RAG与Agentic RAG：谁才是AI检索生成的未来？_agentic-rag与rag的关系-优快云博客

本文链接：https://blog.youkuaiyun.com/pythonhy/article/details/148284539

在人工智能的浪潮中，检索增强生成（RAG）和代理式检索增强生成（Agentic RAG）正悄然改变着我们与机器交互的方式。今天，就让我们深入探讨这两者之间的差异，看看谁才是AI检索生成的未来！

一、RAG：AI检索增强的基石

（一）RAG是什么？

RAG，即检索增强生成（Retrieval-Augmented Generation），是一种将生成模型与外部检索机制相结合的人工智能框架。它让AI模型不再局限于静态训练数据，而是能够从知识库或文档中检索相关信息，并将其作为生成答案的额外上下文。这种机制极大地减少了AI的“幻觉”现象——即那些错误但自信十足的回答。通过提供最新的、基于事实的证据，RAG让AI能够保持与时俱进，准确地回答问题。

举个例子，如果你问一个传统的AI模型关于最新新闻的问题，它可能会给出过时或凭空捏造的答案。但RAG模型可以检索到最新的新闻文章，并将其内容整合到回答中，从而给出准确且最新的答案。这就好比给AI模型配备了一双“眼睛”，让它能够看到最新的信息，而不是仅仅依赖于它在训练时学到的知识。

（二）RAG的工作原理

RAG系统主要由两个部分组成：检索器（Retriever）和生成器（Generator）。检索器通常是一个信息检索模块，比如一个嵌入模型搭配向量数据库，而生成器则是一个大型语言模型。当用户提出一个问题时，检索器会将问题编码（例如转换为向量），然后在知识库中搜索相关的文档或段落。它会返回一组最相似或最相关的信息片段。这些检索到的结果，连同原始问题，一起作为上下文传递给生成模型，生成模型再基于这些信息生成最终的答案。

这种机制让AI模型能够回答那些它原本不知道的问题。比如，一个企业内部的RAG聊天机器人可以检索公司政策文件或项目文档，为员工提供准确的答案。RAG的应用场景非常广泛，包括问答系统、聊天机器人、企业文档搜索助手，以及特定领域的AI助手等。在企业环境中，RAG驱动的工具尤其有用，它们能够帮助用户快速找到所需信息，无论是政策文件中的某个条款，还是正在进行的项目的最新进展。

二、Agentic RAG：RAG的进化版

（一）Agentic RAG的定义

Agentic RAG是RAG的进化版本，它在RAG的基础上引入了AI“代理”（Agent）。在Agentic RAG中，AI代理模块负责协调检索和生成过程，而不是简单地遵循固定的单次检索-生成流程。换句话说，Agentic RAG将RAG的知识检索能力与AI代理的决策能力相结合。这种混合方法对于复杂的AI任务尤为重要，因为单次检索可能无法满足复杂查询或多步骤问题的需求。

例如，一个传统的RAG系统可能只会在一个向量数据库中查询一次，而Agentic RAG则可以查询多个数据源，进行后续搜索，甚至在推理过程中调用计算器和API等工具。这些代理（通常是具有特殊提示或功能调用能力的大型语言模型）可以执行超出简单查找和文本生成的额外操作，从而弥补了“普通”RAG方法的不足。

（二）Agentic RAG的实现方式

在实践中，Agentic RAG通常意味着让检索阶段本身具备代理能力。AI代理被赋予访问各种工具或数据源的权限，并负责为查询找到相关信息。这些工具可能包括用于私有文档索引的向量搜索引擎、用于通用知识或实时信息的网络搜索API、用于计算的计算器，以及其他内部API（如数据库、电子邮件等）。代理会根据其推理能力决定如何使用这些资源，而不是盲目检索。

例如，当收到一个复杂用户查询时，代理会制定策略：它会决定是否需要外部信息，选择最合适的资源或工具（例如“我是在向量数据库中搜索，还是进行网络搜索？”），制定搜索查询或API调用，并评估检索到的结果，以确定这些结果是否足以回答查询，或者是否需要进一步检索。这个迭代循环会一直持续，直到代理认为它已经收集到足够的信息，然后将收集到的上下文传递给生成模型（或者代理本身可以使用大型语言模型生成答案）。

（三）Agentic RAG的优势

Agentic RAG的核心优势在于其灵活性和自主性。它不仅能够从多个数据源检索信息，还能通过推理和规划来处理复杂的任务。例如，一个用户可能问：“项目X的最新进展是什么？请给我发送一封电子邮件摘要。”传统的RAG系统可能会检索一些项目文档并草拟回答，但Agentic RAG系统可以进一步分解任务：首先使用内部搜索工具查找项目X的最新更新，然后使用电子邮件API草拟并发送摘要。这种代理能力意味着系统不仅仅局限于检索文本，它还可以采取行动并做出决策，利用大型语言模型的推理能力。

Agentic RAG克服了传统RAG的两大主要限制：一是它不再局限于单一知识源，可以聚合来自多个地方或服务的信息；二是它不再是单次操作，它可以分步骤推理，验证信息，并在需要时调整方法。这使得Agentic RAG能够更智能地回答查询，而不是被固定在单一的检索/生成模式中。

三、RAG与Agentic RAG的关键差异

（一）架构与协调

传统RAG系统采用顺序管道结构：查询先传递给检索器，然后直接传递给生成器。相比之下，Agentic RAG系统围绕一个代理核心组织，该代理负责协调这些步骤。代理实际上位于管道的中间，决定如何路由查询和数据。这意味着Agentic RAG通常涉及反馈循环或迭代过程，而不是单次通过。此外，Agentic RAG支持多代理架构：你可以有一个路由代理，将复杂任务分配给多个专门的检索代理，每个代理负责不同的领域（一个代理负责内部文档，一个代理负责网络数据等），然后由一个协调（主）代理汇总发现结果。而传统的RAG则没有这种复杂性，它通常是单次操作，没有代理之间的通信。

（二）知识源与工具使用

在普通RAG中，系统通常依赖于一个主要的知识源，例如一个单一的向量数据库或文档索引。所有查询都从这个源中回答（如果所需信息不在其中，这可能是一个限制）。而Agentic RAG则可以无缝地从多个来源和工具中获取信息。代理可以在同一会话中从向量数据库中检索，调用网络搜索，查询SQL数据库，或者使用其他API。这极大地扩展了模型可以依赖的知识库。例如，如果一个问题需要同时使用专有数据和最新新闻，传统的RAG管道可能会陷入困境（它只能搜索索引中提供的内容），而Agentic RAG管道则可以从内部数据库中检索，并同时进行外部查找。简而言之，RAG的访问范围较窄，而Agentic RAG则具有广泛且整合的信息访问能力。

（三）推理与检索过程

传统的RAG检索是一次性的——它每次查询只检索一次上下文，没有进一步的反馈机制。没有内置机制来检查检索到的信息是否足够或正确；大型语言模型只是使用检索到的内容，如果检索到的信息不相关或质量低下，答案可能会受到影响。而Agentic RAG引入了迭代推理和验证。代理使用大型语言模型的推理能力（通常通过链式思考提示或功能调用）来分析查询和结果。它可以做很多事情，比如自问后续问题，重新制定搜索查询，或者双重检查模糊的答案。关键在于，代理可以在使用之前验证和验证检索到的信息。如果第一次检索尝试没有完全回答问题，代理可以决定再次搜索或使用不同的工具。这意味着Agentic RAG可以处理更复杂的多跳查询，这些查询需要组合信息片段或在多个上下文块上进行推理。传统的RAG缺乏这种自适应循环——它要么一次性得到答案，要么就得不到。

（四）适应性

由于上述差异，Agentic RAG的适应性远远超过传统的RAG。传统的RAG系统在其配置的任务和数据集上表现良好（例如，针对文档网站的问答），但如果查询稍微偏离模式或需要不同的方法，它就没有灵活性。相比之下，Agentic RAG体现了“计划和执行”的范式——它可以即时调整策略以应对新的或不断发展的查询。代理的包含记忆和规划能力意味着系统可以在没有明确重新编程的情况下适应上下文变化或不可预见的情况。换句话说，Agentic RAG从静态查找思维模式转变为自适应问题解决思维模式。它不受开发人员预期场景的限制；代理可以利用其一般推理能力来处理新的问题类型或数据源，使系统在需求增长时更加稳健。正如一些资料所描述的那样，这是一种从静态、基于规则的行为向自适应、智能框架的转变，该框架可以实时优化查询过程。

（五）效率与性能

在性能方面，RAG和Agentic RAG也存在实际差异。传统的RAG相对轻量级：每次用户查询只需要一次检索和一次生成。这通常使其在简单任务中快速且成本效益高。而Agentic RAG可能涉及多个检索步骤、工具调用，甚至多个代理之间的交互。这种额外的复杂性可能会引入延迟——每次额外的大型语言模型思考或工具使用都需要时间——并且会增加计算成本，因为大型语言模型可能需要为单个用户查询多次调用（例如，进行推理和工具交互）。在简单RAG足够的情况下（例如，直接的事实查找），代理方法可能会显得多余且更慢。然而，对于复杂的查询，Agentic RAG的额外步骤以牺牲一些效率为代价，换来了更高的准确性。在结果质量方面，Agentic RAG在复杂问题上通常具有优势，因为它能够交叉检查和细化。它通过将查询路由到正确的来源并确认信息，生成更可靠和经过验证的答案。但这也带来了更复杂的管道。简而言之，RAG就像是一次快速的单跳到答案，而Agentic RAG则是一次深思熟虑的旅程，虽然可能需要更长时间，但能够应对更具挑战性的请求。选择哪种方法通常取决于任务需求——简单性和速度（RAG）与灵活性和彻底性（Agentic RAG）之间的权衡。

四、应用场景与应用

（一）RAG的应用

RAG在构建能够与用户使用自然语言交互并提供信息性答案的智能问答聊天机器人和搜索助手方面得到了广泛应用。例如，许多企业部署了基于RAG的内部聊天机器人，通过从公司维基、政策文档或常见问题解答中检索信息来回答员工的问题。这减少了人工支持团队的负担，通过将相关文档文本作为答案的一部分即时呈现出来。同样，面向客户的聊天机器人使用RAG从产品手册或知识库中提取答案，为用户提供准确的支持信息。RAG还为增强型搜索引擎提供动力：与其仅仅匹配关键词结果，RAG搜索助手可以理解自然语言查询，检索出精确的段落或片段来回答查询，然后选择性地进行总结。微软的Bing Chat和类似工具就使用了RAG的形式，提供带有参考文献的最新答案。总的来说，RAG提高了信息的可访问性——用户可以询问具体的细节（例如“我们政策的第5条关于远程工作是怎么说的？”），系统将检索并呈现相关的内容。在法律、金融或IT支持等领域，这一应用具有重大影响，因为这些领域的资料庞大且动态变化。

RAG在内容创作和报告生成方面也有应用，尤其是在事实准确性至关重要的情况下。例如，考虑一个帮助撰写商业报告的AI写作助手。使用RAG，助手可以从可信数据库中检索最新的统计数据、数字或研究成果，并将其整合到文本中。这使得生成的内容基于证据，结合了大型语言模型的生成流畅性和真实数据。RAG在从互动对话到复杂内容创作工具的任务中使语言模型更加多才多艺。一个具体的用例是总结：为了总结一份冗长的财务报告，RAG系统可能会从报告中检索关键部分或数据点，并将其提供给大型语言模型，确保总结涵盖重要事实。在学术或科学写作中，基于RAG的系统可以实时从论文或文章中提取参考文献，允许研究人员以对话方式查询文献。本质上，在任何需要基于事实的生成场景中——无论是起草包含最新项目更新的电子邮件、生成包含当前数字的市场分析，还是翻译带有准确术语的技术文档——RAG都提供了一个框架，使输出与源材料保持一致。开发人员还将RAG与实时信息源（新闻、社交媒体）集成，以生成当前事件的总结，使生成模型无需重新训练即可保持相关性。

（二）Agentic RAG的应用

Agentic RAG在需要多步骤操作或决策的场景中大放异彩，实际上它充当了一个自主助手。一个典型的例子是企业工作流程自动化机器人。想象一下，一个员工可以向内部人力资源助手询问培训计划：“我是否需要参加培训X，如果是，能否为我报名？”传统的RAG机器人可以检索有关所需培训的政策并告诉员工政策内容。而Agentic RAG系统可以走得更远：它可以检查员工的角色和培训历史（通过数据库查询），确定是否需要培训，然后与培训报名系统交互，为员工实际报名参加下一次课程。所有这些步骤——数据查找、决策逻辑和行动（工具使用）——都由代理在响应单个用户请求时协调。这种基于检索上下文采取行动的能力使Agentic RAG成为AI驱动自动化的强大方法。它就像一个虚拟的行政助理：用户用自然语言提问，而幕后代理调用API并更新系统以满足请求，而不仅仅是给出答案。

Agentic RAG也适用于查询复杂或需要综合多样化信息的领域。例如，在客户服务中，一个代理系统可以处理涉及检查多个系统的支持查询。假设一个客户询问：“我从未收到我的订单发货，你能帮忙吗？”Agentic RAG机器人可以：解析请求，使用物流API检查订单状态，查询内部知识库以获取退款政策，最后组成回复（甚至可能通过另一个API启动退款）——所有这些子任务都自主完成。这也是为什么基于代理的RAG在客户服务用例中越来越受欢迎。另一个新兴应用是研究和决策支持。在这里，AI代理可能会通过分解一个广泛的分析问题来处理：搜索学术数据库、聚合发现结果，甚至可能运行计算，然后生成综合报告。因为代理可以推理需要哪些信息，它可以制定计划（从A源检索，然后从B源检索，比较它们等）。同样，在商业智能中，代理系统可以将内部数据（数据库中的销售数字）与外部数据（网络上的市场趋势）结合起来，回答像“本季度我们应该优先考虑哪种产品？”这样的问题——这是普通RAG单独难以轻松处理的问题。在创意内容生成中，Agentic RAG可以自动化诸如大纲撰写和事实核查等任务：代理可以为文章生成大纲，为每个部分查询特定的事实或引文，然后组装最终内容，本质上充当了熟练的编辑角色。总的来说，Agentic RAG为AI打开了大门，使其不仅能够检索和说出信息，还能为实现目标采取智能行动，这在任何需要整合知识、推理和操作外部系统的应用中都非常有用。

五、优势与挑战

（一）RAG的优势

RAG提供了一种相对简单且成本效益高的方法，可以提高大型语言模型的准确性和相关性。通过将回答基于外部数据，它显著减少了幻觉和事实错误。一个主要优势是，无需对模型进行新数据的重新训练，就可以将特定领域的或最新的知识添加到大型语言模型中——模型学会了使用检索到的上下文，因此组织可以避免在信息发生变化时进行昂贵的微调。这使得RAG非常适合特定领域的应用；系统可以引入当前的权威信息（例如最新的研究或实时统计数据），从而保持答案的相关性和正确性。RAG还提高了用户信任度和合规性：因为答案可以包含对源材料的引用或参考，用户能够了解信息的来源，这在医疗保健或法律等领域非常重要。此外，RAG的架构简单，能够很好地扩展到高查询量——向量搜索的繁重工作是高效的，而大型语言模型每次查询只生成一次，从而控制了成本。总之，RAG通过即时注入知识，增强了生成性AI的准确性和具体性，且开销相对较低。

（二）RAG的挑战

尽管RAG具有诸多优势，但它也存在一些固有限制。首先，它的好坏取决于提供的知识库——如果相关信息不在索引中，系统就无法检索到。传统的RAG管道通常只查询单一的“真实来源”，这限制了它们的范围。对于依赖多个数据源的复杂领域，普通的RAG会陷入困境。另一个挑战是一次性检索方法：系统检索一次上下文，然后不再重新考虑该选择。如果检索到的文档不相关或不完整，大型语言模型可能仍然尝试回答，通常会导致错误。普通RAG中没有内置机制来验证或纠正不良检索。此外，尽管RAG提供了上下文，但大型语言模型可能并没有真正深入理解上下文。它只是有额外的文本可供使用，这有时会导致事实的浅层次整合。因此，RAG系统可能会产生一个技术上来自文档但缺乏深入推理或优先级排序的答案。例如，它们可能会从检索到的文本中倾倒大量内容，而没有真正回答用户意图或优先考虑重要信息。确保检索器返回最相关的片段是一个持续的挑战，尤其是随着文档语料库的增大。最后，构建RAG系统涉及维护更新索引（如果数据频繁变化，这可能是一个DevOps挑战）以及处理令牌限制——长的检索段落可能会达到大型语言模型上下文长度限制，需要仔细的分块或总结策略。简而言之，RAG的简单性是一把双刃剑：它易于实现，但它缺乏灵活性和深入验证，因此在复杂查询或知识库不完整时可能会失败。

（三）Agentic RAG的优势

Agentic RAG的主要优势在于其灵活性和自主性。因为它允许AI代理做出决策，所以代理系统可以利用多个资源，并实时适应查询的需求。这意味着它可以为回答收集更完整的信息——从各种数据库中检索、进行网络研究，甚至在需要时调用计算器或其他工具。结果通常是更准确、更全面的回答，因为代理可以填补空白，探索不同的途径，然后整合发现结果。至关重要的是，代理式管道纳入了一种质量控制形式：代理可以交叉验证信息，并且只使用它认为相关且正确的信息，从而显著提高了最终输出的可靠性。

另一个好处是对新情况的适应性。代理式RAG系统不受预定的“如果-那么”规则的限制；AI代理使用其学到的推理能力来处理它尚未明确遇到的场景。例如，如果被问到一个意想不到的问题，代理可以决定将其分解为子任务，并逐一解决，而不是放弃或给出一个不相关的答案。这使得代理系统在动态环境中更加稳健。此外，Agentic RAG使AI能够执行操作，而不仅仅是提供信息。这开启了自动化能力——系统可以执行任务，如更新记录、发送电子邮件或触发工作流程，作为回答查询的一部分。从开发角度来看，基于代理的模块化设计是可扩展的：可以在不彻底改造整个系统的情况下，为代理的工具箱添加新的工具或数据连接器，随着需求的增长，允许系统在功能上进行扩展。随着它从更多互动中学习，代理系统还可以改进其策略（一些实现会缓存成功的查询计划或使用反馈循环来随着时间的推移进行改进）。所有这些优势使得Agentic RAG成为构建准确、以行动为导向且在面对复杂任务时具有韧性的AI解决方案的强大方法。

（四）Agentic RAG的挑战

Agentic RAG的改进是以增加复杂性为代价的。一个挑战是操作可靠性：由于代理做出许多决策，因此存在更多的故障点。代理可能会选择错误的工具、误解用户意图，或者陷入无法得出答案的动作循环。事实上，如果底层大型语言模型的推理存在缺陷，代理可能根本无法完成任务，因此开发人员必须设计故障安全装置和回退行为来处理这些情况。另一个问题是延迟和效率。代理采取的每一步额外操作（例如进行网络搜索，然后等待，然后再搜索一次）都会增加延迟。对于用户来说，这可能意味着响应速度变慢，尤其是如果多个代理或工具被顺序调用时。复杂的多步骤处理可能会引入明显的延迟。除了延迟，计算成本也会上升——代理式管道可能会多次调用大型语言模型（用于推理和工具交互），这会增加令牌消耗和API成本，与单次通过的RAG相比。在大规模情况下，这可能会变得昂贵，尽管在某些情况下，改进的准确性可能会证明成本是合理的。还有实现难度的问题。构建代理系统更加复杂：它需要对代理的推理进行提示工程，整合各种工具/API，并管理代理在多个回合中的状态和记忆。调试这样的系统可能很困难，因为你需要追溯代理的思考链来理解错误。确保透明度和信任是另一个挑战——当代理采取行动时，组织需要知道它为何这样做。用户可能会问：“为什么AI选择使用A源而不是B源？”或者“我怎么知道它所做的计算是正确的？”因此，纳入日志记录和可解释性（例如显示所采取的步骤）变得重要，以增强信心。最后，数据质量和安全问题在代理系统中被放大了。代理可能有权访问敏感工具或数据，因此任何缺陷都可能导致滥用（想象一个代理由于提示注入攻击而被指示将机密信息通过电子邮件发送到外部）。当代理可以执行操作时，需要严格的护栏和权限。总之，尽管Agentic RAG解锁了令人印象深刻的能力，但它也带来了在维护可靠性、控制成本和确保安全运行方面的挑战——这些都是随着这一范式成熟而正在积极开发的领域。

六、未来展望

Agentic RAG是一个相对较新的发展，但它有望对下一代AI系统产生重大影响。随着大型语言模型的不断改进，并且开始内置对工具使用的支持（例如通过函数调用或插件），实现代理行为的门槛正在降低。我们可以预期，为了应对更复杂的用户需求，更多的AI应用将从简单的RAG转向Agentic RAG。事实上，一些早期采用者已经开始在新兴框架（如LangChain、LlamaIndex等）的帮助下，将普通的RAG管道升级为代理式管道，这些框架提供了构建基于代理的工作流程的现成支持。这一趋势表明，代理能力将成为AI解决方案的标准配置，特别是在企业环境中，动态协调任务的能力是一个改变游戏规则的因素。

专家们认为，Agentic RAG（以及代理式AI总体上）将成为更具自主性AI系统的基石。我们不再拥有只会回答问题的AI，而是拥有能够“做事”并实现目标的AI。正如一位行业领袖所说：“代理架构对于能够执行任务而不仅仅是检索信息的下一代AI应用至关重要。”这意味着未来的AI代理可以处理端到端的流程：例如，不仅仅是告诉你分析报告已经准备好，而是编译数据、生成报告并将其通过电子邮件发送出去——所有这些都完全自主完成。在RAG的背景下，这意味着“检索信息”和“对信息采取行动”之间的界限将变得模糊。我们可能会看到AI助手能够既研究问题，又直接实施解决方案（在适当的情况下），从而提高生产力，并减少人类在常规决策循环中的干预。

从技术角度来看，一些进步和趋势可能会塑造Agentic RAG的演变。其中之一是多模态整合：未来的代理系统将不再局限于文本；代理可以像检索和分析文本一样轻松地检索和分析图像、视频或音频，提供真正全面的答案（例如，作为其过程的一部分，获取图表或扫描音频转录）。另一个趋势是跨语言和跨领域代理——代理式RAG可以检索多种语言的信息，或者实时翻译，极大地扩大了其在全球范围内的适用性。随着自然语言处理技术的改进，代理将对查询和指令有更细致的理解，使其推理更加复杂且类似人类。此外，人们也在推动这些复杂系统具有更好的可解释性和透明度。在未来，Agentic RAG可能能够向用户展示其决策过程的清晰轨迹（例如，“我在这里搜索，然后我使用了这个工具，原因如下”），以建立信任并满足监管或道德要求。

从影响角度来看，Agentic RAG可能会彻底改变许多行业的流程。我们可以设想在医疗保健领域，先进的AI助手可以自主收集患者的病史，与最新的医学文献进行交叉引用，并提出可能的诊断或治疗方案（由人类医生监督最终决策）。在科学和教育领域，代理系统可以帮助研究人员通过自主扫描出版物并运行实验（模拟或信息性实验）来测试假设，从而有效加速研究周期。在商业领域，从客户服务到运营的各个方面都可以通过能够回答问题并实时执行交易和调整的AI代理得到增强。例如，未来的客户支持代理可以端到端处理计费问题：理解投诉，拉取账户信息，检测问题，在计费系统中修复它，并向客户解释解决方案。这种自主性将使人类能够专注于更高层次的监督和创造性任务。当然，实现这一愿景需要谨慎开发，以确保这些代理与人类意图和价值观保持一致。持续反馈循环（代理从结果中学习）和错误纠正保障措施（可能还有其他监视性能的“看门狗”代理）是活跃的研究领域，将与Agentic RAG一起发展。

总之，检索增强生成（RAG）已经通过将AI与真实数据联系起来使其更具实用性，而代理式检索增强生成（Agentic RAG）则有望使AI更具行动力和智能性。它标志着从静态问答向动态问题解决系统的转变。随着我们完善这些技术，我们可能会看到AI不仅为我们提供信息，而且与我们真正协作，为我们工作。Agentic RAG预示着一个未来，AI代理将作为知识渊博的同事——能够研究、决策和行动——最终加速工作流程并开辟AI能够实现的新领域。这是一个令人兴奋的发展轨迹，对于希望利用AI最新进展的AI研究人员和开发人员来说，关注这一领域的发展至关重要。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望