0. Agent与LLM调用的区别

LLM调用是单纯的输入-输出，而Agent是具备规划、记忆、工具使用能力的自主系统。

一般，我们打开一个对话窗口，输入一个问题，模型立刻给出回答——这就是一次典型的LLM调用

	一般 LLM 调用	Agent（智能体）
核心定义	一个语言模型，根据输入生成文本输出	一个以LLM为“大脑”的系统，能自主规划、调用工具、管理记忆
交互方式	一次性问答：用户输入 → 模型输出	多轮循环：任务 → 思考 → 行动 → 观察 → 再思考 → 输出
是否具备自主性	被动响应，完全依赖用户指令	主动分解任务、制定步骤，过程中可自行决策
工具使用能力	无，仅靠内部知识	可调用外部API、数据库、计算器、搜索引擎等
记忆管理	通常只有单次对话的短期记忆	可维护长期记忆（向量数据库）和短期记忆（上下文）
输出方式	一次生成最终答案	可能经过多步推理，最终给出结果，过程中可能有中间动作
典型例子	你用ChatGPT问“今天天气怎么样”，它说“我无法获取实时信息”	Agent收到同样问题，会主动调用天气API，获取数据后告诉你结果

LLM像是大脑（一个拥有短期记忆的大脑），但Agent不仅拥有大脑，并且拥有记忆和手脚（工具）。Agent不是另一个模型，而是以LLM为控制中枢，融合规划、记忆、工具执行能力的完整系统。它让AI从“能说会道”进化到“能动手解决实际问题”。接下来，我们就来拆解这个系统到底由哪些核心组件构成，它们又是如何协作的。

1. Agent的组成

Agent由以下部分组成：

1. 1. 大语言模型（LLM）：LLM是Agent的大脑，它不仅是语言理解与生成的基础，更是整个系统的决策中枢。负责思考“用户想要什么？”、“现在该做什么？”以及“怎么做更好？”。往往LLM决定了一个Agent的上限。
2. 2. 记忆模块（Memory）：记忆让Agent不再是“一次性对话”的工具，而是能持续学习和积累经验的个体。记忆通常分为两类：

• • 短期记忆：类似于人类的“工作记忆”，指在单次任务或会话中临时存储的信息。有多种实现方式，上下文窗口和摘要等。例如把对话历史、刚刚观察到的环境反馈直接拼接到提示词中。但短期记忆有容量限制（如上下文长度），当信息太多时会被遗忘或压缩。
• • 长期记忆：相当于人类的“长时记忆”，用于跨会话持久化存储重要信息。通常借助外部数据库（向量数据库+关系数据库）实现。Agent可以将关键知识（如用户偏好、任务经验、领域知识）向量化后存入数据库，后续需要时通过相似性检索召回，再放入短期记忆中供LLM使用。长期记忆让Agent在多次交互中保持一致性，并不断成长。

3. 3. 规划模块（Planning)：规划能力是Agent从“被动响应”走向“主动行动”的关键；规划模块负责任务的分解，并决定执行顺序和策略；执行结果的反馈调整甚至是反思。
4. 4. 行动，工具的使用（Tool Use)：工具是Agent连接外部世界、打破LLM自身能力限制的桥梁。通过调用各种工具，Agent能获取实时信息、执行具体操作、进行计算等。工具的使用抽象来讲就是Function Calling，具体一点可以是：浏览器搜索、调用api接口（查天气、查地图等）、发邮件等。将工具调用的方式标准化的实现就是MCP协议。

一个典型的Agent工作流程如下：

1. 1. 用户输入任务 → 进入短期记忆。
2. 2. LLM结合短期记忆和从长期记忆中检索到的相关知识，理解任务。
3. 3. 规划模块将任务拆解为步骤，决定下一步行动（可能是一个子任务，或直接调用工具）。
4. 4. 如果需要外部信息或操作，LLM生成工具调用指令，工具模块执行并返回结果。
5. 5. 结果被放回短期记忆，LLM继续分析，可能修正计划或进行下一步。
6. 6. 重复3-5步，直到任务完成，LLM生成最终答案返回给用户。

2. 大语言模型（LLM）

由大语言模型（LLM）来负责感知，如果把Agent比作一个能独立完成任务的数字员工，那么大语言模型（LLM）就是他的大脑。它不仅负责理解你说的话，更重要的是——它决定了整个Agent的思考深度和行动能力。在Agent架构中，LLM不再只是一个“文本生成器”，而是一个通用的推理引擎和决策中心。

在传统用法中，我们给LLM一个 prompt，它直接返回答案。但在Agent系统中，LLM被赋予了更多的“职责”：

• • 意图理解与任务分解：将用户模糊的指令（如“帮我研究一下RAG的最新进展”）转化为清晰、可执行的子任务清单。
• • 推理与规划：基于当前状态（包括对话历史、环境反馈）思考下一步该做什么。它可能采用 思维链（Chain-of-Thought） 的方式，一步步推理出解决方案。
• • 工具调用决策：判断何时需要借助外部工具（如搜索引擎、计算器），并生成符合格式的调用指令（如JSON格式的function calling参数）。
• • 自我反思与修正：当某一步执行失败或结果不符合预期时，LLM能分析原因，调整计划，甚至尝试新的路径。
• • 生成最终响应：综合所有信息，以自然语言的形式返回给用户。

简单来说，LLM让Agent具备了“思考”的能力，而其他模块（记忆、规划、工具）则是它的“感知”和“行动”的延伸。

让我们来举个🌰来进一步理解：

在下面这个例子中，LLM不仅理解了多步任务，还自主规划了调用工具的时机、解析了API返回结果，并最终生成了人性化的回答。整个过程完全由LLM的推理能力驱动。

用户输入：帮我查一下这周末杭州的天气，并推荐两个适合带小孩去的室内景点。LLM 第一轮思考（Thought）：用户需要两个信息：1. 杭州周末天气；2. 室内儿童景点推荐。我目前没有实时天气数据，需要调用天气API；景点推荐可以结合天气情况和我的知识库给出，但最好也获取最新评价。计划：先调用天气API获取天气，然后根据天气情况推荐景点。LLM 行动（Action）：调用天气API，参数：城市=杭州，日期=本周六、日。（系统返回天气数据：周六小雨，13-18℃；周日阴，15-20℃）LLM 观察（Observation）：天气：周末有小雨，气温适宜。适合推荐室内景点。思考（Thought）：现在需要推荐两个室内儿童景点。我可以从我的训练知识中回忆一些热门选项，但为了确保准确性，最好再调用一个景点评价API或搜索最新信息。计划：先调用景点查询API，如果没有再使用搜索引擎。LLM 行动（Action）：调用景点推荐API，参数：城市=杭州，类型=室内儿童，返回数量=2。（系统返回：杭州Do都城少儿社会体验馆、杭州烂苹果乐园）LLM 最终思考（Final Thought）：已获取景点信息，结合天气，可以给出完整回答。需要提醒用户带雨具。LLM 响应（Response）：本周末杭州有小雨，气温13-20℃，建议带上雨具。推荐两个室内儿童景点：1. 杭州Do都城少儿社会体验馆（适合儿童职业体验）2. 杭州烂苹果乐园（大型室内儿童乐园）祝您周末愉快！

3. 记忆模块（Memory）

如果说LLM是Agent的大脑，那么记忆模块就是它的海马体——负责存储、检索和更新信息。没有记忆的Agent就像一位患有严重失忆症的助手：每次对话都从零开始，无法记住用户的偏好，也无法从过去的经验中学习。而有了记忆，Agent才能真正实现持续进化和个性化交互。

在Agent架构中，记忆被划分为两个层次：短期记忆和长期记忆，它们各司其职，共同构建起智能体的“经验库”。

3.1 短期记忆

短期记忆是指在当前任务或会话过程中临时存储的信息。它相当于人类在工作时脑海中暂时记住的几个数字或一句话，用完即忘。

特点：

• • 容量有限：受限于LLM的上下文窗口（如cursor中的gpt-5.3-codex 272k tokens context window），超出部分会被截断或遗忘。
• • 会话级持久性：仅在单次对话或任务执行期间有效，任务结束后通常不会保留。
• • 实现方式：最直接的方式就是将对话历史、中间推理步骤、工具返回结果等直接拼接到LLM的提示词中（即In-Context Learning）。一些框架还会对记忆进行压缩或摘要，以节省上下文空间。

例如：

• • 用户连续提问：“南京天气怎么样？”→“那明天呢？” Agent需要记住刚刚提到的“南京”，才能理解第二次询问的是同一城市的天气。
• • Agent在执行多步任务时（如先查天气、再定酒店），需要将第一步的结果暂存，供后续步骤使用。

3.2 长期记忆

长期记忆用于跨会话持久化存储重要信息，使Agent能够在多次交互中记住用户、积累知识、学习新技能。

特点：

• • 容量近乎无限：借助外部存储系统（如数据库），可以存储海量信息。
• • 跨会话持久性：信息被保存下来，下次对话时可以重新调用。
• • 实现方式：通常采用向量数据库（如Pinecone、Chroma、Weaviate）+RAG（检索增强生成Retrieval Augment Generation）、关系型数据库、知识图谱（一种用图结构来组织和表示知识的数据模型）、模型微调（Fine-tuning，让LLM形成“肌肉记忆”）等。具体流程是：将文本（如用户偏好、领域知识）转化为特定的数据结构（如：向量），存入数据库；当需要回忆时，将当前问题也转为向量，在数据库中做相似性检索，召回最相关的内容，再放入短期记忆中供LLM使用。

例如：

• • 用户第一次使用时告诉Agent：“我喜欢读科幻小说。” 下次用户说“推荐一本书”，Agent会优先推荐科幻类书籍。
• • Agent在工作中学习了一套代码库的结构，下次处理类似项目时能直接调出相关模块的说明。
  

3.3 短期记忆和长期记忆的配合

短期和长期记忆不是孤立的，而是紧密配合：

1. 1. 用户输入进入短期记忆（当前对话上下文）。
2. 2. Agent根据用户问题和当前短期记忆，从长期记忆中检索相关信息（如用户偏好、历史对话摘要）。
3. 3. 检索到的信息被加入到短期记忆中，供LLM参考。
4. 4. LLM结合短期记忆（包括当前输入+检索到的长期记忆）进行推理和决策。
5. 5. 在对话过程中，Agent可能将重要的新信息写入长期记忆（如用户新透露的偏好、任务执行经验）。

记忆模块的核心作用

• • 个性化体验：让Agent记住每个用户的偏好，提供定制化服务。
• • 持续学习：Agent可以从每次交互中学习，不断丰富自己的知识库，避免重复犯错。
• • 上下文连贯：即使对话中断很久，也能无缝衔接，因为长期记忆保存了之前的要点。
• • 复杂任务支撑：对于需要多步推理的任务，短期记忆保证了中间结果的可用性。

4. 规划模块（Planning）

规划模块负责将模糊的目标转化为清晰的行动步骤，决定先做什么、后做什么，并在执行过程中根据新情况动态调整。正是规划能力，让Agent从“被动响应”进化到“主动解决问题”。

规划的第一步是任务分解，将大目标变成小任务。分解后，还需要决定这些任务的先后顺序（排序）、处理依赖关系（调度）。以及在执行过程中根据反馈调整计划（动态调整），甚至是从失败中学习（反思）。

Agent的规划模块并非一成不变，而是经历了一条从静态推理到动态交互，再到分层解耦和自我进化的演进路径。

阶段	核心范式	代表技术	核心思想	提出时间
阶段1	静态推理范式	CoT（思维链）	让模型在回答前生成中间推理步骤，但不与环境交互	2022
阶段2	动态交互范式	ReAct	推理与行动交替进行，边想边做	2022
阶段3	分层解耦范式	Plan-and-Execute	规划与执行分离，先想后做+动态调整	2023
阶段4	高级扩展范式	ToT、Reflexion、MCTS	多路径探索、自我反思、搜索式规划	2023-2024

注：范式是一个领域内被公认的、用于思考和解决问题的框架——它不是具体的代码或工具，而是指导我们如何设计、如何思考的一套方法论。

ReAct（Reasoning and Acting，thought->action->observation循环）与Plan-and-Execute的关系：

1. 1. 设计哲学：ReAct是“边想边做”，计划隐含在思考-行动循环中；Plan-and-Execute是“先想后做”，计划显式生成再执行。
2. 2. 灵活性 vs 稳定性：ReAct更灵活，能实时适应环境变化，但可能效率低或陷入循环；Plan-and-Execute更稳定，可解释性强，但可能无法应对计划外的变化。
3. 3. 是否互斥：不一定。有些系统结合两者，比如先用Plan-and-Execute生成高级计划，然后在执行每个步骤时用ReAct处理细节。

在实际项目中，不必拘泥于单一范式。可以构建混合架构——用Plan-and-Execute生成粗粒度计划，对计划中不确定性高的步骤（如“查资料”），内部用ReAct精细化执行。这样既保证了整体方向的可控性，又保留了局部执行的灵活性。

举个🌰假设Agent的任务是“组织一场公司团建活动”：

• • 纯Plan-and-Execute：先规划出完整方案（场地选择、餐饮预订、活动安排），然后逐一执行。如果预定场地时发现满员，计划可能卡住，需要人工介入。
• • 纯ReAct：每一步都思考：“现在该干什么？哦，先找场地……找到了，下一步订餐……” 虽然灵活，但可能绕弯路，且用户无法提前知晓整体方案。
• • 结合方案：先用Plan-and-Execute生成一个初步计划：“确定日期 → 预订场地 → 安排餐饮 → 设计活动”。执行“预订场地”这一步时，如果遇到满员，Agent立即启动ReAct模式，动态搜索替代场地、调整日期，甚至修改后续餐饮和活动安排。整个过程既保持了计划的框架，又具备了应变能力。

5. 工具使用（Tool Use）

在前几节中，我们介绍了Agent的大脑（LLM）、记忆（Memory）和规划（Planning）模块。但一个只会思考、不会行动的智能体，终究只是“纸上谈兵”。工具使用模块，正是Agent连接外部世界的桥梁，让它能够真正“动手”解决问题。

工具使用模块的核心作用是：赋予Agent调用外部工具的能力，以突破LLM自身的局限性。

LLM虽然强大，但存在三个天然短板：

1. 1. 知识截止日期：无法获取训练数据之后的新信息
2. 2. 无法访问私有数据：无法查询企业内部数据库、用户个人数据
3. 3. 缺乏执行能力：只能生成文本，无法操作外部系统

工具使用模块解决了这些问题。通过调用各种工具，Agent可以：

• • 获取实时信息：查询天气、股票价格、最新新闻
• • 操作外部系统：发送邮件、创建日历事件、操作数据库
• • 执行精确计算：调用计算器、代码解释器
• • 访问知识库：检索企业文档、专业数据库

通俗理解：如果把LLM比作一个博学的顾问，那么工具就是他的“手脚”和“感官”——让他不仅能说，还能查、能算、能做。

目前，工具使用主要有通过Function Calling（与外界交互的基本能力） + MCP协议（标准化外界交互）实现。

维度	Function Calling	MCP协议
本质	LLM的原生能力，一种调用机制	工具接入的标准化协议
定位	解决“如何调用”的问题	解决“如何接入”的问题
实现方	LLM厂商提供支持	社区推动的开放标准
适用范围	单个函数的调用	整个工具生态的互联
与LLM关系	LLM直接输出函数调用	Agent作为客户端连接MCP服务器

在MCP出现之前，每个工具都需要单独适配：

• • 天气API有一套调用方式
• • 数据库查询有另一套方式
• • 企业内部系统又有自己的接口

开发者需要为每个工具编写适配代码，重复劳动且难以维护。MCP的出现，就是为了解决这个问题——标准化工具接入，让工具接入像插拔U盘一样简单。

6. Agent各模块的协同工作

在前面的章节中，我们逐一拆解了Agent的四大核心模块：大语言模型（LLM）、记忆模块（Memory）、规划模块（Planning） 和 工具使用（Tool Use）。它们各自承担着独特的职责——LLM负责理解与决策，记忆模块存储与检索信息，规划模块分解任务与动态调整，工具模块连接外部世界。

但一个真正的智能体，绝不是这四个模块的简单堆砌。真正的魔力，来自它们之间的无缝协同。就像一支交响乐团，每个乐手都有自己的乐谱，但只有当他们按照指挥的节奏默契配合时，才能奏出恢弘的乐章。

在宏观层面，Agent处理一个任务通常会经历以下五个阶段：

1. 1. 感知与理解：接收用户输入，LLM结合短期记忆（当前对话上下文）理解用户意图。
2. 2. 记忆检索：从长期记忆中召回与当前任务相关的历史信息或知识。
3. 3. 规划与决策：LLM作为“大脑”，基于当前状态（用户输入 + 短期记忆 + 检索到的长期记忆）进行推理，生成行动计划（可能涉及任务分解、步骤排序）。
4. 4. 执行与交互：按照计划调用外部工具（如搜索、API），获取实时信息或执行操作。
5. 5. 学习与更新：将本次交互中的重要信息（如用户偏好、新知识）存入长期记忆，供未来参考。

这个流程不是单向的直线，而是一个循环迭代的过程——Agent可能在执行某一步后，根据观察到的结果重新回到规划阶段，调整后续计划。

让我们用一个贯穿全篇的例子来展示这些模块如何协同工作。假设用户向Agent提出这样一个请求：“我下周末想去南京放松两天，喜欢安静的自然风光，预算2000元左右，帮我规划一下行程。”

第1步：感知与理解（LLM + 短期记忆）

• • 短期记忆：当前对话刚刚开始，短期记忆中只有用户这一条输入。
• • LLM：解析用户输入，提取关键要素：时间（下周末）、地点（南京）、偏好（安静、自然风光）、预算（2000元）、任务类型（行程规划）。LLM意识到这是一个需要多步操作的复杂任务，必须调用其他模块。

第2步：记忆检索（长期记忆）

• • 长期记忆：Agent查询向量数据库，看是否有与该用户或类似任务相关的历史记录。
• • 检索结果：发现该用户三个月前曾询问过“南京有什么小众景点”，当时用户提到“不喜欢人多的地方”。这个信息被召回，放入短期记忆，供后续参考。

第3步：规划与决策（规划模块 + LLM）

• • LLM（作为规划器）：结合用户当前请求和历史偏好，LLM开始规划。它采用 Plan-and-Execute 的思路，先生成一个粗粒度的计划：

1. 1. 查询下周末南京的天气（影响户外活动安排）。
2. 2. 根据天气和“安静自然风光”的偏好，推荐合适的景点。
3. 3. 规划两天的行程顺序，估算交通和门票费用。
4. 4. 搜索预算内的住宿（人均2000元，住宿预算约1000元）。
5. 5. 整合所有信息，生成最终行程建议。

• • 规划模块：将这个计划记录在短期记忆中，作为后续执行的蓝图。同时，规划模块会监控每一步的执行状态。

第4步：执行与交互（工具使用 + 观察）

现在Agent开始按计划执行，但每一步都不是机械的——它会在每个行动后观察结果，动态调整。

子任务1：查询天气

• • 思考（LLM）：第一步需要天气信息。我可以调用天气API。
• • 行动（工具模块）：调用天气API，参数：南京，下周末。
• • 观察：API返回——周六多云，14-21℃；周日晴，15-22℃。非常适合户外活动。
• • 更新短期记忆：天气信息被暂存。

子任务2：推荐景点

• • 思考（LLM）：天气很好，可以推荐自然风光类景点。需要从长期记忆中检索南京适合安静自然风光的景点，同时参考用户历史偏好（喜欢人少的地方）。
• • 行动（工具模块）：查询内部知识库（或调用景点API），条件：南京，自然风光，评价“安静”“人少”。
• • 观察：返回候选列表——紫金山探险公园周边步道、中山植物园（南园）、明孝陵石象路、灵谷寺、清凉山公园、燕子矶公园。
• • 思考（LLM）：需要筛选出真正安静且自然风光好的地方。紫金山区域有很多徒步路线，中山植物园植物丰富，明孝陵石象路秋季很美但可能人多，清凉山公园位于市区相对小巧，燕子矶有江景但稍远。结合用户“安静”偏好，优先选择紫金山深处的步道和植物园。
• • 更新短期记忆：候选景点列表（初步筛选：紫金山徒步道、中山植物园、灵谷寺）被暂存。

子任务3：规划行程与预算

• • 思考（LLM）：需要安排两天的行程，避免奔波。紫金山区域景点集中，可以全部安排在钟山风景区内。第一天上午徒步紫金山（如从蒋王庙上山，经天文台到头陀岭），下午逛中山植物园；第二天游览灵谷寺和明孝陵石象路（尽量早去避开人流）。同时要考虑交通和餐饮预算。
• • 行动（工具模块）：调用地图API，计算景点间的交通时间和费用；调用餐饮API，估算当地简餐人均价格。
• • 观察：紫金山各景点之间公交车或共享单车方便，单次票价2-3元；餐饮人均40-70元（鸭血粉丝汤、小笼包等）。
• • 思考（LLM）：交通和餐饮预算可控。接下来需要找住宿，预算剩余约1500元（总预算2000 - 交通50 - 餐饮400 = 1550元），可住两晚品质不错的民宿。
• • 行动（工具模块）：调用住宿API，搜索南京钟山风景区附近民宿，价格<700元/晚，评价“安静”“环境好”。
• • 观察：返回两家候选——A民宿（650元/晚，近下马坊，有庭院），B民宿（620元/晚，近孝陵卫，背靠紫金山）。
• • 思考（LLM）：两家都符合预算和安静要求。可以给用户两个选择，并生成详细行程。
• • 更新短期记忆：所有收集到的信息（天气、景点、交通、住宿）都已齐备。

第5步：生成最终回答（LLM + 短期记忆）

• • LLM：整合短期记忆中所有中间结果，生成一份结构清晰、考虑周全的行程建议。
• • 最终回答（Agent输出）：

根据你的需求（安静自然风光、预算2000元），我为你规划了以下南京周末行程：

Day1（周六）
上午抵达南京，建议入住A民宿（650元/晚，近下马坊）。下午从蒋王庙步道上紫金山，沿途森林茂密，游客较少，到达头陀岭可俯瞰南京城（全程约2-3小时）。下山后前往中山植物园南园，欣赏热带植物和宁静的湖景，傍晚在植物园附近品尝地道鸭血粉丝汤（人均40元）。

Day2（周日）
早餐后前往灵谷寺（公交202路直达），寺内古树参天，环境清幽，可登灵谷塔远眺。中午在灵谷寺素斋馆用简餐（人均50元）。下午游览明孝陵石象路（从灵谷寺步行或乘景区接驳车），这段路在清晨或傍晚人少时格外宁静，神道两侧的石兽和秋色（或四季常青）非常治愈。傍晚返程。

预算预估：住宿650 + 餐饮240 + 交通30 = 920元，远低于2000元预算。如果你更喜欢B民宿（620元/晚，近孝陵卫，背靠山林），也可以调整行程。

需要我帮你查询具体民宿的空房情况或预订吗？

第6步：学习与更新（长期记忆）

• • 本次交互的重要信息：用户对“安静”“人少”“自然风光”的偏好再次被强化；用户本次最终选择了A民宿（假设用户后续反馈）。
• • 写入长期记忆：Agent将“用户→偏好南京紫金山区域的安静徒步路线”“用户→倾向于选择有庭院的民宿”等信息存入向量数据库。下次该用户再提问时，Agent能提供更个性化的服务。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】