Claude Code + GLM4.6：4种思考模式让编程效率提升300%

本文介绍了Claude Code与GLM4.6结合的4种思考模式：Normal（快速响应）、Deep（深度分析）、Critical（批判思维）和UltraThink（系统思考）。合理运用这些模式，编程效率可提升300%，代码质量提高45%，项目完成时间缩短60%。文章提供模式选择决策树、实战技巧和本土化优势分析，帮助开发者掌握AI编程思维，从"代码工人"进化为"AI编程大师"。

Claude Code 系列教程（一）

Claude Code + GLM4.6：4种思考模式让编程效率飞升

🚀 引言：AI编程时代的思考革命

当Claude Code遇上GLM4.6，会产生怎样的化学反应？这不仅是一次技术工具的简单叠加，更是一场编程思维的深刻变革。在这个AI辅助编程成为标配的时代，如何让AI真正成为我们的"思考伙伴"而非简单的"代码机器"？

答案就在于掌握Claude Code的4种思考模式。这4种模式如同汽车的4个档位，每个档位都有其独特的用途和优势。熟练运用这些模式，你将从一个普通的"代码工人"进化为真正的"AI编程大师"。

为什么思考模式如此重要？

想象一下，你正在高速公路上驾驶。市区道路你需要低速档位谨慎行驶，高速公路你需要高速档位疾驰，山路你需要合理的档位切换来应对复杂路况。AI编程也是如此——不同的问题需要不同的思考深度和方式。

根据最新的开发者调研数据，掌握多种AI思考模式的开发者，其编程效率比单一模式使用者平均高出300%，代码质量提升45%，项目完成时间缩短60%。这些数字背后，是思考模式带来的质的飞跃。

本文将为你揭示：

1. 4种思考模式的核心理念和适用场景
2. 结合GLM4.6的本土化优化技巧
3. 12个真实案例的深度解析
4. 从入门到精通的完整成长路径

准备好了吗？让我们一起开启AI编程思维的进阶之旅！

🎯 一、Normal模式 - 快速响应，直击要害

Normal模式是Claude Code的"默认档位"，就像汽车的D档——适合大多数日常行驶场景。这个模式的核心特点是快速响应，直接给出答案，不需要过多的铺垫和分析。

技术原理：Normal模式下，Claude Code会采用"直接路径算法"，跳过复杂的推理步骤，直接基于训练数据中的最佳匹配来生成回答。这使得响应时间通常控制在2-3秒内，大大提高了开发效率。

使用感受：就像有一个经验丰富的技术同事坐在你旁边，你问什么他立即就能回答，没有废话，直奔主题。

最佳适用场景

✅ 语法查询和API文档查找

你的问题：Python中如何快速读取大文件的最后100行？ Claude Code回复：使用deque(maxlen=100) + 文件倒序读取

✅ 代码片段解释和基础调试

你的问题：这段JavaScript代码为什么会报undefined错误？ Claude Code回复：变量提升问题，let声明位置不正确

✅ 配置问题和环境设置

你的问题：Nginx配置文件中worker_processes设多少合适？ Claude Code回复：通常设为CPU核心数，如8核设为8

提问的艺术：如何获得最佳答案

🎯 简洁明确的原则

• 避免模糊描述：❌ “我的代码不工作了” → ✅ “Python requests模块返回403错误”
• 提供关键信息：❌ “React有问题” → ✅ “React Hooks中useEffect依赖数组更新问题”
• 明确目标导向：❌ “帮我看看这个” → ✅ “如何优化这个SQL查询的执行速度”

🔍 使用场景识别清单

适合Normal模式的问题特征：

• 事实性问题（语法、配置、API用法）
• 有标准答案的技术问题
• 紧急需要快速解决方案
• 知识查询类问题
• 简单的代码解释

实战案例演示

案例1：快速解决Python导入错误

# 你的原始代码 from dataclasses import dataclass import json @dataclass class User: name: str age: int def to_json(self): return json.dumps(self) # 这里报错 user = User("张三", 25) print(user.to_json())

Normal模式回复：

问题：dataclass对象不能直接序列化为JSON 解决方案：使用__dict__或自定义序列化方法 def to_json(self): return json.dumps(self.__dict__)

效果：3秒内获得解决方案，节省搜索时间10分钟。

案例2：JavaScript语法即时查询

// 你的问题：ES6中如何合并两个对象 const obj1 = {a: 1, b: 2}; const obj2 = {b: 3, c: 4}; // Normal模式答案 const merged = {...obj1, ...obj2}; // {a: 1, b: 3, c: 4} // 或使用Object.assign const merged2 = Object.assign({}, obj1, obj2);

效率提升：相比查阅MDN文档，节省5分钟。

案例3：Docker命令快速确认

# 你的问题：如何查看正在运行的容器日志 docker logs [container_name] # 基础用法 docker logs -f [container_name] # 实时跟踪 docker logs --tail 100 [container_name] # 最后100行

效率量化分析

基于用户反馈数据，Normal模式在以下方面显著提升效率：

核心价值：Normal模式就像你的技术知识外挂，让常见问题的解决成本趋近于零。

🔬 二、Deep模式 - 深度分析，层层递进

如果说Normal模式是"快餐"，那么Deep模式就是"法式大餐"——需要时间，值得等待。Deep模式启用时，Claude Code会进入深度思考状态，采用多步骤推理，详细分析问题的本质和可能的解决路径。

技术机制：Deep模式激活了Claude Code的高级推理引擎，运用以下策略：

• 分层分析：从表面现象深入到根本原因
• 多角度思考：考虑技术、业务、维护等多个维度
• 逻辑链条：构建完整的推理过程和验证步骤
• 方案对比：提供多种解决方案的优劣分析

最佳适用场景

🏗️ 算法优化和性能调优

当你遇到"程序运行太慢"这类复杂性能问题时，Deep模式能够：

• 分析时间复杂度和空间复杂度
• 识别性能瓶颈的具体位置
• 提供渐进式优化策略
• 考虑不同数据规模下的表现

🏢 系统架构设计决策

面对"如何设计一个高可用的微服务架构"这类架构问题：

• 评估不同架构模式的适用性
• 分析CAP理论在实际业务中的权衡
• 考虑扩展性、维护性、成本等因素
• 提供分阶段实施路线图

🐛 复杂bug的根本原因分析

对于"间歇性内存泄漏"这类疑难杂症：

• 梳理问题的完整生命周期
• 分析可能的触发条件和环境因素
• 设计系统性的诊断方案
• 提供预防和监控机制

构建Deep模式的提问框架

🎯 框架式提问模板

【问题背景】详细描述问题的产生环境和业务场景 【当前状态】说明已经尝试过的方法和结果 【核心难点】明确最关键的挑战点 【期望目标】清晰定义理想的解决方案标准 【约束条件】列出技术、时间、资源等方面的限制

💡 引导深度思考的关键词

• “请从多个角度分析…”
• “这个问题的根本原因是什么…”
• “如何系统性解决…”
• “考虑一下长期影响…”
• “对比一下不同方案的优劣…”

实战案例演示

案例1：数据库查询性能深度优化

你的问题：

我们的电商系统订单查询越来越慢，从最初的100ms增长到现在的5s， 用户抱怨严重。数据库是MySQL，表数据量500万行。

Deep模式分析过程：

第一步：问题诊断

-- 分析慢查询日志 SHOW VARIABLES LIKE 'slow_query_log'; SHOW VARIABLES LIKE 'long_query_time'; -- 查看执行计划 EXPLAIN SELECT * FROM orders WHERE user_id = 12345 AND status = 'pending';

第二步：性能瓶颈识别

1. 索引问题：user_id和status的复合索引缺失
2. 数据倾斜：某些status值占比过高
3. 硬件限制：内存不足导致频繁磁盘I/O
4. 查询模式：缺乏分页，大量数据传输

第三步：系统性解决方案

-- 优化索引 CREATE INDEX idx_user_status ON orders(user_id, status); CREATE INDEX idx_create_time ON orders(create_time); -- 分页查询优化 SELECT * FROM orders WHERE user_id = 12345 AND status = 'pending' ORDER BY create_time DESC LIMIT 20 OFFSET 0; -- 引入缓存层 Redis缓存热点查询结果

第四步：长期优化策略

• 考虑读写分离架构
• 实施数据分区策略
• 引入Elasticsearch进行复杂搜索
• 定期进行数据库维护和统计信息更新

效果：查询时间从5s降低到150ms，性能提升96%。

价值体现：可复用的问题解决方法论

Deep模式最大的价值不是解决当前问题，而是建立解决问题的思维框架：

1. 问题分层法：从现象到原因的逐层深入
2. 多维分析法：技术、业务、成本的全面考量
3. 方案对比法：不同解法的系统评估
4. 风险预判法：潜在问题的提前识别
5. 持续优化法：长期改进的策略规划

掌握这套方法论，你将从一个"救火队员"成长为"架构师级"的问题解决者。

⚖️ 三、Critical模式 - 批判思维，理性权衡

Critical模式是Claude Code的"质疑者"角色，它不会轻易接受任何假设，而是会批判性思维，质疑假设，风险评估。这个模式特别适合需要理性权衡和谨慎决策的场景。

思维特征：

• 质疑精神：对现有假设和常规做法提出疑问
• 风险评估：识别潜在的负面因素和失败可能性
• 多维对比：从不同角度评估各种方案的优劣
• 预防思维：提前考虑可能出现的问题和应对策略

最佳适用场景

🔍 技术选型决策

场景示例：选择前端框架

普通回答：

• React：生态好，社区大
• Vue：学习曲线平缓
• Angular：企业级应用首选

Critical模式分析：

React的潜在风险： - 学习成本高，特别是Hooks和状态管理 - 版本迭代快，技术债务累积风险 - 过度依赖第三方库，供应链安全风险 Vue的考虑因素： - 国内生态相对较小，高端人才稀缺 - 3.0版本重构，迁移成本较高 - 与TypeScript集成不如React成熟 Angular的现实问题： - 学习曲线陡峭，团队培养成本高 - 框架过于庞大，项目启动慢 - 更新频率相对较低，新技术跟进延迟

📋 代码审查和质量评估

Critical模式在代码审查中的应用：

// 代码示例 function getUserData(userId) { return database.query('SELECT * FROM users WHERE id = ?', [userId]); } // Critical模式的风险分析 🚨 安全风险： - SQL注入风险：虽然使用了参数化查询，但需要验证userId的有效性 - 数据泄露：SELECT * 可能暴露敏感信息 🚨 性能风险： - 无索引查询：users表的id字段是否有索引？ - 缺少分页：大量数据时可能导致内存溢出 🚨 维护风险： - 函数职责单一，但缺少错误处理 - 没有日志记录，问题排查困难

激发AI批判性思维的技巧

🎯 批判性提问模板

技术决策类：

- 这个技术选择在3年后会面临什么挑战？ - 如果团队核心成员离职，维护难度如何？ - 与竞品相比，我们的差异化优势在哪里？ - 最坏情况下，失败的成本和影响是什么？

代码审查类：

- 这段代码在极端情况下会出现什么问题？ - 从安全角度，有哪些潜在的攻击面？ - 性能瓶颈可能出现在什么场景？ - 可测试性和可维护性如何？

💡 质疑驱动的设计方法

示例：设计一个用户认证系统

传统思路：

使用JWT + Redis存储

Critical模式质疑：

1. JWT过期时间多长合适？ - 太短：用户体验差，频繁登录 - 太长：安全风险高，token泄露危害大 2. Redis宕机怎么办？ - 有备份机制吗？ - 单点故障如何避免？ 3. 需要支持多端登录吗？ - 手机端和Web端如何统一？ - 设备管理策略是什么？ 4. 合规性要求？ - GDPR数据保护要求 - 密码存储的加密标准

决策支持：全方位理性分析

Critical模式的核心价值在于提供决策支持的理性框架，帮助技术管理者在复杂环境中做出最优选择。

决策矩阵模板：

| 技术可行性 | 业务价值 | 风险等级 | 投资回报 -----------|------------|----------|----------|---------- 方案A | 85% | 90% | 高 | 高 方案B | 95% | 70% | 低 | 中 方案C | 75% | 85% | 中 | 中高

通过这种结构化的分析方法，Critical模式确保每个技术决策都经过充分的思考和评估，最大程度降低决策风险。

🧠 四、UltraThink模式 ⭐ - 系统思考，全局视野

UltraThink模式是Claude Code的最高思维层次，代表着全面深度思考，跨领域关联，系统化分析。这个模式不仅仅是解决技术问题，更是从战略高度审视整个系统和业务生态。

思维特征：

• 全局视角：跳出具体技术细节，从系统整体出发
• 跨领域整合：融合技术、业务、市场、组织等多个维度
• 长期主义：考虑3-5年的发展趋势和影响
• 系统性思维：理解各要素之间的相互关系和动态平衡

独特工具体系：TodoWrite驱动的任务管理

UltraThink模式的一个核心特色是系统化的任务分解和管理，通过TodoWrite工具将复杂问题分解为可执行的子任务，确保战略思考能够落地实施。

TodoWrite的使用哲学

1. 任务分解的艺术

复杂系统设计 ├── 技术架构设计 │ ├── 微服务拆分策略 │ ├── 数据一致性方案 │ └── 性能优化计划 ├── 组织架构设计 │ ├── 团队技能矩阵 │ ├── 职责分工规划 │ └── 协作流程设计 └── 业务流程设计 ├── 用户旅程优化 ├── 运营效率提升 └── 成本控制策略

2. 优先级排序的方法基于影响度-复杂度矩阵进行任务优先级排序：

• 高影响-低复杂度：立即执行（Quick Wins）
• 高影响-高复杂度：重点规划（Major Projects）
• 低影响-低复杂度：批量处理（Fill-ins）
• 低影响-高复杂度：谨慎考虑（Thankless Tasks）

适用场景：企业级复杂系统决策

🏢 大型电商系统技术架构演进规划

背景：年销售额10亿的电商平台，面临双十一大促挑战

UltraThink模式的战略分析：

第一层：业务趋势分析

市场趋势： - 直播电商兴起：需要支持高并发视频流 - 社交电商增长：需要集成社交功能 - 跨境电商发展：需要国际化支持 用户行为变化： - 移动端占比：从60%增长到85% - 购物路径：从搜索推荐转向内容种草 - 服务期望：24小时客服，即时配送

第二层：技术架构规划

# 3年技术路线图 2024年（基础建设）： - 微服务化改造：90%服务完成容器化 - 数据中台建设：统一数据服务和分析 - 云原生架构：Kubernetes + Service Mesh 2025年（智能化升级）： - AI推荐系统：个性化推荐准确率提升40% - 智能运维：AIOps实现故障预测 - 实时数仓：Flink + ClickHouse 2026年（生态扩展）： - 开放平台：API生态建设 - 边缘计算：CDN + 边缘节点 - 量子计算准备：密码体系升级

第三层：组织能力建设

技术团队发展规划： - 团队规模：从50人扩展到120人 - 技能结构：云原生专家（20%）、AI算法（15%）、大数据（25%） - 培训体系：内部技术大学 + 外部认证计划 文化建设： - 技术文化：创新实验室、技术分享会、开源贡献 - 协作文化：敏捷开发、DevOps、自动化测试 - 学习文化：每人每年40小时技术学习时间

战略价值：从执行者到战略思考者的转变

UltraThink模式的终极价值是帮助技术人员建立战略思维，实现从技术执行者到战略思考者的角色转变。

思维模式转变：

从：关注技术实现的细节 到：关注业务价值的创造 从：解决眼前的问题 到：预防未来的风险 从：优化局部的效率 到：设计整体的系统 从：被动的需求响应 到：主动的价值创造

能力提升路径：

1. 技术深度：掌握核心技术原理和发展趋势
2. 业务理解：深入理解所在行业的商业模式和价值链
3. 系统思维：建立全局观和系统分析能力
4. 沟通协调：提升跨部门协作和影响力
5. 战略思维：培养前瞻性判断和决策能力

通过UltraThink模式的训练和实践，技术管理者将能够：

• 在复杂环境中做出正确的技术决策
• 建立可持续的技术发展路径
• 培养高绩效的技术团队
• 推动业务创新和增长

这正是AI时代技术领导者最需要具备的核心能力。

🌟 五、GLM4.6特色功能与思考模式的结合

GLM4.6作为国产大模型的代表，在与Claude Code的协同中展现出独特的本土化优势。这种结合不是简单的1+1=2，而是产生了乘数效应。

技术架构优势：

# GLM4.6的多模态融合能力 class GLM46Integration: def __init__(self): self.native_language_support = 0.95 # 中文理解准确率 self.cultural_context = True # 文化背景理解 self.regional_adaptation = True # 区域化适配 self.optimization_for_chinese = True # 中文优化

中文场景的适应性优化

语言表达的本土化：

• 技术术语：准确理解"技术债"、“内卷”、"躺平"等中文网络用语
• 表达习惯：适应中文的表达逻辑和思维模式
• 文化背景：理解中国的技术发展环境和行业特点

实际案例对比：

场景：询问关于"996工作制"下的项目管理建议

普通AI回复：

Work-life balance is important for productivity... Consider flexible working hours...

GLM4.6优化回复：

理解国内互联网行业的实际情况，建议： 1. 在现有框架下优化工作流程 2. 合理利用敏捷开发提高效率 3. 通过工具自动化减少重复工作 4. 建立团队协作机制避免无效加班

协同效应的具体体现

1. 语言理解的优势互补

• Claude Code：技术深度强，英文理解优秀
• GLM4.6：中文理解精准，文化背景熟悉
• 结合效果：技术问题 + 本土化解决方案

2. 思考模式的增强

• Normal模式 + GLM4.6：更快速的中文响应
• Deep模式 + GLM4.6：更深入的业务场景理解
• Critical模式 + GLM4.6：更符合中国市场的风险评估
• UltraThink模式 + GLM4.6：更贴合本土的长期规划

数据对比：

🛠️ 六、实战技巧总结

模式选择决策树

graph TD A[遇到技术问题] --> B{问题类型判断} B -->|简单查询| C[Normal模式] B -->|复杂分析| D{需要深度分析？} B -->|决策评估| E{需要风险评估？} B -->|战略规划| F[UltraThink模式] D -->|是| G[Deep模式] D -->|否| C E -->|是| H[Critical模式] E -->|否| C C --> I[快速解决] G --> J[系统性分析] H --> K[理性权衡] F --> L[战略规划]

切换技巧和最佳实践

模式切换的时机判断：

从Normal → Deep：

• 问题涉及多个技术层面
• 需要考虑业务影响
• 出现反复出现的同类问题

从Normal → Critical：

• 涉及技术选型决策
• 需要考虑安全和合规性
• 项目成本和风险较高

从任何模式 → UltraThink：

• 问题影响整个系统或业务
• 需要3个月以上的长期规划
• 涉及跨部门或跨领域协作

常见误区和避坑指南

❌ 常见误区：

1. 过度依赖Normal模式 问题：简单回答复杂问题 后果：治标不治本，问题反复出现 解决：学会识别问题复杂度
2. 滥用Critical模式 问题：过度分析，决策瘫痪 后果：效率低下，错失机会 解决：评估分析成本
3. 忽视模式切换 问题：固守一种思考方式 后果：解决思路受限 解决：定期重新评估问题

✅ 最佳实践：

1. 建立模式选择检查清单 [ ] 问题复杂度评估 [ ] 影响范围分析 [ ] 时间窗口判断 [ ] 资源约束考虑 [ ] 风险等级评估
2. 定期模式效果评估 每月复盘模式使用效果 根据结果调整策略 建立个人模式使用档案

效率最大化工作流

日常工作流设计：

早间规划（15分钟）： - 使用UltraThink模式规划一天工作 - 用TodoWrite分解任务 - 识别关键决策点 开发过程（灵活切换）： - Normal模式：日常技术问题 - Deep模式：复杂功能开发 - Critical模式：代码审查和优化 晚间复盘（30分钟）： - UltraThink模式：总结和学习 - 识别改进机会 - 规划第二天工作

🎯 总结与展望

核心观点回顾

通过本文的深度解析，我们发现了Claude Code思考模式的真正价值：

4种模式的本质区别：

• Normal模式：效率工具，解决已知问题
• Deep模式：分析方法，建立解决框架
• Critical模式：决策工具，降低选择风险
• UltraThink模式：战略思维，实现长期价值

关键洞察：

1. 模式选择比模式本身更重要
2. GLM4.6的本土化优势不可忽视
3. 系统性思维是技术进化的必然趋势
4. 工具思维向伙伴思维的转变

未来发展趋势

技术发展趋势：

2024-2025年： - AI思考模式更加智能化和个性化 - 多模态交互成为主流 - 本土化模型深度优化 2025-2026年： - 思考模式自适应学习 - 跨模型协作能力 - 实时情感和语境理解 2026年以后： - AI成为真正的思考伙伴 - 个性化AI助手普及 - 人机协作的新范式

行动号召

立即开始：

1. 评估你当前的AI使用方式
2. 尝试在不同场景下应用4种思考模式
3. 记录使用效果，建立个人优化策略
4. 与团队分享经验，共同成长

长期目标：

• 成为AI编程思维的大师
• 建立高效的技术决策体系
• 培养战略性的技术思维
• 在AI时代保持竞争优势

记住：掌握Claude Code的4种思考模式，不仅仅是学习一个工具，更是升级你的思维操作系统。在这个AI快速发展的时代，思维模式的升级将是你最强大的竞争优势。

​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：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

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

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要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‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

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‌。

👉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】🆓**

​