还在手写Agent代码？别傻了！主流开发框架横评，让你效率提升10倍！

一、业务逻辑编排对比

业务流程：

接下来分别使用手写代码和几种框架来实现这个业务流程逻辑，看看差异所在。

1、手写代码

纯编码时，我们直接根据业务逻辑来串联工作流：

# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    if not table:        print(f"未匹配到字段")        return Result.error()    table_struct = [t["table_info"] for t in table]    prompt = f"""            你是一个MySQL专家。根据以下表结构信息：            {table_struct}            历史问答（仅供参考）："{mm.get_messages(session_id)}"                        用户查询："{user_query}"            生成标准MYSQL查询语句。            要求：            1. 只输出MYSQL语句，不要额外解释            2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须            3. 给生成的字段取一个简短的中文名称            输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1 from dual]        """    print(f"SQL AGENT PROMPT={prompt}")    # 2. 大模型生成SQL    str1 = analysisService.analysis(prompt)    sql = re.search(r'\[(.*?)\]', str1, re.DOTALL).group(1).strip()    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()    resultSet = queryService.query_with_column(sql)    if not resultSet:        print("\nSQL查询失败")        return Result.error()    return Result.success(data={ "tableStruct": table_struct, "resultSet": resultSet, "sql": sql })# analysis agentdef analysis_agent(user_query, data):    # 基础分析    prompt = f"""                根据以下表结构信息：                {data['tableStruct']}                                查询SQL：                {data['sql']}                                和以下数据信息：                {data['resultSet']}                历史问答（仅供参考）："{mm.get_messages(session_id)}"                                用户查询："{user_query}"                生成一段简要分析，加上一些预测总结的内容            """    print(f"ANALYSIS AGENT PROMPT={prompt}")    return Result.success(analysisService.analysis(prompt))def workflow(user_input):    # 1 - SQL Agent    result = sql_agent(user_input)    if not result.success:        returnNone    # 2 - Analysis Agent    return analysis_agent(user_input, result.data)

2、LangChain框架

使用LangChain框架的Chain模式时，可以手动串联业务流程逻辑：

# 构建顺序链overall_chain = SequentialChain(    chains=[        TransformChain(            input_variables=["user_query"],            output_variables=["table_schema"],            transform=get_table_schema        ),        TransformChain(            input_variables=["user_query", "table_schema"],            output_variables=["sql_result", "generated_sql"],            transform=execute_sql        ),        analysis_chain    ],    input_variables=["user_query"],    output_variables=["analysis_result"],    verbose=True)

LangChain 已经发展出丰富的 Chain 类型，用于构建复杂、模块化的 LLM 应用，这里就不一一介绍了。

LangChain框架除了提供Chain模式外，还可以使用的Agent模式来实现，通过提示词来指定业务流程逻辑，然后直接调用工具，如下：

# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate")def chat(user_query):    print("执行方法chat")    # 更明确的指令    enhanced_query = f"""    问题：{user_query}    请特别注意：这个问题可能需要从多个表中查询数据。    1. 首先确定需要查询哪些数据    2. 使用match_metadata工具分别匹配包含这些数据的表结构    3. 对每个表生成相应的SQL查询语句    4. 执行查询并汇总结果    5. 最后计算并给出答案    请确保逐步执行，不要跳过任何步骤。    """    try:        result = agent.run(enhanced_query)        print(f"\n最终结果: {result}")    except Exception as e:        print(f"执行过程中出错: {str(e)}")        # 这里可以添加重试或更详细的错误处理逻辑

3、QwenAgent框架

QwenAgent框架则只能通过提示词方式指定业务流程逻辑，然后直接调用Assistant等待用户输入：

# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    system_message="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    function_list=[MatchMetadataTool(), ExecuteSQLTool()],)

4、AgentScope框架

AgentScope框架中支持单体Agent模式，将工具提供给框架，再通过提示词来指定业务流程逻辑：

async def interactive_react_agent() -> None:    """创建一个支持多轮对话的ReAct智能体。"""    # 准备工具    toolkit = Toolkit()    toolkit.register_tool_function(match_metadata)    toolkit.register_tool_function(execute_sql)    jarvis = ReActAgent(        name="Jarvis",        sys_prompt="""            你是一个数据分析助手，负责帮助用户查询数据库信息。            请特别注意：用户的问题可能需要从多个表中查询数据。            1. 首先确定需要查询哪些数据            2. 使用match_metadata工具分别匹配包含这些数据的表结构            3. 对每个表生成相应的SQL查询语句            4. 执行查询并汇总结果            5. 最后计算并给出答案            请确保逐步执行，不要跳过任何步骤。        """,        model=OllamaChatModel(            model_name="qwen3:32b",  # 指定模型名称            stream=True,  # 根据需要设置是否流式输出            enable_thinking=True,  # 为Qwen3启用思考功能（可选）            # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定        ),        formatter=OllamaChatFormatter(),        toolkit=toolkit,        memory=InMemoryMemory(),    )

小结

手写代码需人工串联各个步骤，灵活但开发成本高，维护复杂。各框架则提供了丰富的链（Chain）或Agent模式，支持流程模块化、工具调用自动化，极大提升开发效率和可维护性。

二、模型调用对比

接下来看看手写代码和使用开发框架，都是如何调用大模型的，如何处理大模型的流式输出的。

1、手写代码

通过HTTP方式调用外部大模型示例：

import requests# Analysis APIclass AnalysisService:    def __init__(self):        self.ollama_host = "http://localhost:11434/api/chat"    def analysis(self, prompt, model="deepseek-r1:32b", messages=None):        # 发送POST请求        if messages isNone:            messages = []        str = ""        newMessages = messages[:]        newMessages.append({"role": "user", "content": prompt})        # 请求数据        data = {            "model": model,            "messages": newMessages,            "stream": True        }        isThinking = False        with requests.post(self.ollama_host, json=data, stream=True) as response:            # 处理流式响应            for line in response.iter_lines():                if line:                    decoded_line = line.decode('utf-8')                    try:                        # 解析JSON数据                        chunk = json.loads(decoded_line)                        content = chunk['message']['content']                        if"<think>"in content:                            isThinking = True                        if"</think>"in content:                            isThinking = False                        ifnot isThinking and"</think>"notin content:                            str += chunk['message']['content']                        # 打印消息内容                        print(chunk['message']['content'], end='', flush=True)                    except json.JSONDecodeError:                        print(f"无法解析JSON: {decoded_line}")        return str

使用官方或社区封装的 Python 包（如 ollama 包）调用示例：

import ollama# 调用模型生成回复，流式输出for chunk in ollama.chat(    model='deepseek-r1:32b',    messages=[{'role': 'user', 'content': '讲一个笑话'}],    stream=True):    print(chunk['message']['content'], end='', flush=True)

2、LangChain框架

LangChain内部集成支持多种类型的模型调用，以下列举部分：

3、QwenAgent框架

QwenAgent内部集成支持通用HTTP方式调用大模型：

...# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    ...

4、AgentScope框架

AgentScope内部集成多模型支持：

小结

手写代码通常直接调用HTTP接口或使用官方SDK，需自行处理流式输出的循环响应和异常。而几种开发框架都内置对多种模型的统一封装，只要简单配置即可，简化了调用过程，提升了稳定性和扩展性。

三、工具调用对比

现在AI Agent中调用工具Tools已经是典型场景了，所以接下来对这块做个对比分析。

1、手写代码

需要手动调用外部工具：

...# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    ...    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()        resultSet = queryService.query_with_column(sql)    ...

2、LangChain框架

Agent模式初始化传入tools即可：

# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate",    memory=memory)

3、QwenAgent框架

Agent模式初始化传入tools即可：

# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    system_message="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    function_list=[MatchMetadataTool(), ExecuteSQLTool()],)

需要处理一下流式输出结果，获取文本内容：

def read_steam_response(response_generator):    # 处理生成器响应    full_response = ''    start = 0    end = 0    for response in response_generator:        # 检查响应类型并适当处理        if isinstance(response, list):            # 如果是列表，提取内容            for item in response:                ifisinstance(item, dict) and'content'in item:                    full_response = item['content']                    end = full_response.__len__()                elifisinstance(item, str):                    full_response = item                    end = full_response.__len__()        elif isinstance(response, dict) and'content'in response:            full_response = response['content']            end = full_response.__len__()        elif isinstance(response, str):            full_response = response            end = full_response.__len__()        print(f"{full_response[start:end]}", end="")        start = end    return full_response

4、AgentScope框架

Agent模式初始化传入tools即可：

# 准备工具toolkit = Toolkit()toolkit.register_tool_function(match_metadata)toolkit.register_tool_function(execute_sql)jarvis = ReActAgent(    name="Jarvis",    sys_prompt="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    model=OllamaChatModel(        model_name="qwen3:32b",  # 指定模型名称        stream=True,  # 根据需要设置是否流式输出        enable_thinking=True,  # 为Qwen3启用思考功能（可选）        # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定    ),    formatter=OllamaChatFormatter(),    toolkit=toolkit,    memory=InMemoryMemory(),)

小结

手写开发中需显式调用语义检索、SQL查询等工具，几种框架都支持通过工具注册机制自动完成调用与路由，降低耦合并增强复用。

四、上下文记忆对比

在AI Agent实践过程中，如果需要实现多轮对话，就会碰到上下文记忆的处理，所以接下来对这块做个对比。

1、手写代码

这种模式需要手写代码来管理上下文消息：

import threadingfrom dataclasses import dataclassfrom typing importList, Dict, Any@dataclassclass Message:    role: str# "system", "user", "assistant"    content: str    def to_dict(self) -> Dict[str, str]:        return {"role": self.role, "content": self.content}class MessageManager:    def __init__(self, max_history: int = 10):        """        初始化消息管理器        :param max_history: 每个 session 最多保留的历史消息数量（不包括 system 消息）        """        self.max_history = max_history        self._sessions: Dict[str, Dict[str, Any]] = {}        self._lock = threading.Lock()  # 保证线程安全    def set_system_message(self, session_id: str, content: str) -> None:        """为指定 session 设置 system 消息（会覆盖旧的）"""        with self._lock:            if session_id notinself._sessions:                self._sessions[session_id] = {                    "system": None,                    "history": []  # 只存 user/assistant 对话                }            self._sessions[session_id]["system"] = Message(role="system", content=content)    def add_user_message(self, session_id: str, content: str) -> None:        """添加用户消息"""        self._add_message(session_id, "user", content)    def add_assistant_message(self, session_id: str, content: str) -> None:        """添加助手回复"""        self._add_message(session_id, "assistant", content)    def _add_message(self, session_id: str, role: str, content: str) -> None:        with self._lock:            if session_id notin self._sessions:                self._sessions[session_id] = {                    "system": None,                    "history": []                }            history = self._sessions[session_id]["history"]            history.append(Message(role=role, content=content))            # 限制历史长度（只保留最近的 max_history 条 user/assistant 消息）            if len(history) > self.max_history * 2:  # 每轮对话含 user + assistant                # 保留最后 max_history * 2 条                self._sessions[session_id]["history"] = history[-(self.max_history * 2):]    def get_messages(self, session_id: str) -> List[Dict[str, str]]:        """获取可用于 Ollama /api/chat 的 messages 列表"""        with self._lock:            session = self._sessions.get(session_id)            if not session:                return []            messages = []            # 添加 system 消息（如果有）            if session["system"]:                messages.append(session["system"].to_dict())            # 添加历史对话            for msg in session["history"]:                messages.append(msg.to_dict())            return messages    def clear_session(self, session_id: str) -> None:        """清除指定 session 的所有消息"""        with self._lock:            self._sessions.pop(session_id, None)    def list_sessions(self) -> List[str]:        """列出所有 session ID"""        with self._lock:            returnlist(self._sessions.keys())    def delete_session(self, session_id: str) -> bool:        """删除 session，返回是否删除成功"""        with self._lock:            if session_id inself._sessions:                del self._sessions[session_id]                return True            return False

调用时手动传入：

# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    if not table:        print(f"未匹配到字段")        return Result.error()    table_struct = [t["table_info"] for t in table]    prompt = f"""            你是一个MySQL专家。根据以下表结构信息：            {table_struct}            历史问答（仅供参考）："{mm.get_messages(session_id)}"                        用户查询："{user_query}"            生成标准MYSQL查询语句。            要求：            1. 只输出MYSQL语句，不要额外解释            2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须            3. 给生成的字段取一个简短的中文名称            输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1 from dual]        """    print(f"SQL AGENT PROMPT={prompt}")    # 2. 大模型生成SQL    str1 = analysisService.analysis(prompt)    sql = re.search(r'\[(.*?)\]', str1, re.DOTALL).group(1).strip()    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()    resultSet = queryService.query_with_column(sql)    if not resultSet:        print("\nSQL查询失败")        return Result.error()    return Result.success(data={ "tableStruct": table_struct, "resultSet": resultSet, "sql": sql })# analysis agentdef analysis_agent(user_query, data):    # 基础分析    prompt = f"""                根据以下表结构信息：                {data['tableStruct']}                                查询SQL：                {data['sql']}                                和以下数据信息：                {data['resultSet']}                历史问答（仅供参考）："{mm.get_messages(session_id)}"                                用户查询："{user_query}"                生成一段简要分析，加上一些预测总结的内容            """    print(f"ANALYSIS AGENT PROMPT={prompt}")    return Result.success(analysisService.analysis(prompt))

2、LangChain框架

Agent模式指定：

# 记忆memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate",    memory=memory)

除了上面用到的 ConversationBufferMemory，LangChain还提供了多种Memory组件，以适应不同场景的需求。可以根据具体情况选择：

注意确认Agent类型兼容性：在选用Memory前，请确认你使用的AgentType 支持Memory功能。例如，ZERO_SHOT_REACT_DESCRIPTION 默认不支持记忆，而CONVERSATIONAL_REACT_DESCRIPTION则专为多轮对话设计。

注意上下文长度：为Agent添加记忆会占用模型的上下文窗口。如果对话很长，考虑使用Conversation Summary Memory或Conversation Buffer Window Memory来避免超出限制。

调试工具：将 verbose 参数设为 True，可以在控制台看到详细的决策过程，有助于观察Memory是否正常工作。

3、QwenAgent框架

Agent模式的Assistant类不支持，需要手动管理：

def analysis(user_query):    try:        # 运行Agent        messages = mm.get_messages(session_id) + [{'role': 'user', 'content': user_query}]        response_generator = agent.run(messages=messages)        # 处理生成器响应        full_response = ''        start = 0        end = 0        for response in response_generator:            # 检查响应类型并适当处理            ifisinstance(response, list):                # 如果是列表，提取内容                for item in response:                    ifisinstance(item, dict) and'content'in item:                        full_response = item['content']                        end = full_response.__len__()                    elifisinstance(item, str):                        full_response = item                        end = full_response.__len__()            elifisinstance(response, dict) and'content'in response:                full_response = response['content']                end = full_response.__len__()            elifisinstance(response, str):                full_response = response                end = full_response.__len__()            print(f"{full_response[start:end]}", end="")            start = end        print(f"最终结果: {full_response}")        # 缓存历史对话        if full_response:            mm.add_user_message(session_id, user_query)            mm.add_assistant_message(session_id, full_response)        return full_response    except Exception as e:        print(f"执行过程中出错: {str(e)}")        # 这里可以添加重试或更详细的错误处理逻辑        return f"错误: {str(e)}"

4、AgentScope框架

Agent初始化指定对应类型即可：

jarvis = ReActAgent(    name="Jarvis",    sys_prompt="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    model=OllamaChatModel(        model_name="qwen3:32b",  # 指定模型名称        stream=True,  # 根据需要设置是否流式输出        enable_thinking=True,  # 为Qwen3启用思考功能（可选）        # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定    ),    formatter=OllamaChatFormatter(),    toolkit=toolkit,    memory=InMemoryMemory(),)

小结

手写代码需自行实现消息管理和上下文传递，工作量大且需要手动维护。框架提供多样化记忆组件，支持对话上下文的灵活管理，适配不同对话场景，有效提升对话质量。

五、多智能体协作对比

自从Google提出A2A协议，多智能体协作已经成为业界实践过程的热点，为进一步对比手写代码和开发框架在多Agent协作上的区别，我们将本案例的程序设计拆分为以下两个Agent：

• 1、SQL Agent
  -调用外部语义检索(RAG)API匹配元数据
  -调用大模型根据元数据和用户提问生成查数SQL
  -调用查数API查询数据
• 2、Analysis Agent
  -调用大模型分析数据回答问题

1、手写代码

需要手动串联多个Agent调用，消息格式自定义传递：

...def workflow(user_input):    # 1 - SQL Agent    result = sql_agent(user_input)    if not result.success:        return None    # 2 - Analysis Agent    return analysis_agent(user_input, result.data)    ...

2、LangChain框架

原生仅支持单体Agent，多Agent需要手动串联，实现类似手写代码。

3、QwenAgent框架

原生仅支持单体Agent，多Agent需要手动串联，实现类似同手写代码。

4、AgentScope框架

基于AgentScope框架，我们可以把 SQLAgent 和 AnalysisAgent 封装为 两个智能体（均继承 AgentBase），然后两个智能体的协作使用顺序管道sequential_pipeline来串联，实现“多智能体任务流转”。

AgentScope 中的主要管道类型包括：

这几种管道协作模式，具体实践敬请期待下篇文章分享。

小结

手写代码多为线性调用，缺乏并行和复杂调度能力。AgentScope框架支持多Agent并行、条件分支、消息广播等复杂管道模式，适合构建复杂的多智能体协作系统。其他框架都需要手动组合实现。

六、对比总结

通过以上对比来看，在日常智能体开发中，尤其是需要多轮对话、实现多工具调用和多智能体协作时，几种开发框架确实提供了极大的便利和扩展能力，大幅降低开发门槛和维护成本，而手写代码则适合高度定制化需求，灵活性最高。

选型建议

🔹 LangChain：适合你搭建任何单体智能体系统（RAG、SQL、工具调用）。

🔹 Qwen-Agent：适合快速构建“基于 Qwen 模型”的问答或助手。

🔹 AgentScope：适合研究或实现多智能体协作系统（Planner、Coder、Critic 等角色联动）。

🔹 手写代码：高度定制化开发，当我们的手写代码逐步抽象完善，使用的频率多了，就成了框架！

本文总结：本文通过设计高考信息查询智能助手的业务场景，分别采用手写代码和主流智能体框架（LangChain、QwenAgent、AgentScope）进行了实现与比较。我们从业务流程编排、模型调用、工具集成、上下文记忆管理以及多智能体协作等多个维度进行深入分析，对比手写代码与框架调用的异同。

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】