【收藏级干货】大模型开发入门指南：从LLM到Agent的核心技术栈全解析

冻感糕人~ 冻感糕人~ 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 600+累计阅读 612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 2026-08-17 11:16:49 发布 612 阅读 AI 写同款· GEO 优化 ›
SAP Fiori 设计原则全景解析：从 Role-Based 到 Delightful，打造真正可用的企业级体验 SAP Fiori 不仅仅是界面美化，而是一套完整的企业用户体验方法论，包含五大核心设计原则：Role-Based（基于角色）、Adaptive（自适应）、Simple（简洁）、Coherent（一致）、Delightful（愉悦）。这些原则强调围绕用户角色和任务优化体验，而非简单堆砌功能。开发者需理解这些原则的本质：Role-Based要求按业务角色组织应用，Adaptive确保任务跨设备连续性，Simple通过合理拆分降低用户认知负担，Coherent维护企业级交互一致性。Fiori Elements框 阅读详情

本文以通俗易懂的方式解释了大语言模型(LLM)及相关技术的基本概念。从LLM本质是文字接龙开始，详细解析了Transformer架构中的自注意力机制，介绍了Prompt工程、API调用、Function Calling等关键技术，并探讨了Agent、MCP和A2A等高级概念。文章强调了AI将改变编程行业，预测未来会出现更多AI编程工程师，并指出重复性工作可由AI处理。内容适合有基础代码阅读能力的读者，旨在帮助读者理解大模型技术栈。

一、 LLM (大语言模型)

本质就是文字接龙

把问题当成输入, 把大模型当成函数, 把回答当成输出.

大模型回答问题的过程, 就是一个循环执行函数的过程.

另外有必要了解一下, AI技术爆发于2023年, ChatGPT经过了几次迭代才崭露头角.

● Transformer架构

● 参数爆发增长

● 人工干预奖励模型

思考题: 语言能代表智能吗?

二、Transformer (自注意力机制)

自注意力机制就是动态关联上下文的能力. 如何实现的呢?

● 每个分词就是一个 token

● 每个token 都有一个 Q, K, V 向量 (参数)

○ Q 是查询向量

○ K 是线索向量

○ V 是答案向量

● 推理的过程:

○ 当前token 的Q 与 前面所有的 K 计算权重

○ 每个 token 的V加权相加得到一个 token预测值

○ 选择 N 个与预测值最接近的 token, 掷骰子选择

最简化示例: 小明吃完冰淇淋，结果 => 肚子疼

首先分词及每个token的 Q, K, V向量

tokenQ（查询）K（键）V（值）语义解释
小明[0.2, 0.3][0.5, -0.1][0.1, 0.4]人物主体
吃完[-0.4, 0.6][0.3, 0.8][-0.2, 0.5]动作（吃完）
冰淇淋[0.7, -0.5][-0.6, 0.9][0.9, -0.3]食物（冷饮，可能致腹泻）
结果[0.8, 0.2][0.2, -0.7][0.4, 0.1]结果（需关联原因）

接着开始推理:

1. 使用最后一个 token 的 Q（“结果”的 Q 向量）

Q_current = [0.8, 0.2]

2. 计算 Q_current 与所有 K 的点积（相似度）

点积公式：Q·K = q₁*k₁ + q₂*k₂

TokenK向量点积计算结果
小明[0.5, -0.1]0.8 * 0.5 + 0.2*(-0.1) = 0.4 - 0.020.38
吃完[0.3, 0.8]0.8 * 0.3 + 0.2 * 0.8 = 0.24 + 0.160.40
冰淇淋[-0.6, 0.9]0.8*(-0.6) + 0.2 * 0.9 = -0.48 + 0.18-0.30
结果[0.2, -0.7]0.8 * 0.2 + 0.2*(-0.7) = 0.16 - 0.140.02
3. Softmax 归一化得到注意力权重

将点积结果输入 Softmax 函数

Token点积指数值（e^x）权重
小明0.38e^0.38 ≈ 1.461.46 / 2.74 ≈ 0.53
吃完0.4e^0.40 ≈ 1.491.49 / 2.74 ≈ 0.54
冰淇淋-0.3e^-0.30 ≈ 0.740.74 / 2.74 ≈ 0.27
结果0.02e^0.02 ≈ 1.021.02 / 2.74 ≈ 0.37
4. 加权求和 V 向量生成上下文向量

将权重与对应 V 向量相乘后相加：

Token权重V向量加权 V 向量
小明0.53[0.1, 0.4]0.53*[0.1, 0.4] ≈ [0.053, 0.212]
吃完0.54[-0.2, 0.5]0.54*[-0.2, 0.5] ≈ [-0.108, 0.27]
冰淇淋0.27[0.9, -0.3]0.27*[0.9, -0.3] ≈ [0.243, -0.081]
结果0.37[0.4, 0.1]0.37*[0.4, 0.1] ≈ [0.148, 0.037]

最终上下文向量：

[0.053−0.108+0.243+0.148,0.212+0.27−0.081+0.037]=[0.336,0.438]

5. 预测下一个 token

模型将上下文向量 [0.336, 0.438] 与候选 token 的嵌入向量对比：

嵌入向量不作过多解释, 只要知道QKV三个向量可从嵌入向量计算得到即可

候选词嵌入向量相似度（点积）概率
肚子疼[0.3, 0.5]0.336 * 0.3 + 0.438 * 0.5 ≈ 0.101 + 0.219 = 0.320最大概率（例如 65%）
头疼[0.2, 0.1]0.336 * 0.2 + 0.438 * 0.1 ≈ 0.067 + 0.044 = 0.111次之（例如 20%）
开心[-0.5, 0.8]0.336*(-0.5) + 0.438 * 0.8 ≈ -0.168 + 0.350 = 0.182较低（例如 15%）

最终模型选择最高概率的 “肚子疼” 作为下一个 token.

注意在实际场景中, 预测的下一个token是不确定的, 是因为有一个掷骰子的操作, 大模型会在概率最大的几个token中随机挑选一个作为最终输出

三、 Prompt (提示词)

对于这个词大家并不陌生. 我们用chatGPT时经常会用到, “你是一个…”

但你真的理解它吗?

与ai对话时的这种预设角色, 其实并不是严格意义上的 prompt

为什么这么说呢? 先看一下API

四、 理解API

我们前面提到过大语言模型的 本质就是文字接龙 , 相对应的使用大模型也比较简单. 可以参见deepseek的文字接龙 api 请求:

https://api-docs.deepseek.com/zh-cn/api/create-chat-completion

这里比较重要的几个部分, 需要理解:

1. temperature 温度

Temperature（温度） 是一个控制生成文本随机性和多样性的关键参数。它通过调整模型输出的概率分布，直接影响生成内容的“保守”或“冒险”程度. 看几个典型场景:

场景温度
代码生成/数学解题0
数据抽取/分析1
通用对话1.3
翻译1.3
创意类写作/诗歌创作1.5
  1. tools 工具支持

大模型对 function calling 的支持, 后面再详细介绍

3. 角色和信息

这一部分是ai对话的主体. 其中role 定义了四个角色

● system 系统设定

● user 用户回复

● assistant 模型回答

● tool 是配合function call工作的角色, 可以调用外部工具

回到前一章的问题, ai对话时其实是user部分输入的内容, 所以system角色的设定内容才应该是严格意义上的Prompt.

这有啥区别呢? (user 与 system?)

个人一个合理的猜测: system的内容在Transformer推理中拥有较高的权重. 所以拥有较高的响应优先级.

4. 关于多轮对话

因为LLM是无状态的. 我们要时刻记得文字接龙的游戏, 因此在实际操作中也是这样的.

● 在第一轮请求时，传递给 API 的 messages 为

● 大模型回答

● 当用户发起第二轮问题时, 请求变成了这样

五、Function Calling (函数调用)

仅仅一个可以回答问题的机器人, 作用并不太大.

要完成复杂的任务, 就需要大模型的输出是稳定的, 而且是可编程的.

因此OpenAI 推出了 function calling的支持. 也就是前面提到的 tools参数相关内容.

  1. 基本流程

● 工具声明及用户输入

● 模型检测到需要使用工具, 返回相关工具参数

● 开发者根据方法名和参数, 调用相关工具方法

● 将工具方法的返回值, 附加到请求中, 再次请求大模型

● 得出最终结果

"The current temperature in Paris is 14°C (57.2°F)."
​``````plaintext
●

  1. 实现原理(猜测)

a. 实现方式一: prompt 遵循 (示例)

提前设置规则:

b. 实现方式二: 模型训练特定优化

对结构化输出有特定要求, 可能需要特定训练吧. 这个不太确定?

六、 Agent (智能体)

包含: 大模型, 任务规划, 上下文记忆, 工具调用. 它是大模型能力的拓展. 其实只要对API进行简单的封装, 只要能完成特定任务, 都可以称为智能体. 比如下面的例子:

  1. 创建AI客服系统

这个智能体, 主要包括:

  1. 配置了一个 prompt: “你是一个电商客服, 可查询订单状态”

  2. 引入 query_order 工具

  3. 其它创建方式

服务商开放接口, 供用户创建, 比如腾讯元器

https://yuanqi.tencent.com/my-creation/agent

一个简单的提示词都可以创建智能体

七、 MCP (模型上下文协议)

通过上面的智能体调用工具的示例我们可以看到, 每接入一个工具, 都需要编写相应的接入代码. 经常写代码的我们都知道, 这不是好的架构设计. 好的设计应该把动态改变的部分 ( tools的声名和调用分离出来 ), 做为一个独立的模块来拓展. 这就有了大众追捧的 MCP: -----(哪有这么玄, 都是程序员的常规操作啊…)

MCP是工具接入的标准化协议

https://modelcontextprotocol.io/introduction

遵循这套协议, 可以实现工具与Agent的解耦. 你的Agent 接入MCP协议的client sdk后. 接入工具不再需要编写工具调用代码, 只需要注册 MCP Server就可以了. 而MCP Server可由各个服务商独立提供.

MCP Server做什么呢?

  1. 声明提供的能力 ListTools

  2. 调用能力的方式 CallTool

来看一下MCP Server的部分代码 (红框中就是做上面两个事, 不难理解) :

八、 A2A (Agent通信协议)

A2A本质是对 MCP协议的拓展, 按字面意思就是 Agent to Agent. 有兴趣的自己详细看吧.

智能体与智能体之间通信的标准化协议

https://github.com/google/A2A?tab=readme-ov-file#agent2agent-a2a-protocol

在这套协议下, 一个智能体要引入其它的智能体的能力, 也变得可插拔了.

九、 未来假想

如同蒸汽机, 电, 计算机这些伟大的技术一样. AI会成为下一个彻底改变人类生活工作方式的新技术.

  1. 现在AI编程能力越来越强, 程序员是不是要失业了?

职业不会消失, 消失的只有人. 但是AI编程的确会重塑整个行业.

我预想几年后, 纯粹的业务代码工程师可能会消失. 而会增加更多的AI编程工程师.

AI编程工程师的职责是解决AI模糊性的问题. 而工具的引入就是增加确定性的手段.

我们程序员可以把自己的积累通过 mcp server的方式, 挂载到项目agent 上去. 这样我们就可以解放双手, 去解决更多有挑战性的问题.

  1. 当前我们有哪些工作可以由AI来处理?

理论上一切重复性的工作都可以交由AI完成. 保险起见, 创造性的工作暂时可以只作为参考.

● 日常的反馈分析.

● 团队知识库

● 个人知识库

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。

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

为什么要学习大模型？

我国在A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AI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AI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。

在这里插入图片描述

在这里插入图片描述

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

img

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

在这里插入图片描述

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

img

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

img

适用人群

在这里插入图片描述

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

标签
#人工智能 #大数据 #大模型学习 #ai大模型 #学习
#大模型 #LLM
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。
无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程 当您遇到类似于"无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程"的错误消息时，请按照上述步骤来解决问题。当您尝试加载文件C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1时，可能会遇到类似于"无法加载文件：C:\Users\Lenovo\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本编程"的错误消息。请注意，更改执行策略可能会带来一些安全风险。 阅读详情

相关推荐

用KalmanNet搞定非线性状态估计：当卡尔曼滤波遇上神经网络

本文深入探讨了KalmanNet如何将神经网络与卡尔曼滤波结合，以解决非线性状态估计中的模型失配和噪声不确定性问题。通过保留经典滤波框架并用RNN学习卡尔曼增益，该方法在无人机导航、机器人定位等场景中实现了模型驱动与数据驱动的优势互补，提升了估计的鲁棒性和灵活性。

mango的博客 310

LLM大语言模型是什么？一文讲清楚热门LLM大语言模型！

本文尽量用最简单的方式, 帮读者理解 LLM, Transformer, Prompt, Function calling, MCP, Agent, A2A 等这些基本概念. 表述时不追求绝对准确, 尽量通俗易懂. 部分内容有个人理解的成份, 内容难免疏漏, 欢迎指正.

大模型教程的博客 274

RTOS任务调度原理：高优先级任务为何在低优先级任务执行时无法响应

实时操作系统（RTOS）的核心在于其确定性的任务调度机制，它通过优先级抢占确保关键任务及时执行。其基本原理是调度器仅在特定调度点（如任务主动阻塞、中断退出时）运行，比较就绪态任务的优先级并切换上下文。这一机制的技术价值在于为嵌入式系统提供可预测的响应时间，广泛应用于工业控制、汽车电子和物联网设备等对实时性要求高的场景。当低优先级任务执行**长时间非阻塞运算**且无中断发生时，调度器无法被触发，导致高优先级任务虽处于就绪态却无法获得CPU，造成系统响应延迟。理解**任务状态机**与调度点，是优化实时性、避免此

weixin_33508411的博客 287

MCP与A2A深度解析：AI系统集成与智能体协作的未来之路

MCP与A2A协议构建AI系统集成新范式 摘要： MCP协议聚焦AI与工具/数据的安全交互，提供资源、工具和提示模板三大能力，实现统一的能力暴露与权限管理；A2A协议规范智能体间协作，通过任务、消息、产物等组件实现跨系统接力。二者形成互补：MCP解决"AI如何安全使用工具数据"，A2A解决"智能体如何高效对话"。这种分层设计将开发重点从功能实现转向接口定义，显著提升系统的可插拔性、可观测性和治理能力，推动AI应用向模块化、标准化方向发展。

2401_84204207的博客 793

傻瓜教程：使用GeoServer发布离线地图服务

一、离线地图下载 离线地图分为两种：一种叫“金字塔瓦片”数据，一种叫“矢量地图数据”。我们看的在线地图比如，百度，谷歌，高德等等网页上的地图，都是金字塔瓦片；另外一种是手机上用来导航的，比如高德地图APP，也可以下载离线地图数据，这个就是矢量的。 卫星影像地图都是金字塔瓦片，无矢量数据。 因此，我们所说的离线地图下载通常都是指离线地图金字塔瓦片数据下载。 离线地图金字塔瓦片搭建的离线地图服务分很多种：一般有WEB方式，TMS、WMTS/WMS等等，不同的应用有不同...

米兰的小码农的博客 1万+

产品经理-面试题目--持续更新

答：面试官，你好，我叫XXX，来自于XXXX，我系统的学习过软件开发，也主动的积累了不少产品方面的实战经验，在学习期间，我自己独立的完成了2个深度项目，一个是仿抖音的短视频APP全流程设计，另外一个是电商后台系统的模块，通过这些项目，我不仅熟练使用Axure等工具做出高保真原型图和清晰的产品框架，也形成了数据驱动和用户优先的思维习惯，另外，我也注重拓展自己的能力边界，拿到了CAIE人工智能证书，我希望能把AI能力融入到产品场景，提升体验和效率，我非常喜欢产品工作带来的创造性和逻辑性，希望有机会加入贵公司。

m0_63966958的博客 957

【干货收藏】多Agent系统：让AI从“单兵作战“到“群体协作“的进化之路

多Agent系统是AI从"单兵作战"迈向"群体智慧"的关键架构，通过多个智能体分工协作解决复杂问题。主流框架包括AutoGen、CrewAI和LangGraph，通信依赖MCP和A2A等标准化协议。系统调度策略多样，需考虑并行、依赖和资源平衡，同时需建立重试、熔断等机制保障可靠性。随着标准化成熟，多Agent系统将推动AI真正融入生产体系，形成能协同思考、自动执行的"数字员工团队"。

2401_85327249的博客 1476

DRAM知识整理系列（三）：部分时序参数整理

一、tCL-tRCD-tRP-tRAS（第一时序） 内存是根据行和列寻址的，当请求触发后，最初是tRAS（Active to precharge Delay），预充电后，内存才真正开始初始化RAS（Row Address Strobe）。一旦tRAS激活后，RAS开始进行需要数据的寻址。首先是行地址，然后初始化tRCD（RAS to CAS Delay），周期结束，接着通过CAS（Column Address Strobe）访问所需数据的十六进制地址。其中，从CAS开始到CAS结束，就是CAS延迟（即t

不吃鱼的猫的博客 7万+

AI 开发基础（第1章）：LLM API - 一切的起点

如果你要学AI应用开发，LLM API是第一章。不是因为你会一直直接调API所有上层封装最终都落在LLM API调用上LangChain、LangGraph、OpenClaw、AutoGPT... 不管多复杂的框架，最后都是调理解了这一层，上面封装出问题时，你知道去哪里排查比如Agent卡住了，是LLM没返回？还是框架状态管理bug？懂API层才能定位。成本控制必须懂这一层Token计费、Prompt Caching、Batch API... 不懂API层，成本优化就是空谈。

在渔村里看AI，偶尔捕点新鲜的。 268

可乐学习NVMe之一：为什么SSD需要NVMe

1. NVMe SSD 结构简图 整体来看，NVMe SSD可以分为三部分，host端的驱动NVMe Driver、PCIe+NVMe实现的控制器以及NAND Flash+DDR4/DDR5存储介质。 芯片回片后Host侧软件或者驱动开发主要在应用层，通过一些测试工具进行benchmark跑分测试，performance性能分析，latency分析、stress-testing等等： 那么，接下来阐述为什么SSD需要NVMe，并再后续的文章介绍NVMe协议分析，个人针对协议的理解，如果有不当之处，还请各

Lucky 3169

手把手教你用LTspice仿真BUCK-BOOST电路（附波形分析）

本文详细介绍了如何使用LTspice进行BUCK-BOOST电路的仿真与波形分析，涵盖电路原理、CCM与DCM模式特性、效率优化及常见问题解决方案。通过实战案例，帮助工程师快速掌握升降压转换电路的设计与调试技巧，提升电力电子设计能力。

julia4scientist的博客 1049

【干货收藏】大模型核心技术栈：LLM、ChatGPT、RAG、Agent、MCP全解析

本文系统解析了大模型技术栈：从LLM基础引擎到ChatGPT对话应用，详述RAG解决知识滞后、Function Call连接现实世界、Agent实现自主决策，以及MCP标准化工具交互。这些技术协同工作，形成完整AI系统架构，各自解决不同层面问题，推动AI向更自主、智能、通用方向发展。理解这些技术的关系与区别，有助于应用AI解决实际问题，把握AI发展脉络。

Android_XG的博客 1268

29、智能问答系统：原理、挑战与实现

本文深入探讨了智能问答系统的原理、挑战与实现方法。从智能问答系统的定义、重要性、问题类型和构建步骤，到实现中的歧义问题、数据集创建及基于规则的系统实现，全面解析了这一自然语言处理领域的重要应用。同时，文章还介绍了智能问答系统的应用场景、发展趋势以及面临的挑战与应对策略，为读者提供了一个全面而深入的理解框架。

redis7keeper的博客 163

收藏级干货！AI Agent开发技术深度解析与实战指南

是一个能够帮助人类突破知识边界的智能体，能够对特性问题提出新思路新方案，不断迭代进化。

python1222_的博客 1683

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")

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

收藏级干货：2026年Agent学习路线图：7个GitHub顶级开源项目全解析

文章推荐了7个GitHub上的优质Agent学习开源项目，包括Datawhale的Hello-Agents硬核教程、500+智能体案例库、GenAI_Agents资源库、Hugging Face官方课程、微软初学者教程等。这些项目覆盖从基础理论到企业级应用，从单一智能体到多智能体协作，从底层原理到快速上手的全方位学习资源，适合不同水平开发者学习AI Agent技术。

m0_48891301的博客 1万+

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

【干货收藏】2026年AI Agent开发技术栈详解与学习路径：从零到精通的完整指南

本文详细解析了2026年AI Agent开发路线图，涵盖从编程基础到高级架构的七大核心层次，包括LLM调用、工具集成、RAG技术、多Agent系统等关键内容。文章展望了本地化部署、多模态融合等未来趋势，并提供了针对不同背景开发者的学习路径建议。无论你是初学者还是有经验的开发者，这份指南都能帮助你系统掌握AI Agent开发技术栈。

2401_85154887的博客 1062

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

【干货收藏】AI Agent核心技术与开发实践：程序员必学的大模型应用指南

本文全面解析AI Agent的基本概念、核心特征和工作原理，详细阐述其感知-思考-行动-反馈的工作循环及架构模型。通过数据分析Agent开发案例展示实践流程，并介绍客户服务、企业自动化和研发辅助等典型应用场景。文章提供从基础理论到实战开发的完整学习路径，帮助程序员快速掌握AI Agent技术，抓住大模型时代机遇。

2401_84815887的博客 1073

【干货收藏】从入门到实战：AI Agent企业落地全景指南，2025年企业数字化必看手册

【干货收藏】从入门到实战：AI Agent企业落地全景指南，2025年企业数字化必看手册

ytt0523_com的博客 1052

【粉丝福利社】大模型智能推荐系统：技术解析与开发实践

在信息爆炸的时代，如何高效地连接用户与海量信息已成为一项重要挑战。推荐系统作为人工智能的重要分支，通过深入挖掘用户行为和兴趣，推动了个性化信息分发的进步。然而，传统推荐系统在冷启动问题、长尾效应处理以及复杂语义理解等方面仍然面临诸多瓶颈。近年来，大语言模型（Large Language Model，LLM）的引入为这些难题的解决带来了全新的技术思路。LLM凭借其强大的自然语言理解能力和上下文学习能力，正在彻底改变推荐系统的技术格局。

愚公智库 10万+

收藏级干货！智能体开发实战：从LLM到自主AI系统构建指南

从本质上看，智能体是感知环境并采取行动以实现特定目标的计算系统，它是LLM的进阶形态，在LLM的认知能力基础上，新增了规划、工具使用、环境交互与持续学习的核心能力。其运作遵循一个简洁而高效的五步法循环，这一循环让智能体摆脱了被动响应的局限，具备了主动闭环的能力：1.明确任务：接收用户设定的目标，例如整理本周日程，这一步为智能体指明行动方向；2.扫描场景：主动收集实现目标所需的信息，如读取邮件中的会议邀请、访问日历确认空闲时段、调取联系人信息，构建对当前环境的完整认知；

大模型研究中心 1087

【粉丝福利社】LangChain核心技术与LLM项目实践

《LangChain核心技术与LLM项目实践》是一本全面介绍LangChain框架及其在大语言模型（LLM）应用中的技术书籍。本书从大语言模型的基础知识入手，详细讲解了LangChain的核心组件、开发流程及高级功能，涵盖了任务链设计、内存模块管理、表达式语言使用、Agent系统实现、回调机制、模型I/O与数据检索等内容。通过丰富的代码示例和实战案例，本书逐步引导读者掌握模型优化、并发处理和多级任务链设计等高级技术，并最终通过一个企业级智能问答系统的开发案例，展示了LangChain在实际业务中的应用。本书

愚公智库 16万+

【干货收藏】大模型应用开发完全指南：无需AI背景，普通程序员的入门宝典

文章面向非AI背景开发者，详细介绍大模型应用开发流程与技术，包括Prompt Engineering、Function Calling、RAG检索增强生成、Embedding及VectorDB等核心概念。强调普通开发者无需深入AI理论，通过掌握这些技术即可将大模型与业务结合，利用AI Agent和MCP协议让大模型与现实世界交互，在大模型时代找到自己的位置并创造价值。

2401_85325726的博客 1061

收藏级干货｜AI Agent开发全链路拆解（小白&程序员必看，从入门到落地）

在人工智能领域，Agent并非全新概念，但在大模型时代，它被赋予了全新的生命力，成为当下最具潜力的技术方向之一。AI Agent是一个能自主感知环境、理解任务、制定计划、调用工具，最终完成目标的智能实体。它和我们平时接触的聊天机器人有本质区别：聊天机器人只能“你问我答”，被动响应；而AI Agent是“主动干活”，相当于一个“数字员工”，能自主完成一系列复杂操作。从理解需求到落地执行的全闭环能力，也是它区别于普通聊天机器人的关键。小白解读：相当于人对近几天、近几周经历的总结，保留核心要点；

优快云_224022的博客 1323

2025必学！Python AI Agent开发黄金指南：从零到实战，收藏级教程！

本文全面介绍了2025年Python AI Agent开发技术，对比分析了LangChain、AutoGen、CrewAI、SmolAgents等主流框架，提供了从基础环境搭建到生产级部署的实战教程。文章详细阐述了AI Agent技术发展趋势、企业级应用前景与ROI分析，以及开发者技能发展路径，旨在帮助Python开发者掌握AI Agent开发技术，抓住AI时代发展机遇。

m0_74942241的博客 1662

收藏级图解AI核心技术：RAG、大模型、智能体全解析（小白&程序员入门必备）

维度传统RAG检索方式单次、静态多轮、动态优化推理能力单跳，依赖人工设计多跳，自主分解任务上下文管理固定拼接动态筛选与精炼错误处理无自检机制结果验证与修正适用场景简单问答、文档摘要复杂推理、实时交互、工具调用演进本质：Agentic RAG将RAG从“管道流程”升级为“自主决策系统”，更贴近人类问题解决模式。策略核心逻辑优势局限性Fixed-size固定长度切割高效、通用语义断裂风险Semantic语义边界检测保留上下文计算复杂度高Recursive。

2301_76168381的博客 1150

【程序员必看】解锁大模型潜能：AI Agent三大核心技术详解(收藏级干货)

单纯的大模型，只能对话和生成文本，是“思想的巨人，行动的矮子”。配上Agent的大模型，能感知环境、使用工具、执行任务，成为“万能助手”。MCP、Function Calling 和 A2A。这三项技术，并不是有你无我的排斥关系，而是可以通力协作的互补关系。大模型通过 Prompt 学习工具使用，实现非结构化任务处理，克服传统规则的“刚性”，使得AGI（Artificial General Intelligence，通用人工智能）成为可能。

kaka0722ww的博客 831
上一篇： 【强烈收藏】AI架构全景图：56个核心技术术语详解，从小白到大神的进阶指南
下一篇： 收藏！程序员转行大模型实战指南：复用技术栈，少走90%弯路
点赞 24
评论 0
书签 书签 25
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384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