",
"service_tier": null,
"finish_reason": "stop",
"logprobs": null
  },
"id": "run--d3ffbc2a-d62b-49e5-8daa-981205501093-0",
"usage_metadata": {
"input_tokens": 12,
"output_tokens": 120,
"total_tokens": 132,
"input_token_details": {
"cache_read": 0
    },
"output_token_details": {}
  }
}

这个JSON输出代表了一次完整的AI生成过程的结果，整个结构可以分为两大部分：核心内容和元数据。

核心内容

这是用户直接收到的、最有价值的部分：

• content:主要输出内容。包含了AI生成的完整儿歌《小星星的梦》，包括标题、歌词、表情符号和友好的结束语。这是整个响应的核心。
• additional_kwargs:附加参数字典。这里的"refusal": null表明AI没有拒绝该请求，顺利完成了任务。

元数据 (系统信息)

这些字段提供了关于此次生成过程的背景技术信息，对开发者非常有用：

• response_metadata:响应元数据。包含了本次请求的详细技术细节：
• • token_usage:Token消耗统计。显示本次生成消耗了12个输入token（问题很短）和120个输出token（儿歌内容较长），总计132个token。
  • model_name:模型标识。表明由deepseek-chat模型生成。
  • finish_reason:完成原因。值为stop，表示模型正常输出了完整结果后结束。
  • id,system_fingerprint: 本次请求的唯一标识和系统指纹，用于追踪和诊断。
• usage_metadata:用量元数据。以另一种格式再次提供了token使用情况，并特别指出了没有从缓存读取("cache_read": 0)，说明这是一个全新的计算请求。
• id:本次运行（Run）的唯一标识符。用于在日志系统中追踪这一次特定的AI调用。

ReAct框架

《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》，由Shunyu Yao等人撰写，发表在2023年的ICLR会议上。论文探讨了如何在大型语言模型（LLMs）中结合推理（reasoning）和行动（acting）的能力，以提高模型在语言理解和交互式决策制定任务中的性能。

其中ReAct Agent就是核心动作就是推理+行动

主要观点：

• 大型语言模型（LLMs）在语言理解和交互式决策制定任务中表现出色，但它们的推理（例如链式思维提示）和行动（例如行动计划生成）能力通常被分开研究。
• 作者提出了一种新的方法ReAct，它通过交错生成推理轨迹和特定于任务的行动，使两者之间产生更大的协同效应。推理轨迹帮助模型诱导、跟踪和更新行动计划，以及处理异常情况，而行动则允许它与外部资源（如知识库或环境）接口并收集额外信息。 具体步骤：

ReAct（Reasoning and Acting）是一种结合了**推理（reasoning）和行动（acting）**的方法，旨在提高大型语言模型（LLMs）在解决复杂任务时的性能和可解释性。ReAct的具体步骤如下：

• 定义任务和目标：首先，明确模型需要解决的任务和目标。这可能包括问题回答、事实验证、文本游戏或网页导航等。
• 生成推理轨迹：模型生成一系列推理轨迹，这些轨迹是模型内部的思考过程，用于解决问题。这些推理轨迹可能包括分解任务目标、提取重要信息、执行常识推理、指导搜索重构、跟踪进度和处理异常等。
• 执行行动：模型根据推理轨迹执行一系列行动。在ReAct中，行动是通过与外部环境（例如Wikipedia或其他知识库）的交互来完成的。行动可以是搜索信息、选择产品、选择选项或购买等。
• 交替推理和行动：在解决任务的过程中，模型会交替进行推理和行动。这意味着模型在执行每个行动后可能会生成新的推理轨迹，然后再执行新的行动，以此往复。
• 更新上下文：每次行动后，模型会更新上下文信息，这包括之前的行动、观察结果和新生成的推理轨迹。这种上下文更新帮助模型跟踪任务的当前状态，并为未来的推理和行动提供信息。
• 生成任务解决轨迹：通过上述步骤，模型生成一个包含行动、观察和推理轨迹的任务解决轨迹。这个轨迹不仅展示了模型如何解决问题，而且提供了模型决策的透明度，使得人类用户可以理解和评估模型的行为。
• 评估和调整：在实际应用中，模型生成的任务解决轨迹可能会被人类用户评估和调整。用户提供的反馈可以用来进一步指导模型的行为，或者在模型自身无法正确解决问题时进行干预。

下面是一个 ReAct 提示的示例(摘自论文，为简单起见缩短为一个示例):

问题 科罗拉多造山带东部区域延伸到的区域的海拔范围是多少? 思考 1 我需要搜索科罗拉多造山带，找到科罗拉多造山带东段延伸的区域，然后找到该区域的海拔范围。 操作 1 搜索 [科罗拉多造山带] 观察 1 科罗拉多造山带是科罗拉多及其周边地区造山运动的一段。 思考 2 它没有提到东部地区。所以我需要查一下东部地区。 操作 2 查找 [东部地区] 观察 2 (结果 1 / 1) 东部区域延伸至高平原，称为中原造山带。 思考 3 科罗拉多造山运动的东部区域延伸到高平原。所以我需要搜索高平原，找到它的海拔范围。 操作 3 搜索 [高平原] 观察 3 高平原指的是两个截然不同的陆地区域之一。 思考 4 我需要搜索高平原（美国） 操作 4 搜索 [高平原（美国）] 观察 4 高平原是大平原的一个分区。从东到西，高平原的海拔从 1800 到 7000 英尺 (550 到 2130 米) 不等。[3] 思考 5 高平原海拔高度从 1800 到 7000 英尺，所以答案是 1800 到 7000 英尺。 操作 5 结束 [1800 到 7000 英尺] ...

ReAct的核心在于通过交错的推理和行动步骤，使模型能够在执行任务时动态地进行推理和行动，从而提高任务解决的准确性和效率。这种方法特别适用于需要与外部环境交互并从中获取信息以支持决策的任务。

LangGraph快速入门

构建ReactAgent

为了避免缺少环境，我们可以提前安装langchain套件：

pip install langchain langchain-core

安装 LangGraph：

pip install -U langgraph

然后，使用预构建的组件（这里指的react_agent模板）创建智能体：

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv(verbose=True)

model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

# response=model.invoke("你好,请帮我生成一首儿歌")
# print(response)
defget_weather(city: str) -> str:
"""Get weather for a given city."""
returnf" {city}的天气是晴朗的!"

agent = create_react_agent(
    model=model,
    tools=[get_weather],
    prompt="你是一个有用的助手"
)

# Run the agent
response=agent.invoke(
    {"messages": [{"role": "user", "content": "请问北京的天气怎么样"}]}
)

print(response)

我们可以答应下输出，这里为了方便查看，我整理成json了：

{
"messages": [
    {
"type": "human",
"content": "请问北京的天气怎么样",
"additional_kwargs": {},
"response_metadata": {},
"id": "72b50e8e-e20f-4d2e-8add-4993747de54e"
    },
    {
"type": "ai",
"content": "我来帮您查询北京的天气情况。",
"additional_kwargs": {
"tool_calls": [
          {
"id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d",
"function": {
"arguments": "{\"city\": \"\\u5317\\u4eac\"}",
"name": "get_weather"
            },
"type": "function",
"index": 0
          }
        ],
"refusal": null
      },
"response_metadata": {
"token_usage": {
"completion_tokens": 28,
"prompt_tokens": 155,
"total_tokens": 183,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 0
          },
"prompt_cache_hit_tokens": 0,
"prompt_cache_miss_tokens": 155
        },
"model_name": "deepseek-chat",
"system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
"id": "41400771-a017-484c-970c-d697720af00b",
"service_tier": null,
"finish_reason": "tool_calls",
"logprobs": null
      },
"id": "run--09d15b9b-e85f-4ec2-968a-ca1051321606-0",
"tool_calls": [
        {
"name": "get_weather",
"args": {
"city": "北京"
          },
"id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d",
"type": "tool_call"
        }
      ],
"usage_metadata": {
"input_tokens": 155,
"output_tokens": 28,
"total_tokens": 183,
"input_token_details": {
"cache_read": 0
        },
"output_token_details": {}
      }
    },
    {
"type": "tool",
"content": "北京的天气是晴朗的!",
"name": "get_weather",
"id": "f47a51d0-9b26-4eb4-8d3b-f1e4f02520bb",
"tool_call_id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d"
    },
    {
"type": "ai",
"content": "根据查询结果，北京目前的天气是晴朗的！天气状况很好，适合外出活动。如果您需要更详细的天气信息（如温度、湿度、风力等），请告诉我，我可以为您提供更全面的天气情况。",
"additional_kwargs": {
"refusal": null
      },
"response_metadata": {
"token_usage": {
"completion_tokens": 45,
"prompt_tokens": 187,
"total_tokens": 232,
"completion_tokens_details": null,
"prompt_tokens_details": {
"audio_tokens": null,
"cached_tokens": 128
          },
"prompt_cache_hit_tokens": 128,
"prompt_cache_miss_tokens": 59
        },
"model_name": "deepseek-chat",
"system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
"id": "63d43631-9171-4fb0-98c0-6470313d7798",
"service_tier": null,
"finish_reason": "stop",
"logprobs": null
      },
"id": "run--47611254-733a-4d55-b002-96a17b131a02-0",
"usage_metadata": {
"input_tokens": 187,
"output_tokens": 45,
"total_tokens": 232,
"input_token_details": {
"cache_read": 128
        },
"output_token_details": {}
      }
    }
  ]
}

这是一个多轮对话的完整记录，描述了用户查询北京天气后，AI调用工具并返回结果的整个过程。对话包含4条消息：

• 用户提问 (HumanMessage): 询问"北京的天气怎么样"
• AI响应 (AIMessage): 回复将帮忙查询，并调用天气查询工具 get_weather，参数为 {“city”: “北京”}
• 工具返回 (ToolMessage): 工具执行结果返回"北京的天气是晴朗的!"
• AI最终回复 (AIMessage): 整合工具结果，告诉用户北京天气晴朗，适合外出，并询问是否需要更多详细信息

记忆持久化

为了允许与智能体进行多轮对话，我们需要在创建智能体时提供检查点来启用持久性thread_id。在运行时，LangGraph需要提供一个配置，其中包含对话（会话）的唯一标识符，下面是一个例子：

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
from langgraph.checkpoint.memory import InMemorySaver
load_dotenv()
model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_retries=2,
)
# 定义一个简单的工具函数
defget_weather(city: str) -> str:
"""获取天气信息"""
    weather_data = {
"北京": "晴天，25°C",
"上海": "多云，28°C",
"深圳": "小雨，26°C"
    }
return weather_data.get(city, f"{city}天气暂无数据")

# 创建内存检查点
checkpointer = InMemorySaver()

# 创建带记忆的代理
agent = create_react_agent(
    model=model,
    tools=[get_weather],
    checkpointer=checkpointer
)

# 配置会话ID
config = {"configurable": {"thread_id": "chat-001"}}

# 第一轮对话
print("=== 第一轮对话 ===")
response1 = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，我叫张三，请查询北京天气"}]},
    config
)
print("用户: 你好，我叫张三，请查询北京天气")
print("助手:", response1['messages'][-1].content)

# 第二轮对话 - 测试记忆功能
print("\n=== 第二轮对话 ===")
response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    config
)
print("用户: 我叫什么名字？")
print("助手:", response2['messages'][-1].content)

# 第三轮对话 - 继续使用记忆
print("\n=== 第三轮对话 ===")
response3 = agent.invoke(
    {"messages": [{"role": "user", "content": "上海天气怎么样？"}]},
    config
)
print("用户: 上海天气怎么样？")
print("助手:", response3['messages'][-1].content)

下面是输出：

=== 第一轮对话 === 用户: 你好，我叫张三，请查询北京天气 助手: 根据查询结果，北京目前的天气情况是： - 天气状况：晴天 - 温度：25°C  今天北京的天气很不错呢，是个晴朗的好天气，温度也很舒适！  === 第二轮对话 === 用户: 我叫什么名字？ 助手: 你刚才告诉我你叫张三！很高兴认识你，张三！  === 第三轮对话 === 用户: 上海天气怎么样？ 助手: 根据查询结果，上海目前的天气情况是： - 天气状况：多云 - 温度：28°C  上海今天是多云天气，温度比北京稍高一些，28°C，也是比较舒适的天气呢！

结构化输出

要生成符合特定模式的结构化响应，我们可以使用response_format参数。该模式可以使用Pydantic模型或定义TypedDict。结果可通过structured_response字段访问。

我们设置好调用大模型：

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
from pydantic import BaseModel
from typing import List, Optional
load_dotenv()
model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_retries=2,
)

下面是一个例子：

# 定义工具函数
defget_weather(city: str) -> str:
"""获取城市天气信息"""
    weather_data = {
"北京": "晴天，气温25°C，空气质量良好",
"上海": "多云转阴，气温28°C，湿度80%",
"深圳": "小雨，气温26°C，风力3级",
"广州": "阴天，气温30°C，空气质量中等"
    }
return weather_data.get(city, f"{city}暂无天气数据")

defsearch_restaurant(city: str, cuisine: str = "") -> str:
"""搜索餐厅信息"""
    restaurants = {
"北京": "老北京炸酱面馆、全聚德烤鸭店、海底捞火锅",
"上海": "小笼包店、本帮菜馆、外滩西餐厅",
"深圳": "潮汕牛肉火锅、茶餐厅、海鲜大排档"
    }
return restaurants.get(city, f"{city}暂无餐厅推荐")

# 示例1: 天气查询结构化响应
classWeatherResponse(BaseModel):
"""天气查询响应格式"""
    city: str                    # 城市名称
    conditions: str              # 天气状况
    temperature: Optional[str]   # 温度信息
    additional_info: Optional[str]  # 附加信息

# 创建天气查询代理
weather_agent = create_react_agent(
    model=model,
    tools=[get_weather],
    response_format=WeatherResponse
)

print("=== 示例1: 天气查询结构化输出 ===")
weather_response = weather_agent.invoke(
    {"messages": [{"role": "user", "content": "查询北京的天气情况"}]}
)

然后我们可以通过字典属性来获取对应的输出值：

print("用户: 查询北京的天气情况")
print("结构化响应:")
print(f"  城市: {weather_response['structured_response'].city}")
print(f"  天气状况: {weather_response['structured_response'].conditions}")
print(f"  温度: {weather_response['structured_response'].temperature}")
print(f"  附加信息: {weather_response['structured_response'].additional_info}")

输出如下：

=== 示例1: 天气查询结构化输出 ===
用户: 查询北京的天气情况
结构化响应:
  城市: 北京
  天气状况: 晴天
  温度: 25°C
  附加信息: 空气质量良好

我们定义一个餐厅推荐结构化输出：

# 示例2: 餐厅推荐结构化响应
classRestaurantRecommendation(BaseModel):
"""餐厅推荐响应格式"""
    city: str                           # 城市
    restaurants: List[str]              # 餐厅列表
    cuisine_type: Optional[str]         # 菜系类型
    recommendation_reason: str          # 推荐理由

# 创建餐厅推荐代理
restaurant_agent = create_react_agent(
    model=model,
    tools=[search_restaurant],
    response_format=RestaurantRecommendation
)

print("\n=== 示例2: 餐厅推荐结构化输出 ===")
restaurant_response = restaurant_agent.invoke(
    {"messages": [{"role": "user", "content": "推荐上海的好餐厅"}]}
)

print("用户: 推荐上海的好餐厅")
print("结构化响应:")
print(f"  城市: {restaurant_response['structured_response'].city}")
print(f"  餐厅列表: {restaurant_response['structured_response'].restaurants}")
print(f"  菜系类型: {restaurant_response['structured_response'].cuisine_type}")
print(f"  推荐理由: {restaurant_response['structured_response'].recommendation_reason}")

输出如下：

=== 示例2: 餐厅推荐结构化输出 ===
用户: 推荐上海的好餐厅
结构化响应:
  城市: 上海
  餐厅列表: ['小笼包店', '本帮菜馆', '外滩西餐厅']
  菜系类型: None
  推荐理由: 上海作为国际化大都市，既有传统本帮菜和小笼包等特色美食，也有高档西餐厅，能够满足不同口味需求

最后我们可以将这两个例子整合成一个旅行的综合查询结构化输出样例：

# 示例3: 综合查询结构化响应
classTravelInfo(BaseModel):
"""旅行信息响应格式"""
    destination: str                    # 目的地
    weather_info: str                   # 天气信息
    restaurant_suggestions: List[str]   # 餐厅建议
    travel_tips: List[str]              # 旅行建议
    overall_rating: str                 # 总体评价

# 创建旅行助手代理
travel_agent = create_react_agent(
    model=model,
    tools=[get_weather, search_restaurant],
    response_format=TravelInfo
)

print("\n=== 示例3: 旅行信息结构化输出 ===")
travel_response = travel_agent.invoke(
    {"messages": [{"role": "user", "content": "我想去深圳旅游，给我一些建议"}]}
)

print("用户: 我想去深圳旅游，给我一些建议")
print("结构化响应:")
print(f"  目的地: {travel_response['structured_response'].destination}")
print(f"  天气信息: {travel_response['structured_response'].weather_info}")
print(f"  餐厅建议: {travel_response['structured_response'].restaurant_suggestions}")
print(f"  旅行建议: {travel_response['structured_response'].travel_tips}")
print(f"  总体评价: {travel_response['structured_response'].overall_rating}")

我们可以看到输出如下:

=== 示例3: 旅行信息结构化输出 ===
用户: 我想去深圳旅游，给我一些建议
结构化响应:
  目的地: 深圳
  天气信息: 小雨，气温26°C，风力3级
  餐厅建议: ['潮汕牛肉火锅', '茶餐厅', '海鲜大排档']
  旅行建议: ['携带雨具出行，准备轻便夏装和薄外套', '使用深圳地铁系统出行，下载"深圳通"APP', '参观世界之窗、欢乐谷、深圳湾公园等景点', '考虑去香港一日游（需提前办理港澳通行证）']
  总体评价: 现代化大都市，购物和美食天堂，交通便利，适合城市旅游和商务出行

如何学习大模型 AI ？

我国在AI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Al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Al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。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云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？

2025人工智能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 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】