零基础入门大模型Agent：7阶段学习路径+课程清单，小白也能轻松掌握并收藏！

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 100+累计阅读 176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 2026-10-01 10:20:53 发布 176 阅读 AI 写同款· GEO 优化 ›
自动驾驶控制算法——MPC控制算法 自动驾驶MPC控制算法摘要 模型预测控制(MPC)是一种基于系统预测模型的先进控制算法，通过滚动优化方式求解最优控制输入。其核心流程包括：1)使用数学模型预测未来系统状态；2)定义优化目标函数衡量预测误差；3)求解满足约束的最优控制序列；4)仅执行第一步控制并重复该过程。 相比传统PID控制，MPC具有预测未来、多步优化、显式处理约束等优势，特别适合自动驾驶中对安全性要求高的场景，如轨迹跟踪、车道保持、联合纵横向控制、自动泊车和动态避障等。MPC通过状态空间模型预测系统行为，在每个控制周期计算未来N步的控制 阅读详情

本文提供了一套完整的Agent学习路径，包含7个阶段、每个阶段的课程与项目清单及验收标志，外加两条可选学习路径。旨在帮助零基础至初学者在4-6个月内掌握Agent开发，内容涵盖从基础到框架实战，再到工程化应用，强调动手实践与系统构建能力，适合想进入AI工程领域的学习者。

给零基础到初学者的 Agent 学习路径：七个阶段、每阶段一份课程与项目清单、一个「验收标志」，外加两条可选路径。总耗时 4–6 个月。文中所有 star 数于 2026-08-24 经 GitHub API 实时核实；遇到不懂的术语，文末附术语速查。

一、为什么是现在，为什么是你

大模型本身只会生成 token：它不会自己打开浏览器，不会调用 API，也不记得昨天的对话。让它端到端干完一件复杂任务的，是围绕模型搭起来的 Agent 系统：Agent = LLM + 工具 + 循环 + 记忆。动手这件事，得靠外面这套系统。

2026 年，Agent 明显在从概念走向工程化，有三个信号：

协议标准化。MCP（Model Context Protocol）已成为 Agent 连接外部工具的事实标准，主流模型、IDE 与框架全部接入；Agent Skills 成为 2026 年最流行的可复用能力封装方式，"给 Agent 写手册"这件事第一次有了统一格式。

Harness 爆发。让 Agent 自主干活的"驾驭系统"成为主战场：Cursor、Claude Code 已是程序员日常，DeepSeek 官方 deepseek-harness 上线 11 天拿下 19 万 star。

岗位变化。企业对 AI 工程师的要求正在从"会调 API"转向"能建系统"。状态管理、工具编排、记忆系统、错误恢复，这些工程能力比模型本身稀缺得多。

最省心的一点：这条路不需要你会训练模型。模型层的军备竞赛是少数实验室的事，Agent 层只要会写代码就能做。下面是我们在整理了大量课程与项目之后给出的路线图。

图片

二、学习的三个陷阱

想学和学得会之间，隔着三个坑。这三个坑不怪学习者，怪这个领域迭代太快。整理课程清单的时候，我们在这几个坑里都栽过：

陷阱一：选择瘫痪。课程、框架、Harness 日更，star 数一个比一个高。收藏了几十个仓库、每个都看了一页、最后一个都没学完，这是这一行最常见的学习方式。star 数代表流行度，不代表适合你当前阶段。一个 200K star 的 Harness 对刚入门的你，价值还不如一本 33K star 的中文入门教程。

陷阱二：demo 层天花板。大多数教程教你到"调 API 输出一句话"为止。但从 demo 到生产，中间隔着四道关：状态管理、记忆系统、错误恢复、上下文工程。教程不会告诉你，这四道关才是 Agent 工程师真正的工作内容，也是面试真正会问的内容。

陷阱三：框架焦虑。今天 LangGraph，明天 crewAI，后天 smolagents。追新而不懂原理，学到的永远是库的用法。换一个框架，之前学的作废大半。

绕开这三个坑的办法，标题已经给了：先跑通，再理解，最后造轮子。下面每个阶段都配一个「验收标志」，达成即前进；没达成，就停下来把这一阶段补完。

三、七阶段路线图

阶段主题周期验收标志
0前置基础1–2 周能写多轮对话 CLI 脚本
1Agent 是什么1 周讲清 Agent 与 Chatbot 的区别
2手搓核心范式2–3 周不靠框架手写 ReAct Agent
3框架实战2–3 周LangGraph 做出带状态可中断恢复的应用
4协议、记忆与上下文2–3 周3 个 MCP 工具 + 跨会话记忆 + 自写 Skill
5案例与多智能体2–4 周独立完成一个完整项目
6Harness 与工程化持续日常开发 30% 由 Harness 完成

这条路径的安排逻辑很简单：每一阶段的目标，都建立在上一步的产出之上。下一步永远是对上一步的自然延伸，不用另起炉灶。

阶段 0：前置基础（1–2 周，可跳过部分）

后面所有阶段都默认"你能跑通一个 LLM API"，所以起点从这里开始：Python 基础（函数、类、async 即可）、一个主流 LLM 的 API 调用（OpenAI 兼容格式通用）、prompt 基础（system/user 消息、temperature 等参数的含义）。

  • 参考：dair-ai/Prompt-Engineering-Guide（77.7K），挑前几章看即可；想补 LLM 原理再看 datawhalechina/happy-llm（33.2K，中文）。

验收标志：写一个能多轮对话的 CLI 聊天脚本。

阶段 1：Agent 是什么（1 周）

能调 API 之后，先别急着选框架。这一周只回答一个问题：Agent 和 Chatbot 到底差在哪。心智模型只有一句话：Agent = LLM + 工具 + 循环。Chatbot 是"一问一答"；Agent 是"自主规划步骤、调用工具、根据结果再决策"的循环。

  • 参考：microsoft/ai-agents-for-beginners 第 1–4 课（概念、框架概览、设计模式、工具调用）；中文入门可选 hello-agents 第 1–3 章。
  • 必读短文：Anthropic《Building Effective Agents》。其中 workflow（预设路径）vs agent（自主决策） 的区分，是全场最重要的一个概念，值得反复读。
  • 深度阅读：12-Factor Agents - 构建可靠 LLM 应用的原则，从云原生十二要素借来的工程质量标尺，越早建立越好。

验收标志：能向别人讲清楚「Agent 与 Chatbot 的区别是什么」。

阶段 2：手搓核心范式（2–3 周，最重要）

心智模型建立之后，下一步是亲手把"循环"实现一遍：用原生 API 手写三个经典范式：ReAct（推理-行动循环）、Plan-and-Solve（先规划后执行）、Reflection（自我反思迭代）。

这一步是整条路线图里最关键的一步：它决定了你以后是"库的使用者"还是"系统的构建者"。很多人想跳过它直接上框架，我的建议是别。手写过一次 ReAct，你才知道 LangGraph 的节点和边在替你做什么；没手写过，框架永远是个黑盒。面试能讲原理、看得懂框架源码、有能力自研系统，都从这一步开始。

  • 参考：hello-agents 第 4–7 章，专门带你把三个范式用原生 API 写一遍，并自研一个迷你框架 HelloAgents。
  • 深度阅读：Cursor IDE ReAct Agent 技术架构深度分析，手搓完再看：同一范式在真实产品 Cursor 中的工程实现（分层架构、工具调用、上下文管理与性能优化）。

验收标志：不依赖任何框架，手写出一个能查天气 + 算数 + 失败重试的 ReAct Agent。

阶段 3：框架实战（2–3 周）

手搓过裸循环之后，框架的价值才真正显形：它替你解决状态、记忆、并行、错误恢复，而这些正是你上一阶段头疼过的问题。带着问题学框架，比一上来就学框架快得多，也扎实得多。

选型建议是"先精通一个，再触类旁通"：快速出 demo 用 crewAI（角色扮演，最易上手）或 smolagents（代码极简）；企业级主攻 LangGraph（有状态图，生态最全，市场岗位需求最大）；对照理解 openai-agents-python（handoff 模式）与 google/adk-python。

  • 参考：huggingface/agents-course，一门口课横跨 smolagents/LlamaIndex/LangGraph，有结业证书；NirDiamant/GenAI_Agents（24.0K），45+ 个可运行 Notebook 跟练。
  • 深度阅读：All Agentic Architectures 深入详解，17 种可运行架构全景，从 Reflection 到 Tree of Thoughts，选型对照表。

验收标志：用 LangGraph 做出一个带状态、能中断恢复的多轮 Agent 应用。

阶段 4：协议、记忆与上下文工程（2–3 周）

能跑的单体 Agent 还缺两样东西：“感官"与"记忆”。生产级和 demo 的差距就在这里。生产级需要：标准化的工具接口（MCP）、可复用的能力单元（Agent Skills）、跨会话的记忆系统，以及决定"哪些内容装进上下文窗口"的上下文工程。窗口是 Agent 的工作记忆，也是成本和性能的最大变量。

  • 参考：modelcontextprotocol/servers（89.8K），先跑通一个 MCP server；anthropics/skills（171.2K），读懂 SKILL.md 格式并写一个自己的技能；anthropics/courses（22.7K），Agent Skills 与上下文工程的官方实操课。
  • 深度阅读：深度解析 MCP 与 AI 工具化的未来，协议原理与实战；给 Claude 写本"标准操作手册"：Agent Skills 实战与深度解析，技能定义规范；上下文工程原理，动态组装、压缩与检索。
  • 找灵感：awesome-skills，优秀 Agent Skill 实例合集。

验收标志：给你的 Agent 接上 3 个 MCP 工具 + 跨会话记忆，再写一个自己的 Agent Skill。

阶段 5：案例与多智能体项目（2–4 周）

单 Agent 的全栈能力齐了之后，下一步是把它用起来：用完整项目建立产品感。这个阶段练的是判断力：把需求翻译成 Agent 系统，哪些环节让 Agent 自主，哪些必须预设路径。

  • 找灵感：Shubhamsaboo/awesome-llm-apps（133.7K）；行业案例：ashishpatel26/500-AI-Agents-Projects（36.9K）；多智能体理论：geekan/MetaGPT（70.0K）与 camel-ai/camel（17.6K）。
  • 深度阅读：数据智能体：是重塑生产力的"自动驾驶"，还是换壳的平庸炒作？，Data Agent 是当下最容易变现的方向之一，能力分级与炒作风险都讲透了。

验收标志：复刻或自创一个完整项目（智能客服、Data Agent、Deep Research 三选一）。

阶段 6：Harness 与工程化（持续）

会造 Agent 之后，最后一课是 Harness Engineering（驾驭工程）：让 Agent 在真实环境中自主干活，并把它变成可维护的工程系统。本质上就是像管员工一样管 Agent：给工具、定边界、加监督、留容错。这一层正在成为软件工程的新范式。

按从易到难的顺序走：先用 Aider-AI/aider（48.4K）当用户，体验终端结对编程；再上手 deepseek-ai/deepseek-harness（190.0K），DeepSeek 官方 Harness，「一切皆插件」架构，npx @deepseek-ai/dsh web 一条命令跑起 Web UI（开发者预览，更新快）；进阶看 cline/cline（66.7K）与 All-Hands-AI/OpenHands（84.9K），浏览器 + 终端 + 编辑器全驾驭的通用 Harness 标本，值得读源码；编排层看 microsoft/agent-framework（13.1K，生产级编排框架）。

  • 深度阅读：驾驭工程：为什么你的 AI 编程助手总在失控？，如何构建驾驭系统的深度解析，本阶段必读；Agent First：软件工程的下一个范式转移，范式认知。

验收标志：日常开发由 Harness 类工具完成 30% 以上，且能说清它们的设计取舍。

四、两条路径与路线图边界

七阶段不一定要按顺序走，按你的处境选：

课程派（稳扎稳打）实战派（以用带学）
主线阶段 0 → 6 顺序推进阶段 0 → 1 → 3 → 5 先出成果，再回头补 2、4
适合学生、转行者、想打牢底子在职工程师、急着落地
时间4–6 个月2–3 个月见效，原理后补

这条路线图没覆盖的事，也写清楚：

  1. 1. 不覆盖的领域：多模态 Agent、Agent 评测与 benchmark、模型微调与强化学习，这些是"下一个层次"的课题。本路线图聚焦一件事：用工程能力把现有模型变成系统。

  2. 2. star 数的时效性：文中所有 star 数于 2026-08-24 核实，而生态半年一换。star 数会过时，验收标志不会。"学完"比"追新"重要，不必逐条打卡。

  3. 3. 深度 vs 广度：阶段 3 的选型建议是"先精通一个"，不是"都学一遍"。框架会换，范式不换。把范式吃透，剩下的只是换语法。

五、结语

最后说句实在的：Agent 的门槛不在模型，在系统。模型的能力是模型厂商给的，把模型变成系统的能力是你自己的。七阶段走完，你手里会有一个能自己干活的系统。这种东西，2026 年的招聘市场正缺。

最后

2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！

金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。

现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。

在这里插入图片描述

风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？

今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型系统化完整学习路线

在这里插入图片描述

2、大模型经典书籍&文档

在这里插入图片描述

3、AI 大模型最新行业研究报告

在这里插入图片描述

4、企业级实战项目 + 完整配套源码

img

5、大厂大模型面试真题汇总

img

6、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。
在这里插入图片描述
在这里插入图片描述

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】

在这里插入图片描述

标签
#学习 #人工智能 #大模型 #大模型学习 #ai
#java #程序员
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。
SAP Retail 补货里的 Requirement Groups，站点和商品太多时，主数据维护如何做减法 SAP Retail补货主数据设计中，Requirement Groups（需求组）是常被低估但至关重要的分类机制。它通过将具有相同补货需求的接收方（如门店）按商品分类（Merchandise Category）分组，大幅降低主数据维护量。在大型零售场景中（如800家门店、6万商品），直接维护每个门店和商品的组合参数会导致维护量失控。Requirement Groups允许企业按品类特性（如乳制品、饮料等）为不同门店组设置统一补货参数，并随业务变化灵活调整。该机制与商品分类紧密绑定，不同于MRP Group 阅读详情

相关推荐

PicoRV32 笔记 05

PicoRV32 本地总线接口

jjinl的专栏 1574

零基础入门大模型Agent：7阶段学习路径+收藏必备项目清单，小白也能轻松掌握！

大模型本身只会生成 token：它不会自己打开浏览器，不会调用 API，也不记得昨天的对话。让它端到端干完一件复杂任务的，是围绕模型搭起来的 Agent 系统：Agent = LLM + 工具 + 循环 + 记忆。动手这件事，得靠外面这套系统。2026 年，Agent 明显在从概念走向工程化，有三个信号：协议标准化。MCP（Model Context Protocol）已成为 Agent 连接外部工具的事实标准，主流模型、IDE 与框架全部接入；

优快云_224022的博客 375

Apifox CLI + Claude Skills：将接口自动化测试融入ai

基于 Apifox CLI、Claude Code以及Claude Skills组合，实现自然语言触发接口自动化测试。

wwz_0012的博客 598

零基础入门大模型Agent：7阶段学习路径+TaoToken实操清单，小白也能轻松掌握并收藏！

零基础入门大模型Agent，从手写ReAct循环到LangGraph框架的7阶段学习路径。先跑通chat_cli.py再手搓Agent，配TaoToken统一Key与API通道，附401、local proxy failed等报错排查清单。官网：https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35752233的博客 53

【Cadence】Virtuoso@LayoutXL 差分电路版图镜像同步技巧详解

本文详细介绍了在Cadence Virtuoso LayoutXL中实现差分电路版图镜像同步的技巧，包括核心需求、环境配置、分步操作指南及高级技巧。通过使用LayoutXL的Group功能，工程师可以高效保持差分电路的对称性，提升版图迭代效率，确保高速信号处理的稳定性。特别适用于深亚微米工艺下的差分放大器设计。

weixin_29215391的博客 323

Proteus仿真实战：ADC0832时序解析与51单片机精准电压采集

本文详细解析了ADC0832模数转换芯片在Proteus仿真环境中的时序控制与51单片机驱动实现。通过实战代码示例和精度优化技巧，帮助开发者掌握电压采集的关键技术，包括时序配置、数据校验和噪声抑制等核心要点，提升嵌入式系统设计的精准度与可靠性。

weixin_29172963的博客 873

收藏！AI Agent入门到拿Offer的完整学习路径图，小白也能轻松掌握！

本文提供了一份详尽的AI Agent学习路径图，从基础准备期到实战深化期，分阶段指导读者学习大模型原理、Prompt工程、向量库、RAG、Agent框架等核心技能，助力零基础者快速掌握AI大模型应用开发，并成功获得Offer。文章强调学习AI大模型的正确顺序，并整理了超全最新的AI大模型应用开发学习清单和资料，帮助读者抓住AI时代的机遇，实现职业跃迁。很多人想转行做 AI Agent，但最大的痛点就是网上资料太杂，学了半天还是不知道学成什么样才能拿 offer。🤯。

weixin_72959097的博客 386

深入解析Flex NOC总线驱动的实时带宽与延迟优化策略

本文深入解析了Flex NOC总线驱动的核心价值与优化策略。通过解读`/proc/noc/real_time`中的实时带宽与延迟数据，并结合`sysfs`接口进行动态QoS调优，可以有效解决芯片内部数据拥堵问题。文章以智能摄像头和算力盒子的实际案例，详细说明了如何通过优先级调整、带宽限制和参数优化，提升系统在复杂任务下的实时性与稳定性。

weixin_29289821的博客 284

大模型新手必看：收藏这份学习清单，轻松入门AI风口！

本文为AI大模型初学者提供了一份完整的学习清单，涵盖大模型基础认知、核心技术模块（RAG、Prompt工程、Agent开发）、开发基础能力、应用场景开发、项目落地流程及面试求职冲刺等六大模块。文章强调实践的重要性，建议新手先利用业余时间学习基础并做小Demo，将数开经验转化为竞争优势。同时，提醒大家不要被高大上的名词PUA，基础技术如ReAct+工具调用也能解决90%的业务场景。抓住AI时代机遇，实现薪资/职业跃迁。✅给想转的数开兄弟姐妹的真心话：别裸辞！

youmaob的博客 828

企业级AI项目落地实战指南

企业级 AI 项目落地需构建“分阶段实施 + 多维度风控”的双轮驱动体系：实施端通过 POC 验证技术可行性、试点建立评估标准、规模化实现价值复制，各阶段需结合行业案例（如东阳光药、旺盈集团）提炼可复用经验；风险端则需覆盖技术（数据安全、模型稳定性）、合规（全球监管动态）、组织（人才与文化）维度，通过工具化框架（AI TRISM）与案例策略（邮储银行可解释性设计、拓斯达培训体系）实现风险可控。最终通过“场景聚焦 - 合规嵌入 - 持续优化”的循环机制，实现 AI 技术从“试点成功”到“全面价值创造”的跨越。

2509_93209761的博客 1437

施耐德 Modicon M580 ePAC 项目实战：从硬件选型到 Control Expert V15 组态

本文详细解析了施耐德 Modicon M580 ePAC 在工业自动化项目中的实战应用，从硬件选型到 Control Expert V15 组态的全流程。重点介绍了水处理站控制系统的硬件配置、网络架构设计、软件安装授权及程序框架开发，帮助工程师高效实施中大型控制系统项目。

weixin_33701617的博客 327

收藏！2026最新 工程师零基础入门AI大模型完整实战路线，小白转行必看

经常有粉丝、同行程序员私信提问：「想转行学AI大模型，完全没有学习方向，网上路线杂乱繁杂，越查越焦虑，根本不知道该从哪里开始？作为一名从前端自主转型、深耕大模型应用开发多年的资深工程师，我完整走完了AI从零到一的全部学习旅程。2026年AI行业全面爆发，大模型、AI Agent、RAG智能应用已经成为程序员必备加分技能。今天毫无保留分享我的真实自学经历、全网踩坑血泪经验、可直接照搬的干货学习方法，欢迎行业大佬交流指正，更适合零基础小白和传统程序员参考入门。

youmaob的博客 818

结构优化软件：OptiStruct_（11）.拓扑优化

在OptiStruct中，设计空间可以通过定义设计区域来实现。设计区域是结构中可以进行材料变化的部分。几何区域：通过几何选择工具选择特定的区域。网格区域：通过网格选择工具选择特定的单元。假设我们有一个简单的梁结构模型，网格文件为beam.fem。我们希望在梁的中部进行拓扑优化，以减轻重量并保持刚度。

kkchenjj的博客 1368

收藏！程序员/小白必看：YouTube最优AI Agent学习渠道，附完整大模型学习路线

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。

大模型研究中心 1251

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

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")

小白程序员必看：轻松入门Skill，玩转AI大模型，速收藏！

Skill的意思就是“技能”，供AI使用的技能，加上s就是很多技能的集合。这是由Claude最先推出的，现在市面上流传的Skill也是根据它的规则来创建的。传统和AI大模型的对话，简单画出来就是这样的：当用户需要让大模型生成一些内容，完成一些指定的任务的时候，为了得到精准的结果，可能描述语就会变得非常非常长……用详细的描述语，可以精准控制AI输出内容，但缺点是非常消耗Tokens；特别是一些重复性的工作，每次都发送一大段描述语，非常浪费资源。这个时候，Skill就派上用场了！

xxue345678的博客 1203

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【收藏】2026 年 AI 大模型入门全路线！零基础 / 程序员专属学习指南

本篇为AI 大模型学习攻略，专门面向零基础小白、在职程序员打造。完整梳理从入门基础、理论体系到项目实战、高阶进阶的全流程学习路径，结合当下行业趋势与岗位需求，搭配最新学习清单、免费干货资源，帮你少走弯路，快速吃透大模型技术，抓住 AI 职业红利，实现技能升级与顺利转岗。当下 2026 年大模型技术持续迭代，多模态、AI Agent、私有化部署等方向全面落地，各行各业都在加速 AI 化转型，大模型相关岗位也成为职场高薪热门。

ytt0523_com的博客 879

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

前端转大模型Agent开发，小白也能轻松入门并斩获大厂Offer，内含避坑指南和收藏必备学习清单！

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

2601_95350412的博客 334

28天极限上岸4个50k+AI大模型Offer！收藏这份学习清单，小白也能轻松入门！

本文分享了作者28天内推152家公司、狂面33场，最终拿下4个50k+AI大模型应用开发Offer的求职经历，并推出完整学习清单。文章强调AI大模型是2026年风口，建议有后端基础的朋友转岗，或了解大模型、RAG、Prompt、Agent等概念以提升求职竞争力。提供6大学习模块：大模型基础认知、核心技术模块、开发基础能力、应用场景开发、项目落地流程、面试求职冲刺，帮助读者快速入门并抓住AI机遇。28 天极限求职上岸啦！！

qq_46094651的博客 420

2026年AI学习指南：3个方向+3条路径+工具清单，小白也能轻松入门并收藏！

AI学习这件事本身，正在被重新定义。它不再是一本厚厚的教科书，不再是密密麻麻的数学公式。它是一套你可以按需取用的工具、一条你可以随时上路的路、一个你可以随时开始的起点。30小时入门，137小时精通——这个时间成本，比你想象的低得多。2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。

m0_48891301的博客 244

AI大模型学习路径图：小白转行必备，收藏这份保姆级指南轻松拿Offer！

本文提供了一份完整的AI大模型学习路径图，帮助零基础者入门并逐步掌握相关技能，直至能够胜任AI Agent开发工程师的职位。文章详细规划了从基础准备期到实战深化期的四个学习阶段，并补充了六个核心学习模块，旨在帮助学习者少走弯路，快速掌握大模型应用开发的核心技术，抓住AI时代的职业机遇。很多人想转行做 AI Agent，但最大的痛点就是网上资料太杂，学了半天还是不知道学成什么样才能拿 offer。🤯。

kaka0722ww的博客 662

想转行AI大模型？小白必看！收藏这份学习清单，助你轻松入门，开启高薪职业新可能！

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。

python12345_的博客 384

从零学习大模型：我的私人学习清单，从入门到精通，省下90%摸索时间，赶紧收藏！！

自学大模型如何突破“从入门到精通”？必看这六本书籍！！涵盖了数学基础、PyTorch实战、多模态应用，更有GPT/LLM核心解析！无论你是小白还是开发者，跟着硬核书单走，轻松攻克大模型！

python123456_的博客 797

收藏！P7面试不慌｜2026大模型Agent入门，程序员转岗/加分必看

很多程序员担心P7面试被面试官追问到哑口无言，核心原因只有一个——手里没有拿得出手的硬货。但只要你吃透GraphRAP策略，亲手写过Agent规划模式，能清晰拆解大模型幻觉的解决方案，还能聊透自动化评测的核心逻辑，你就不再是求职者，而是面试官眼中的行业专家。Agent领域太新了，2026年正是它从Demo演示走向大规模生产落地的关键元年，甚至很多面试官自身也在摸索学习，并没有绝对的“标准答案”。

weixin_59191169的博客 470

【建议收藏】大模型与智能体：从概念解析到场景落地，零基础也能轻松入门的AI科普指南

【建议收藏】大模型与智能体：从概念解析到场景落地，零基础也能轻松入门的AI科普指南

python12345_的博客 1159

收藏！小白程序员轻松入门大模型，这份学习清单超实用！

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

2501_90571288的博客 350

2026 年 AI 大模型入门全路线！零基础 / 程序员专属学习指南

本篇为AI 大模型学习攻略，专门面向零基础小白、在职程序员打造。完整梳理从入门基础、理论体系到项目实战、高阶进阶的全流程学习路径，结合当下行业趋势与岗位需求，搭配最新学习清单、免费干货资源，帮你少走弯路，快速吃透大模型技术，抓住 AI 职业红利，实现技能升级与顺利转岗。当下 2026 年大模型技术持续迭代，多模态、AI Agent、私有化部署等方向全面落地，各行各业都在加速 AI 化转型，大模型相关岗位也成为职场高薪热门。

ytt0523_com的博客 338
上一篇： 前端工程师的AI Agent转型之路：从Langchain.js到落地实战（收藏版）
下一篇： 大模型时代来临！小白程序员必看：如何抓住头部大厂校招机遇，轻松收藏这份超全攻略？
点赞 5
评论 0
书签 书签 5
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