2025年AI Agent岗位市场调研：基于101个职位的数据分析，大模型入门到精通，收藏这篇就足够了！

AI_小站 AI_小站 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 1.2k累计阅读 1.2k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3年
关注
原创 最新推荐文章于 2026-07-15 09:13:22 发布 1.2k 阅读 AI 写同款· GEO 优化 ›
windchill安装搭建（保姆式） 保姆式搭建windchill 材料准备 Vmware工具，用来创建和打开虚拟机的工具 安装系统的镜像文件 数据库安装文件，这里是Oracle数据库 Windchill的安装包 Vmware工具，用来安装和打开虚拟机的软件 Windowsserver2008的镜像工具，用来安装虚拟机环境的系统，如果你有win2007或win2010的也可以，在做虚拟机时，需要先安装系统。 Oracle数据库安装包 Windchill11M030的安装包 （安装包如有需要可以私信邮箱发送） 虚拟机安装 安装虚拟机VMware 阅读详情

AI Agent绝对是今年最热门的岗位之一。

我经常在各种平台上看到有人说想转AI Agent方向的工作，我们组有一个"AI Application Developer"岗位从今年年初招聘至今还没有找到合适的候选人，而且我自己也在做这个岗位，于是就从技能、薪资、地域等角度分析了一下目前市场上AI Agent相关的岗位。

薪资分析

在这次分析中，我一共收集了101份AI Agent相关岗位的招聘信息（JD），其中有99份包含明确的薪资信息。

这99个岗位中，仅有1个岗位月薪低于10K。 这个岗位的工作地点是成都，薪资是8-13K，其下限低于10K，上限依然是高于10K的，仅从这一点来看，AI Agent开发的薪资确实要比普通的开发岗位高。

整体薪资分布

整体的薪资分布情况如图：

薪资分布

可以看到，有59.6%的岗位月薪都超过了25K。

地域薪资差异

我们再看看不同城市的薪资分布情况：

不同城市的薪资分布情况

可以看到北京最高，平均薪资已经超过了40K，深圳紧随其后，上海和杭州比较接近。 由于其他城市的样本数量少于10个，所以就没有单独列出来。

招聘企业分析

看完了薪资，我们再看看到底有哪些企业在招聘AI Agent岗位。

招聘企业分布

可以看出来，互联网大厂和AI科技公司是绝对的主力军，占比超过50%。

在传统企业的AI部门中，招聘主要来自银行和传统汽车厂，可能是这两个行业对AI Agent的业务应用场景比较明确。

但有个数据让我挺意外的：科研院所和高校的占比有9.1%。虽然不知道具体的比例，但是从以往找工作时刷JD的情况来看，这一比例要比学术机构在其他技术岗位的招聘中高的多。 这说明学术界在AI Agent领域比其他领域更加活跃。

技能要求分析

编程语言需求

编程语言分布

注：统计方式为在所有职位样本中提到该编程语言的次数，单个职位可能涉及多种语言

Python一共出现了125次，断层领先于其他语言，不过这也不意外，毕竟Python几乎是AI开发的标配语言。

让我意外的是js/ts 和 c++。

我没想到c++会被提到45次之多，我去看了具体的JD，发现是有一些芯片公司和嵌入式设备公司在招AI Agent岗位，这两个领域都是以c++为主的。从这一点来看，未来不久很可能会有AI Agent相关的硬件面世。

我也没想到js/ts仅仅被提到了15次之少，毕竟现在vide coding几乎首先js/ts 和 Python，没想到在AI Agent开发中js/ts的需求远不如Python。

技术栈要求分析

看完了编程语言，我们再看看整体的技术栈要求：

技术栈要求

通过对技术栈要求的深入分析，可以发现以下特点：

  • RAG + 向量数据库：出现123次，几乎成为所有AI Agent项目的标准配置
  • LangChain/LangGraph：这两个是最常被提到的框架，而且大多数职位要求"熟练"或"精通"水平，说明他们已经成为AI Agent开发团队的首选。
  • 机器学习/深度学习：虽然出现了92次，仅次于RAG和向量数据库，但大多只是要求了解即可，并不要求精通，更像是面试官的“随口一提”，而不是工作内容的实际要求。
  • 模型微调：虽然只出现了42次，但在月薪超过60K的高端岗位中，SFT/LoRA/QLoRA等微调技术几乎是必备技能

市场趋势

基于对职位描述的深入分析，我还发现了以下几个趋势：

1. 从单智能体向多智能体系统演进

与今年年初的JD相比，最近的招聘需求已从单一"AI Agent"开发转向"多Agent/Multi-Agent"开发。这一变化看似微小，但是背后涉及到Agent之间的协作，上下文的管理等诸多复杂问题，所以实际上招聘要求在变高。

2. RAG技术要求日趋细化

RAG技术的应用要求越来越具体化，主要体现在这两点：

  • 知识更新与rerank：强调知识库的持续维护和检索结果的重新排序
  • 多模态RAG：文本、图像、视频、语音等多模态数据的集成应用

我记得我去年换工作的时候，看到的关于RAG的要求基本上是有相关经验即可，鲜少有提到知识更新和rerank的，更别说多模态RAG。

3. 垂直行业应用深化

特定行业的AI Agent需求开始显现，主要有这三个行业：

  • 医疗健康：主要是体检报告/病历解读和健康信息管理
  • 金融服务：智能投资顾问
  • 教育培训：主要是开发个性化学习、智能答疑系统，而且产品主要针对幼儿园和小学阶段的学生。

4. 工程化能力依然重要。

尽管聚焦于AI技术，传统工程技能依然非常重要，以下几个技术领域也被提到了较多次数。

技术领域需求频次
容器化55次
微服务42次
云平台38次
CI/CD28次

这跟我在实际工作中的感受是一致的，AI Agent系统通常需要部署在复杂的生产环境中，良好的工程化能力对于系统的稳定性和可维护性至关重要。

一点遗憾

在收集到的101份JD中，只有极少数提到了上下文工程或者Context Engineering的，虽然这个概念已经在相关社区和社媒上流行了一阵子了，但是在JD中似乎还有比较长的延迟。

最大的遗憾是，没有任何一个JD提到了claude code sdk。虽然claude code很火热，但是知道claude code sdk的人似乎不多。但是claude code sdk其实具备了开发一个Agent所需要的几乎全部功能，我个人觉得这是一个非常值得关注的工具。

总结

根据以上分析，如果想找一份AI Agent开发工作，Python + LangChain + RAG 已成为市场主流的技术组合。

另外我也知道为什么我们组招了一年都没有招到合适的人选了，因为我们开的工资竞争力不足，而且我们还要求流畅的英语表达能力…

说明

我使用MiniMax Agent来帮忙收集数据，并做了初步的分析，最后自己撰写了这篇博客，虽然在写博客的时候已经尽量人工review相关数据，但是不敢确保完全正确，但是我想整体的趋势应当是没有问题的。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

标签
#人工智能 #github #AI大模型 #LLM #自然语言处理
#RAG #Agent
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。
LSTM+Transformer混合模型时间序列预测实战教学 LSTM+Transformer混合模型时间序列预测实战教学 毕业设计 阅读详情

相关推荐

ArcGIS新手必看：用Landsat 8数据计算植被覆盖度的完整流程（附DEM裁剪技巧）

本文为ArcGIS新手提供了使用Landsat 8数据计算植被覆盖度的完整流程指南。详细讲解了从数据预处理、NDVI计算到基于像元二分模型反演植被覆盖度的核心步骤，并重点分享了利用DEM进行精确裁剪的实用技巧，帮助用户高效完成地表信息提取与分析。

weixin_29279047的博客 239

从0到1开发AI Agent（智能体）:基于大模型的AI Agent技术框架

系统会总结出最终的答案，以完成整个任务处理过程图2：流程可以看出Agent执行任务时的循环非常重要。这个循环促使 Agent 不断反思，并根据当前状况判断是否完成任务。

bagell的博客 2520

禅道二次开发（一）：从零搭建本地开发与调试环境

本文详细介绍了禅道二次开发的第一步：从零搭建本地开发与调试环境。通过部署官方一键安装包、配置端口与防火墙、连接数据库、设置Samba文件共享，并最终在VSCode中配置PHP智能感知与Xdebug调试，手把手教你建立一个隔离、高效的专属开发工作台，为后续的代码修改与功能扩展奠定坚实基础。

weixin_29003437的博客 323

AI智能体开发框架，怎么开发一个AI智能体（AI Agent）

背景：1、AI智能体作为当前最优AI应用模式已然成为必会的开发能力。2、AI智能体开发框架已然成为程序员必须掌握的新开发环境，类似visual studio这样的开发工具。3、AI Agent 让 “人机协同” 成为新常态，个人与企业步入 AI 助理时代。AI Agent 能够帮助未来企业构建以 “人机协同” 为核心的智能化运营新常态。4、AI Agent 变革未来生产力的组织形式，对抗组织熵增。

m0_59164304的博客 3059

射频总集篇：（不断更新）

射频每一章涉及到的重点理论/设计方法 CHAPTER 1 传输线理论 输入阻抗Zin，负载阻抗ZL，驻波比ρ，反射系数 CHAPTER 2 波导 矩形波导，圆波导，同轴线 CHAPTER 3 微型带状传输线 微带线的参数设计，带状线的参数设计 CHAPTER 4 ...

jieyannn的博客 1920

最新版 Akamai 逆向 风控破解

经过测试，捷星 jetstar.com，德州仪器 ti.com，w6 wizzair.com，还有一些航空公司的都是可以实现一个并发的有需要的可以。

m0_72605044的博客 6623

从零开始开发一个 AI Agent，需要几步？

智能体正在成为自动化任务、智能交互和复杂问题解决的新引擎。那么，如何系统、科学地设计和搭建一个高效、可靠的AI Agent？本文将分十步来详细拆解：

Android_XG的博客 4159

spm FMRI 各种小问题合集

预处理 1、预处理结果从normalize之后开始头歪、变形 问题描述：如下图 原因：DICOM2NIfTI时必须检查对应的T1像。下面是两种错误形式，第一种容易发现，第二种容易忽视，大脑失状位左右颠倒。 解决：重新转了一回格式，建议用SPM fmri进行格式转换。之前是用MRIconvert转换的，用了两台电脑，有的T1结果是对的，不确定什么原因产生的错位，操作都是一样的。 2、Check reg大脑图片边缘出边框 问题描述： 原因：应该是图片排版导致的，单独check就会发现大脑是全的。 解决

weixin_44669441的博客 1677

AI Agent架构与实战：从入门到精通，分类、模式与应用全解析（建议收藏学习）

本文系统介绍了AI Agent的分类体系，包括基于自主程度、迭代方式、数量和开发模式的分类。详细解析了反思、工具、ReAct、Planning和Multi-Agent五种开发模式的特点、应用场景与关键技术。最后探讨了AI Agent在生产落地中的关键挑战，如私域知识注入、可信规划与Multi-Agent错误传播等问题，并提出了相应的解决思路，为开发者提供了全面的AI Agent开发指南。

Android_XG的博客 1186

osg点云加载与渲染

osg点云加载与渲染

cangqiongxiaoye的博客 821

【WRF湿度调整策略】WRF/ERA5湿度数据对比

【WRF湿度调整策略】WRF/ERA5湿度数据对比

WW、forever的博客 120

AI Agent：7个国内框架 & Agent应用

各大平台均设有官方 GPTs 应用商店，汇聚了丰富多样的插件与模型，能满足用户多元化的需求。这些插件和模型涵盖了从专业领域（如医疗、金融）到日常生活（如娱乐、学习）的各个方面，用户可以根据自己的需求选择合适的应用，扩展 Agent 的功能。单智能体由大语言模型（LLM）、观察（obs）、思考（thought）、行动（act）和记忆（mem）组成。例如，在一个简单的智能问答系统中，LLM 负责理解用户问题并生成回答，观察用户输入，通过思考确定回答策略，执行回答动作，并利用记忆存储和检索相关信息。多智能体。

m0_59163425的博客 2万+

GPFS扩展技术原理（十一）-FMDN广播与EID加解密

GFPS扩展技术原理（十一）FMDN广播及EID加解密

十多年蓝牙协议软件开发，擅长蓝牙协议分析 935

10 分钟搭建专属 AI Agent：从零到落地的全流程实操方法论

摘要：本文提出一个零基础可落地的AIAgent搭建框架，强调聚焦具体重复性工作而非通用智能。通过9个步骤：1)锁定标准化任务；2)拆解SOP流程；3)选择匹配平台；4)定义输入输出规范；5)编写精准系统提示词；6)构建三层记忆体系；7)设置安全护栏；8)封装极简交互界面；9)真实场景测试迭代。核心观点是AIAgent的价值在于解决明确、重复的工作流，而非追求万能AI。普通人无需编码基础，只需清晰拆解工作流程，即可在10分钟内搭建出可节省数百小时劳动的自动化助手。

释迦呼呼的博客 6606

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

Agent 开发框架

本文探讨了AI Agent的核心概念与应用场景。AI Agent是一种能够自主感知环境、收集数据并执行任务的软件程序，其核心在于大语言模型(LLM)提供的推理能力。文章重点介绍了ReAct框架，该框架通过结合LLM推理与行动执行能力，提升复杂任务的处理效果。并以机票预订为例，展示了Agent如何通过"思考-行动"循环完成航班查询、价格计算等业务流程。最后提供了基于LangGraph的技术实现方案，包括工具定义、LLM绑定和Agent节点构建等核心组件，为业务场景落地提供了技术参考。

程序猿进阶 6626

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

AI大模型应用开发初探 : 手搓一个简易Agent

近期我一直在学习和了解LLM的相关知识，听到大家都在谈论AI Agent，说它是接下来几年大模型应用开发的新范式，那么什么是AI Agent，如何快速开发一个AI Agent呢？

2401_82469710的博客 1493

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")

七个步骤带你轻松搭建商用 AI Agent

在构建AI助手的首要步骤是清晰定义需求。首先，我们需明确AI助手的目的：它是为了解决什么问题？如果你是一位自媒体从业者，可能希望AI助手帮助处理一些重复性工作，比如寻找对标内容、追踪热点、进行内容分析、草拟初稿等。这可以让你将更多精力投入到创意和内容创作上。如果你是一位贸易公司的老板，可能需要AI助手来整合来自不同平台的订单信息，进行产品询价和价格比较。你应专注于那些重复性高、机械性强、不需深思熟虑的任务。越详细越好。你还可以与AI工具进行交流，利用它形成初步草稿后再进一步完善。

python12345_的博客 3094

AI Agent 开发详解

摘要： AIAgent（人工智能智能体）作为大模型落地的终极形态，通过“大脑（LLM）+规划+记忆+工具”的架构实现自主任务执行。其核心模块包括：LLM负责推理决策、规划模块拆解任务、记忆模块（短期/长期）存储信息，工具调用扩展实时能力。开发需分层技术栈（如LangChain框架、向量数据库），并遵循场景定义、Prompt设计、工具集成等流程。企业应用需应对幻觉、循环、安全等挑战，建议从高频场景试点，结合可靠工具与错误恢复机制构建生产级Agent。

onlymscn的博客 653

从Demo到生产：AI Agent开发经验搜集分享

系统梳理AI Agent核心架构、ReAct模式、记忆系统、多Agent协作、失败处理、长任务管理等生产级落地经验，从"能跑"到"能扛"。

Love丶伊卡洛斯 629

AI Agent 开发教程 - 1. 什么是AI Agent

理解AI Agent的基本定义了解Agent与传统AI模型的区别掌握Agent的核心特征认识Agent的应用场景AI Agent（人工智能代理或智能体）是一种能够感知环境、自主决策并执行动作的智能实体。与传统AI系统（如聊天机器人）被动响应用户指令不同，AI Agent的核心在于其自主性——你只需给定一个高级目标，它便能像一位有主动性的助手一样，自行规划、拆解任务、调用工具并最终交付结果。从0到1！想入门大模型(LLM)却不知道从哪开始?

leah126的博客 708

AI Agent 应用开发从零到一：Agent 应用 MVP

本文介绍了AI Agent开发的核心组件与实战教程。AI Agent由四大核心构成：大语言模型（LLM）作为智能核心、工具集（Tools）扩展能力边界、记忆模块（Memory）管理上下文、任务规划（Planning）处理复杂任务。文章通过代码示例演示了如何调用大语言模型API、实现函数工具调用、管理对话记忆，以及拆解复杂任务。关键点包括：LLM的概率预测本质、函数调用的参数规范、上下文历史的手动维护方法，以及任务规划的四步闭环（思考→行动→观察→反思）。这些组件协同工作，使AI Agent能够自主完成从简单

寒风的技术博客 740

AI Agent开发从入门到精通：万字终极指南

2023-2024年被全球科技界公认为「AI Agent元年」：从OpenAI的AutoGPT在GitHub揽下超200k星、一夜刷屏，到Google DeepMind的Gemini 1.5 Pro推出内置「Agentic Workflow」，再到企业级市场微软365 Copilot、GitHub Copilot X全面普及自主协作功能——AI Agent已经从实验室概念落地为各行业「降本增效、突破人力认知极限」的核心生产力工具。然而，看似火热的AI Agent领域，仍存在大量认知与实践的「断层」

专注搜索引擎技术 697

【2025必学】AI Agent开发全攻略：从理论到实践，小白程序员入门必收藏

随着人工智能技术加速演进，AI Agent（人工智能代理，常称智能体）正悄然渗透到企业运营与日常生活的各个角落，从大家熟悉的虚拟助手（如Siri、小爱同学、豆包），到企业侧IT基础设施运维、数字化管理协同，再到研发流程智能化，AI Agent广泛渗透。与大模型和用户通过提示词（prompt）进行交互的指令导向不同，AI Agent是具备环境感知、自主规划、进行决策与执行行动以实现目标的智能系统。AI Agent的强大功能，源自其精巧的架构设计。

kaka0722ww的博客 1983

从0到1开发一个AI Agent：完整实战指南

AI Agent 是一种结合大语言模型（LLM）与外部工具能力的智能系统，能够自主规划、执行多步骤任务。本文通过三个关键步骤展示了如何从零构建AI Agent： 基础ReAct循环：实现"思考-行动-观察"的迭代过程，使Agent能够分步解决问题 工具调用机制：通过Function Calling集成外部工具（如网络搜索、代码执行等） 记忆系统：添加短期和长期记忆功能，实现上下文感知 文章提供了完整的代码实现，包括环境配置、核心架构和演进过程，帮助开发者理解AI Agent的核心原理与实现方法。技术栈基于P

ITresearchGuest的博客 826

AI Agent - 7大认知框架全解析与代码实现

出品丨咖哥 AI作者｜黄佳AI Agent，最近火得一塌糊涂。Sam Altman 曾这样描述未来的AI Agent：“今天的AI模型是它们将会是的最‘笨’状态，未来只会越来越聪明！” 吴恩达在AI Ascent 2024会议上也不吝赞美：“这是AI发展的黄金时代，生成式AI和AI Agent将彻底改变我们工作的方式！”。这些业界领袖的话让人感受到未来AI与人类生活、工作的深度融合正在加速到来...

AI科技大本营 7258

手把手教你做 AI Agent

文末赠书AI Agent火爆到什么程度？OpenAI创始人奥特曼预测，未来各行各业，每一个人都可以拥有一个AI Agent；比尔·盖茨在2023年层预言：AI Agent将彻底改变人机交互方式，并颠覆整个软件行业；吴恩达教授在AI Ascent 2024演讲中高赞：AI Agent是一个令人兴奋的趋势，所有从事AI开发的人都应该关注。而国内的各科技巨头也纷纷布局AI Agent平台，如：钉钉的AI...

codingpy的博客 1152
上一篇： AI大模型从0到1：你的90天蜕变计划，告别小白直通前沿
下一篇： RAG不好用？试试MCP这个“知识库优化大师”，大模型入门到精通，收藏这篇就足够了！
点赞 12
评论 0
书签 书签 11
AI_小站
AI_小站
博客等级 码龄3年 6255粉丝 1152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