本文系统解析智能体开发平台的技术架构，重点阐述三大支柱：RAG解决知识边界，Workflow负责流程编排，Agent实现自主决策。深入探讨如何将大模型不确定性约束在确定业务框架内，成为真正的生产力工具，而非概念演示。对开发者而言，选择平台应重点关注工程化程度、异常处理能力和评估监控体系。
一、为什么需要智能体开发平台？
1. 从单点问答到复杂流程
早期大家对大模型的使用，基本停留在“问答”和“润色”层面：给一段文本，让它改写、翻译、总结，一问一答就结束了。
但真实业务场景远比这复杂：
- 智能客服要能理解客户诉求 → 查订单 → 走退款审核流程 → 记录工单
- 运营同学提一个“帮我做个双十二的活动方案” → 要理解目标人群 → 调取历史数据 → 生成方案 → 生成落地执行列表
- 内部知识助手要基于公司文档 → 检索 → 对比多个版本 → 给出合规答案
这些都不再是一个“对话回合”能搞定的，而是一个从感知 → 规划 → 执行 → 反馈的完整链条。
2. 平台的核心价值：把模型变成“数字员工”
大模型本身提供的是通用推理与语言能力，而企业需要的是：
- 会使用内部工具、API
- 懂业务规则和流程
- 能“说不清楚就问”、“不会就求助”的数字员工
这中间的缺口，需要一个工程化的平台来补：
- 把知识系统化接入（文档、图片、表格、数据库）
- 把业务流程抽象成可编排的工作流
- 把工具、接口、插件以标准化方式暴露给智能体
一个好的智能体开发平台，本质是在做一件事：把模型的“不确定输出”，约束在“确定的业务边界”之内。
3. 三个技术锚点
围绕这件事，可以把技术内核粗略划分为三根支柱：
- RAG（检索增强生成）：让模型“有据可依”
- Workflow（工作流）：让任务“井井有条”
- Agent（智能体）：让系统具备一定“自主决策”能力
下面逐个拆开。
二、第一支柱：知识增强（RAG）——让模型“有据可依”
单靠大模型的“记忆”和预训练，无法覆盖企业大量的私有知识，更无法保证答案与最新政策、内部规范保持一致。这就是为什么 RAG 成为智能体平台的必选项。
1. 现代 RAG 的技术分层
（1）接入层：多模态知识的统一与分治
现实世界的知识，从来不是干净的文本：
- PDF 文档、Word、邮件往来
- Excel 报表、数据库表
- 图片、截图、扫描件
一个成熟的平台，要在接入层解决两个问题：
- 统一：将文本、表格、图片等统一视作“知识单元”，形成统一索引和元数据管理方式。
- 分治：不同类型文档使用不同的解析管线，例如：
- 文本做语义切分、分段、向量化
- 表格做结构抽取、字段对齐
- 图片先过 OCR/视觉模型，提取可检索的结构化信息
做得不好的平台，通常在这里就埋下“日后检索不准”的雷。
（2）检索层：精准 vs 召回，分而治之还是并行？
检索层本质是两件事：
- 找到“尽量全”的候选知识（召回）
- 从中选出“足够准”的那一小部分（精排）
面临几类典型权衡：
- 高召回 → 噪声多，容易让模型“发挥想象力”
- 高精度 → 容易漏掉关键信息，导致答非所问
复杂问题下还有一个现实难题：一个问题往往包含多个子问题。比如“对比我们去年的双11运营策略，分析今年的改进空间，并给出落地方案”。这类问题要不要先拆成多个检索子请求？很多平台开始尝试“分而治之”和“并行检索”的组合策略：
- 先用模型对问题做任务分解
- 每个子问题独立检索
- 最后在生成阶段综合多路检索结果
（3）生成层：如何把检索结果喂给模型？
RAG 不只是“找文档”，更关键的是怎么把这些文档有效地注入到提示词中，并控制生成质量：
- 片段选取：不是简单地“top-k 拼在一起”，而是要考虑上下文连贯性
- 模板设计：如何让模型明确区分“自己的推断”和“文档中的明确事实”
- 忠实度控制：通过“引用标注”、“引用率约束”等方式降低幻觉
从工程体验上看，一个简单的 RAG 和一个工程化的 RAG，差别往往在这一层真正拉开。
2. 技术能力分水岭：平台之间的差距在哪里？
（1）拒答与澄清机制
“装懂”是大模型的天性。
成熟的平台要在工程层面加一层护栏：
- 当知识库中检索结果信号很弱时，优先引导模型：
- 承认“当前资料不足”
- 提出澄清问题（补充时间范围、部门、产品线等）
- 对敏感领域（合规、风控、法务），可以设置更高拒答阈值
简单的 RAG 通常任由模型发挥；好的平台会明确区分“有依据”与“无依据”的回答路径。
（2）结构化数据查询：从自然语言到 SQL/API
对于报表、交易记录、日志这类结构化数据，检索文本已经不够，需要走：
自然语言 → SQL 或 API 调用 → 结果再交给模型解读
这中间的技术门槛在于：
- 能否正确推断涉及的表/字段
- 能否正确处理多表关联、聚合、过滤条件
- 出错时能否自动回退（如：
- 先用“解释计划”检测 SQL 合法性
- 出现异常时再次生成或提问澄清）
平台之间的差距，经常不是“能不能查”，而是“复杂报表场景下还能不能稳”。
（3）图文理解与引用
在实际项目中，你会频繁遇到：
- 用户发一张报错截图，问“这是什么问题？”
- 发一张合同扫描件，问“这条条款风险大吗？”
- 发一个产品宣传图，问“是否符合品牌规范？”
这已经超出纯文本检索，要求平台具备：
- 从图片中抽取关键文本和结构（OCR + 图像理解）
- 将图片和相关文档“绑在一起”索引
- 在回答时能“引用图片中的证据”，而不是凭空解释
对这块支持不完善的平台，在多模态场景中体验会非常割裂。
3. 当前共性技术瓶颈
即便技术栈看起来很“完整”，仍有几个广泛存在的痛点：
- 幻觉依然存在，特别是在：
- 知识不完整、碎片化时
- 问题本身模糊、不规范时
- 多模态文档的深层语义关联不仅考验模型，也考验平台的数据建模方式：图片、表格、文本之间的逻辑关系很难完全抽取和表达。
三、第二支柱：工作流（Workflow）——让任务“井井有条”
如果说 RAG 解决的是“知道这件事怎么回事”，工作流解决的就是“怎么把这件事完整做完”。
1. 工作流引擎的核心能力
（1）参数动态提取：从自然语言中“抠业务参数”
用户不会主动帮你填表单，他只会说：
- “帮我查下上个月华东大区的退款订单”
- “把我昨天没完成的审批再推一遍”
平台要自动从话语中提取：
- 时间范围、地域、产品线等结构化参数
- 关联到具体业务对象（某个订单、某个项目）
做法包括：
- 基于模型的实体识别、槽位填充
- 加上领域词典、正则规则、历史上下文的补充
实战中，参数提取的准确率，直接决定后续工具调用、接口请求是否有效。
（2）意图识别与路由：咨询 vs 操作
“我想了解退款规则”和“帮我申请退款”，意图完全不同：
- 前者走问答流程（RAG）
- 后者要走退款业务流程（校验订单 → 判断规则 → 创建工单）
平台需要有一层意图分类与路由机制：
- 判断是“咨询类”还是“操作类”
- 对操作类再细分具体流程：查询类、修改类、创建类等
这类设计越清晰，后端流程越稳定，越不容易把“随便聊聊”当成真实操作。
（3）异常处理与回退：出错时怎么办？
真实系统不可能“次次成功”：
- 接口超时、鉴权失败
- 参数缺失、业务规则冲突
- 外部系统故障
平台需要为每个关键节点设计：
- 重试策略（重试几次、间隔多久）
- 回退路径（改走人工，还是请用户稍后再试）
- 用户反馈方式（解释清楚失败原因，而不是简单“出错了”）
这一块很考验“产品 sense”：既不夸大智能体的能力，也不把问题甩锅给用户。
2. 平台设计的两条哲学路径
围绕“对话”和“流程”，平台大致有两类路线。
（1）对话流与任务流分离
典型做法是：
- 把闲聊、问答放在一个通道（对话流）
- 把关键业务操作放在另一个通道（任务流）
优点：
- 安全边界清晰，业务流程实现可控
- 核心流程不容易被自由对话干扰
缺点：
- 体验上可能略显“割裂”，从聊天到操作有明显切换感
（2）一体化融合：用单一智能体调度一切
另一种思路是：
- 所有事情都通过一个智能体接口暴露出去
- 由模型+路由逻辑在内部决定：什么时候查知识、什么时候走流程、什么时候调用工具
优点：
- 体验顺滑，对用户来说就是“跟一个助手聊”
- 场景扩展比较自然
缺点：
- 实现复杂度高、测试成本大
- 安全和稳定性需要更多精细控制
大多数平台会在这两种路径之间找平衡：底层流程和接口高度结构化，上层交互尽量统一入口。
3. 当前共性技术瓶颈
- 用户意图本身是不稳定的：
- 说着说着就改需求
- 中途插入新的问题
- 把多个请求混在一句话里
- 参数之间的逻辑依赖复杂：
- 一个选择会影响后面可选项
- 时间、额度、身份等约束交织
在这种情况下，很多平台的工作流鲁棒性仍然不足：要么过于僵硬（稍微偏离就崩），要么过于宽松（容易走错分支）。
四、第三支柱：智能体（Agent）——让系统“自主决策”
Workflow 负责的是“预先定义好的流程”。但现实场景中有大量“不好预先画流程图”的任务，比如：
- “帮我策划一次北京三日亲子游”
- “帮我用公司过往新品上市节奏，评估这个产品大概应该什么时候推”
这类任务的共同特点是：开放、模糊、步骤不固定，这就是 Agent 发挥作用的地方。
1. Agent 的核心：动态规划与工具调用
（1）任务分解与规划
面对一句“帮我策划一次旅行”，一个具备 Agent 能力的平台要能自动完成：
- 识别关键维度：出发地、目的地、天数、预算、同行人群
- 分解子任务：
- 查天气和季节适合项目
- 查机酒价格和时间
- 生成每日行程和交通方案
- 确定执行顺序：先了解偏好 → 再做搜索 → 再生成方案
这里考验的是平台的“规划层”：既要利用模型的推理能力，又要用工程规则保证流程不会跑偏太远。
（2）工具调用与协同
规划出来之后，Agent 要能够：
- 按工具接口要求构造参数
- 合理安排多个工具调用的先后顺序
- 把前一个工具的输出转换成后一个工具的输入
典型难点包括：
- 多轮工具调用中，如何保持“任务上下文”的连贯
- 如何避免参数反复询问用户（过度打扰）
这部分如果没有好的抽象，很容易变成“到处是 if-else”的灾难。
2. 工具生态的构建模式
（1）深度集成原生工具
对企业来说，真正关键的往往是：
- 内部文档系统、审批系统
- CRM、ERP、财务、风控系统
- 自研地图、调度、监控工具
平台如果能够与这些系统原生深度集成，智能体就能像老员工一样“熟练使用公司软件”，而不是只会帮你写写文案。
（2）标准化插件架构
另一方面，企业也离不开各种第三方能力：
- 支付、物流、地图、电商
- 各类 SaaS 工具
面向开发者，一个好的平台会给出：
- 统一的工具/插件规范（参数声明、鉴权方式、错误码）
- 可视化或低代码的接入方式
- 版本管理和灰度发布机制
这决定了生态能长多快、多稳。
3. 当前共性技术瓶颈
哪怕工具列表已经很齐全，仍然会遇到几个老大难：
- 工具调用稳定性：
- 接口鉴权配置复杂，容易出错
- 超时、限流、网络抖动的处理不到位
- 复杂协同易断裂：
- 上一个工具返回的字段名或结构变化，后一个工具就接不上
- 中间某步失败了，没有好的局部重试和补偿机制
这些问题在多步骤、跨系统的复杂场景下尤其明显，也是当下很多平台“Demo 很惊艳，上线就翻车”的根源所在。
五、技术整合挑战与未来演进方向
单看 RAG、Workflow、Agent，每一块都有成熟思路。但真正落地时，会遇到一个终极问题：
怎么把三块拼成一个“整体好用”的系统，而不是三堆孤立的技术组件？
1. 三大支柱的协同困境
（1）RAG → Workflow → Agent 的信息流
一个真实案例可能是这样的：
- 智能体先用 RAG 查了一堆内部政策和历史案例
- 再根据结果决定走哪个工作流分支
- 在工作流过程中按需调用多个工具
问题在于：
- RAG 的检索结果如何让工作流“可编排”？不能只是模型“读一读就算了”。
- 工作流的状态和中间数据，如何回流给 Agent，用于下一步规划？
这本质上要求平台有一套统一的状态管理和上下文表达，而不是各自为政。
（2）工作流的“刚性” vs Agent 的“灵活”
企业希望：
- 流程要可控、可审计、可复盘（偏刚性）
- 智能体要灵活、能随机应变（偏灵活）
在同一个系统里平衡这两点，是一个架构层面的长期课题。直观做法包括：
- 把关键决策节点“结构化”，让模型在“规则框架内”做选择
- 为 Agent 设定明确的“权限边界”和可见信息范围
2. 未来演进的几个关键点
（1）评估体系标准化
没有可靠的评估体系，一切“效果很好”都是主观感受。未来平台竞争的一部分，会落在：
- 针对 RAG 的评估：检索准确率、回答忠实度
- 针对 Workflow 的评估：流程成功率、异常恢复能力、平均处理时长
- 针对 Agent 的评估：工具调用成功率、多步任务完成率
谁能把这些评估指标标准化、产品化，谁就更有底气对外宣称“平台能力”。
（2）原子能力模块化：做成“乐高积木”
RAG、规划、工具调用、意图识别、参数抽取……这些都可以进一步拆成“原子能力”：
- 每个原子能力：
- 有清晰的输入输出
- 有可观测的效果指标
- 可以被不同上层场景复用
对平台厂商来说，能否把这些能力做成“积木”，直接决定扩展效率；对开发者来说，这决定了是不是能把自己的业务逻辑搭得既快又稳。
（3）人机协同设计：哪里该让人来接管？
真正成熟的系统，会非常坦然地承认：
有些地方机器干不好，就应该设计“让人接管”。
典型的协同点包括：
- 高风险操作前的人工审核
- 模型不确定性高时的人工确认
- 异常情况的人工仲裁和回溯
关键不是“机器做多少，人做多少”，而是：
- 在什么节点引入人
- 怎么把上下文和建议展示给人
- 人的决策如何再回流给系统，成为之后的学习样本
六、总结
如果要用一句话概括智能体开发平台的竞争本质：
比的已经不是“谁的模型更会聊天”，而是谁能用更好的工程化和架构设计，把大模型的不确定性牢牢装进一个确定的业务框架里。
RAG 决定了“知识边界”，Workflow 决定了“流程边界”，Agent 决定了“自主程度边界”。三者如何在一个平台中优雅协同，很大程度上决定了：
- 这个平台是“好看的 Demo”，还是“靠谱的生产力工具”
- 是“几个场景能用用”，还是能支撑企业核心业务的长期演进
对开发者和技术负责人来说，选平台时值得重点关注的，已经不只是“模型分数”，而是：
- RAG 是否工程化到可控、可观测
- 工作流是否经得住频繁变更和复杂异常
- Agent 能否在明确的边界内进行可靠的自主决策
- 最终有没有形成一套清晰的评估、监控与迭代闭环
真正能穿越这些技术深水区的平台，才有机会成为下一阶段产业智能化的基础设施，而不仅仅是又一轮“AI 概念”浪潮中的过客。
小白/程序员如何系统学习大模型LLM？
作为在一线互联网企业深耕十余年的技术老兵，我经常收到小白和程序员朋友的提问：“零基础怎么入门大模型？”“自学没有方向怎么办？”“实战项目怎么找？”等问题。难以高效入门。
这里为了帮助大家少走弯路，我整理了一套全网最全最细的大模型零基础教程。涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。免费分享给需要的朋友！
👇👇扫码免费领取全部内容👇👇
1、我们为什么要学大模型？
很多开发者会问：大模型值得花时间学吗？答案是肯定的——学大模型不是跟风追热点，而是抓住数字经济时代的核心机遇，其背后是明确的行业需求和实打实的个人优势：
第一，行业刚需驱动，并非突发热潮。大模型是AI规模化落地的核心引擎，互联网产品迭代、传统行业转型、新兴领域创新均离不开它，掌握大模型就是拿到高需求赛道入场券。
第二，人才缺口巨大，职业机会稀缺。2023年我国大模型人才缺口超百万，2025年预计达400万，具备相关能力的开发者岗位多、薪资高，是职场核心竞争力。
第三，技术赋能增效，提升个人价值。大模型可大幅提升开发效率，还能拓展职业边界，让开发者从“写代码”升级为“AI解决方案设计者”，对接更高价值业务。
对于开发者而言，现在入门大模型，不仅能搭上行业发展的快车，还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位，还是传统行业的AI转型需求，都在争抢具备大模型技术能力的人才。
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！
2、大模型入门到实战全套学习大礼包分享
最后再跟大家说几句：只要你是真心想系统学习AI大模型技术，这份我耗时许久精心整理的学习资料，愿意无偿分享给每一位志同道合的朋友。
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。
部分资料展示
2.1、 AI大模型学习路线图，厘清要学哪些
对于刚接触AI大模型的小白来说，最头疼的问题莫过于“不知道从哪学起”，没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境，甚至中途放弃。
为了解决这个痛点，我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段，从最基础的入门认知，到核心理论夯实，再到实战项目演练，最后到进阶优化与落地，每一步都明确了学习目标、核心知识点和配套实操任务，带你一步步从“零基础”成长为“能落地”的大模型学习者。后续还会陆续拆解每个阶段的具体学习内容，大家可以先收藏起来，跟着路线逐步推进。
L1级别:大模型核心原理与Prompt
L1阶段：将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。从A11.0到A12.0的变迁,深入解析大模型与通用人工智能的关系。同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。此外,还涵盖Pvthon基础、提示工程等内容。
目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。
L2级别：RAG应用开发工程
L2阶段：将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。通过实战项目，提升RAG应用开发能力。
目标与收益:掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。
L3级别：Agent应用架构进阶实践
L3阶段：将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的关键技术分析,再到funcation calling与Agent认知框架的深入探讨。同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。
目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。
L4级别:模型微调与私有化大模型
L4级别：将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。通过chatGlM与Lama3的实战案例,深化理论与实践结合。
目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。
2.2、 全套AI大模型应用开发视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
2.3、 大模型学习书籍&文档
收录《从零做大模型》《动手做AI Agent》等经典著作，搭配阿里云、腾讯云官方技术白皮书，帮你夯实理论基础。
2.4、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。
2.5、大模型大厂面试真题
整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。
【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）】
2.6、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。
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】
