一、Workflow与Agent概念区分
大家经常聊的Agent,很多时候可能其实就只是一个Workflow。这两个概念如果混淆会对产品设计和技术选型方面造成一定的影响。那应该如何正确区分这两个概念呢?
Anthropic给了一个比较清晰的划分,其核心在于系统在执行任务时,是由代码预设路径(Code-Driven),还是由LLM自己动态决定下一步(LLM-Driven)。前者就是Workflow,后者才是Agent。其中官方的定义如下:
工作流(Workflow):把LLMs和工具通过代码,预编排好执行路径的规则流程。
AI代理Agent:由LLM自主指导其执行过程和工具使用的自主系统。
这两个没有优劣,Anthropic将其统称为智能系统(agentic systems)。
在实际场景中构建智能体的时候,我们只要把握住以下原则就可以:
(1)优先解决问题原则 以解决实际问题为目标出发,没有硬性规定和优劣,可以选用多种类型进行组合。
(2)最小化设计原则 先从简单提示语和优秀模型开始,实验并构筑第一个版本的Agent。只有在智能不足的时候,才考虑调优工程,添加更多步骤与Context指引。
(3)Agent可解释性原则 不可解释的Agent无法维护,无法维护就没办法针对生产环境的各类问题进行工程调优。因此,Agent的每一步规划步骤都应该保持透明。
二、Workflow与Agent类型
1. workflow类型
(1)增强型LLM
在LLM基础上配置上检索、工具、记忆等增强功能,LLM可以主动使用,生成自己的搜索查询,选择合适的工具。与Agent的区别就是增强型LLM不会规划任务流程,也无法自行决定下一步做什么,不能自主进行多轮交互。
(2)提示链工作流
通过将任务分解为多个子环节,由多个LLM分别处理前一个环节的输出,类似coze、dify。

(3)路由式工作流
允许LLM对input进行分类,并在更合适的子任务中解决。可以对不同类型的任务进行针对性的提示词优化。

(4)并行式工作流
允许LLM同时处理一个任务,并程序性地聚合它们的输出。比如
- 将任务分解为并行运行的独立子任务。
- 多次运行同一任务获取多样化的结果或者进行投票。
并行式工作流更适合在提升任务执行性能或者LLM拆解处理单因素任务优于同时处理多因素任务时的效果。

2.Agent类型
通常是指自主智能体,不断基于环境反馈的循环使用工具。能够理解复杂输入,推理与规划,以及从错误中恢复。随着底层大模型能力的提升,Agent独立解决复杂问题、处理错误反馈的能力也会随之提升。

三、如何学习大模型 AI ?
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。
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,故此将并将重要的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。
一直在更新,更多的大模型学习和面试资料已经上传带到优快云的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长,根据工信部最新数据:
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K(数据来源:BOSS直聘报告)
70%企业存在"能用模型不会调优"的痛点
真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)






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
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
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】

2万+



被折叠的 条评论
为什么被折叠?



