本文系统地介绍了AI智能体的概念、特征、与大模型的区别并详细阐述了智能体的类型、发展阶段、应用场景、架构和开发流程。文章强调智能体是结合模型、工具、感知、记忆和行动的独立系统能够自主完成任务是让大模型从“会说”走向“能做”的关键。通过一个基于DeepSeekLangGraph的实操案例展示了如何构建最小智能体循环帮助读者理解并应用智能体技术。一、什么是 AI 智能体如果说大模型是“大脑”那么智能体就是“能带手脚、能感知世界并自主行动的实体”。根据 IBM 的定义智能体是能够通过工作流设计和工具调用代表用户或系统自主执行任务的程序。英伟达的表述更强调能力智能体是一种先进 AI 系统能够根据目标自主推理、制定计划并执行复杂任务代表了从“简单自动化”到“自主系统”的演进方向。在更学术的定义中百度百科指出智能体就是“能感知环境并自主采取行动以实现特定目标的实体”。人工智能之父明斯基早在几十年前就提出过类似的想法他认为某些问题可以通过多个“个体”协作解决这些个体就是智能体。一句话总结智能体就是把模型、工具、感知、记忆和行动结合起来能独立完成目标的系统。二、智能体的五大特征要理解什么是真正的智能体可以从以下几个方面入手自主性Autonomy不需要人类实时干预能自己运行和决策。比如智能客服能自动回答问题而不是每次都要人来点确认。反应性Reactivity能及时对环境的变化做出反应。例如在工厂中传感器发现设备异常智能体能立刻触发报警和调度维修。交互性Socialability能与人类或其他智能体协作。比如供应链上的不同智能体可以协同优化库存和物流。主动性/适应性Proactivity不是被动等待而是能根据环境主动调整策略。比如智能投顾会根据市场行情自动调整投资组合。学习能力通过经验和数据不断改进。一个教育智能体在长期使用中会越来越懂学生的学习习惯。这五个特征基本构成了智能体和普通自动化程序的核心区别。三、智能体 vs 模型 vs 大模型很多人容易把这些名词混淆我们可以这样对照AI人工智能学科领域范围最广。模型Model算法组件用来实现特定功能比如分类模型、图像生成模型。但模型只是“工具”没有自主性。大模型Large Model参数量大、能力通用的模型擅长处理复杂推理和指令但仍然只是“思考机器”。智能体Agent把模型嵌入到一个闭环系统里具备感知、决策、行动和记忆能够真正执行目标任务。一句话总结模型是工具大模型是更强的工具而智能体才是“能用工具办事的工人”。四、智能体的类型智能体并不只有一种形态常见的有反应型智能体Reactive Agents核心特点是即时反应。它们没有复杂的长期规划类似“条件触发 → 即刻响应”。例如家里的智能温控系统根据温度变化自动开关空调。自主型智能体Autonomous Agents更复杂能长期运行并自主决策。比如智能仓储机器人它可以根据仓库状态和任务需求自动规划路线、调度物料。专家型助手在某些领域具备专业知识能完成高价值任务。比如医学影像辅助诊断智能体。团队合作者能够和人类或其他智能体协作分工完成复杂任务。比如在一条工业产线上多个智能体分别负责监测、调度、质检协作完成生产。五、智能体的发展阶段OpenAI 提出了一个五级划分可以帮助我们理解智能体的演进路径第 1 级聊天机器人—— 具备自然语言对话能力。第 2 级实用工具—— 能调用工具完成具体任务。第 3 级专家助手—— 在特定领域表现出专业水平。第 4 级团队合作者—— 能和人类或其他智能体分工协作。第 5 级通用人工智能AGI—— 拥有接近或超越人类的通用智能。今天的大部分应用处在 2–3 级部分探索性应用已经进入 4 级。六、智能体的应用场景智能体的潜力几乎覆盖所有行业这里举几个常见例子工业自动化生产线监控、设备预测性维护、仓储和物流自动化。服务业智能客服、个性化推荐、智能金融风控。医疗影像辅助诊断、远程监护、药物研发加速。教育个性化学习路径、智能教学助手、虚拟教育助理。娱乐与创意游戏 AI、内容创作辅助、虚拟主播。可以看到智能体的核心价值就是自动化与智能化结合解决具体问题。七、智能体的架构一个智能体通常包含以下几个层次感知层输入处理比如文本、语音、图像的预处理。记忆层短期记忆会话上下文和长期记忆知识库、向量数据库。推理层核心大模型 规划器负责拆解任务和制定计划。工具层外部 API、数据库、计算引擎作为智能体的“手脚”。执行层实际触发动作如下单、发邮件、调度任务。编排与监控层调度多个智能体、日志记录、监控与安全。如果多个智能体要协作可以使用 LangGraph、Dify、Coze 等平台做串联与编排。八、智能体的开发流程从 0 到 1 搭建一个智能体大致分为四步创建大模型—— 选择适合的模型明确任务范围。开发工具Tools—— 把外部能力封装成可调用的接口例如数据库查询、API 调用。智能体开发—— 加入感知、记忆、决策逻辑把模型和工具整合在一起。智能体串联可选—— 多个智能体协作实现更复杂的任务流程。最终你得到的是一个可以自主运行的系统不仅能“想”还能“做”。九、实操案例基于 DeepSeek LangGraph 的最小智能体循环在前面章节我们已经讲过智能体循环的理论这里就用一个最小可运行的案例把思路真正落到代码上。我们选择 DeepSeek 模型 来作为大模型的推理引擎并用 LangGraph 来管理智能体的循环逻辑。准备环境首先安装依赖pip install langchain langgraph langchain-openai注意虽然我们用的是 DeepSeek但为了方便可以直接复用langchain-openai的接口格式只要替换 URL 和 Key 即可。配置 DeepSeek 模型DeepSeek 提供了类 OpenAI 的兼容接口因此我们只需要在 LangChain 中通过ChatOpenAI来调用。from langchain_openai import ChatOpenAI # 替换为你自己的 DeepSeek API 地址和 Key deepseek_model ChatOpenAI( modeldeepseek-chat, base_urlhttps://api.deepseek.com/v1, api_keyYOUR_DEEPSEEK_API_KEY )这里deepseek-chat是一个通用对话模型支持指令跟随和推理。定义智能体循环逻辑我们要用 LangGraph 来构建一个最小循环用户输入 → 模型推理 → 判断是否需要继续 → 返回结果。from langgraph.graph import StateGraph, END from typing import TypedDict # 定义状态 class AgentState(TypedDict): input: str output: str # 模型节点 def call_model(state: AgentState): response deepseek_model.invoke(state[input]) return {output: response.content} # 判断是否继续循环 def should_continue(state: AgentState): if 完成 in state[output]: # 简单规则包含“完成”就结束 return END return model # 构建 LangGraph workflow StateGraph(AgentState) workflow.add_node(model, call_model) workflow.set_entry_point(model) workflow.add_edge(model, should_continue) app workflow.compile()运行一个最小智能体循环我们让用户输入一个任务比如“帮我分三步解释如何泡一杯茶”智能体会逐步推理直到输出中包含“完成”为止。state {input: 请一步一步解释如何泡茶并在最后输出完成} final_state app.invoke(state) print(最终输出, final_state[output])输出第一步准备茶叶和开水 第二步将茶叶放入杯中倒入热水 第三步等待冲泡片刻后即可饮用 完成这个案例展示了DeepSeek 模型作为推理引擎LangGraph提供了灵活的图结构帮我们轻松构建一个最小的智能体循环。整体结构非常简洁方便在此基础上扩展比如增加工具调用、记忆管理、多智能体协作等功能。十、总结智能体的本质就是让大模型从“会说”走向“能做”。它把感知、记忆、推理和行动结合起来形成一个完整的闭环系统最终能够真正解决现实中的问题。未来智能体将会越来越多地渗透到各个行业。对企业和开发者来说理解它、善用它已经不再是选择题而是必修课。最后对于正在迷茫择业、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。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习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、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、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】
收藏！小白程序员必看：从0理解AI智能体，让大模型“带手脚”解决实际问题
发布时间：2026/7/6 3:52:42
本文系统地介绍了AI智能体的概念、特征、与大模型的区别并详细阐述了智能体的类型、发展阶段、应用场景、架构和开发流程。文章强调智能体是结合模型、工具、感知、记忆和行动的独立系统能够自主完成任务是让大模型从“会说”走向“能做”的关键。通过一个基于DeepSeekLangGraph的实操案例展示了如何构建最小智能体循环帮助读者理解并应用智能体技术。一、什么是 AI 智能体如果说大模型是“大脑”那么智能体就是“能带手脚、能感知世界并自主行动的实体”。根据 IBM 的定义智能体是能够通过工作流设计和工具调用代表用户或系统自主执行任务的程序。英伟达的表述更强调能力智能体是一种先进 AI 系统能够根据目标自主推理、制定计划并执行复杂任务代表了从“简单自动化”到“自主系统”的演进方向。在更学术的定义中百度百科指出智能体就是“能感知环境并自主采取行动以实现特定目标的实体”。人工智能之父明斯基早在几十年前就提出过类似的想法他认为某些问题可以通过多个“个体”协作解决这些个体就是智能体。一句话总结智能体就是把模型、工具、感知、记忆和行动结合起来能独立完成目标的系统。二、智能体的五大特征要理解什么是真正的智能体可以从以下几个方面入手自主性Autonomy不需要人类实时干预能自己运行和决策。比如智能客服能自动回答问题而不是每次都要人来点确认。反应性Reactivity能及时对环境的变化做出反应。例如在工厂中传感器发现设备异常智能体能立刻触发报警和调度维修。交互性Socialability能与人类或其他智能体协作。比如供应链上的不同智能体可以协同优化库存和物流。主动性/适应性Proactivity不是被动等待而是能根据环境主动调整策略。比如智能投顾会根据市场行情自动调整投资组合。学习能力通过经验和数据不断改进。一个教育智能体在长期使用中会越来越懂学生的学习习惯。这五个特征基本构成了智能体和普通自动化程序的核心区别。三、智能体 vs 模型 vs 大模型很多人容易把这些名词混淆我们可以这样对照AI人工智能学科领域范围最广。模型Model算法组件用来实现特定功能比如分类模型、图像生成模型。但模型只是“工具”没有自主性。大模型Large Model参数量大、能力通用的模型擅长处理复杂推理和指令但仍然只是“思考机器”。智能体Agent把模型嵌入到一个闭环系统里具备感知、决策、行动和记忆能够真正执行目标任务。一句话总结模型是工具大模型是更强的工具而智能体才是“能用工具办事的工人”。四、智能体的类型智能体并不只有一种形态常见的有反应型智能体Reactive Agents核心特点是即时反应。它们没有复杂的长期规划类似“条件触发 → 即刻响应”。例如家里的智能温控系统根据温度变化自动开关空调。自主型智能体Autonomous Agents更复杂能长期运行并自主决策。比如智能仓储机器人它可以根据仓库状态和任务需求自动规划路线、调度物料。专家型助手在某些领域具备专业知识能完成高价值任务。比如医学影像辅助诊断智能体。团队合作者能够和人类或其他智能体协作分工完成复杂任务。比如在一条工业产线上多个智能体分别负责监测、调度、质检协作完成生产。五、智能体的发展阶段OpenAI 提出了一个五级划分可以帮助我们理解智能体的演进路径第 1 级聊天机器人—— 具备自然语言对话能力。第 2 级实用工具—— 能调用工具完成具体任务。第 3 级专家助手—— 在特定领域表现出专业水平。第 4 级团队合作者—— 能和人类或其他智能体分工协作。第 5 级通用人工智能AGI—— 拥有接近或超越人类的通用智能。今天的大部分应用处在 2–3 级部分探索性应用已经进入 4 级。六、智能体的应用场景智能体的潜力几乎覆盖所有行业这里举几个常见例子工业自动化生产线监控、设备预测性维护、仓储和物流自动化。服务业智能客服、个性化推荐、智能金融风控。医疗影像辅助诊断、远程监护、药物研发加速。教育个性化学习路径、智能教学助手、虚拟教育助理。娱乐与创意游戏 AI、内容创作辅助、虚拟主播。可以看到智能体的核心价值就是自动化与智能化结合解决具体问题。七、智能体的架构一个智能体通常包含以下几个层次感知层输入处理比如文本、语音、图像的预处理。记忆层短期记忆会话上下文和长期记忆知识库、向量数据库。推理层核心大模型 规划器负责拆解任务和制定计划。工具层外部 API、数据库、计算引擎作为智能体的“手脚”。执行层实际触发动作如下单、发邮件、调度任务。编排与监控层调度多个智能体、日志记录、监控与安全。如果多个智能体要协作可以使用 LangGraph、Dify、Coze 等平台做串联与编排。八、智能体的开发流程从 0 到 1 搭建一个智能体大致分为四步创建大模型—— 选择适合的模型明确任务范围。开发工具Tools—— 把外部能力封装成可调用的接口例如数据库查询、API 调用。智能体开发—— 加入感知、记忆、决策逻辑把模型和工具整合在一起。智能体串联可选—— 多个智能体协作实现更复杂的任务流程。最终你得到的是一个可以自主运行的系统不仅能“想”还能“做”。九、实操案例基于 DeepSeek LangGraph 的最小智能体循环在前面章节我们已经讲过智能体循环的理论这里就用一个最小可运行的案例把思路真正落到代码上。我们选择 DeepSeek 模型 来作为大模型的推理引擎并用 LangGraph 来管理智能体的循环逻辑。准备环境首先安装依赖pip install langchain langgraph langchain-openai注意虽然我们用的是 DeepSeek但为了方便可以直接复用langchain-openai的接口格式只要替换 URL 和 Key 即可。配置 DeepSeek 模型DeepSeek 提供了类 OpenAI 的兼容接口因此我们只需要在 LangChain 中通过ChatOpenAI来调用。from langchain_openai import ChatOpenAI # 替换为你自己的 DeepSeek API 地址和 Key deepseek_model ChatOpenAI( modeldeepseek-chat, base_urlhttps://api.deepseek.com/v1, api_keyYOUR_DEEPSEEK_API_KEY )这里deepseek-chat是一个通用对话模型支持指令跟随和推理。定义智能体循环逻辑我们要用 LangGraph 来构建一个最小循环用户输入 → 模型推理 → 判断是否需要继续 → 返回结果。from langgraph.graph import StateGraph, END from typing import TypedDict # 定义状态 class AgentState(TypedDict): input: str output: str # 模型节点 def call_model(state: AgentState): response deepseek_model.invoke(state[input]) return {output: response.content} # 判断是否继续循环 def should_continue(state: AgentState): if 完成 in state[output]: # 简单规则包含“完成”就结束 return END return model # 构建 LangGraph workflow StateGraph(AgentState) workflow.add_node(model, call_model) workflow.set_entry_point(model) workflow.add_edge(model, should_continue) app workflow.compile()运行一个最小智能体循环我们让用户输入一个任务比如“帮我分三步解释如何泡一杯茶”智能体会逐步推理直到输出中包含“完成”为止。state {input: 请一步一步解释如何泡茶并在最后输出完成} final_state app.invoke(state) print(最终输出, final_state[output])输出第一步准备茶叶和开水 第二步将茶叶放入杯中倒入热水 第三步等待冲泡片刻后即可饮用 完成这个案例展示了DeepSeek 模型作为推理引擎LangGraph提供了灵活的图结构帮我们轻松构建一个最小的智能体循环。整体结构非常简洁方便在此基础上扩展比如增加工具调用、记忆管理、多智能体协作等功能。十、总结智能体的本质就是让大模型从“会说”走向“能做”。它把感知、记忆、推理和行动结合起来形成一个完整的闭环系统最终能够真正解决现实中的问题。未来智能体将会越来越多地渗透到各个行业。对企业和开发者来说理解它、善用它已经不再是选择题而是必修课。最后对于正在迷茫择业、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。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习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、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、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】
