智能体应用场景的探索——从人的角度理解智能体应用

“ 智能体就是一个会使用工具的人，而大模型就是一个“人”。”

在之前关于智能体的理解就是一个能使用工具的大模型，然后通过Function call的方式给模型配置工具就是一个智能体的了；但等到你真的问我智能体能干什么有哪些应用场景，已经具体应该怎么做。

这时我就傻眼了，虽然看着网上的一些教程，也用智能体开发了一两个小功能；比如说查询当前的天气情况；但等到在真正的在企业应用中，怎么用智能体去解决业务问题，怎么设计落地方案就只能笑笑不说话。

甚至很多时候的想法都很天真，比如说刚开始认为用智能体做数据分析，就是把所有的数据全部丢给大模型，然后让模型自己去分析。

后来才明白这种想法是多么的可笑，这时也发现自己对智能体的认识太过于浅显。

智能体与人

虽然说刚开始对智能体的认知很浅显，甚至有些可笑；但随着在业务场景中使用智能体，这时才明白智能体到底是什么。

其实，很多人说到人工智能和大模型，都被其高大上的名字给骗了；然后学习大模型的时候，网络上大部分也都是教你机器学习，神经网络，正向传播，反向传播等等；最后对大部分人来说，结果就是一叶障目不见泰山。

所以，学习技术最好的方式是从应用开始，你知道这项技术能干嘛，解决了什么问题，然后你就能真正理解这项技术。

所以，经过一段时间的应用之后才发现，大模型特别像一个人，而智能体就是一个特别擅长某个领域的人。

为什么说大模型像一个人？

先思考个问题，在智能体出现之前我们怎么处理工作中的业务问题？是不是都是由人来做；那智能体出现之后呢？是不是开始尝试让智能体替代我们人类去解决这些问题。

而不管是人也好，智能体也罢，这些问题并不会因为是人做或者是智能体做，就导致这个问题的性质变了。

而且，对大模型来说，我们使用大模型的感受是什么？

是不是觉得大模型就是一个全能型人才，它能够写文章，回答问题，做设计，会编程；而大模型最缺的一点又是什么？

大模型最缺的一点就是它没有物理实体，无法使用工具。

而人与动物最大的区别是什么？制造和使用工具。

因此，虽然大模型没有实体，但通过编程的方式可以让大模型通过网络来操作现实世界的东西，而这就大大扩展了大模型的能力范围。

所以，从这个角度来理解，如果让大模型做数据分析应该怎么做？

肯定是像人类一样，先了解需求，然后分析问题，之后根据数据结构写SQL或分析代码来进行数据分析；而不是说，直接把所有数据都丢给大模型，然后让它自己去分析。

而且，把大模型当做人的角色之后，你再去探索大模型的应用场景是不是就发现简单多了？

虽然说大模型的能力有限，很多事情做得不好，甚至是错的；但人何尝不是，同样会犯很多错误。

因此，只需要把人带入大模型的角色，或者把大模型带入人的角色；这时再遇到业务问题不知道该怎么解决，就可以把大模型带入自己的角色去解决问题。

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。

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】