必收藏｜AI Agent凭啥成科技圈顶流？小白+程序员入门大模型实操指南

一、前言：AI Agent凭啥席卷科技圈，成为程序员必学热点？

要说近几年科技圈最炙手可热的“新晋流量”，AI Agent（人工智能代理）绝对占据一席之地，甚至一度刷屏程序员社群、技术论坛！无论是刚入门大模型的小白，还是深耕技术多年的开发者，都在扎堆研究AI Agent，不少人已经上手搭建专属智能体，解锁大模型落地新玩法。

笔者近期深耕AI Agent领域，基于主流智能体开发平台（如扣子、LangChain）实操了多个可直接复用的案例，避开了很多新手易踩的坑。今天就用最通俗的语言，剥离复杂术语，把AI Agent的核心逻辑、技术关联、核心组件和实战用法讲透彻，帮小白快速入门不迷路，帮程序员找到低成本落地思路，建议收藏备用，后续实操可直接对照参考！

二、拆解AI Agent：不止是智能工具，更是能自主干活的“编程助手”

很多新手刚接触时，总会把AI Agent和普通机器人、常规智能工具混淆，其实三者的差距非常明显！AI Agent的核心竞争力的是“自主决策与执行能力”——它能主动感知用户需求、分析任务目标、拆解执行步骤、调用各类工具，最终独立完成复杂任务，堪称一个“自带思考能力、能独当一面的智能助手”。

用程序员能快速get的通俗表述来说：AI Agent是基于大语言模型（LLM）构建的智能系统，可通过自主推理将复杂任务拆解为简单子任务，调用各类工具链逐步落地目标，全程无需人工干预，甚至能根据执行反馈优化步骤。

刚入门大模型的朋友，难免会被LLM、RAG、AI Agent这些高频术语绕晕，别急！接下来我们通过“对比拆解+通俗类比”的方式，理清三者的核心关系，明确AI Agent的定位，帮大家快速打通技术认知，为后续学习和实操打下基础。

1、LLM：AI Agent的“核心大脑”，支撑所有推理决策

LLM（大语言模型）就像一个经过海量文本、代码训练的“超级学霸”，不仅能流畅生成文本、理解语义，还能完成代码生成、摘要提炼、翻译、问答等多种语言类、代码类任务。我们平时常用的ChatGPT、文心一言、通义千问，都是LLM的典型代表，也是程序员学习大模型、开发AI Agent的核心基础。

对程序员而言，LLM的核心价值的是提供强大的逻辑推理、自然语言交互和代码生成能力——这也是AI Agent能“思考”、能“自主决策”的核心前提，没有LLM的支撑，AI Agent就相当于没有“大脑”，无法完成任何任务拆解和推理。

但LLM也有两个明显的短板，这也是后续RAG技术出现、AI Agent完善的核心原因：一是知识存在“时间差”，训练数据有明确的截止时间，无法获取实时信息（比如最新的API更新、行业数据）；二是缺乏私有化知识储备，只能处理公开的标准化数据，难以适配企业内部文档、个人专属需求等个性化场景。

2、RAG：给LLM“补充弹药”，破解知识局限的关键技术

RAG（检索增强生成）本质上是“外部知识源+LLM”的组合解决方案，核心作用就是弥补LLM的知识局限，让LLM的输出更精准、更贴合具体需求。它的核心逻辑很简单：通过检索外部数据源（比如企业本地知识库、实时新闻、行业文档、个人笔记），把与当前任务相关的信息提取出来，“喂给”LLM，让LLM基于这些最新、最专属的信息生成结果。

通俗点说，RAG就是给LLM开“小灶”的工具——相当于给“学霸”配备了一个专属参考书库，让它在答题（生成结果）时，不仅能依靠自己的储备，还能查阅最新、最贴合需求的资料，避免“答非所问”“信息滞后”的问题。

对程序员来说，平时常用的文心一言插件、ChatGPT的联网功能、VS Code中基于本地代码库的问答插件，本质上都是RAG技术的实际应用——通过接入外部工具和数据源，让LLM突破自身的知识边界，更好地适配实操场景。

3、AI Agent、LLM、RAG的“铁三角”关系，一看就懂

很多新手分不清三者的关系，其实用“团队协作”来类比，就能快速理解：AI Agent是整个团队的项目负责人，负责统筹全局、拆解复杂任务、协调各类资源、把控执行进度，最终确保任务落地；LLM是团队的核心执行岗，负责提供逻辑推理、决策和基础输出能力，是所有动作的核心支撑；RAG是团队的辅助支撑岗，负责补充外部信息、专属知识，解决LLM“不懂”“不知道”的问题，保障执行的准确性。

三者的具体工作流程的是：AI Agent接到用户的复杂任务后，首先通过LLM的推理能力，将复杂任务拆解成多个可执行的子任务；然后判断每个子任务需要哪些资源——如果需要实时信息或私有知识，就调用RAG技术检索相关内容；如果需要其他功能（比如生成图片、解析文档），就调用对应工具；最后逐步执行所有子任务，达成用户目标，全程无需人工干预。

三、AI Agent的四大核心组件：缺一不可的“智能骨架”，新手必记

前面我们说过，LLM是AI Agent的“大脑”，但仅凭“大脑”，AI Agent无法完成自主执行——就像人类只有大脑，没有手脚、没有记忆，无法完成复杂任务。一个完整的AI Agent系统，必须搭配四大核心组件，这四大组件就相当于AI Agent的“骨架”，缺一不可，也是程序员开发AI Agent、小白理解AI Agent的核心重点，建议收藏牢记。

这四大核心组件分别是：规划（Planning）、记忆（Memory）、工具使用（Tools）、行动（Action），接下来我们逐一拆解，用通俗的语言+实操场景，帮大家快速理解。

▲由LLM驱动的智能体系统架构（新手可截图保存，对照学习）

1、规划（Planning）：任务拆解的“运筹帷幄者”，决定执行效率

规划模块是AI Agent的“思维核心”，核心作用是把用户的复杂任务，拆解成可逐步执行的子任务，并规划好每个子任务的执行顺序、优先级，以及遇到异常情况时的调整方案。这就像程序员写代码前的需求分析和架构设计——先明确“要实现什么功能”，再拆解成“第一步写什么、第二步写什么”，还要考虑“出现bug怎么调试”。

在实际开发中，我们可以通过提示工程（Prompt Engineering），给AI Agent植入“思维模式”，引导它高效拆解任务。比如采用ReAct（思考-行动）、CoT（思维链）等常用提示策略，让LLM逐步拆解任务、评估执行进度、优化执行方案。

举个实操例子：如果AI Agent接到“策划一场大模型技术分享会”的任务，规划模块会自动拆解成5个子任务：① 确定分享主题（结合当前大模型热点）；② 联系行业讲师（匹配主题相关）；③ 预订线上/线下场地；④ 制作宣传物料、推广引流；⑤ 现场/线上执行、后续复盘，并明确每个子任务的优先级和依赖关系（比如先确定主题，再联系讲师）。

2、记忆（Memory）：存储信息的“智能硬盘”，让AI更懂需求

AI Agent的记忆模块，模仿了人类的记忆机制，主要分为短期记忆和长期记忆，两者分工明确，共同支撑AI Agent的自主决策，让AI Agent更懂用户需求、更贴合实操场景，也是新手开发时容易忽略、但非常关键的组件。

- 短期记忆：对应多轮对话的上下文信息，以及当前任务的临时信息，仅在当前任务周期内保留，任务完成后自动清空。比如用户和订餐AI Agent对话时，“想吃川菜、3个人、今晚7点就餐”这类临时信息，就存储在短期记忆中，方便AI Agent实时调用；任务完成后，这些信息会自动删除，不占用存储资源。

- 长期记忆：用于存储需要长期复用的信息，比如用户的固定偏好（不吃辣、常用支付方式）、企业的业务规则（汇报格式、审批流程）、程序员开发时设置的固定参数等。通常会借助向量数据库（比如Milvus、Chroma）来存储和快速检索这些信息，确保AI Agent能随时调用，无需用户重复告知。

对程序员来说，长期记忆的搭建，是实现AI Agent个性化适配的关键——比如开发企业内部AI Agent时，把企业的业务文档、审批规则存入长期记忆，AI Agent就能快速适配企业场景，无需人工反复指导。

3、工具使用（Tools）：拓展能力的“外接接口”，解锁更多玩法

LLM本身的能力是有限的——比如它无法直接获取实时信息、无法生成图片、无法解析本地文档，而工具使用模块，就是AI Agent的“能力拓展器”——通过调用外部工具，让AI Agent获得感知环境、操作设备、获取信息的能力，解锁更多实操玩法。

对程序员来说，这些工具本质上就是各类API接口、插件或第三方服务，无需从零开发，直接调用即可，大大降低了AI Agent的开发门槛。常见的工具类型分为3类，新手可重点关注，后续实操可直接选用：

- 信息检索类：搜索引擎API（获取实时信息）、企业内部数据接口（基于RAG技术接入，获取私有信息）、学术论文检索插件（适配科研场景）；

- 功能操作类：文档解析插件（如Chat files，解析PDF、Word文档）、图片生成插件（如ByteArtist、MidJourney API）、地图定位API（获取地理位置信息）；

- 业务系统类：CRM系统接口（适配企业客户管理场景）、办公软件接口（如钉钉、企业微信API）、代码运行插件（执行简单代码，排查bug）。

▲扣子平台的插件商城（常用工具集合，新手可直接注册使用，无需开发）

值得注意的是，工具使用的核心不是“能调用多少工具”，而是“AI Agent能自主判断何时用、用哪个工具”——比如需要获取用户当前位置时，自动调用地图API；需要解析用户上传的合同文档时，自动调用文档解析插件；不需要工具时，不做多余调用，避免资源浪费。

4、行动（Action）：落地任务的“最终执行者”，实现从想法到结果

行动模块是AI Agent的“手脚”，核心作用是把规划好的步骤、调用的工具，转化为具体的操作结果，简单来说，就是将用户的输入需求（Input），通过一系列规划和工具调用，转化为最终的输出结果（Output），是AI Agent完成任务的最终环节。

行动的形式多种多样，主要分为虚拟操作和实体操作两类，适配不同的实操场景：

- 虚拟操作：比如在系统中创建待办任务、生成工作报告、发送邮件、生成代码片段等，也是程序员开发AI Agent时最常接触的行动形式；

- 实体操作：比如实体机器人完成“鼓掌”“移动”“取物”等动作，比如Cyberdog2机器人，就能通过行动模块，执行各类预设动作，完成具体任务。

举个直观的例子：Cyberdog2机器人接到“欢迎访客”的任务后，行动模块会驱动它完成“前进→挥手→播报欢迎语”的一系列动作，整个过程无需人工干预，完全自主执行，这就是行动模块的核心作用。

▲Cyberdog2完成“鼓掌”任务演示（直观理解行动模块的作用）

四、实战案例：AI Agent订餐小助手，小白看懂就入门，程序员可直接复用思路

光说理论太抽象，很多新手看完核心组件，还是不知道AI Agent到底怎么工作、怎么落地。接下来我们用一个贴近生活、简单易懂的实战案例——“AI Agent订餐小助手”，拆解它的完整工作流程，小白能快速理解AI Agent的核心逻辑，程序员能直接复用这个思路，开发简单的AI Agent，快速上手实操。

这个案例的核心需求：用户只说“和朋友吃饭，帮订餐厅”，AI Agent全程自主完成预订，无需用户逐一指导，完整还原四大核心组件的作用和“铁三角”的协同逻辑。

第1步：明确需求缺口，调用工具补全关键信息（规划+工具使用）

- 推理：用户只提出了核心需求“订餐厅”，但缺少3个关键信息——用户当前位置、附近有哪些可用餐厅、餐厅的基本信息（菜系、评分），无法直接筛选；

- 行动：AI Agent通过规划模块，判断需要补充信息，进而自主调用地图工具API，获取用户实时地理位置，同时检索周边餐厅列表，提取餐厅的菜系、评分、营业时间等基础信息；

- 结果：成功获取用户周边10家符合基本条件的餐厅信息（含菜系、评分、营业时间、是否可预订），补全需求缺口，为下一步筛选做准备。

第2步：结合记忆，筛选匹配用户偏好的餐厅（记忆+规划+工具使用）

- 推理：当前有10家餐厅，范围过广，需要进一步缩小筛选范围，还需补充2个关键信息——用户的饮食偏好、同行人数、就餐时间，同时结合用户历史偏好，提升匹配度；

- 行动：AI Agent调用长期记忆模块，提取用户历史饮食偏好（比如爱吃川菜、不接受超辣、偏爱有包间的餐厅），同时通过多轮对话，询问用户补充同行人数（3人）、就餐时间（今晚7点）；

- 结果：从10家餐厅中，筛选出3家符合用户偏好的川菜馆，且确认这3家餐厅今晚7点有可用包间，进一步缩小范围，锁定目标餐厅。

第3步：执行预订操作，完成任务并反馈结果（行动+规划）

- 推理：已锁定3家目标餐厅，下一步需要执行预订操作，需调用餐厅预订相关工具，提交预订信息，同时确认预订是否成功；

- 行动：AI Agent通过规划模块，确定执行预订操作，进而调用餐饮预订插件，自动填写预订信息（人数3人、就餐时间今晚7点、用户联系方式），提交预订请求，同时等待餐厅反馈；

- 结果：收到餐厅确认预订的反馈，同步给用户（告知餐厅名称、地址、预订时间、包间号），同时提醒用户注意事项（比如提前10分钟到店），整个订餐任务完成。

这个案例中，AI Agent全程自主完成“补全信息→筛选匹配→执行操作→反馈结果”，完美调用了四大核心组件，也体现了LLM、RAG、AI Agent的“铁三角”协同逻辑——LLM负责推理，RAG（结合工具）负责补充信息，AI Agent负责统筹执行。小白看懂这个案例，就能快速理解AI Agent的核心；程序员复用这个思路，就能开发简单的AI Agent，快速上手实操。

五、To B落地场景：AI Agent如何帮程序员/企业降本增效？实操思路拆解

对程序员和企业来说，学习AI Agent、开发AI Agent，核心目的是“替代重复性工作，提升工作效率，降低开发和运营成本”。前面的案例比较贴近生活，接下来我们聚焦To B场景中高频、刚需的“生成工作报告”场景，拆解AI Agent的落地思路，给程序员提供可直接复用的实操方向，给企业提供降本增效的参考。

在企业日常工作中，写周报、月报、CRM工作报告是员工的常规工作，尤其是销售、运营、客服岗位，几乎每天都要处理这类工作。传统方式耗时耗力，而AI Agent能实现全程自动化，帮员工节省大量时间，也帮企业降低人力成本，接下来我们对比三个阶段，看看AI Agent的优势到底在哪里。

1、传统手动阶段：效率极低的“时间刺客”，浪费大量精力

传统写工作报告的方式，需要员工手动完成3个核心步骤，全程耗时久、易出错，80%的时间都浪费在无意义的重复工作上：① 从CRM系统、聊天记录、邮件、工作群中，逐一收集客户联系、商机进展、成交数据、工作成果等零散信息；② 把这些零散信息，按照企业固定的汇报格式，逐一整理、排版，修改错别字和逻辑漏洞；③ 选择汇报人、设置汇报权限，提交报告，还要应对领导的修改意见，反复调整。

这种方式不仅效率低，还容易出现数据错误、格式混乱的问题，占用员工大量时间，导致员工无法专注于核心业务（比如程序员无法专注于开发，销售无法专注于谈客户）。

▲手动阶段写工作周报的繁琐流程（很多企业仍在沿用）

2、Copilot辅助阶段：智能撰写，但仍需人工干预，无法完全解放双手

随着LLM技术的发展，出现了Copilot类辅助工具（比如微软Copilot、文心一言办公助手），一定程度上提升了写报告的效率，但仍无法完全解放双手，还需要人工干预。具体流程是：员工只需告知工具报告要求（比如“写本周CRM工作周报，包含客户联系、商机进展、成交数据”），工具会自动抓取相关零散数据，生成报告初稿。

但这种方式的缺点很明显：如果缺少汇报人、汇报周期、汇报重点等信息，需要员工手动补充；生成的初稿，数据准确性、逻辑连贯性仍需要人工核对、修改；无法自动提交报告，仍需要员工手动操作，本质上只是“辅助撰写”，没有实现真正的自动化。

3、AI Agent阶段：全自动化的“工作报告生成器”，全程无人干预

基于AI Agent框架，我们可以开发一个“全自动化工作报告智能体”，实现从数据收集、报告生成、格式优化，到报告提交、备份的全程无人干预，彻底解放员工双手，帮程序员和企业降本增效。接下来拆解具体的设计思路，程序员可直接复用，快速落地实操：

- 规划（Planning）：通过Prompt植入任务拆解逻辑，将“生成并提交工作报告”这个复杂任务，拆解为4个可执行的子任务，明确优先级和依赖关系：① 获取基础数据（从CRM系统、办公软件中抓取）；② 整理数据，生成报告（贴合企业固定格式）；③ 匹配默认汇报人、设置汇报权限；④ 自动提交报告，并备份；

- 工具使用（Tools）：接入2类核心工具，无需从零开发，直接调用API接口即可：① 接入企业CRM数据中心API、办公软件API，通过RAG技术，获取客户联系、商机流转、成交业绩等私有化数据，确保数据实时、准确；② 接入企业办公系统API（如钉钉、企业微信），获得报告填写、提交、备份的权限；

- 记忆（Memory）：存储3类长期复用的信息，确保报告贴合企业和员工需求：① 员工的历史汇报数据（汇报风格、常用表述，比如简洁型/详细型）；② 企业固定的汇报格式（标题、分段要求、必填项、字体格式）；③ 汇报相关规则（汇报周期、默认汇报人、备份方式）；

- 行动（Action）：按照规划的4个子任务，自动执行操作：① 定时（比如每周五下午）调用API，采集CRM和办公软件中的数据；② 基于记忆中的汇报格式，整理数据，生成报告初稿，自动优化逻辑和格式；③ 匹配记忆中的默认汇报人，设置汇报权限；④ 调用办公系统API，自动提交报告，同时将报告同步到员工邮箱备份，完成后给员工发送提醒。

▲工作报告智能体框架设计（程序员可截图保存，直接复用思路）

有了这个智能体，员工只需设置一次定时触发（比如每周五下午自动生成、提交），后续无需任何手动操作，就能全程自动化完成工作报告，把节省下来的时间，投入到核心业务中——比如程序员可以专注于AI Agent的开发、大模型的学习，企业也能减少员工在重复性工作上的投入，实现降本增效。

▲工作报告智能体demo演示（实际落地效果参考）

六、总结：AI Agent的核心价值与未来方向，小白+程序员必看

如果用自动驾驶技术来类比To B软件的AI化进程，我们就能清晰看到AI Agent的价值：2023年LLM的出现，让To B软件的自动化程度，从“需要人工全程操作”的L1阶段，提升到“辅助完成部分工作”的L2阶段；而AI Agent的到来，则直接跃升到“自主完成复杂任务”的L4阶段，实现了质的飞跃，也是大模型落地的核心方向。

▲人类与AI协同的三种模式对比（清晰看到AI Agent的优势）

对程序员和小白来说，学习AI Agent，不需要一开始就掌握复杂的开发技术，核心是先理解“自主决策、全程执行”的核心逻辑，再通过简单案例上手实操，逐步积累经验。这里给大家两个核心建议，建议收藏：

\1. 对小白：先从理解核心概念、看案例入手，重点搞懂LLM、RAG、AI Agent的“铁三角”关系，以及四大核心组件的作用，不用急于开发，先建立完整的技术认知，再借助扣子、LangChain等低代码平台，尝试搭建简单的AI Agent（比如订餐小助手、天气查询小助手），快速入门；

\2. 对程序员：可从企业高频重复性工作切入，寻找AI Agent的落地机会（比如工作报告生成、客户咨询回复、代码排查），复用本文的案例思路，调用现成的API和插件，低成本落地，先实现简单的自动化，再逐步优化，提升AI Agent的复杂度和适配性。

最后提醒大家：AI Agent的核心价值始终是“降本增效”，它能替代越来越多的重复性、流程化工作，但无法替代人类对行业业务的深度理解，也无法替代程序员的开发思维和逻辑能力。先进的技术工具，需要匹配精准的应用场景，否则再厉害的AI Agent，也只是“空中楼阁”。

最后

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。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

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。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026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。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

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👇👇

  

3、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。

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】