ReAct Agent 架构解析：小白也能轻松入门大模型，收藏必备！

大模型教程. 大模型教程. 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 450平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-09-07 18:40:30 发布 450 阅读 AI 写同款· GEO 优化 ›
什么是FDE?2026年下半年必火岗位 FDE（前沿部署工程师）是当前AI领域热门岗位，指深入客户现场定制化部署技术方案的工程师。他们不同于传统驻场开发或售前，而是兼具技术实现与业务理解能力，将AI系统真正嵌入企业流程。该概念源自军事领域，由Palantir引入商业，现被OpenAI等公司广泛采用。FDE需要快速响应客户需求、优化产品落地，并将经验反馈给产品团队，在AI时代成为解决技术落地难题的关键角色。这种复合型岗位薪资高、影响力大，预计2026年将持续火热。 阅读详情

本文深入浅出地解析了ReAct Agent架构，通过Agent Loop和Reason–Act–Observe双环结构的结合，详细阐述了如何让模型连续完成任务。外部程序负责执行工具调用，而模型内部则通过思维循环决定下一步行动。通过理解这两个循环的相互作用，即使是编程小白也能轻松掌握大模型开发的核心技巧。

LLM 每次调用都是一次独立推理。模型不会主动运行，也不知道上一次发生了什么。模型只生成调用工具的意图，真正控制循环和执行工具的始终是外部程序。

为了让模型连续完成任务，程序需要重复执行工具调用 -> 模型调用的过程，这就是最基础的 Agent Loop。

但只理解这个工程循环，还解释不了一个问题：

模型进入下一轮以后，怎么知道应该继续调用工具，还是直接回答？又怎么知道应该调用哪个工具？

在智能体开发中，模型外部的工程循环只是运行时的骨架。模型每一轮决策，通常还需要一个约束它思考过程的思维循环。

今天拿经典的 ReAct Agent 架构来说明，这两个循环是怎么组合在一起的。

ReAct = Agent Loop + Reason–Act–Observe Loop
智能体 = 行动 + 思考

第一个环：模型外部的 Agent Loop

Agent Loop 完全存在于模型之外，上一篇已经讲过，这里不再展开。

它本质上是一种工程手法，负责让程序不断转动，循环执行工具调用，也就是 Action，但并不规定模型每一轮应该如何思考。

第二个环：模型内部的 Reason–Act–Observe

模型每次被调用时，我们通过提示词约束它的思维过程，要求它完成一个思维循环，这里列举一个常见的提示词写法：

... 推导必须严格遵循以下循环，每次只能输出一个 Action，并等待 Observation 反馈： Thought: 评估当前所处的情况，思考下一步应该做什么。Action: 工具名称[工具的输入参数]Observation: （此项由系统/环境执行工具后填充返回）... （可以重复上述 Thought/Action/Observation 循环）Thought: 我现在已经得到了最终答案，无需继续行动。Final Answer: 给出对用户问题的最终完整回答。 开始！ Question: {user_input}Thought:

两个环通过 Action 相交

图片

双环结构的核心就在 Act，同一个 Act，在两个环里承担了不同角色。

在模型内部，由模型决定并输出一个动作。在模型外部，由程序接收并执行这个动作，整个过程可以拆成四步：

  1. 外部程序调用模型。

  2. 模型先 Reason，也就是提示词里的 Thought，根据当前上下文判断所处的状态。这一步的意义，是约束模型不要立刻猜答案，而是先想清楚下一步该做什么。

  3. 模型 Reason 后输出 Act。模型只负责决定并输出动作，不亲自执行；执行交给外部程序，由它调用工具得到结果。

  4. 结果写回上下文，成为模型的 Observe。

然后两个环同时进入下一轮，就构成了经典的 ReAct Agent。

图片

看到这里，ReAct Agent 也就清楚了：外部 Loop 负责让整个过程继续运行，内部循环负责让每一步行动都有依据。

ReAct 是模型外部的 Agent Loop，与模型内部的 Reason–Act–Observe 思维循环相互咬合形成的双环结构。

结语

Agent Loop 是模型外部的工程循环，负责调用模型、执行动作和写回结果。

Reason–Act–Observe 是模型内部的思维循环，负责判断当前状态、选择动作并理解环境反馈。

两个循环通过 Act 相交：模型输出动作，程序执行动作。

这两个环相互咬合，才组成了经典的 ReAct Agent。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

图片

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

请添加图片描述

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

请添加图片描述

2、从0到进阶大模型学习视频教程

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

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

在这里插入图片描述

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

在这里插入图片描述

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

img

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(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。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

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】

在这里插入图片描述

标签
#react.js #架构 #java #人工智能 #前端
#大模型 #大模型学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
智能制造浪潮下的核心驱动力：AI智能体开发工程师深度解析与面试指南 北京舜天汇智科技招聘AI智能体开发工程师，要求统招本科相关专业，熟练掌握Python、数据库及科学计算工具，具备Langchain/LangGraph开发经验。岗位职责包括：基于开源大模型开发低代码平台，算法研究与模型优化，工业数据机器学习模块开发，NC-Link协议应用开发等。该职位聚焦智能制造领域AI技术落地，需应对工业数据复杂性、模型可靠性等技术挑战，是AI与制造业融合的关键技术岗位。 阅读详情

相关推荐

零基础Python实战：手把手教你用PyGame制作动态烟花效果（附完整代码）

本文为零基础Python编程爱好者提供了一份详细的PyGame实战教程，手把手教你从环境搭建到代码实现，逐步构建一个动态烟花模拟器。教程涵盖了粒子系统、物理模拟（重力与阻力）、效果优化（拖尾与爆炸形态）以及完整的交互式主程序，帮助你通过Python烟花代码项目深入理解图形编程与面向对象设计。

weixin_29062255的博客 257

Agent基础知识学习，看这一篇就够了！

OpenAI的研究员 Lilian 写过一篇博客:《 LLM Powered Autonomous Agents》，将 Agents 定义为：LLM + memory + planning skills + tool use，即大语言模型、记忆、任务规划、工具使用的集合。Overview of a LLM-powered autonomous agent system.大语言模型 （LLM）是 Agent 的大脑，要求 Agent 具备以下 3 种能力来配合大脑完成任务：ReAct 的提示模板，大致格式如下

h1453586413的博客 3060

植物叶绿体基因组分析全攻略：从共线性到密码子偏好性

本文全面解析植物叶绿体基因组分析流程，从共线性分析到密码子偏好性研究。详细介绍了叶绿体基因组结构特征、测序数据获取与质量控制、基因组组装与注释方法，以及比较基因组学和进化分析技术。特别关注IR区边界变异分析和选择压力评估，为植物系统发育研究和物种鉴定提供实用指南。

weixin_28475533的博客 222

AI 时代新出的最贵的工程师—— FDE 是什么？国内招吗？

💡 本文拆解一个最近在 AI 圈疯狂被讨论的岗位：FDE（Forward Deployed Engineer）。它从哪来、做什么、为什么 OpenAI 和 Anthropic 都在砸钱抢人、国内现在到底招不招、对普通开发者意味着什么。最近我在招聘网站上刷到一个岗位，岗位名字是「豆包 AI 大模型 FDE」，字节火山引擎挂的，杭州。薪资写的是，年薪算下来在之间。。更让我惊讶的是，蚂蚁那边类似岗位的标题甚至直接写着「」，连「驻场」两个字都没藏。这跟我对工程师岗位的传统印象差太远了。

weixin_46961967的博客 3518

别再硬啃C代码了！用Simulink的Matlab Function模块手把手教你搭建CRC8校验模型（附完整M脚本）

本文详细介绍了如何利用Simulink的Matlab Function模块轻松实现CRC8校验模型，替代传统的C代码编写。通过可视化建模和即时验证，开发者可以高效完成算法设计，并自动生成嵌入式代码。文章包含完整的M脚本示例和工程实践技巧，特别适合嵌入式系统开发人员提升工作效率。

weixin_42520661的博客 183

9.6华为OD机试真题 新系统 - 仓储货物有序出库 (Java/Py/C/C++/Js/Go)

9.6华为OD机试真题 新系统 - 仓储货物有序出库 (Java/Py/C/C++/Js/Go)

算法大师！ 1201

FDE（前沿部署工程师）：AI时代年薪百万的新贵，到底值不值得冲？

值得冲，但有条件：如果你已经有2-3年AI应用开发经验→ 冲FDE是一个很好的职业升级方向，薪资涨幅明显如果你是完全小白→ 先打好模型部署基础，不要被"不写代码、年薪百万"的标签误导如果你喜欢纯研发→ FDE可能不适合你，客户沟通会消耗你大量精力FDE这个岗位确实被AI带火了，需求也是真实的。但它不是"躺赚"的岗位——你需要的技术广度、沟通能力、现场解决问题能力，一点也不比纯研发岗位要求低。新浪财经.《这个岗位被AI带火！数量一年暴涨7倍，年薪破百万》. 2026-05-18。

在渔村里看AI，偶尔捕点新鲜的。 5313

推荐系统[八]算法实践总结V3：重排在快手短视频推荐系统中的应用and手淘信息流多兴趣多目标重排技术

快手推荐系统包括了传统的召回、粗排、精排、Learning To Rank 的多目标排序、多目标预估等技术环节。而在这些模块之后的技术环节就属于重排序，主要包括手机端和服务端两部分。服务端通过传统服务器部署重排服务，包括序列重排、多源内容混排、多样性模块。端上部分包括端上重排模型和端上重排策略两部分。重排技术是快手十分重要的技术环节，它的发展速度远快于其他排序环节，属于较新的技术范畴。整个序列的价值并非单 item 效果的累计，如何使得序列价值最大化；

丨汀、的博客 1063

必收藏！AI Agent详解（小白/程序员入门大模型必备）

我们都知道，大模型的核心优势是精准回答问题、生成内容（比如代码、文案），但它有一个致命局限——无法主动感知、改变外部环境，简单说就是“只会说，不会做”，这也是很多小白开发大模型应用时遇到的瓶颈。你让大模型开发一个简单的博客系统，它能快速生成完整代码，但生成后，代码怎么写入本地文件、如何启动服务、调试报错排查，这些实操步骤都需要你手动完成，大模型无法主动操作。

weixin_72959097的博客 6344

前端使用二开Thingsboard一、二、三事(四)-部件库

以项目实战为基础，逐步介绍前端在thingsboard系统二次开发中的一些注意事项以及一些thingsboard一些页面功能讲解，为前端人员开发使用thingsboard提供一种可靠思路，打造一个完美的物联网系统。

weixin_43163457的博客 741

2021.02.23丨Virsorter2安装使用及答疑

最近项目比较多，又在学英语，写文章的时间少了很多。最近接到一个病毒组装的项目。用之前组装工具（ABYSS、SPAdes）都没有能够组装较为完整的scafford，今天介绍一款专门用于组装病毒的工具——Virsorter。 Virsorter最早版本发布于2015年，目前已经有了第二个版本。主要用于病毒的组装的注释。详细情况可以查看文章：https://peerj.com/articles/985/ 安装流程 安装文档： https://github.com/jiarong/VirSorter2/b

4836

收藏！一文读懂什么是Agent？大模型落地必备架构解析

很多人觉得Agent是“更聪明的AI”，其实错了。它和WorkFlow的本质区别，是工程范式的迭代WorkFlow是“人提前把所有逻辑想清楚、写死”，可控性强但灵活度差、维护成本高；Agent是“人只定义工具，把逻辑判断交给模型”，灵活度高、维护成本低，但需要付出Token和效率的代价。对于想落地大模型的程序员来说，不用盲目追求Agent，而是要根据场景选择：简单、固定的场景，WorkFlow足够用；复杂、多变、用户意图难覆盖的场景，Agent才是更优解。

大模型教程的博客 1224

汇川H5U模拟量输出模拟量转换FC: S_RTI

汇川H5U模拟量输入模拟量转换 FC S_ITR_RXXW_Dor的博客-优快云博客接口中的临时变量，如果优化的可以省去一些，感兴趣的可以自行编写修改下，这里不在举例。至此模拟量输入转换FC编写完成。

RXXW_Dor的博客 6679

收藏必备！轻松入门大模型：Agent 演进核心解析

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。学AI大模型，就是冲刺高薪的最优解！零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！👇👇扫码免费领取全部内容👇👇1、大模型系统化学习路线。

xxue345678的博客 356

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

收藏必备！小白程序员轻松入门大模型Agent，从ChatBot到Autonomous Agent的进阶之路

我们先来看下Wikipedia中Agent智能体的定义：在人工智能领域，智能体（Intelligent Agent）是一个能够感知环境、自主采取行动以实现目标，并通过机器学习获取知识来提升其性能的实体。从这个定义可以提炼出Agent的几个关键能力：感知环境（Perception）、自主决策（Autonomy）、执行行动（Action）、自主进化（Self-evolution）。Agent运行过程如下图所示：其实Agent的概念并不是最近才出现，也并不是大模型时代的产物。

大模型教程的博客 575

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

收藏必备：小白程序员轻松入门大模型——LangGraph ReAct代理模式详解

LangGraph中的主要图类型是StateGraph。每个节点通过State中的参数获取有效信息，执行完节点的内部逻辑后，更新该State状态中的值。不同的状态模式，可以通过注释设置状态的特定属性（例如覆盖现有值）或添加到现有属性。设置边缘条件，有条件的原因是，根据节点的输出，可以采用多个路径之一。在该节点运行之前，所采用的路径是未知的（由大模型决定）。• 条件边缘：调用代理后，如果代理说要采取行动，那么应该调用调用工具的函数。如果代理说已经完成，那么就应该完成。

AI大模型的博客 551

收藏备用！AI Agent主流设计模式全解析（小白&程序员大模型入门必备）

通用入门首选ReAct：理解其“交互闭环”的核心后，能快速掌握Agent的基本开发思路，适合大多数动态交互场景；追求效率选Plan & Execute/ReWOO：若任务流程固定、无需动态调整，ReWOO的变量机制能进一步提升效率，适合批量处理任务；多源并行选LLM Compiler：需要同时调用多个工具或获取多源信息时，可尝试基于DAG的并行调度，注意控制工程实现难度；复杂任务避幻觉选反思类：文本创作、编程等需要迭代优化的场景，用Basic Reflection快速落地；

2301_76168381的博客 694

收藏必备！小白程序员轻松入门大模型：ReAct Agent核心原理与实战（内含最佳实践）

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。“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。我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图。

2301_76168381的博客 787

Agent：AI的下一个战场，小白程序员轻松入门大模型，收藏必备！

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。

python12345_的博客 411

收藏必备！小白程序员快速入门大模型Agent，轻松掌握AI智能体核心原理

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

python12345_的博客 828

收藏必备：小白程序员轻松入门大模型——Agent与RAG实战技巧解析

其实这篇文章真的挺难写的，因为我们当时做的时候确实没有用什么Agentic RAG，而是用了非常多、也非常常规的工程手法去解决这一切。事实上我也翻阅了很多资料，什么是Agentic RAG，该有的案例是什么？结果无一例外的没有发现特别合适的，然后又与很多业内人员做了交流，这个图应该是比较好的说明：把数据接口做细 → 封装成工具/Agent → 用 ReAct 让模型决定是否调用。这里的关键是。

m0_48891301的博客 432

大模型学习指南：小白程序员轻松入门AI Agent框架（收藏必备）

本文深入探讨了AI Agent框架的理论与实践，涵盖ReAct、Plan-and-Execute和Reflection等主流模式，解析了AI Agent框架的核心要素，包括LLM Call、Tools Call以及上下文工程。文章以极简的Agent框架为例，通过Python CLI REPL实现用户交互界面，并提供了具体代码实现。此外，还讨论了Agent框架在实际应用中的优化空间，强调了上下文工程在Agent智能和商业应用中的重要性。年初火爆现在热度依旧的OpenClaw为AI Agent带来了新的想象。

2601_95388199的博客 431

收藏必备！小白程序员轻松入门大模型开发：AI Agent与RAG核心干货解析

最近两年互联网招人逻辑完全换了赛道：只会写基础业务代码、天天做CRUD的传统开发岗位越来越少，能落地AI大模型、帮公司做业务智能化的技术人，成了各大大厂抢着要的香饽饽。2026年春招市场，大模型相关岗位直接稳居招聘第一位！AI相关岗位数量同比暴涨8.7倍，在所有新经济岗位里占比从2.78%飙升到22.03%，简单说：10个技术岗，2个都是AI大模型岗。头部大厂2026春招全员押注AI，传统岗位持续缩编字节。

qq_46094651的博客 220

LangGraph入门指南：轻松构建ReAct Agent，新手必备，收藏学习！

本文介绍了LangGraph框架在构建Agent系统中的优势与挑战，重点解析了ReAct框架的原理及其在智能体中的应用。LangGraph通过流程图形式组织AI思考流程，支持循环、条件分支和状态管理，但学习曲线较高。为解决这一问题，文章推荐langgraph-up-react模板，它集成了国内主流模型和工具生态，简化了配置和开发流程，适合新手快速上手构建AI Agent应用。

qq_46094651的博客 392
上一篇： 小白转行AI大模型工程师？这份独家学习路线助你3个月快速上手，收藏必备！
下一篇： 收藏！普通人也能抓住的AI红利：2026年低门槛入局指南
点赞 8
评论 0
书签 书签 5
大模型教程.
大模型教程.
博客等级 码龄5年 5275粉丝 2890原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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