本文深入浅出地解析了大模型中的核心概念——Loop它并非简单的程序循环而是一套持续行动与校验的工作节奏。通过 ReAct 等策略Loop 使模型能边推理边行动完成复杂任务。文章详细介绍了四种常见的 Loop 类型并以 OpenAI Agents 为例说明其运行机制。同时文章还强调了设计好 Loop 的关键在于设定清晰的边界和“刹车”机制避免无效循环最终实现稳定可控的 AI 应用。对于想要掌握大模型应用开发的学习者来说理解 Loop 是迈向 AI 办事能力的关键一步。一次回答只是聊天一轮又一轮观察、行动、校验才是 Agent。很多人第一次听到 Loop会把它理解成程序里的 while 循环。放到大模型里它更像一套工作节奏模型先判断去查资料或调用工具拿到结果再回头判断下一步。一次不够就再来一次。直到任务完成或者被规则叫停。所以Loop 不是炫技。它是大模型应用从“能回答”走向“能办事”的关键。没有 Loop模型只是给你一段话有了 Loop模型才有机会把搜索、数据库、代码、文件、审批串起来真正完成一个复杂任务。一、Loop 到底是什么用最朴素的话说Loop 就是把模型的上一步结果变成下一步输入。用户给一个目标模型先判断要做什么如果需要外部信息就去调用搜索、数据库、API、代码执行器工具返回结果后再把结果喂给模型让模型决定继续查、换工具、修正计划还是直接给出最终答案。这就解释了为什么今天的 Agent 跟传统聊天机器人不一样。聊天机器人像“问一句答一句”Agent 更像一个带工作台的人先看任务再翻资料再试工具再复盘最后交付。二、为什么大模型需要 Loop因为真实世界的问题很少能一口气答完。比如你让模型写一份行业报告它要先拆主题再检索资料再核对数据再生成大纲再补缺失证据。又比如你让模型修代码它要先读错误日志再改文件再跑测试再根据报错继续修。这背后有一个非常经典的思路ReAct。ReAct 论文把“推理”和“行动”放在同一条轨迹里让模型一边产生推理轨迹一边执行具体动作动作可以让模型接触知识库、环境或外部工具拿到新信息后再调整计划。说得更直白一点模型不是闭着眼睛想而是边想边查边查边改。ReAct 研究配图在问答场景中行动和观察让模型更容易把答案落在事实证据上。三、最常见的 4 种 Loop不同场景里Loop 的形态不一样。做工具调用时它叫 ReAct Loop做知识库问答时它常常变成 RAG Loop做写作或代码修复时它会变成 Reflection Loop做高风险业务时它又要加上 Human-in-the-Loop。这四种 Loop 并不是互相排斥。一个生产级 Agent 往往会同时用到它们先检索再调用工具再让评估器检查如果要执行敏感动作还要暂停给人审批。四、OpenAI Agents 里的 Loop 是怎么跑的OpenAI Agents SDK 对 Agent Loop 的描述很直接运行器会调用当前 Agent 的模型检查模型输出如果模型产生工具调用就执行工具并继续如果模型把任务转交给另一个专家 Agent就切换 Agent 并继续如果模型产生最终答案且没有更多工具工作循环才结束。这里有一个关键词最终答案。也就是说Agent 不是模型想循环就循环必须有清晰的结束信号。否则它会不断调工具、反复修正、一直以为“还没完成”。五、好 Loop 和坏 Loop 的分界线好 Loop 每一轮都在靠近目标多拿到一条证据多修正一个错误多缩小一个范围。坏 Loop 看起来很努力其实一直原地打转同一个问题反复问同一个工具反复调同一个错误反复重试。很多人做 Agent第一次踩坑不是模型不会用工具而是模型太会“继续努力”。它会把失败当成“再试一次”的理由却不知道什么时候该换路、该停止、该叫人。六、为什么 Agent 会陷入循环常见原因有六个目标没写清楚、工具返回不结构化、错误信息太少、状态没有更新、动作成本不受控、缺少人工关口。你看到的是模型一直转圈根子往往在工程流程没有给它装上路标。LangGraph 的 GRAPH_RECURSION_LIMIT 错误就提醒过类似问题如果图在达到停止条件前超过最大步数经常是因为循环结构没有设计好。LangChain 也把 max_iterations 作为 Agent 执行循环的重要限制避免执行步数失控。七、生产级 Loop 必须有“刹车”大模型应用真正上线后最怕的不是它慢一点而是它失控。比如反复调用搜索接口烧钱反复请求数据库拖垮服务反复修改代码越改越乱甚至在没有审批的情况下执行写入、删除、支付、发邮件等动作。所以 Loop 一定要有边界最大轮次、最大耗时、工具预算、错误分支、最终输出结构、人审节点。没有这些东西Agent 就像没有刹车的自动驾驶。八、Human-in-the-Loop让人进来不是让 AI 变笨很多业务场景不能完全交给模型。比如执行 SQL、删除文件、发送邮件、修改订单、操作资金。正确做法不是禁止 Agent而是在关键节点让 Agent 暂停把动作、参数、理由展示给人人可以批准、修改、拒绝或者直接给出补充信息。LangChain 的 Human-in-the-Loop 机制就是这个思路当模型提出需要审查的工具调用时系统可以暂停执行等待人工决策执行状态会被保存审核通过后再继续。ReAct 研究配图人可以在关键轨迹里修正模型的错误想法让后续行动回到正确方向。九、代码里怎么写 Loop真正落地时不要把 Loop 写成一句“让模型继续思考”。要把它写成可控流程每轮读状态、让模型做决策、执行工具、写回观察、判断是否完成。超过上限就安全停止。关键点state 要保存每一轮的观察结果。final 必须是明确的结构化信号。tool 失败要进入错误分支不能只会重试。ask_human 是高风险动作的安全阀。十、真正难的不是循环而是收敛很多人以为 Agent 的核心是“会调用工具”。其实更核心的是它知道下一步该做什么也知道什么时候该停。Loop 让大模型具备了持续做事的能力。但它不是越多越好。一个好 Loop应该像一个成熟员工遇到问题会查资料发现错误会修正风险动作会请示信息足够就交付。看懂 Loop就看懂了 Agent 的一半。另一半是让这个 Loop 在真实业务里稳定、可控、可追踪地跑起来。十一、总结大模型以前像一个会聊天的人有了 Loop它开始像一个会跑流程的人。它不再只是“回答你”而是能先判断、再行动、再校验、再交付。未来很多 AI 应用的差距不会只体现在模型参数上而会体现在 Loop 设计上。谁的循环更清楚谁的边界更稳谁的工具结果更可靠谁的 AI 就更像真正能干活的系统。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。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、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。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7、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】
大模型小白必看：收藏这份 Agent Loop 实战指南，解锁 AI 办事能力！
发布时间：2026/7/28 19:34:42
本文深入浅出地解析了大模型中的核心概念——Loop它并非简单的程序循环而是一套持续行动与校验的工作节奏。通过 ReAct 等策略Loop 使模型能边推理边行动完成复杂任务。文章详细介绍了四种常见的 Loop 类型并以 OpenAI Agents 为例说明其运行机制。同时文章还强调了设计好 Loop 的关键在于设定清晰的边界和“刹车”机制避免无效循环最终实现稳定可控的 AI 应用。对于想要掌握大模型应用开发的学习者来说理解 Loop 是迈向 AI 办事能力的关键一步。一次回答只是聊天一轮又一轮观察、行动、校验才是 Agent。很多人第一次听到 Loop会把它理解成程序里的 while 循环。放到大模型里它更像一套工作节奏模型先判断去查资料或调用工具拿到结果再回头判断下一步。一次不够就再来一次。直到任务完成或者被规则叫停。所以Loop 不是炫技。它是大模型应用从“能回答”走向“能办事”的关键。没有 Loop模型只是给你一段话有了 Loop模型才有机会把搜索、数据库、代码、文件、审批串起来真正完成一个复杂任务。一、Loop 到底是什么用最朴素的话说Loop 就是把模型的上一步结果变成下一步输入。用户给一个目标模型先判断要做什么如果需要外部信息就去调用搜索、数据库、API、代码执行器工具返回结果后再把结果喂给模型让模型决定继续查、换工具、修正计划还是直接给出最终答案。这就解释了为什么今天的 Agent 跟传统聊天机器人不一样。聊天机器人像“问一句答一句”Agent 更像一个带工作台的人先看任务再翻资料再试工具再复盘最后交付。二、为什么大模型需要 Loop因为真实世界的问题很少能一口气答完。比如你让模型写一份行业报告它要先拆主题再检索资料再核对数据再生成大纲再补缺失证据。又比如你让模型修代码它要先读错误日志再改文件再跑测试再根据报错继续修。这背后有一个非常经典的思路ReAct。ReAct 论文把“推理”和“行动”放在同一条轨迹里让模型一边产生推理轨迹一边执行具体动作动作可以让模型接触知识库、环境或外部工具拿到新信息后再调整计划。说得更直白一点模型不是闭着眼睛想而是边想边查边查边改。ReAct 研究配图在问答场景中行动和观察让模型更容易把答案落在事实证据上。三、最常见的 4 种 Loop不同场景里Loop 的形态不一样。做工具调用时它叫 ReAct Loop做知识库问答时它常常变成 RAG Loop做写作或代码修复时它会变成 Reflection Loop做高风险业务时它又要加上 Human-in-the-Loop。这四种 Loop 并不是互相排斥。一个生产级 Agent 往往会同时用到它们先检索再调用工具再让评估器检查如果要执行敏感动作还要暂停给人审批。四、OpenAI Agents 里的 Loop 是怎么跑的OpenAI Agents SDK 对 Agent Loop 的描述很直接运行器会调用当前 Agent 的模型检查模型输出如果模型产生工具调用就执行工具并继续如果模型把任务转交给另一个专家 Agent就切换 Agent 并继续如果模型产生最终答案且没有更多工具工作循环才结束。这里有一个关键词最终答案。也就是说Agent 不是模型想循环就循环必须有清晰的结束信号。否则它会不断调工具、反复修正、一直以为“还没完成”。五、好 Loop 和坏 Loop 的分界线好 Loop 每一轮都在靠近目标多拿到一条证据多修正一个错误多缩小一个范围。坏 Loop 看起来很努力其实一直原地打转同一个问题反复问同一个工具反复调同一个错误反复重试。很多人做 Agent第一次踩坑不是模型不会用工具而是模型太会“继续努力”。它会把失败当成“再试一次”的理由却不知道什么时候该换路、该停止、该叫人。六、为什么 Agent 会陷入循环常见原因有六个目标没写清楚、工具返回不结构化、错误信息太少、状态没有更新、动作成本不受控、缺少人工关口。你看到的是模型一直转圈根子往往在工程流程没有给它装上路标。LangGraph 的 GRAPH_RECURSION_LIMIT 错误就提醒过类似问题如果图在达到停止条件前超过最大步数经常是因为循环结构没有设计好。LangChain 也把 max_iterations 作为 Agent 执行循环的重要限制避免执行步数失控。七、生产级 Loop 必须有“刹车”大模型应用真正上线后最怕的不是它慢一点而是它失控。比如反复调用搜索接口烧钱反复请求数据库拖垮服务反复修改代码越改越乱甚至在没有审批的情况下执行写入、删除、支付、发邮件等动作。所以 Loop 一定要有边界最大轮次、最大耗时、工具预算、错误分支、最终输出结构、人审节点。没有这些东西Agent 就像没有刹车的自动驾驶。八、Human-in-the-Loop让人进来不是让 AI 变笨很多业务场景不能完全交给模型。比如执行 SQL、删除文件、发送邮件、修改订单、操作资金。正确做法不是禁止 Agent而是在关键节点让 Agent 暂停把动作、参数、理由展示给人人可以批准、修改、拒绝或者直接给出补充信息。LangChain 的 Human-in-the-Loop 机制就是这个思路当模型提出需要审查的工具调用时系统可以暂停执行等待人工决策执行状态会被保存审核通过后再继续。ReAct 研究配图人可以在关键轨迹里修正模型的错误想法让后续行动回到正确方向。九、代码里怎么写 Loop真正落地时不要把 Loop 写成一句“让模型继续思考”。要把它写成可控流程每轮读状态、让模型做决策、执行工具、写回观察、判断是否完成。超过上限就安全停止。关键点state 要保存每一轮的观察结果。final 必须是明确的结构化信号。tool 失败要进入错误分支不能只会重试。ask_human 是高风险动作的安全阀。十、真正难的不是循环而是收敛很多人以为 Agent 的核心是“会调用工具”。其实更核心的是它知道下一步该做什么也知道什么时候该停。Loop 让大模型具备了持续做事的能力。但它不是越多越好。一个好 Loop应该像一个成熟员工遇到问题会查资料发现错误会修正风险动作会请示信息足够就交付。看懂 Loop就看懂了 Agent 的一半。另一半是让这个 Loop 在真实业务里稳定、可控、可追踪地跑起来。十一、总结大模型以前像一个会聊天的人有了 Loop它开始像一个会跑流程的人。它不再只是“回答你”而是能先判断、再行动、再校验、再交付。未来很多 AI 应用的差距不会只体现在模型参数上而会体现在 Loop 设计上。谁的循环更清楚谁的边界更稳谁的工具结果更可靠谁的 AI 就更像真正能干活的系统。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。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、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。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7、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】
