大模型小白进阶指南：轻松掌握AI Agent开发，收藏必备！

大模型小白进阶指南轻松掌握AI Agent开发收藏必备本文深入浅出地介绍了AI Agent的概念、发展及其重要性特别是大模型如何通过Function Calling实现自主任务执行。文章以旅游规划助手为例详细阐述了如何利用大模型、系统提示词和预设函数来构建智能体。此外还探讨了智能体的记忆能力包括短期记忆滑动窗口和长期记忆向量检索的实现方式并通过伪代码展示了记忆管理系统的构建过程。对于希望了解和开发AI Agent的读者来说本文提供了实用的指导和参考。什么是 Agent2025 被成为 AI Agent 元年26 年更是明确为 Agent 大年比如最近爆火的 OpenClaw 就是一个 Agent并且大量各种各样的 Agent 正将像雨后春笋般出现很可能改变我们的工作与生活方式。所以 Agent 这个词出现的频率非常之高但你真要问 Agent 是个撒又没几个人说得清楚。Agent 一词源自拉丁语 agere本义是 “去做、去行动”。从概念上看Agent 就是行动者一个能主动发起动作、感知环境、围绕目标自主行动的实体。放到专业领域AI Agent智能体 就是把这种 “行动者能力” 赋予 AI 系统。它不再是只会被动响应指令、给出答案的大模型而是一个能自主感知、自主决策、自主执行的智能实体。 简单说传统大模型擅长 “回答问题”而 Agent 擅长 “完成任务”。它可以理解你的目标自动拆解步骤、规划路径、调用工具一步步把事情真正做完只不过最近我看见最为经典的图还是这张他其实更清晰的回答了 Agent 是什么并且隐约表述了其发展规律一场 Workflow 的复杂度的迁移泛化能力极强的Workflow或者说Agentic Workflow理解这句话就理解了什么叫让AI自己去干活其实 Agent 不过是模型使用范式其中一种罢了。如何让 AI 做事现在的大模型像 gpt、qwen、deepseek 这些它们学了很多公开知识推理和逻辑能力很强他们的核心执行逻辑是通过我们输入的内容经过计算推理之后输出一个结果给我们。以 DeepSeek 官方 API 调用为例import os from openai import OpenAI client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com) response client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: You are a helpful assistant}, {role: user, content: Hello}, ], streamFalse ) print(response.choices[0].message.content)从这个例子可以看到模型接收的 messages 包含系统提示和用户提问模型最终只输出一段文字content然后就结束了也就是说大模型本身不会执行任何实际操作它只会“告诉你怎么做”而不会“替你去做”。那么如何才能让 AI 真正完成一项任务呢答案是为 AI 提供执行任务所需的能力。如果在没有 AI 的情况下也能完成这件事那说明我们已经具备了相应的工具或函数。接下来我们只需要把这些函数“告诉”AI并引导它在需要时选择合适的函数。下面我们就用开发一个旅游规划助手的智能体来举例。开发 Agent我们将通过开发一个 旅游规划助手 的智能体案例来详细讲解如何让 AI 真正做事设计功能和函数在引入 AI 之前我们首先要确保即使没有 AI用户也能独立完成旅游规划。因此我们需要先设计好旅游助手所需的核心功能并实现对应的函数查询天气 根据目的地获取未来几天的天气预报。查询热门景点 列出目的地的热门景点及其简介、门票等信息。查询酒店 根据目的地和日期推荐附近的酒店及价格。查询公交路线 规划两个地点之间的公共交通路线。在没有 AI 的情况下用户需要自己依次执行这些查询先查天气决定出行时间再查景点筛选感兴趣的地方然后查附近酒店最后查景点与酒店之间的交通路线。用户通过这些工具完全有能力自己规划旅游行程就是过程比较繁琐一点。让 AI 接管规划流程我们希望只需说一句“帮我规划下周去北京的行程”AI 就能自动调用上述函数获取信息并生成完整的旅游计划。那么我们需要做什么关键在于系统提示词。我们需要告诉 AI它的身份和任务。它可以使用哪些工具函数。如何通过结构化的方式例如 JSON告诉我们它想调用哪个工具。以及是否已经收集足够信息。这里随便提个问题为什么需要 JSON 格式呢AI 模型本身输出的是自然语言文本。为了让程序能够理解 AI 的意图并执行相应的函数我们需要 AI 以 结构化的数据格式如 JSON来输出它的决策。这样我们解析 JSON 后就知道该调用哪个函数并传递什么参数。所以用不用 JSON 格式无所谓你非要用 XML 都行只要对模型友好、程序又方便解析就行。系统提示词案例下面是一个为旅游规划助手的系统提示词案例明确要求AI在返回结果的时候使用json 格式json需要包含以下字段action 动作类型可以是call_tool调用工具或respond(直接回答用户)tool 当 action的值为call_tool时指定要调用的工具名称(例如get_weather)parameters 调用工具所需的参数以键值对形式提供。isSufficient 表示当前收集到的信息是否足够完成用户的需求true 表示可直接生成最终回答false 表示还需要继续调用工具。message 当action为respond时输出的自然语言回答。你是一位专业的旅游规划助手。你的目标是根据用户的需求提供详尽、合理的旅游行程建议。 你有以下工具可以使用每个工具都有对应的名称和参数。 get_weather(目的地, 日期) - 查询目的地天气预报。 get_attractions(目的地) - 查询热门景点列表含简介、门票、开放时间。 get_hotels(目的地, 入住日期, 退房日期) - 查询推荐酒店及价格。 get_route(起点, 终点) - 查询公共交通路线。 你必须输出一个 JSON 对象不得包含其他任何文本。JSON 对象应包含以下字段 action: 字符串值为 call_tool 或 respond。 tool: 当 action 为 call_tool 时此处填写要调用的工具名称如 get_weather否则留空。 parameters: 当 action 为 call_tool 时此处填写调用工具所需的参数对象例如 {目的地: 北京, 日期: 2025-03-15}否则为空对象。 isSufficient: 表示当前收集到的信息是否足够完成用户的需求。如果为 true则下一步应直接回答用户如果为 false则还需继续调用工具获取更多信息。 message: 当 action 为 respond 时此处填写你要对用户说的自然语言回答否则留空。 工作流程 1. **你需要理解用户的请求提取关键信息。** 2. **如果需要调用工具获取信息你需要将action的值设置成call_tool同时设置 parameters 的值并将 isSufficient 设为 false。** 3. **当你已经获得足够信息可以回答用户的问题你需要将action设置为respond在 message 中给出完整的旅游规划建议并将 isSufficient 设为 true。**接下来就是 Agent 的本质循环实现了循环调用把用户问题和系统提示词一起发送给 AIAI 经过推理后会按照提示词约定格式输出我们需要在代码中解析json获取参数来处理。action 的值为 “call_tool” 时则根据tool和parameters调用对应的函数获取结果然后将结果作为新的消息加入对话再次请求模型。action 的值为 “respond” 时则将message展示给用户结束对话下面是一个简化的 Python 伪代码示例import json import openai def get_weather(destination, date): return f{destination} {date} 天气晴朗 def get_attractions(destination): return f{destination} 的热门景点有故宫、颐和园... # ... 其他函数 # 系统提示词如上 system_prompt ... messages [ {role: system, content: system_prompt}, {role: user, content: 帮我规划下周去北京的行程} ] client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com) while True: response client.chat.completions.create( modeldeepseek-chat, messagesmessages, streamFalse ) # 解析 JSON try: decision json.loads(response.choices[0].message.content) except: print(模型输出非 JSON错误处理...) break if decision[action] call_tool: tool_name decision[tool] params decision[parameters] # 调用对应工具 if tool_name get_weather: result get_weather(params) elif tool_name get_attractions: result get_attractions(params) # ... 其他工具 # 将工具结果加入对话 messages.append({role: tool, content: result, tool_call_id: tool_name}) # 继续循环 elif decision[action] respond: print(decision[message]) break看到这里一个简单的旅行助手智能体就开发完成啦用户只需一句话它就能自主调用工具完成一次完整的旅行规划。回顾一下我们用了哪些技术其实非常简单大模型 作为核心的推理引擎。系统提示词 在其中定义了工具的功能和使用规则。预先写好的函数 提供实际执行能力。解析 JSON 的代码 将模型的决策转化为函数调用。可以看见这里的核心就是模型 工具。通过提示词告诉模型有哪些工具可用、名称和参数是什么何时应该使用模型便能自主规划并调用工具来完成任务整个过程并不复杂非常简单。将工具的定义和说明全部写在提示词里在工程上并不优雅提示词会变得冗长难以维护。工具一多修改和版本管理会很麻烦。模型的输出格式完全依赖提示词的约束不够稳定。于是在2022年论文《ReAct: Synergizing Reasoning and Acting in Language Models》开始探讨工程实现随后才有各个模型的Function Calling、Tools Calling 方法。GPT的 Function Calling函数调用就是专门为大模型设计的原生工具调用机制可以让我们以结构化的方式向模型注册工具模型则会以标准化的格式返回调用请求省去了我们自己解析 JSON 的繁琐也让工具管理变得清晰高效。所以接下来我们就来详细介绍 Function Calling 看看它如何让智能体的开发更加规范。Function CallingtFunction Calling 最早由 OpenAI 在2023 年 6 月 13 日在其 API 更新中以标准化接口的形式正式引入。OpenAI 发布了新版本的 gpt-3.5-turbo 和 gpt-4 模型并新增了 functions 参数使得开发者可以描述可用的函数模型会智能地决定是否需要调用这些函数并返回符合函数签名的JSON对象。很快其他模型提供商Anthropic Claude 、Google Gemini、Qwen、DeepSeek纷纷跟进使得 Function Calling 成为现代 LLM 的一项标配能力。我们来看一下 deepseek 如何使用 function calling 来实现我们的旅行规划助手代码一下就清爽起来了。定义工具函数需要按照模型API要求的工具格式来定义工具。每个工具包含名称、描述和参数结构json schema。tools [ { type: function, function: { name: get_weather, description: 查询目的地的天气预报, parameters: { type: object, properties: { destination: { type: string, description: 目的地城市名称 }, date: { type: string, description: 查询日期格式为 YYYY-MM-DD如果不指定则返回未来几天的天气 } }, required: [destination] } } }, # 其他函数 也和get_weather 这个方法一样定义 这里我们省略 ]改写系统提示词模型支持tools参数后我们在提示词里面就不需要在详细的描述工具信息了只需要定义AI的角色和任务目标system_prompt 你是一位专业的旅游规划助手。 你的目标是根据用户的需求 调用可用的工具获取信息并整合成一份详尽的旅游行程建议。循环我们需要循环与模型交互如果模型返回需要调用工具程序需要通过模型返回的工具名称和参数去执行工具的代码将工具执行结果添加到提示词中继续请求模型如果模型返回不需要调用工具了表示这是模型的最终回答则输出给用户import openai import json # 初始化客户端DeepSeek API 兼容 OpenAI 格式 client openai.OpenAI( api_keyyour-deepseek-api-key, # 替换为你的 API Key base_urlhttps://api.deepseek.com ) # 工具的具体实现模拟数据 def get_weather(destination, dateNone): # 实际场景中应调用天气 API return f{destination} 的天气晴朗气温15-25℃适合出行。 其他的方法省略... llm OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com ) messages [ {role: system, content: 你是一个天气助手}, {role: user, content: input} ] # 第一步定义的标准格式 while True: result llm.chat.completions.create( messagesmessages, modeldeepseek-chat, streamFalse, toolstools) # 大模型输出的结果 有工具调用说明模型思考后 需要调用工具 if result.choices[0].message.tool_calls: tool_call result.choices[0].message.tool_calls[0] function_name tool_call.function.name function_args tool_call.function.arguments print(tool_call.id,function_name, function_args) messages.append({role: assistant, content: None, tool_calls: [{id: tool_call.id, type: function, function: {name: tool_call.function.name, arguments: tool_call.function.arguments}}]}) # 调用对应的函数 if function_name get_weather: result get_weather(function_args) elif function_name get_attractions: result get_attractions(function_args) elif function_name get_hotels: result get_hotels(function_args) elif function_name get_route: result get_route(function_args) else: result f未知工具: {function_name} messages.append({role: tool, content: result, tool_call_id: tool_call.id}) else: break我们使用 大模型 Function Calling 的方式构建了一个能够自主执行任务的旅行智能体。但是这个智能体还不是很完善它无法记住用户对话历史。当用户完成一次问答后继续提问比如“帮我把早上的景点换成更有深厚历史背景的景点”模型会感到困惑它并不清楚“早上的景点”指的是什么。因为每一次模型请求调用都是独立的模型只会根据当前输入的提示词生成回答而不会主动回顾之前的调用记录。要让模型拥有记住之前的历史记录不能指望模型自己去查找历史而是需要在工程层面手动保存每次对话的交互记录并在下一次调用时将完整的对话历史包括之前的用户问题、模型回复、工具调用结果等一并拼接到提示词中作为上下文提供给模型。只有这样模型才能理解当前问题与过往对话的关联从而给出合理的回答毕竟模型能认识的也就只有提示词。那么如何为智能体添加记忆能力我们将为旅行助手添加对话历史的存储与管理让智能体真正具备持续对话的能力。记忆能力要让智能体真正拥有持续对话的能力关键在于解决它的“记忆”问题所谓记忆指的是模型在当前输入之外仍然能够访问和使用的信息集合。这些信息可能来自历史对话、外部存储或系统内部状态但核心目标只有一个为当前推理提供必要的上下文补充。构建记忆能力我们需要解决三个核心问题记在哪里。存储机制比如使用数据库还是内存。怎么记住。写入策略区分短期记忆与长期记忆。怎么想起。检索机制如何在需要时高效地找到相关信息。针对这些问题目前已经有多种记忆实现方式它们各有侧重适用于不同场景上下文记忆这是最基础的记忆实现方式做法最简单将历史对话按照时间顺序原样拼接到当前的提示词中一起发送给模型。模型通过阅读完整的对话历史来保持语义连贯性。优点实现成本低适合原型验证或短对话场景。缺点受限于模型的Token上限对话越长成本越高无法支持跨会话或长期记忆。本质这是一种短期、一次性的情景记忆。滑动窗口记忆滑动窗口记忆是在上下文记忆基础上的一种约束策略只保留最近固定轮数的对话其余内容直接丢弃。它主要解决的是 Token 成本控制问题而非记忆能力的增强。优点 有效控制提示词长度降低开销。缺点 一旦关键信息被滑出窗口就会永久丢失。适用场景 上下文有效期明确、业务流程较短的对话。本质 可以理解为情景记忆的生命周期管理机制。摘要记忆摘要记忆通过调用模型对历史对话进行压缩将大量情景信息提炼成一段简要描述并在后续对话中使用该摘要替代原始内容。优点 显著降低Token消耗同时保留对话的整体脉络。缺点 摘要过程不可避免会造成信息丢失且质量高度依赖模型的总结能力。适用场景 需要保留“整体脉络”但对精确细节要求不高的场景。本质 将情景记忆转化为低精度的语义记忆。向量记忆向量记忆是一种长期记忆实现方式。将用户对话内容、用户偏好、经验知识向量化后存入向量数据库在用户发起对话时将用户的问题向量化在数据库中查找出语义相似的内容。优点 不受对话长度限制支持跨会话长期记忆能够基于语义匹配相关信息。缺点 检索结果是“语义相似”而非“精确匹配”实现复杂度较高。适用场景 需要长期知识积累和个性化服务的智能体。本质 当前Agent系统中最常见的语义记忆工程实现。以上几种记忆方式并非互斥实际应用中往往组合使用。例如可以用滑动窗口保存短期上下文用向量记忆存储长期用户偏好再结合摘要记忆定期压缩历史。记忆系统的实现考虑难度与阅读伪代码就好为了让智能体具备记忆能力需要设计一个记忆管理系统包含短期记忆和长期记忆两部分。下面给出简化版的伪代码演示如何保存和查询记忆并将查询结果拼接到提示词中短期记忆短期记忆说白了就是记住用户刚说过什么。但咱不能无限记毕竟大模型的上下文窗口就那么大点塞太多不仅贵还容易让模型“眼花缭乱”。所以最常见的做法就是滑动窗口只保留最近 N 轮对话超出的直接丢掉。为什么留最近几轮因为用户刚刚聊的东西大概率还热乎着呢和当前问题最相关。那些陈年旧事交给长期记忆去管。代码实现上Python 自带的 collections.deque 设个最大长度新消息进来自动把老的挤出去省心from collections import deque class ShortTermMemory: def __init__(self, max_messages20): 初始化短期记忆。 :param max_messages: 最多保留的消息条数而非对话轮数。每条消息对应一个 roleuser/assistant/tool。 self.messages deque(maxlenmax_messages) def add(self, message: dict): 添加一条消息到短期记忆。message 格式需符合 OpenAI 消息格式。 self.messages.append(message) def get_all(self) - list: 返回当前短期记忆中所有消息按时间顺序。 return list(self.messages) def clear(self): self.messages.clear()长期记忆长期记忆用于存储需要跨会话保留的信息比如用户的旅行偏好、之前讨论过的目的地、历史规划中的特殊要求等。这些信息不能简单用滑动窗口保留因为时间太久对话次数过多后就被遗弃了。长期记忆的经典实现是“向量检索”将文本转化为向量存入向量数据库当需要回忆时将当前问题也转为向量通过相似度找到最相关的历史内容。为什么用向量检索因为用户的问题每次都不一样如果用关键字检索就必须要内容一样才能检索出来。向量能捕捉语义相似性比关键词匹配更智能。如果想要召回的答案更加可靠可以考虑 使用 问题重写BM25关键字查询最后使用重排等优化手段。下面的代码使用Python中的列表模拟向量数据库存储和查询实际项目应替换为 Chroma、FAISS、Pinecone 等专用工具。embedding_model 可以是 sentence-transformers、OpenAI Embeddings、通义千问的向量模型等。import numpy as np from typing import List, Dict class LongTermMemory: def __init__(self, embedding_model): self.embedding_model embedding_model self.vectors [] # 存储向量 self.texts [] # 存储原始文本 self.metadatas [] # 存储元数据如时间戳、重要性等 def _embed(self, text: str) - np.ndarray: return self.embedding_model.encode(text) def add(self, text: str, metadata: dict None): 将一段文本存入长期记忆。 vector self._embed(text) self.vectors.append(vector) self.texts.append(text) self.metadatas.append(metadata or {}) def query(self, query_text: str, top_k: int 3) - List[str]: 根据查询文本返回最相关的 top_k 条记忆文本。 if not self.vectors: return [] query_vec self._embed(query_text) # 计算余弦相似度 similarities [ np.dot(query_vec, v) / (np.linalg.norm(query_vec) * np.linalg.norm(v)) for v in self.vectors ] top_indices np.argsort(similarities)[-top_k:][::-1] return [self.texts[i] for i in top_indices]记忆管理器整合短期与长期记忆管理器专门用来管理记忆的保存并提供构建最终提示词的方法。它的核心逻辑是从短期记忆拿到最近的对话历史。从长期记忆检索与当前问题相关的背景知识。将长期记忆作为系统提示的一部分短期记忆按顺序排列最后加上当1. 前用户输入形成完整的 messages 列表。class MemoryManager: def __init__(self, embedding_model, short_term_max_messages20, long_term_top_k3): self.short_term ShortTermMemory(max_messagesshort_term_max_messages) self.long_term LongTermMemory(embedding_model) self.long_term_top_k long_term_top_k def add_short_term(self, message: dict): self.short_term.add(message) def add_long_term(self, text: str, metadata: dict None): # 实际应用中可在此处进行重要性过滤 self.long_term.add(text, metadata) def build_messages(self, current_query: str, system_prompt_base: str ) - List[dict]: # 从长期记忆检索 long_memories self.long_term.query(current_query, top_kself.long_term_top_k) # 构建最终的系统提示 if long_memories: memory_context 以下是可能与当前问题相关的历史记忆/n /n.join(f- {mem}for mem in long_memories) system_content f{system_prompt_base}/n/n{memory_context} else: system_content system_prompt_base # 获取短期记忆中的最近消息 short_context self.short_term.get_all() # 将消息组合到一起 messages [{role: system, content: system_content}] messages.extend(short_context) messages.append({role: user, content: current_query}) return messages在对话循环中使用记忆管理器下面将记忆管理器集成到之前的旅行规划助手对话循环中。关键变化是每次用户输入后通过 build_messages() 构造带有记忆的上下文。每次模型回复后将用户消息和助手消息存入短期记忆。在适当的时候如用户明确表达偏好、生成最终规划后将关键信息存入长期记忆。memory MemoryManager(embedding_modelembedding_model) system_base 你是一位专业的旅游规划助手。你可以调用工具获取天气、景点、酒店和路线信息。 tools [...] # 同之前的 Function Calling 工具定义 while True: user_input input(用户) if user_input.lower() in (exit, quit): break # 构建带记忆的消息 messages memory.build_messages(user_input, system_prompt_basesystem_base) # 工具调用循环同之前 while True: response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolstools, tool_choiceauto ) assistant_msg response.choices[0].message messages.append(assistant_msg) if not assistant_msg.tool_calls: final_answer assistant_msg.content break for tool_call in assistant_msg.tool_calls: # 调用工具并追加结果代码略同前 # ... pass # 将本轮交互存入短期记忆 memory.add_short_term({role: user, content: user_input}) memory.add_short_term({role: assistant, content: final_answer}) # 判断是否需要存入长期记忆 # 示例如果用户明确说了偏好就存否则不存。这里简单演示实际可用模型判断。 if我喜欢in user_input or 偏好in user_input: memory.add_long_term(f用户偏好{user_input}, metadata{type: preference}) # 也可以将最终生成的旅游计划存入长期记忆 if规划in user_input and final_answer: memory.add_long_term(f旅游计划{final_answer}, metadata{type: plan}) print(f助手{final_answer})这个伪代码展示了记忆系统的核心架构可以根据实际业务需求选择合适的记忆存储和检索方案。结语今天为追求简单连 MCP、Skills、ReAct 等都省了只留下了最简单的概念怎么样这次足够简单了吧不可能看着吃力了吧没理由不会 Agent了 吧## 最后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借行业风口实现职业翻盘深知技术人入门大模型时容易走弯路我特意整理了一套全网最全最细的大模型零基础学习礼包涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费免费分享给所有想入局AI大模型的朋友扫码免费领取全部内容部分资料展示1、 AI大模型学习路线图2、 全套AI大模型应用开发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、 大模型学习书籍文档4、AI大模型最新行业报告2025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、大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。6、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。扫码免费领取全部内容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CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】