昆山网站维护申请域名需要哪些资料

昆山网站维护,申请域名需要哪些资料,商城建站费用,前台网站系统源码当大语言模型突破了 “理解与生成” 的瓶颈#xff0c;Agent 迅速成为 AI 落地的主流形态。从智能客服到自动化办公#xff0c;几乎所有场景都需要 Agent 来承接 LLM 能力、执行具体任务。 但技术演进中痛点也随之凸显#xff0c;有的团队因不懂如何衔接 LLM 与业务系统Agent 迅速成为 AI 落地的主流形态。从智能客服到自动化办公几乎所有场景都需要 Agent 来承接 LLM 能力、执行具体任务。但技术演进中痛点也随之凸显有的团队因不懂如何衔接 LLM 与业务系统导致 Agent 只能 “空谈”有的因状态管理缺失让 Agent 执行任务时频频 “失忆”复杂的交互流程也进一步增加了开发难度。为此Eino ADKAgent Development Kit应运而生为 Go 开发者提供了一套完整、灵活且强大的智能体开发框架直接解决传统开发中的核心难题。什么是 AgentAgent 代表一个独立的、可执行的智能任务单元能够自主学习适应与作出决策主要功能包含推理Agent 可以分析数据、识别模式、使用逻辑和可用信息来得出结论、进行推断及解决问题。行动Agent 根据决策、计划或外部输入采取行动或执行任务来实现目标。观察Agent 自主收集相关的信息例如计算机视觉、自然语言处理或传感器数据分析来了解上下文为做出明智的决策打下基础。规划Agent 可以确定必要的步骤、评估潜在行动并根据可用信息和预期结果选择最佳行动方案。协作Agent 能够在复杂且动态的环境中与他人无论是人类还是其他 AI 智能体进行有效协作。你可以把它想象成一个能够理解指令、执行任务并给出回应的“智能体”。任何需要与大语言模型LLM交互的场景都可以抽象为一个 Agent。例如一个用于查询天气信息的 Agent。一个用于预定会议的 Agent。一个能够回答特定领域知识的 Agent。什么是 Eino ADKEino ADK[1]是一个专为 Go 语言设计的 Agent 和 Multi-Agent 开发框架设计上参考了 Google-ADK[2]中对 Agent 与协作机制的定义。它不仅是一个工具库更是一套完整的智能体开发体系通过统一的抽象接口、灵活的组合模式和强大的协作机制将复杂的 AI 应用拆解为独立、可组合的智能体单元让开发者能够像搭建乐高积木一样构建复杂的智能体系统少写胶水统一接口与事件流复杂任务拆解更自然。快速编排预设范式 工作流分分钟搭好管线。更可控可中断、可恢复、可审计Agent 协作过程“看得见”。无论你是 AI 应用的新手还是经验丰富的开发者ADK 都能为你提供合适的工具和模式。它的设计哲学是简单的事情简单做复杂的事情也能做——让开发者能够专注于业务逻辑的实现而不必担心底层的技术复杂性。核心构建ChatModelAgent智能决策的大脑ChatModelAgent 是 ADK 中最重要的预构建组件它封装了与大语言模型的交互逻辑实现了经典的 ReAct [3]Reason-Act-Observe模式运行过程为:调用 LLMReasonLLM 返回工具调用请求ActionChatModelAgent 执行工具Act将工具结果返回给 LLMObservation结合之前的上下文继续生成直到模型判断不需要调用 Tool 后结束。ReActReAct 模式的核心是“思考 → 行动 → 观察 → 再思考”的闭环解决传统 Agent “盲目行动”或“推理与行动脱节”的痛点以下是几种可能的实践场景行业赛道分析使用 ReAct 模式避免了一次性搜集全部信息导致的信息过载通过逐步推理聚焦核心问题同时使用数据验证思考而非凭空靠直觉决策过程可解释提升了生成报告的准确性。Think-1判断赛道潜力需要 “政策支持力度、行业增速、龙头公司盈利能力、产业链瓶颈”4 类信息。Act-1调用 API 获取行业财报整体数据Think-2分析数据判断行业高增长 政策背书但上游价格上涨可能挤压中下游利润需要进一步验证是否有影响Act-2: 调用 API 获取供需、行业研报等详细数据Think-3: 整合结论生成分析报告附关键数据来源IT 故障运维使用 ReAct 模式逐步缩小问题范围避免盲目操作每一步操作有理有据方便运维工程师实施解决方案前的二次验证为后续复盘与制定预防措施提供基础。Think-1理清故障的常见原因例如宕机的常见原因是 “CPU 过载、内存不足、磁盘满、服务崩溃”需要先查基础监控数据Act-1调用「监控系统 API」查询服务器打点数据Think-2判断主因例如 CPU 利用率异常则进一步排查哪些进程 CPU 占用高Act-2用「进程管理工具」查 TOP 进程看是否有异常服务Think-3发现日志服务异常可能是 “日志文件过大” 或 “配置错误”需要进一步查看日志服务的配置和日志文件大小Act-3bash 执行命令发现日志文件过大同时配置未开启滚动也未设置最大日志大小Think-4向运维工程师提供可行的解决方案清理日志修改配置并开启滚动重启日志服务与应用ChatModelAgent 利用 LLM 强大的功能进行推理、理解自然语言、作出决策、生成相应、进行工具交互充当智能体应用程序 “思考” 的部分。您可以使用 ADK 快速构建具有 ReAct 能力的 ChatModelAgentimport github.com/cloudwego/eino/adk // 创建一个包含多个工具的 ReAct ChatModelAgent chatAgent : adk.NewChatModelAgent(ctx, adk.ChatModelAgentConfig{ Name: intelligent_assistant, Description: An intelligent assistant capable of using multiple tools to solve complex problems, Instruction: You are a professional assistant who can use the provided tools to help users solve problems, Model: openaiModel, ToolsConfig: adk.ToolsConfig{ Tools: []tool.BaseTool{ searchTool, calculatorTool, weatherTool, }, } })WorkflowAgents精密的流水线Eino ADK 提供了专用于协调子 Agent 执行流程的 WorkflowAgents 模式用于通过预定义逻辑管理 Agent 的运行方式产生确定的执行过程协助实现可预测可控制的多 Agent 协作方式。您可以按需对下列模式进行排列组合结合 ChatModelAgent 构造出符合自身需求的完整工作流水线Sequential Agent: 将配置中注册的 Agents 按顺序依次执行一次后结束运行遵循以下原则线性执行严格按照 SubAgents 数组的顺序执行。运行结果传递配置中的每个 Agent 都能够获取 Sequential Agent 的完整输入以及前序 Agent 的输出。支持提前退出如果任何一个子 Agent 产生退出 / 中断动作整个 Sequential 流程会立即终止。可能的实践场景有数据 ETLExtractAgent从 MySQL 抽取订单数据→ TransformAgent清洗空值、格式化日期→ LoadAgent加载到数据仓库CI / CD 流水线CodeCloneAgent从代码仓库拉取代码→UnitTestAgent运行单元测试用例失败时返回错误与分析报告→CompileAgent编译代码→DeployAgent部署到目标环境import github.com/cloudwego/eino/adk // 依次执行 制定研究计划 - 搜索资料 - 撰写报告 sequential : adk.NewSequentialAgent(ctx, adk.SequentialAgentConfig{ Name: research_pipeline, SubAgents: []adk.Agent{ planAgent, // 制定研究计划 searchAgent, // 搜索资料 writeAgent, // 撰写报告 }, })SequentialParallel Agent: 将配置中注册的 Agents 并发执行所有 Agent 执行完毕后结束运行遵循以下原则并发执行所有子 Agent 同时启动在独立的 goroutine 中并行执行。共享输入所有子 Agent 接收调用 Pararllel Agent 时相同的初始输入。等待与结果聚合内部使用 sync.WaitGroup 等待所有子 Agent 执行完成收集所有子 Agent 的执行结果并按接收顺序输出到 AsyncIterator 中。可能的实践场景有多源数据采集MySQLCollector采集用户表 PostgreSQLCollector采集订单表 MongoDBCollector采集商品评论多渠道推送WeChatPushAgent推送到微信公众号 SMSPushAgent发送短信 AppPushAgent推送到 APPimport github.com/cloudwego/eino/adk // 并发执行 情感分析 关键词提取 内容摘要 parallel : adk.NewParallelAgent(ctx, adk.ParallelAgentConfig{ Name: multi_analysis, SubAgents: []adk.Agent{ sentimentAgent, // 情感分析 keywordAgent, // 关键词提取 summaryAgent, // 内容摘要 }, })parallelLoop Agent: 将配置中注册的 Agents 按顺序依次执行并循环多次运行遵循以下原则循环执行重复执行 SubAgents 序列每次循环都是一个完整的 Sequential 执行过程。运行结果累积每次迭代的结果都会累积后续迭代的输入可以访问所有历史信息。条件退出支持通过输出包含 ExitAction 的事件或达到最大迭代次数来终止循环配置 MaxIterations0 时表示无限循环。可能的实践场景有数据同步CheckUpdateAgent检查源库增量→ IncrementalSyncAgent同步增量数据→ VerifySyncAgent验证一致性压力测试StartClientAgent启动测试客户端→ SendRequestsAgent发送请求→ CollectMetricsAgent收集性能指标import github.com/cloudwego/eino/adk // 循环执行 5 次每次顺序为分析当前状态 - 提出改进方案 - 验证改进效果 loop : adk.NewLoopAgent(ctx, adk.LoopAgentConfig{ Name: iterative_optimization, SubAgents: []adk.Agent{ analyzeAgent, // 分析当前状态 improveAgent, // 提出改进方案 validateAgent, // 验证改进效果 }, MaxIterations: 5, })loop预构建的 Multi-Agent 范式Eino ADK 基于日常 Multi-Agent 协作实践中沉淀的最佳工程经验为用户提供两种预构建的 Multi-Agent 范式无需从头设计协作逻辑即可开箱即用覆盖「集中式协调」与「结构化问题解决」两大核心场景高效支撑复杂任务的智能协作。Supervisor 模式集中式协调Supervisor Agent 是 ADK 提供的一种中心化 Multi-Agent 协作模式旨在为集中决策与分发执行的通用场景提供解决方案由一个 Supervisor Agent监督者 和多个 SubAgent 子 Agent组成其中Supervisor Agent 负责任务的分配、子 Agent 完成后的结果汇总与下一步决策。子 Agents 专注于执行具体任务并在完成后自动将任务控制权交回 Supervisor。SupervisorSupervisor 模式有如下特点中心化控制Supervisor 统一管理子 Agent可根据输入与子 Agent 执行结果动态调整任务分配。确定性回调子 Agent 执行完毕后会将运行结果返回到 Supervisor Agent避免协作流程中断。松耦合扩展子 Agent 可独立开发、测试和替换方便拓展与维护。Supervisor 模式的这种层级化的结构非常适合于动态协调多个专业 Agent 完成复杂任务的场景例如科研项目管理Supervisor 分配调研、实验、报告撰写任务给不同子 Agent。客户服务流程Supervisor 根据用户问题类型分配给技术支持、售后、销售等子 Agent。import github.com/cloudwego/eino/adk/prebuilt/supervisor // 科研项目管理创建一个监督者模式的 multi-agent // 包含 research调研experimentation实验report报告三个子 Agent supervisor, err : supervisor.New(ctx, supervisor.Config{ SupervisorAgent: supervisorAgent, SubAgents: []adk.Agent{ researchAgent, experimentationAgent, reportAgent, }, })Plan-Execute 模式结构化问题解决Plan-Execute Agent 是 ADK 提供的基于「规划 - 执行 - 反思」范式的 Multi-Agent 协作模式参考论文 Plan-and-Solve Prompting旨在解决复杂任务的分步拆解、执行与动态调整问题通过 Planner规划器、Executor执行器和 Replanner重规划器 三个核心智能体的协同工作实现任务的结构化规划、工具调用执行、进度评估与动态重规划最终达成用户目标其中Planner根据用户目标生成一个包含详细步骤且结构化的初始任务计划Executor执行当前计划中的首个步骤Replanner评估执行进度决定是修正计划继续交由 Executor 运行或是结束任务Plan-executePlan-Execute 模式有如下特点明确的分层架构通过将任务拆解为规划、执行和反思重规划三个阶段形成层次分明的认知流程体现了 “先思考再行动再根据反馈调整” 的闭环认知策略在各类场景中都能达到较好的效果。动态迭代优化Replanner 根据执行结果和当前进度实时判断任务是否完成或需调整计划支持动态重规划。该机制有效解决了传统单次规划难以应对环境变化和任务不确定性的瓶颈提升了系统的鲁棒性和灵活性。职责分明且松耦合Plan-Execute 模式由多个智能体协同工作支持独立开发、测试和替换。模块化设计方便扩展和维护符合工程最佳实践。具备良好扩展性不依赖特定的语言模型、工具或 Agent方便集成多样化外部资源满足不同应用场景需求。Plan-Execute 模式的「规划 → 执行 → 重规划」闭环结构非常适合需要多步骤推理、动态调整和工具集成的复杂任务场景例如复杂研究分析通过规划分解研究问题执行多轮数据检索与计算动态调整研究方向和假设提升分析深度和准确性。自动化工作流管理将复杂业务流程拆解为结构化步骤结合多种工具如数据库查询、API 调用、计算引擎逐步执行并根据执行结果动态优化流程。多步骤问题解决适用于需要分步推理和多工具协作的场景如法律咨询、技术诊断、策略制定等确保每一步执行都有反馈和调整。智能助理任务执行支持智能助理根据用户目标规划任务步骤调用外部工具完成具体操作并根据重规划思考结合用户反馈调整后续计划提升任务完成的完整性和准确性。import github.com/cloudwego/eino/adk/prebuilt/planexecute // Plan-Execute 模式的科研助手 researchAssistant : planexecute.New(ctx, planexecute.Config{ Planner: adk.NewChatModelAgent(ctx, adk.ChatModelAgentConfig{ Name: research_planner, Instruction: 制定详细的研究计划包括文献调研、数据收集、分析方法等, Model: gpt4Model, }), Executor: adk.NewChatModelAgent(ctx, adk.ChatModelAgentConfig{ Name: research_executor, ToolsConfig: adk.ToolsConfig{ Tools: []tool.BaseTool{ scholarSearchTool, dataAnalysisTool, citationTool, }, }, }), Replanner: replannerAgent, })Eino 中的 Multi-Agent 架构要如何设计与实现往期文章给你答案使用 Eino 框架实现 DeerFlow 系统基础设计统一的 Agent 抽象ADK 的核心是一个简洁而强大的 Agent 接口type Agent interface { Name(ctx context.Context) string Description(ctx context.Context) string Run(ctx context.Context, input *AgentInput, options ...AgentRunOption) *AsyncIterator[*AgentEvent] }每个 Agent 都有明确的身份Name、清晰的职责Description和标准化的执行方式Run为 Agent 之间的发现与调用提供了基础。无论是简单的问答机器人还是复杂的多步骤任务处理系统都可以通过这个统一的接口加以实现。异步事件驱动架构ADK 采用了异步事件流设计通过 AsyncIterator[*AgentEvent] 实现非阻塞的事件处理并通过 Runner 框架运行 Agent实时响应AgentEvent 包含 Agent 执行过程中特定节点输出Agent 回复、工具处理结果等等用户可以立即看到 Agent 的思考过程和中间结果。追踪执行过程AgentEvent 额外携带状态修改动作与运行轨迹便于开发调试和理解 Agent 行为。自动流程控制框架通过 Runner 自动处理中断、跳转、退出行为无需用户额外干预。灵活的协作机制Eino ADK 支持处于同一个系统内的 Agent 之间以多种方式进行协作交换数据或触发运行共享 Session单次运行过程中持续存在的 KV 存储用于支持跨 Agent 的状态管理和数据共享。// 获取全部 SessionValues func GetSessionValues(ctx context.Context) map[string]any // 指定 key 获取 SessionValues 中的一个值key 不存在时第二个返回值为 false否则为 true func GetSessionValue(ctx context.Context, key string) (any, bool) // 添加 SessionValues func AddSessionValue(ctx context.Context, key string, value any) // 批量添加 SessionValues func AddSessionValues(ctx context.Context, kvs map[string]any)移交运行Transfer携带本 Agent 输出结果上下文将任务移交至子 Agent 继续处理。适用于智能体功能可以清晰的划分边界与层级的场景常结合 ChatModelAgent 使用通过 LLM 的生成结果进行动态路由。结构上以此方式进行协作的两个 Agent 称为父子 AgentTransfer// 设置父子 Agent 关系 func SetSubAgents(ctx context.Context, agent Agent, subAgents []Agent) (Agent, error) // 指定目标 Agent 名称构造 Transfer Event func NewTransferToAgentAction(destAgentName string) *AgentAction显式调用ToolCall将 Agent 视为工具进行调用。适用于 Agent 运行仅需要明确清晰的参数而非完整运行上下文的场景常结合 ChatModelAgent作为工具运行后将结果返回给 ChatModel 继续处理。除此之外ToolCall 同样支持调用符合工具接口构造的、不含 Agent 的普通工具。ToolCall// 将 Agent 转换为 Tool func NewAgentTool(_ context.Context, agent Agent, options ...AgentToolOption) tool.BaseTool中断与恢复机制Eino ADK 提供运行时中断与恢复的功能允许正在运行中的 Agent 主动中断并保存其当前状态并在未来从中断点恢复执行。该功能为长时间等待、可暂停或需要外部输入Human in the loop等场景下的开发提供协助。Agent 内部运行过程中通过抛出含 Interrupt Action 的 Event 主动通知 Runner 中断运行并允许携带额外信息供调用方阅读与使用。Runner 通过初始化时注册的 CheckPointStore 记录当前运行状态重新准备好运行后通过 Resume 方法携带恢复运行所需要的新信息从断点处重新启动该 Agent 运行// 1. 创建支持断点恢复的 Runner runner : adk.NewRunner(ctx, adk.RunnerConfig{ Agent: complexAgent, CheckPointStore: memoryStore, // 内存状态存储 }) // 2. 开始执行 iter : runner.Query(ctx, recommend a book to me, adk.WithCheckPointID(1)) for { event, ok : iter.Next() if !ok { break } if event.Err ! nil { log.Fatal(event.Err) } if event.Action ! nil { // 3. 由 Agent 内部抛出 Interrupt 事件 if event.Action.Interrupted ! nil { ii, _ : json.MarshalIndent(event.Action.Interrupted.Data, , \t) fmt.Printf(action: interrupted\n) fmt.Printf(interrupt snapshot: %v, string(ii)) } } } // 4. 从 stdin 接收用户输入 scanner : bufio.NewScanner(os.Stdin) fmt.Print(\nyour input here: ) scanner.Scan() fmt.Println() nInput : scanner.Text() // 5. 携带用户输入信息从断点恢复执行 iter, err : runner.Resume(ctx, 1, adk.WithToolOptions([]tool.Option{subagents.WithNewInput(nInput)}))快速开始安装go get github.com/cloudwego/einolatest项目开发经理智能体下面的示例使用 Eino ADK 构建了一个项目开发经理智能体面向多方面管理协同的场景Project Manager Agent项目经理智能体整体使用 Supervisor 模式各 Agent 的功能如下ResearchAgent调研 Agent负责调研并生成可行方案支持中断后从用户处接收额外的上下文信息来提高调研方案生成的准确性。CodeAgent编码 Agent使用知识库工具召回相关知识作为参考生成高质量的代码。ReviewAgent评论 Agent使用顺序工作流编排问题分析、评价生成、评价验证三个步骤对调研结果 / 编码结果进行评审给出合理的评价供项目经理进行决策。ProjectManagerAgent项目经理 Agent根据动态的用户输入路由并协调多个负责不同维度工作的子智能体开展工作。该 Agent 可能的工作场景为从零开始实现项目项目经理从需求入手经由调研、编码、评论三个 Agent 工作最终完成项目交付。对已有项目的完善项目经理从评论 Agent 获得项目仍旧需要完善的功能点交由编码 Agent 进行实现再交由评论 Agent 对修改后的代码进行评审。开展技术调研项目经理要求调研 Agent 生成技术调研报告然后由评论 Agent 给出评审意见。调用方结合返回的技术调研报告和评审意见决定后续动作。ProjectManager该示例的设计涵盖了文中介绍的大部分概念您可以基于示例回顾之前的提到的种种设计理念。另外请试想普通开发模式下如何完成该示例的编写ADK 的优势便立刻凸显了出来核心代码如下完整代码详见 Eino-Examples 项目中提供的源码[4]func main() { ctx : context.Background() // Init chat model for agents tcm, err : openai.NewChatModel(ctx, openai.ChatModelConfig{ APIKey: os.Getenv(OPENAI_API_KEY), Model: os.Getenv(OPENAI_MODEL), BaseURL: os.Getenv(OPENAI_BASE_URL), ByAzure: func() bool { return os.Getenv(OPENAI_BY_AZURE) true }(), }) if err ! nil { log.Fatal(err) } // Init research agent researchAgent, err : agents.NewResearchAgent(ctx, tcm) if err ! nil { log.Fatal(err) } // Init code agent codeAgent, err : agents.NewCodeAgent(ctx, tcm) if err ! nil { log.Fatal(err) } // Init technical agent reviewAgent, err : agents.NewReviewAgent(ctx, tcm) if err ! nil { log.Fatal(err) } // Init project manager agent s, err : agents.NewProjectManagerAgent(ctx, tcm) if err ! nil { log.Fatal(err) } // Combine agents into ADK supervisor pattern // Supervisor: project manager // Sub-agents: researcher / coder / reviewer supervisorAgent, err : supervisor.New(ctx, supervisor.Config{ Supervisor: s, SubAgents: []adk.Agent{researchAgent, codeAgent, reviewAgent}, }) if err ! nil { log.Fatal(err) } // Init Agent runner runner : adk.NewRunner(ctx, adk.RunnerConfig{ Agent: supervisorAgent, EnableStreaming: true, // enable stream output CheckPointStore: newInMemoryStore(), // enable checkpoint for interrupt resume }) // Replace it with your own query query : please generate a simple ai chat project with python. checkpointID : 1 // Start runner with a new checkpoint id iter : runner.Query(ctx, query, adk.WithCheckPointID(checkpointID)) interrupted : false for { event, ok : iter.Next() if !ok { break } if event.Err ! nil { log.Fatal(event.Err) } if event.Action ! nil event.Action.Interrupted ! nil { interrupted true } prints.Event(event) } if !interrupted { return } // interrupt and ask for additional user context scanner : bufio.NewScanner(os.Stdin) fmt.Print(\ninput additional context for web search: ) scanner.Scan() fmt.Println() nInput : scanner.Text() // Resume by checkpoint id, with additional user context injection iter, err runner.Resume(ctx, checkpointID, adk.WithToolOptions([]tool.Option{agents.WithNewInput(nInput)})) if err ! nil { log.Fatal(err) } for { event, ok : iter.Next() if !ok { break } if event.Err ! nil { log.Fatal(event.Err) } prints.Event(event) } }结 尾Eino ADK 不仅仅是一个开发框架更是一个完整的智能体开发生态。它通过统一的抽象、灵活的组合和强大的协作机制让 Go 开发者能够轻松构建从简单对话机器人到复杂多智能体系统的各种 AI 应用。立即开始你的智能体开发之旅 查看更多文档Eino ADK 文档[5]️ 浏览 ADK 源码Eino ADK 源码 [6] 业界讨论Go 语言 Agent 框架 Eino 生产级实践的关键[7] 探索全部示例Eino ADK Examples[8] 加入开发者社区与其他开发者交流经验和最佳实践如何学习大模型 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。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。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人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】