AI 工程化经历了三个核心阶段Prompt Engineering提示词工程、Context Engineering上下文工程和Harness Engineering驾驭工程。其中Harness Engineering是当前大厂落地的关键通过构建可控、可观测的执行环境实现AI系统稳定输出。文章详细解析了Harness的核心架构和六大模块并分享了链券、Anthropic和OpenAI等大厂的实践案例最后提出了分阶段落地的建议和未来展望。核心观点是在底层大模型能力趋同的背景下Harness工程化水平成为决定AI系统性能和规模化落地的关键变量。一、AI 工程化核心演进阶段AI 工程化的演进是从让模型听懂需求到让模型稳定输出的逐步升级过程。三个核心阶段并非替代关系而是层层递进、逐步完善覆盖从输入到系统运行的全链路优化。1. Prompt Engineering提示词工程2023-2024 年核心阶段核心定位解决模型能否听懂用户需求的基础问题是 AI 工程化的初始探索阶段。核心特征行业普遍聚焦于优化提示词通过精准设计指令引导模型输出符合预期的结果。核心痛点无专属知识库支撑需将所有相关知识手动嵌入提示词中导致提示词冗长、维护成本高且模型输出易偏离需求。2. Context Engineering上下文工程提示词工程的进阶升级核心定位由 AI 大神 Andrej Karpathy 在 YC 演讲中带火后经 LangChain 官网博客进一步明确是现代 AI 系统的架构基础。核心解决模型能否获取足够正确信息的问题减少 AI 幻觉。核心原理不再局限于静态提示词而是构建动态系统在正确的时间、以正确的格式为 LLM 提供完成任务所需的所有信息和工具。相当于管理 LLM 的工作记忆可类比为操作系统管理 RAM。核心技术衍生出 RAG检索增强生成技术将知识库中的知识转换为向量并存储到向量库模型可根据当前需求从向量库中实时检索相关知识。同时进行上下文全链路优化动态组装对话历史、工具输出、检索结果等多来源信息避免信息过载或缺失。与提示词工程的区别提示词工程侧重静态指令设计多为单轮交互上下文工程侧重动态环境构建是多轮、有状态的系统级优化3. Harness Engineering驾驭工程大厂核心落地阶段核心定位由 HashiCorp 联合创始人 Mitchell Hashimoto 于 2026 年 2 月提出。核心思想是Human Steer, Agent Execute人类掌舵智能体执行。解决模型能否稳定、可控输出的问题是 AI 工程化走向规模化落地的关键。核心目标大厂为实现模型稳定输出而研发通过约束 agent智能体或 skill技能实现 AI 全链路执行的可控、可观测、可纠偏、可闭环验收。不优化模型本身而是优化模型运行的环境系统。核心价值当不同厂商的大模型能力逐渐趋同时Harness 工程化水平成为决定 AI 系统好用与否的核心变量。二、三大工程化阶段的核心关系三者是逐步进化、层层包含的关系而非替代关系覆盖 AI 系统从输入到运行的全流程优化Prompt Engineering对用户指令的工程化聚焦让模型听懂需求是基础层Context Engineering对输入环境的工程化聚焦让模型获取正确信息是中间层Harness Engineering对整个 agent 运行系统的工程化聚焦让模型稳定输出是顶层架构LangChain 团队明确agent智能体 LLM model大语言模型 Harness其中 Harness 是决定 AI 系统稳定交付、可控运行的核心体系而非单一工具或模块。三、Harness 核心架构解析Harness 架构围绕全链路可控、可观测、可恢复设计分为 6 大核心模块1. 上下文边界管控核心逻辑模型输入并非越多越好。因 LLM 本质是概率性预测模型输入内容过多会导致注意力稀释、信息过载反而增加模型幻觉风险类似人类记忆过载会混乱。优化方式采用精准投放策略仅向模型输入当前任务所需的核心信息。可通过简短的AGENTS.md文件作为导航地图引导模型获取深层信息而非一次性灌输所有文档。2. 工具生命周期管理核心逻辑agent 需接入各类工具如代码编辑器、数据库、API 等与现实世界交互。工具接入并非越多越好需根据当前任务需求动态分配避免无关工具增加系统复杂度、拖慢运行效率。核心目标确保工具与任务精准匹配实现按需调用、用完释放降低系统冗余。3. 任务执行编排核心逻辑明确模型的下一步行动为任务设定固定执行轨道避免 agent 无方向执行。4. 状态与记忆管理核心痛点LLM 的上下文窗口容量有限跨会话交互时易丢失历史记忆导致任务执行不连贯。解决方案短期记忆当前会话信息临时存储长期记忆跨会话核心信息、用户偏好、任务沉淀持久化存储在任务初始化时自动加载确保 agent记得历史交互内容实现个性化、连贯化执行。5. 全链路评估观测核心目标实现可观测、可验收确保输出结果正确、执行过程可追溯。核心动作输出结果自动化验收对照预设标准校验结果执行环境真实验证确认工具调用、信息获取的真实性全量日志与指标记录记录每一步执行动作、角色、结果报错自动归因出现问题时快速定位原因6. 约束与故障恢复核心约束通过边界约束、黑白名单管控、全流程节点校验限制 agent 的操作范围。避免违规操作如越权调用工具、输出违规内容同时可通过自定义 Linter、CI 阻断等方式约束代码生成的合规性。故障恢复建立故障应急预案当执行过程中出现报错、卡顿等问题时可自动恢复执行、切回备用分支。同时通过熵管理定期清理技术债务和过时文档防止系统腐化。四、大厂实践启发大厂实践的核心共识底层大模型能力趋同的背景下Harness 工程化水平是提升 AI 系统性能、实现规模化落地的关键杠杆。1. 链券团队Harness 优化的直接成效核心实践在底层大模型未更换、模型能力不变的情况下重点优化 Harness 体系的任务执行编排上下文边界管控等核心模块。实践成果将自家 agent 在权威榜单中的排名从 30 名以外提升至前五。直接证明agent 的优化效果核心取决于 Harness 工程化水平与 OpenAI 的同类实验结论一致。2. Anthropic 公司长链路任务优化核心痛点Claude Code 在处理长链路编程任务时存在两大核心问题上下文臃肿对话历史、工具调用结果等不断累积占用 98% 左右上下文窗口时会出现模型变笨、响应变慢、幻觉增加模型自评失真同一 agent 既生成代码又验收易忽视自身错误解决方案Context Reset上下文重置通过输入/clear命令清空当前会话的对话历史仅保留系统提示、项目文件等必要内容实现记忆重启。角色分离将代码生成与验收校验角色分开形成生成→检查→修复→再检查的闭环机制。3. OpenAIagent 规模化落地实践核心成果通过优化 Harness 体系实现0 行人工手写代码。仅靠 agent 从 0 构建超百万行代码的生产级项目耗时仅为传统人工开发方式的 1/10。5 个月内完成项目交付且投入实际内测使用,人均每天处理3.5个Pull Request。具体做法任务拆解将产品目标拆解为最小可执行任务单元能力补全定位任务执行失败所缺失的工具或能力快速补充相关 skill反馈闭环构建完善的反馈链路agent 可自动审核自身更改风险管控具备任务隔离和快速回滚功能上下文管理用简短的 AGENTS.md 文件作为导航引导 agent 获取深层文档信息五、业务实践探索1. Harness 应用落地过程分阶段推进1初步优化Prompt 收敛为 Skill核心动作将零散的 Prompt 收敛为标准化的 Skill明确每个 Skill 的工作顺序、操作规则和输出标准。优化成效业务执行效率显著提升步骤遗漏、指令误解等问题明显减少。现存问题仍存在 review 时间长、问题无沉淀同类问题反复出现。2进阶优化单体 Harness 构建核心动作在 Skill 基础上挂载单体 Harness补充运行时管控能力构建可观测、可验证、可恢复的完整执行闭链。同时建立历史踩坑库拦截过往出现的同类问题。现存问题验收角色与生产角色仍为同一个 agent依然存在自评失真问题。3优化升级多角色 Harness 进化核心动作将单体 Harness 进化为四角色协同模式角色职责Planner规划者拆解用户需求输出详细的任务执行计划Coder编码者根据 Planner 的计划生成符合标准的代码或执行动作Verify验证者独立于 Coder检查交付结果的正确性、合规性Docupdate文档更新者汇总任务交付摘要沉淀问题和经验完善历史踩坑库解决成效从流程上彻底解决自评失真问题各角色职责清晰、产物可追溯。且可针对单个角色的能力单独优化如提升 Coder 的编码精度、优化 Verify 的校验规则。2. Demo 演示与反例验证Demo 输出标准每一次 Demo 运行均输出完整的任务相关文件任务全量状态文件记录任务进度、各角色操作执行计划文件Planner 输出的原始计划评估标准验证结果的核心依据全量日志记录每一步执行动作、验证结果及对应角色反例演示风险拦截验证通过两个反例验证 Harness 的风险拦截能力反例 1在数据库 model 中强行添加错误代码时调用工具 hook 校验脚本校验不通过则代码无法落盘。反例 2当绕过编辑器 hook违规操作时交付前由 Evaluator验证者自动运行校验报告若发现错误则禁止交付。六、落地建议与未来展望1. 落地建议循序渐进避免盲目推进明确概念边界严格区分 Skill技能与 Harness系统。二者并非同一事物Harness 是包含 Skill 的顶层管控体系Skill 是 Harness 的基础执行单元不可混淆。遵循推进节奏采用四阶段渐进式落地跑通单个 Skill标准化执行搭建单体 Harness形成基础闭环角色拆分多角色协同多 agent 协同自优化避免全面铺开导致的混乱。重视沉淀积累在落地过程中持续沉淀问题、经验和校验规则。完善历史踩坑库和评估标准减少同类问题反复出现降低维护成本。2. 未来展望自动迭代优化基于业务执行过程中的数据反馈让 Harness 体系能够自主学习历史执行经验。自动优化执行编排、校验规则、上下文管控等模块减少人工干预。多 agent 协同升级构建多 agent 协同的 Harness 体系针对不同专业领域部署专属 agent。优化故障自动归因和恢复能力实现更复杂任务的高效落地。AI 深度集成将 Harness 与知识图谱、自然语言交互等技术深度结合。实现 50% 以上操作的自然语言驱动进一步降低使用门槛。说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传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】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
AI 工程化：从“听懂需求“到“稳定输出“，大厂核心落地实践揭秘！
发布时间：2026/5/22 0:04:30
AI 工程化经历了三个核心阶段Prompt Engineering提示词工程、Context Engineering上下文工程和Harness Engineering驾驭工程。其中Harness Engineering是当前大厂落地的关键通过构建可控、可观测的执行环境实现AI系统稳定输出。文章详细解析了Harness的核心架构和六大模块并分享了链券、Anthropic和OpenAI等大厂的实践案例最后提出了分阶段落地的建议和未来展望。核心观点是在底层大模型能力趋同的背景下Harness工程化水平成为决定AI系统性能和规模化落地的关键变量。一、AI 工程化核心演进阶段AI 工程化的演进是从让模型听懂需求到让模型稳定输出的逐步升级过程。三个核心阶段并非替代关系而是层层递进、逐步完善覆盖从输入到系统运行的全链路优化。1. Prompt Engineering提示词工程2023-2024 年核心阶段核心定位解决模型能否听懂用户需求的基础问题是 AI 工程化的初始探索阶段。核心特征行业普遍聚焦于优化提示词通过精准设计指令引导模型输出符合预期的结果。核心痛点无专属知识库支撑需将所有相关知识手动嵌入提示词中导致提示词冗长、维护成本高且模型输出易偏离需求。2. Context Engineering上下文工程提示词工程的进阶升级核心定位由 AI 大神 Andrej Karpathy 在 YC 演讲中带火后经 LangChain 官网博客进一步明确是现代 AI 系统的架构基础。核心解决模型能否获取足够正确信息的问题减少 AI 幻觉。核心原理不再局限于静态提示词而是构建动态系统在正确的时间、以正确的格式为 LLM 提供完成任务所需的所有信息和工具。相当于管理 LLM 的工作记忆可类比为操作系统管理 RAM。核心技术衍生出 RAG检索增强生成技术将知识库中的知识转换为向量并存储到向量库模型可根据当前需求从向量库中实时检索相关知识。同时进行上下文全链路优化动态组装对话历史、工具输出、检索结果等多来源信息避免信息过载或缺失。与提示词工程的区别提示词工程侧重静态指令设计多为单轮交互上下文工程侧重动态环境构建是多轮、有状态的系统级优化3. Harness Engineering驾驭工程大厂核心落地阶段核心定位由 HashiCorp 联合创始人 Mitchell Hashimoto 于 2026 年 2 月提出。核心思想是Human Steer, Agent Execute人类掌舵智能体执行。解决模型能否稳定、可控输出的问题是 AI 工程化走向规模化落地的关键。核心目标大厂为实现模型稳定输出而研发通过约束 agent智能体或 skill技能实现 AI 全链路执行的可控、可观测、可纠偏、可闭环验收。不优化模型本身而是优化模型运行的环境系统。核心价值当不同厂商的大模型能力逐渐趋同时Harness 工程化水平成为决定 AI 系统好用与否的核心变量。二、三大工程化阶段的核心关系三者是逐步进化、层层包含的关系而非替代关系覆盖 AI 系统从输入到运行的全流程优化Prompt Engineering对用户指令的工程化聚焦让模型听懂需求是基础层Context Engineering对输入环境的工程化聚焦让模型获取正确信息是中间层Harness Engineering对整个 agent 运行系统的工程化聚焦让模型稳定输出是顶层架构LangChain 团队明确agent智能体 LLM model大语言模型 Harness其中 Harness 是决定 AI 系统稳定交付、可控运行的核心体系而非单一工具或模块。三、Harness 核心架构解析Harness 架构围绕全链路可控、可观测、可恢复设计分为 6 大核心模块1. 上下文边界管控核心逻辑模型输入并非越多越好。因 LLM 本质是概率性预测模型输入内容过多会导致注意力稀释、信息过载反而增加模型幻觉风险类似人类记忆过载会混乱。优化方式采用精准投放策略仅向模型输入当前任务所需的核心信息。可通过简短的AGENTS.md文件作为导航地图引导模型获取深层信息而非一次性灌输所有文档。2. 工具生命周期管理核心逻辑agent 需接入各类工具如代码编辑器、数据库、API 等与现实世界交互。工具接入并非越多越好需根据当前任务需求动态分配避免无关工具增加系统复杂度、拖慢运行效率。核心目标确保工具与任务精准匹配实现按需调用、用完释放降低系统冗余。3. 任务执行编排核心逻辑明确模型的下一步行动为任务设定固定执行轨道避免 agent 无方向执行。4. 状态与记忆管理核心痛点LLM 的上下文窗口容量有限跨会话交互时易丢失历史记忆导致任务执行不连贯。解决方案短期记忆当前会话信息临时存储长期记忆跨会话核心信息、用户偏好、任务沉淀持久化存储在任务初始化时自动加载确保 agent记得历史交互内容实现个性化、连贯化执行。5. 全链路评估观测核心目标实现可观测、可验收确保输出结果正确、执行过程可追溯。核心动作输出结果自动化验收对照预设标准校验结果执行环境真实验证确认工具调用、信息获取的真实性全量日志与指标记录记录每一步执行动作、角色、结果报错自动归因出现问题时快速定位原因6. 约束与故障恢复核心约束通过边界约束、黑白名单管控、全流程节点校验限制 agent 的操作范围。避免违规操作如越权调用工具、输出违规内容同时可通过自定义 Linter、CI 阻断等方式约束代码生成的合规性。故障恢复建立故障应急预案当执行过程中出现报错、卡顿等问题时可自动恢复执行、切回备用分支。同时通过熵管理定期清理技术债务和过时文档防止系统腐化。四、大厂实践启发大厂实践的核心共识底层大模型能力趋同的背景下Harness 工程化水平是提升 AI 系统性能、实现规模化落地的关键杠杆。1. 链券团队Harness 优化的直接成效核心实践在底层大模型未更换、模型能力不变的情况下重点优化 Harness 体系的任务执行编排上下文边界管控等核心模块。实践成果将自家 agent 在权威榜单中的排名从 30 名以外提升至前五。直接证明agent 的优化效果核心取决于 Harness 工程化水平与 OpenAI 的同类实验结论一致。2. Anthropic 公司长链路任务优化核心痛点Claude Code 在处理长链路编程任务时存在两大核心问题上下文臃肿对话历史、工具调用结果等不断累积占用 98% 左右上下文窗口时会出现模型变笨、响应变慢、幻觉增加模型自评失真同一 agent 既生成代码又验收易忽视自身错误解决方案Context Reset上下文重置通过输入/clear命令清空当前会话的对话历史仅保留系统提示、项目文件等必要内容实现记忆重启。角色分离将代码生成与验收校验角色分开形成生成→检查→修复→再检查的闭环机制。3. OpenAIagent 规模化落地实践核心成果通过优化 Harness 体系实现0 行人工手写代码。仅靠 agent 从 0 构建超百万行代码的生产级项目耗时仅为传统人工开发方式的 1/10。5 个月内完成项目交付且投入实际内测使用,人均每天处理3.5个Pull Request。具体做法任务拆解将产品目标拆解为最小可执行任务单元能力补全定位任务执行失败所缺失的工具或能力快速补充相关 skill反馈闭环构建完善的反馈链路agent 可自动审核自身更改风险管控具备任务隔离和快速回滚功能上下文管理用简短的 AGENTS.md 文件作为导航引导 agent 获取深层文档信息五、业务实践探索1. Harness 应用落地过程分阶段推进1初步优化Prompt 收敛为 Skill核心动作将零散的 Prompt 收敛为标准化的 Skill明确每个 Skill 的工作顺序、操作规则和输出标准。优化成效业务执行效率显著提升步骤遗漏、指令误解等问题明显减少。现存问题仍存在 review 时间长、问题无沉淀同类问题反复出现。2进阶优化单体 Harness 构建核心动作在 Skill 基础上挂载单体 Harness补充运行时管控能力构建可观测、可验证、可恢复的完整执行闭链。同时建立历史踩坑库拦截过往出现的同类问题。现存问题验收角色与生产角色仍为同一个 agent依然存在自评失真问题。3优化升级多角色 Harness 进化核心动作将单体 Harness 进化为四角色协同模式角色职责Planner规划者拆解用户需求输出详细的任务执行计划Coder编码者根据 Planner 的计划生成符合标准的代码或执行动作Verify验证者独立于 Coder检查交付结果的正确性、合规性Docupdate文档更新者汇总任务交付摘要沉淀问题和经验完善历史踩坑库解决成效从流程上彻底解决自评失真问题各角色职责清晰、产物可追溯。且可针对单个角色的能力单独优化如提升 Coder 的编码精度、优化 Verify 的校验规则。2. Demo 演示与反例验证Demo 输出标准每一次 Demo 运行均输出完整的任务相关文件任务全量状态文件记录任务进度、各角色操作执行计划文件Planner 输出的原始计划评估标准验证结果的核心依据全量日志记录每一步执行动作、验证结果及对应角色反例演示风险拦截验证通过两个反例验证 Harness 的风险拦截能力反例 1在数据库 model 中强行添加错误代码时调用工具 hook 校验脚本校验不通过则代码无法落盘。反例 2当绕过编辑器 hook违规操作时交付前由 Evaluator验证者自动运行校验报告若发现错误则禁止交付。六、落地建议与未来展望1. 落地建议循序渐进避免盲目推进明确概念边界严格区分 Skill技能与 Harness系统。二者并非同一事物Harness 是包含 Skill 的顶层管控体系Skill 是 Harness 的基础执行单元不可混淆。遵循推进节奏采用四阶段渐进式落地跑通单个 Skill标准化执行搭建单体 Harness形成基础闭环角色拆分多角色协同多 agent 协同自优化避免全面铺开导致的混乱。重视沉淀积累在落地过程中持续沉淀问题、经验和校验规则。完善历史踩坑库和评估标准减少同类问题反复出现降低维护成本。2. 未来展望自动迭代优化基于业务执行过程中的数据反馈让 Harness 体系能够自主学习历史执行经验。自动优化执行编排、校验规则、上下文管控等模块减少人工干预。多 agent 协同升级构建多 agent 协同的 Harness 体系针对不同专业领域部署专属 agent。优化故障自动归因和恢复能力实现更复杂任务的高效落地。AI 深度集成将 Harness 与知识图谱、自然语言交互等技术深度结合。实现 50% 以上操作的自然语言驱动进一步降低使用门槛。说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传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】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
