Agent Memory是让智能体从一次性工具升级为长期协作伙伴的核心基建。文章介绍了Agent Memory的核心定义、分层架构、检索机制和工程实现，结合LangChain标准化能力与OpenClaw本地持久化创新，提供了可直接落地的技术方案、完整代码示例与流程图。内容涵盖记忆写入、压缩、检索、管理、注入等关键能力，并通过LangChain和OpenClaw的对比，帮助开发者快速掌握Agent Memory落地精髓，助力构建具有长期记忆和经验沉淀能力的高性能智能体。

1、Agent Memory 核心定义与价值

1.1 核心定义

Agent Memory 并非简单的对话历史缓存，而是一套可持久化、可检索、可管理、可解释的状态管理系统，核心职责涵盖：

  • 精准记录交互历史、任务执行轨迹、环境反馈与用户核心偏好；
  • 按生命周期与重要性分层存储，实现资源高效利用；
  • 支持跨会话、跨任务的精准记忆召回，为推理提供支撑；
  • 实现「经验驱动决策」，替代单纯的上下文拼接，提升智能体决策连贯性。

1.2 为什么必须落地 Agent Memory？

传统 LLM 无记忆特性，在实际工程落地中会面临四大不可解决的痛点：

  1. 上下文窗口硬上限：长对话、多步骤复杂任务（如代码开发、方案设计）的历史信息必溢出，导致推理断裂；
  2. Token 成本爆炸：将全量历史对话塞入 Prompt，随着交互轮次增加，Token 消耗呈指数级增长，长期使用不可持续；
  3. 无跨会话能力：智能体重启即“失忆”，无法记住用户长期偏好、历史任务细节，无法实现长期协作；
  4. 推理质量退化：无记忆支撑导致重复思考、逻辑矛盾，无法基于历史经验优化决策，智能性大打折扣。

1.3 核心能力边界

核心能力 详细说明
记忆写入 采集原始输入/工具返回结果，进行结构化处理、去重清洗后，完成持久化存储
记忆压缩 通过摘要、知识蒸馏等方式，降低 Token 占用，避免上下文溢出，同时保留核心信息
记忆检索 支持关键词检索、向量检索、混合检索，对召回结果进行排序、过滤，确保精准性
记忆管理 提供记忆的增删改查、版本控制、权限分级、过期清理等能力，保障记忆可控
记忆注入 根据当前任务需求，动态提取相关记忆注入 Prompt，支撑智能体多步推理与决策

2、Agent Memory 标准分层架构

2.1 四层记忆模型

  • 感官记忆：存储原始输入（用户提问、工具返回），属于瞬时缓存，核心作用是快速过滤噪声信息，仅保留有价值的内容进入下一层；
  • 短期/工作记忆：会话内活跃的上下文信息，采用滑动窗口+摘要结合的方式管理，容量有限（通常对应 LLM 上下文窗口的 50%-70%）；
  • 中期记忆：会话级别的记忆归档，按天、按任务维度组织，支持会话回溯、任务复盘，可按需召回至短期记忆；
  • 长期记忆：存储用户偏好、业务规则、核心经验、知识库等长期有效信息，永久可编辑，是智能体“经验沉淀”的核心载体。

2.2 标准执行流程

注：流程核心是“实时流转+按需持久化”，确保记忆不丢失、不冗余，同时控制 Token 消耗。

3、LangChain Memory 体系：标准化开箱即用，快速落地

3.1 核心 Memory 类型（按使用场景分类）

  • 基础记忆（适合简单对话）：ChatMessageHistory（基础对话历史存储）、ConversationBufferMemory（全量对话缓冲）；
  • 会话优化记忆（适合长对话）：ConversationBufferWindowMemory（滑动窗口，保留近期对话）、ConversationSummaryMemory（自动生成对话摘要，压缩 Token）；
  • 混合记忆（适合复杂场景）：ConversationSummaryBufferMemory（窗口+摘要结合，兼顾近期细节与长期摘要）；
  • 长期记忆（适合跨会话场景）：VectorStoreRetrieverMemory（对接向量库，实现长期记忆检索）、EntityMemory（提取实体并追踪，适合知识型任务）。

3.2 关键代码示例1：Summary + Buffer 混合记忆（长对话首选）

from langchain.memory import ConversationSummaryBufferMemoryfrom langchain.chat_models import ChatOpenAIfrom langchain.chains import ConversationChain# 初始化LLM（可替换为国内模型，如通义千问、文心一言）llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0, api_key="你的API密钥")# 初始化混合记忆：超过max_token_limit自动摘要，保留近期对话memory = ConversationSummaryBufferMemory(    llm=llm,    max_token_limit=800,  # 阈值可根据LLM上下文窗口调整    return_messages=True  # 返回Message对象，便于后续处理)# 初始化对话链conversation = ConversationChain(llm=llm, memory=memory, verbose=True)# 多轮对话测试（模拟长对话场景）conversation.predict(input="我是后端工程师，常用SpringBoot+MySQL开发，接口统一返回Result格式，遵循Alibaba开发规范")conversation.predict(input="我需要开发用户权限模块，包含JWT登录、角色校验、资源权限控制三个核心功能")conversation.predict(input="JWT生成时，需要包含用户ID、角色列表、过期时间，过期时间设置为2小时，密钥用环境变量存储")conversation.predict(input="角色分为admin、operator、viewer三类，admin拥有全部权限，operator可操作业务数据，viewer仅可查看")# 查看当前记忆（自动保留摘要+近期对话，无溢出）print("当前记忆内容：", memory.load_memory_variables({}))

3.3 关键代码示例2：向量长期记忆（对接Chroma，跨会话可用）

from langchain.embeddings import OpenAIEmbeddingsfrom langchain.vectorstores import Chromafrom langchain.memory import VectorStoreRetrieverMemory# 初始化嵌入模型（可替换为本地化嵌入模型，如BGE、m3e）embeddings = OpenAIEmbeddings(api_key="你的API密钥")# 初始化Chroma向量库（持久化存储，重启后记忆不丢失）vectorstore = Chroma(    embedding_function=embeddings,    persist_directory="./agent_memory_db",  # 本地存储路径    collection_name="long_term_memory")vectorstore.persist()  # 持久化到本地# 初始化向量检索器（k=3表示召回Top3相关记忆）retriever = vectorstore.as_retriever(search_kwargs={"k": 3})# 初始化长期记忆memory = VectorStoreRetrieverMemory(retriever=retriever)# 写入长期记忆（用户偏好、业务规则等）memory.save_context(    {"input": "后端接口开发规范"},    {"output": "1. 接口路径统一用蛇形命名；2. 禁止返回null，空值用空数组/空对象；3. 必须包含请求参数校验；4. 异常统一返回Result

3.4 LangChain Memory 优缺点总结

  • 优点：生态完善，支持多LLM（OpenAI、通义千问等）、多向量库（Chroma、Pinecone等）；组件插拔式设计，开发效率高；文档丰富，社区支持强，适合快速落地。
  • 不足：默认依赖云端服务（LLM、向量库），本地部署成本高；记忆存储为黑盒（向量形式），人工可编辑性弱；隐私性较差，敏感数据不适合直接存储。

4、OpenClaw Memory：本地优先、文件即真相，解决隐私与可控性痛点

4.1 OpenClaw Memory 设计哲学

  • File-First（文件优先）：Markdown 文件是记忆的唯一真相源，所有记忆均以人类可读的形式存储，无黑盒向量，可直接用文本编辑器修改；
  • Local-First（本地优先）：全流程本地运行，不依赖任何云端服务，断网可用，敏感数据不会泄露；
  • Human-Editable（人工可编辑）：无需调用 API，直接编辑 Markdown 文件即可修改记忆，灵活调整偏好、规则；
  • Hybrid-Search（混合检索）：结合 SQLite FTS5 全文检索与 sqlite-vec 向量检索，毫秒级召回相关记忆，兼顾精准性与速度。

4.2 OpenClaw 四层记忆架构

  1. 工作记忆：当前会话的活跃上下文，临时存储，会话结束后按需压缩归档；
  2. 短期记忆：自动对工作记忆进行压缩摘要，将 Token 占比降低 90% 以上，保留核心信息；
  3. 长期记忆：以 Markdown 文件为载体，包含 MEMORY.md（核心偏好、规则）、每日日志、会话归档三大模块；
  4. 检索加速层：基于 SQLite 构建 FTS5 全文索引与 sqlite-vec 向量索引，支撑混合检索高效运行。

4.3 目录结构

~/.openclaw/workspace/  # OpenClaw 工作目录├── MEMORY.md           # 核心长期记忆：用户偏好、业务规则、核心经验（可直接编辑）├── USER.md             # 用户信息：基本信息、技术栈、需求偏好等├── memory/             # 会话/日志归档目录│   ├── 2026-03-20.md   # 每日日志：当天所有会话的压缩摘要│   └── 2026-03-20-user-api-design.md  # 单会话归档：某一具体任务的完整记忆

4.4 核心黑科技：Silent Memory Flush（静默记忆刷新）

  • 触发条件：当工作记忆的 Token 数量接近 LLM 上下文窗口阈值时；
  • 执行逻辑：不打断用户交互、不回复无关内容，静默提取工作记忆中的关键事实、偏好、决策；
  • 存储目标：将提取的核心信息写入 MEMORY.md 或当日日志文件，完成持久化；
  • 最终效果：自动压缩工作记忆，释放 Token 空间，同时确保关键信息永不丢失。

4.5 混合检索核心表结构

-- 记忆文本块表：存储拆分后的记忆片段（按段落/句子拆分，便于检索）CREATE TABLE chunks (  id INTEGER PRIMARY KEY AUTOINCREMENT,  file_id INTEGER NOT NULL,  -- 关联的Markdown文件ID  text TEXT NOT NULL,        -- 记忆文本内容  hash TEXT UNIQUE NOT NULL, -- 文本哈希，用于去重  embedding TEXT,            -- 向量嵌入（json格式存储）  create_time DATETIME DEFAULT CURRENT_TIMESTAMP, -- 创建时间（用于时间衰减）  update_time DATETIME DEFAULT CURRENT_TIMESTAMP  -- 更新时间);-- FTS5 全文检索虚拟表：支撑关键词精准检索CREATE VIRTUAL TABLE chunks_fts USING fts5(  text,  -- 检索字段（关联chunks表的text字段）  content=chunks,  -- 关联的主表  content_rowid=id -- 关联主表的主键);-- sqlite-vec 向量检索虚拟表：支撑语义检索CREATE VIRTUAL TABLE chunks_vec USING vec0(  embedding float[768]  -- 向量维度，可根据嵌入模型调整（如BGE为768维）);-- 触发器：插入/更新chunks时，自动同步更新全文检索与向量检索表CREATE TRIGGER chunks_after_insert AFTER INSERT ON chunksBEGIN  INSERT INTO chunks_fts(rowid, text) VALUES (new.id, new.text);  INSERT INTO chunks_vec(rowid, embedding) VALUES (new.id, json_extract(new.embedding, '$'));END;CREATE TRIGGER chunks_after_update AFTER UPDATE ON chunksBEGIN  UPDATE chunks_fts SET text = new.text WHERE rowid = new.id;  UPDATE chunks_vec SET embedding = json_extract(new.embedding, '$') WHERE rowid = new.id;END;

4.6 OpenClaw Memory 优缺点总结

  • 优点：完全本地运行，隐私性强，敏感数据不泄露；记忆透明可编辑，无需API即可调整；无云端依赖，部署成本低；混合检索速度快，适合个人/小型团队。
  • 不足：生态不如 LangChain 完善，支持的 LLM/工具插件较少；开发灵活性略低，适合标准化本地场景，复杂 Agent 调度需额外开发。

5、LangChain × OpenClaw 融合方案

5.1 融合核心思路

  • LangChain：负责 Agent 整体调度、工具调用链编排、LLM 接入、短期记忆管理（工作记忆+短期记忆）；
  • OpenClaw：负责长期记忆的本地持久化（Markdown+SQLite）、混合检索（全文+向量）、静默记忆刷新，以及记忆的人工编辑与治理。

5.2 融合代码示例

from langchain.memory import BaseMemoryfrom langchain.schema import HumanMessage, AIMessageimport sqlite3import sqlite_vecimport markdownfrom datetime import datetimeimport hashlibclass OpenClawMemory(BaseMemory):    """自定义OpenClaw Memory，接入LangChain，实现本地持久化与混合检索"""    def __init__(self, workspace_path: str = "./.openclaw/workspace"):        # 初始化工作目录与核心文件        self.workspace_path = workspace_path        self.memory_file = f"{workspace_path}/MEMORY.md"        self.init_workspace()        # 初始化SQLite数据库（全文检索+向量检索）        self.db = sqlite3.connect(f"{workspace_path}/memory.db")        self.db.enable_load_extension(True)        sqlite_vec.load(self.db)        self.init_db()        # 记忆缓存（避免频繁查询数据库）        self.cache = []    def init_workspace(self):        """初始化工作目录与核心文件"""        import os        if not os.path.exists(self.workspace_path):            os.makedirs(self.workspace_path)        if not os.path.exists(self.memory_file):            with open(self.memory_file, "w", encoding="utf-8") as f:                f.write("# Agent 长期记忆\n\n## 用户偏好\n\n## 业务规则\n\n## 核心经验\n")    def init_db(self):        """初始化数据库表结构（全文检索+向量检索）"""        cursor = self.db.cursor()        # 创建记忆文本块表        cursor.execute('''        CREATE TABLE IF NOT EXISTS chunks (          id INTEGER PRIMARY KEY AUTOINCREMENT,          file_id INTEGER NOT NULL,          text TEXT NOT NULL,          hash TEXT UNIQUE NOT NULL,          embedding TEXT,          create_time DATETIME DEFAULT CURRENT_TIMESTAMP,          update_time DATETIME DEFAULT CURRENT_TIMESTAMP        )        ''')        # 创建FTS5全文检索表        cursor.execute('''        CREATE VIRTUAL TABLE IF NOT EXISTS chunks_fts USING fts5(          text,          content=chunks,          content_rowid=id        )        ''')        # 创建向量检索表        cursor.execute('''        CREATE VIRTUAL TABLE IF NOT EXISTS chunks_vec USING vec0(embedding float[768])        ''')        # 创建触发器        cursor.execute('''        CREATE TRIGGER IF NOT EXISTS chunks_after_insert AFTER INSERT ON chunks        BEGIN          INSERT INTO chunks_fts(rowid, text) VALUES (new.id, new.text);          INSERT INTO chunks_vec(rowid, embedding) VALUES (new.id, json_extract(new.embedding, '$'));        END        ''')        self.db.commit()    def hybrid_search(self, query: str, top_k: int = 3) -> list:        """混合检索：全文检索（30%权重）+ 向量检索（70%权重），MMR去重"""        cursor = self.db.cursor()        # 1. 全文检索（FTS5）        cursor.execute("SELECT id, text, 0.3 as weight FROM chunks_fts WHERE text MATCH ? LIMIT 10", (query,))        full_text_results = cursor.fetchall()        # 2. 向量检索（sqlite-vec）        # 此处省略嵌入模型调用（可使用BGE、m3e等本地模型）        query_embedding = [0.1]*768  # 模拟向量，实际需替换为真实嵌入结果        cursor.execute("SELECT id, text, 0.7 as weight FROM chunks_vec WHERE embedding MATCH ? LIMIT 10", (query_embedding,))        vector_results = cursor.fetchall()        # 3. 融合结果，按权重排序，MMR去重        all_results = full_text_results + vector_results        all_results.sort(key=lambda x: x[2], reverse=True)        # MMR去重（简化版，实际可优化）        unique_results = []        seen_text = set()        for res in all_results:            if res[1] not in seen_text:                seen_text.add(res[1])                unique_results.append(res[1])                if len(unique_results) >= top_k:                    break        return unique_results    def append_to_memory(self, text: str):        """将记忆文本写入Markdown文件，并同步到数据库"""        # 去重（通过哈希）        text_hash = hashlib.md5(text.encode("utf-8")).hexdigest()        cursor = self.db.cursor()        cursor.execute("SELECT id FROM chunks WHERE hash = ?", (text_hash,))        if cursor.fetchone():            return  # 已存在，跳过        # 写入Markdown文件        with open(self.memory_file, "a", encoding="utf-8") as f:            f.write(f"\n{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}：{text}")        # 写入数据库（file_id默认为1，对应MEMORY.md）        cursor.execute(            "INSERT INTO chunks (file_id, text, hash) VALUES (1, ?, ?)",            (text, text_hash)        )        self.db.commit()    def load_memory_variables(self, inputs: dict) -> dict:        """加载相关记忆，供LangChain Agent使用"""        query = inputs.get("input", "")        if not query:            return {"history": ""}        # 混合检索相关记忆        relevant_memory = self.hybrid_search(query)        return {"history": "\n".join(relevant_memory)}    def save_context(self, inputs: dict, outputs: dict):        """保存当前上下文到记忆（工作记忆→长期记忆）"""        user_input = inputs.get("input", "")        ai_output = outputs.get("output", "")        if not user_input or not ai_output:            return        # 构建记忆文本        memory_text = f"用户提问：{user_input}\nAI回复：{ai_output}"        # 写入记忆（自动去重）        self.append_to_memory(memory_text)        # 更新缓存        self.cache.append(memory_text)    @property    def memory_variables(self) -> list:        """LangChain要求：返回记忆变量名"""        return ["history"]# 测试：LangChain + OpenClaw 融合使用if __name__ == "__main__":    from langchain.chat_models import ChatOpenAI    from langchain.chains import ConversationChain    # 初始化OpenClaw本地记忆    memory = OpenClawMemory()    # 初始化LLM    llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0, api_key="你的API密钥")    # 初始化对话链（LangChain调度，OpenClaw管理记忆）    chain = ConversationChain(llm=llm, memory=memory, verbose=True)    # 多轮对话测试（记忆会自动本地持久化，跨会话可检索）    chain.predict(input="我需要开发一个SpringBoot接口，路径是/api/user/login，请求方式POST")    chain.predict(input="请求参数需要包含username和password，必填，且password长度不小于8位")    chain.predict(input="接口返回Result

6、工程关键技术与最佳实践

6.1 记忆压缩策略

  • 压缩规则：只保留核心事实（如需求、规则）、用户偏好、关键决策；丢弃闲聊、重复表述、临时反馈等无价值内容；

  • 压缩目标：将原始记忆压缩至原 Token 量的 10%–15%，确保不占用过多上下文空间；

  • 压缩 Prompt 示例（可直接复用）：```plaintext
    你是专业的记忆压缩专家，负责对Agent对话记忆进行压缩。要求：1. 仅保留核心事实、用户偏好、关键决策，丢弃闲聊、重复内容、临时反馈；2. 压缩后 Token 量不超过原始的15%，语言简洁、准确，不丢失关键信息；3. 保留用户明确要求的规则、格式、参数等细节；4. 不添加任何额外解释，仅输出压缩后的记忆内容。

6.2 检索优化

  • 双路召回权重：全文检索（30%）负责关键词精准匹配，向量检索（70%）负责语义相似匹配，兼顾精准性与灵活性；
  • 去重与排序：采用 MMR（最大边际相关性）算法去重，避免召回内容冗余；结合时间衰减（30天半衰期），新记忆权重更高，旧记忆逐步降低权重；
  • 检索阈值控制：向量检索相似度阈值设为 0.7 以上，全文检索匹配度设为 60% 以上，过滤无关记忆。

6.3 安全与治理

  • 会话隔离：不同会话的记忆相互隔离，群聊场景不加载用户核心长期记忆，避免信息泄露；
  • 权限分级：敏感记忆（如密钥、隐私数据）仅主会话可见，普通会话仅能检索公开规则与经验；
  • 版本控制：用 Git 管理 Markdown 记忆文件，支持记忆回滚，避免误操作导致的记忆丢失；
  • 定期清洗：每周清理过期记忆（如临时任务记忆）、重复记忆，保持记忆库简洁。

6.4 避坑清单

  • ❌ 不要把上下文窗口当作记忆：上下文是临时缓存，不可持久化，重启即丢失；
  • ❌ 不要全量无过滤存储：无关内容会导致检索冗余、Token 成本上升，降低推理质量；
  • ❌ 不要依赖纯向量黑盒记忆：向量无法人工编辑，出现错误无法修正，需结合可读文件存储；
  • ✅ 必须分层存储：按感官→短期→中期→长期分层，实现资源高效利用；
  • ✅ 必须做记忆压缩：控制 Token 成本，避免上下文溢出；
  • ✅ 必须可检索、可编辑：确保记忆可召回、可修正，提升可控性。

7、总结与落地路径

Agent Memory 不是 Agent 的附加功能，而是智能体的灵魂——只有把记忆做扎实，实现“可持久化、可检索、可管理、可解释”，AI 才能真正从“一次性工具”升级为长期陪伴、持续进化的数字伙伴。结合本文内容，给出三级落地路径，适配不同需求：

  1. 快速起步：使用 LangChain 的 ConversationSummaryBufferMemory + Chroma 向量库，快速实现长对话记忆与跨会话检索，适合快速验证需求；
  2. 本地隐私落地：切换到 OpenClaw Memory，部署本地 Markdown + SQLite 存储，享受记忆透明、隐私保护、无云端依赖的优势，适合个人/敏感场景；
  3. 生产级融合：采用 LangChain + OpenClaw 融合方案，LangChain 负责 Agent 调度与工具调用，OpenClaw 负责长期记忆持久化与检索，兼顾开发效率与隐私可控；
  4. 持续优化：迭代记忆压缩策略、检索权重、记忆治理规则，形成“写入→压缩→检索→治理”的闭环，持续提升记忆质量与推理效率。

随着 Agent 技术的普及，Memory 能力将成为区分普通 Agent 与高性能 Agent 的核心指标。掌握本文的分层架构、技术方案与最佳实践，可快速落地高质量 Agent Memory 系统，让智能体真正具备“长期记忆”与“经验沉淀”能力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

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。我们整理出这套 AI 大模型突围资料包：

  • ✅ 从零到一的 AI 学习路径图
  • ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
  • ✅ 百度/阿里专家闭门录播课
  • ✅ 大模型当下最新行业报告
  • ✅ 真实大厂面试真题
  • ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~
在这里插入图片描述

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
在这里插入图片描述

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
在这里插入图片描述

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
在这里插入图片描述

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。
在这里插入图片描述

⑤ 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。
在这里插入图片描述

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

图片

以上资料如何领取？

在这里插入图片描述

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

图片

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
在这里插入图片描述
在这里插入图片描述

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。
在这里插入图片描述
在这里插入图片描述

以上全套大模型资料如何领取？

在这里插入图片描述

# 前端 # 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

从 Prompt 到工程体系：如何真正把 AI 用进软件开发

真正成熟的 AI 编程，一句 Prompt 生成项目而是：如何把团队多年工程经验系统化、结构化、流程化。然后：交给 AI 稳定执行。未来：真正厉害的工程师：不是最会写 Prompt 的人。而是： 最会设计 AI 工程体系的人。

avatar AtomGit开源社区
cover

当大模型认不出一个具体名字：MiniMax 回答失灵，问题未必只在模型本身

avatar AtomGit开源社区
cover

告别机械替换：我实测了4款降AI工具，教你搞定论文学术感

avatar AtomGit开源社区