学习大模型必看：从AI基础到Agent应用，可视化图解助你系统掌握（收藏版）-优快云博客

本文以可视化图解方式梳理大模型相关概念，构建从AI基础到Agent应用的完整知识体系。内容涵盖人工智能技术架构、深度学习核心、大模型发展历程、Transformer架构详解、大模型训练三阶段、分类与应用、Prompt Engineering、RAG技术以及智能体（Agent）技术等。通过本文，读者可系统了解大模型技术的核心逻辑和发展脉络，助力小白或程序员快速入门并深入掌握。

一、人工智能技术基础：从符号主义到深度学习

1.1 人工智能技术架构

学AI的时候，如果能先搞清楚整个技术领域的大致框架，明白每个知识点在什么位置、属于哪个层次，学习效率会高很多。人工智能是个非常庞大的知识体系，绝不是几张图或者几个专业名词就能讲完的。

其实很多人脑子里已经积累了不少AI相关的知识，这篇文章就是想用一个清晰的框架帮你梳理一遍，相当于给你的“大脑知识库”做一次小小的优化调整。

图 1：人工智能领域架构图

1.2 人工智能的分层领域

核心关系：人工智能（AI）包含机器学习（ML），机器学习（ML）又包含深度学习（DL）。

发展历程：符号主义时代（1950s-1980s）：主要是靠规则来运行的专家系统，所有规则都需要人手动写好。

机器学习时代（1990s-2000s）：可以从数据里自己学习规律，不再那么依赖人工写规则。

深度学习时代（2010s-2020s）：用大规模神经网络，在语音、图像、自然语言处理等领域广泛应用。

大模型时代（2020s 至今）：超大规模预训练模型、生成式模型大量出现，朝着通用智能的方向发展。

图 2：深度学习与大模型的关系

1.3 深度学习的核心：神经网络家族

神经网络的基础其实就是简单的感知机模型，它主要包含输入层、隐藏层和输出层，一般用来做通用的模式识别任务。

随着深度学习不断发展，市面上也出现了很多典型的网络架构：

Transformer和CNN、RNN属于同一级别，都是神经网络里的基础架构类型。而Transformer最具革命性的地方在于：

它不再依赖序列顺序，能够实现完全并行化训练；

可以更好地处理长距离依赖问题；

同时也为大模型的进一步拓展提供了切实可行的工程思路。

1.4 机器学习的范式：监督 / 无监督等学习方式

深度学习其实是机器学习里面的一个分支，而监督学习、无监督学习、强化学习这些，是按照学习方式来给机器学习做的分类。

它们最核心的区别在于，监督学习和无监督学习主要看有没有用到带标签的数据，而强化学习是靠不断试错，再结合奖励信号来学习怎么做出决策的。

1.5 为什么需要大模型？

从传统模型到大模型，本质上就是从专家系统转向通用智能的过程。传统模型就像是经过专门训练的行业专家，只在单一任务上做精调，泛化能力比较有限。而大模型更像是学识广博的通才，能用同一个模型，搞定多种任务、覆盖多个领域。

图 3：传统模型 vs 大模型对比图

二、大模型技术：从 Transformer 到模型应用

2.1 大模型领域知识框架

大模型这个领域里的概念特别多，像架构、训练范式、推理方式、应用形态这些都属于其中。我们可以从这几个层面来搞懂它：

底层基础方面，主要是算力、数据还有模型架构，比如Transformer。

训练与对齐这块，包括预训练、微调、指令微调，还有RLHF这类对齐方式。

能力扩展上，有工具调用、RAG、长上下文、代码能力、多模态。

应用形态则包含聊天助手、代码助手、搜索增强、Agent、Multi-Agent等等。

图 4：大模型领域架构图

2.2 大模型发展历程

大模型的发展历程，其实可以简单总结成：从最开始的预训练语言模型，一步步发展到现在的通用多模态 Agent 平台。

最早的时候，用的是基于统计和n-gram的语言模型。

到了中期，就变成了基于RNN、LSTM的语言建模。

真正的转折点，是Transformer架构被提出来之后，大家才开始做大规模的预训练。

再往后就进入了大模型时代，GPT系列、BERT系列，还有各个国家和厂商自己研发的大模型，都纷纷发展起来了。

2.3 Transformer 架构：并行化的革命

之前我们说过，RNN 和 LSTM 存在两个主要问题：一个是难以并行，因为它们有严格的序列依赖，没法很好地发挥现代硬件的并行优势；

另一个是长距离依赖能力弱，对于时间间隔比较久的信息，很容易出现“遗忘”的情况。而 Transformer 给出的核心解决办法，就是 Self-Attention 机制。

1）Self-Attention（自注意力）

概述：简单来说，就是让序列里的每一个元素，都能和序列中其他所有元素产生关联，相当于互相“沟通交流”。

再通过计算彼此之间的相似度，给不同元素分配对应的注意力权重，这样就能精准捕捉到序列内部的依赖关系，还有深层的语义联系。

比喻：就跟我们平时读一段话一样，看到每一个词的时候，不会单独只看这个词本身，而是会下意识把它和整段话里其他所有词关联起来，结合上下文才能弄懂它真正的意思。

2）多头注意力（Multi-Head Attention）

概述：把输入的向量拆分成好几个“头”，每个头都会单独去学习一套属于自己的注意力权重，分别从不一样的视角去抓取和关注关键信息，不会局限在单一角度。

比喻：就好比找来好几位专业人士，让他们分别从不同维度分析同一段文字，最后再把所有人的分析结果整合到一起，得出更全面的结论。

3）位置编码（Positional Encoding）

问题：Self-Attention这个机制本身，没办法感知到元素的先后顺序，对序列的位置信息不敏感。

解决办法：通过额外加入位置编码的方式，把每个token对应的位置信息明确传给模型，让模型清楚知道每一个token在序列里处在什么位置。

4）编码器-解码器架构（Encoder-Decoder）

概述：编码器的主要作用，是吃透输入的信息，再把这些信息压缩提炼出来；解码器则是依托编码器处理好的信息，一步步生成对应的输出序列。

比喻：编码器就像是负责“读懂内容”的理解者，解码器更像是负责“把意思说出来”的表达者，这套架构经常用在机器翻译、文本摘要这类任务当中。

Transformer 的革命性意义：

彻底打破了RNN模型没办法并行处理的瓶颈，大幅提升了运算效率；为大规模的模型预训练搭建了高效可行的基础架构；现如今已经成为各类现代大模型通用的核心标准架构。

2.4 大模型的训练三阶段：预训练、微调、对齐

2.5 大模型的分类与应用

大模型其实能从好几个角度来划分，比如说从模态来看，可以分成文本模型、图像模型、语音模型、多模态模型等等。

从用途上区分，又有通用对话模型、编程模型、搜索增强模型、Agent 型模型这些类型。要是按照部署形态来分的话，还能分为云端大模型、本地轻量模型、端侧模型等。

2.6 Prompt Engineering：与 AI 对话的艺术

Prompt 就是人和大模型之间的沟通桥梁，写得清楚明白，才是让模型听话的关键。好的 Prompt，目标明确、约束清楚、步骤拆分合理、还能给到合适的上下文。

不好的 Prompt，则是指令含糊、没有边界条件、不给参考示例、也不设定角色。

2.7 RAG：检索增强生成

RAG（Retrieval-Augmented Generation）是把外部知识检索和大模型生成结合在一起的技术思路：在调用大模型之前，先从向量数据库或者搜索引擎里找出相关的文档；

再把找到的内容和用户的问题一起输入给模型；模型在参考这些资料的基础上给出回答，从而提高回答的准确性和时效性。

三、智能体（Agent）技术：让 AI 具备行动能力

3.1 智能体（Agent）的定义

很多人对AI Agent的概念都有点模糊，其实最主要的原因是：Agent在不同场景下，说法不一样。我们可以从三个角度来理解它：

（1）学术视角

所谓AI Agent，就是具备这些能力的智能实体：

感知能力（Perception）、决策能力（Decision Making）、行动能力（Action）、目标驱动（Goal Oriented）。它不是一个简单的模型，而是能在环境里自主运行的智能体。

（2）现代大模型时代的视角

到了大模型的时代，AI Agent通常包含这几个部分：

大模型（LLM / 多模态模型），这是它的核心，负责推理、理解和生成内容；

记忆（Memory），用来存长期的知识、上下文以及和人交互的历史；

工具使用（Tool Use / Function Calling），就是能调用API、数据库、搜索引擎、代码执行器这些外部功能；

规划（Planning），能把复杂的任务拆成一步步能执行的步骤，还能反思调整、反复优化；

行动（Action），按照规划好的步骤调用工具、操作系统或应用，一直到完成目标为止。

（3）产品 / 工程视角

从产品和工程实际应用来看，AI Agent就是一个能一直运行、可以重复执行任务、还能自主完成工作的软件智能体。

比如：能自动写代码、运行代码、修复错误的AI Dev Agent；能自动处理客户咨询、流转工单的AI客服Agent；能自动分析业务数据、生成结论的AI分析Agent等等。

总结定义：广义来说，AI Agent是一种能在环境中自主感知、思考、规划并执行行动，从而达成特定目标的智能系统。

与大模型关系：Agent不一定非得有大模型，但现在主流的Agent，基本都以LLM或多模态模型为核心，再搭配上工具调用、记忆和规划机制，形成一套像人类执行任务那样的完整闭环能力。

更易落地的当下定义：现在我们说的AI Agent，其实就是基于大模型的自主智能系统，能感知环境、记住信息、做好规划、调用工具，还能执行行动，最终实现明确的目标。

3.2 智能体和大模型：从大脑到完整的身体

大语言模型（LLM），就相当于一个“超级厉害的大脑”，懂的知识多、推理能力也强，但它本身没有“手脚”，没法直接感知世界，也没法直接执行操作。

而智能体（Agent），就是在拥有“大脑”（也就是LLM）的基础上，再给它加上“手脚”（Tool）和“记忆”（Memory），这样它就能主动去感知、规划、行动，还能反思调整。

3.3 智能体的四大核心组件

最常见的一种拆解方式，是把智能体分成四个核心组件：

3.4 智能体的工作流程：感知 - 决策 - 行动 - 反思

本文侧重的是基于大模型的智能体（LLM Agent），其典型流程包括：

智能体循环的关键步骤：

感知（Perception）：借助传感器（比如 API 监听、用户输入接口）获取外界的输入信息，这些信息就是观察（Observation）。

思考（Thought）：由大语言模型带动的内部推理环节，还能细分成两部分：

规划（Planning）：结合当下的观察和过往记忆，更新对任务和环境的认知，制定或修改执行方案，把复杂目标拆分成一个个子任务。

工具选择（Tool Selection）：在现有的工具库里挑选最适配的工具，并确定好调用的参数。

行动（Action）：通过执行器（Actuators）完成具体操作，一般是调用某类工具（比如代码解释器、搜索 API 等），对环境产生作用。

观察与反思：依据行动的结果更新记忆和计划，开启下一轮循环。

从实际应用来看，Agent Loop 一般就是持续依据用户需求和环境的反馈，反复执行任务直到实现目标。

3.5 MCP 协议

MCP也就是Model Context Protocol，属于一种开放标准协议，主要用来把AI应用和外部的数据源、工具连接起来。

它会提供统一的接口，方便AI模型安全地访问文件系统、数据库、API等各类资源，同时支持本地和远程服务器，还具备工具调用和资源访问的能力，能够简化AI应用和外部系统集成开发的流程。

MCP是由Anthropic等公司共同推进的，目的就是为了标准化AI应用的上下文管理以及外部交互工作。

3.6 智能体设计的参考流程

设计一个 AI Agent 时，通常会经历以下步骤：

四、多智能体（Multi-Agent）技术：AI 协作的新范式

4.1 多智能体简介为什么我们需要多智能体呢？

（1）单智能体的局限性：

能力比较单一，很难同时掌握多种专业技能；

遇到复杂任务时就吃力了，有些任务需要多步骤、多领域配合着完成；

效率不高，只能一步步串行执行，没法充分利用并行的资源；

扩展起来也麻烦，应对不了大规模的分布式场景。

（2）多智能体的优势：

能实现专业化分工，每个智能体都专注于自己擅长的领域；

可以并行处理任务，多个智能体一起干活，能加快整体任务的进度；

能把复杂的大任务拆解开，分成一个个子任务，分别去处理；

系统扩展性好，能根据需求随时增加或者替换智能体。

多智能体（Multi-Agent）模式，其实就是智能体系统从“一个人单打独斗”变成“一群人团队协作”的核心发展方向：

靠多个专业的智能体，再加上彼此的通信机制和协调策略，实现从“什么都想做的全能助手”到“各有所长的专家团队”的转变。

4.2 多智能体的协作模式

常见的多智能体协作模式有这几种：

主从模式：一个主Agent来调度多个子Agent，分配好各自的任务；

平行协作：多个Agent地位平等，一起协作，通过协调机制统一最终的结果；

黑板模式：所有Agent都通过一块共享的“黑板”来交换信息、同步进度；

组织/角色模式：按照“部门-角色”的方式来分配任务，就像公司里各部门各司其职一样。

4.3 A2A 协议

A2A（Application to Application）协议是一种企业级集成协议，用于实现不同应用系统之间的直接通信和数据交换。

在 AI 与多智能体场景下，A2A 协议可用于：定义不同 AI 智能体之间的消息格式与交互规则；支持任务分配机制和协作流程；实现智能体之间的知识共享、能力互补与分布式问题求解

4.4 多智能体的核心机制

多智能体系统的核心机制主要有这几个方面：任务分解，就是把复杂的问题拆成多个子任务，再按照每个智能体的专业特长进行合理分配。

智能体协调，借助任务调度、优先级管理以及负载均衡等方式，防止出现资源争抢和重复工作的情况。

通信协议，搭建起统一规范的信息交流方式，既支持同步通信，也支持异步通信，确保数据和状态能够准确、及时地传输。

决策融合，把多个智能体得出的决策结果进行汇总，通过投票、加权平均或者专家系统等方法，得出最终的决策结果。

4.5 主流多智能体框架

多智能体框架是搭建复杂AI系统的关键基础，比较常见的框架有这些（举例）：主要用于科研领域的多智能体仿真平台；和大模型相结合的多Agent协作框架；能够支持工具编排与工作流运行的Agent平台等等。

感谢阅读！

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】