本文全面梳理AI智能体框架的核心概念、应用价值及8大主流开源解决方案，重点拆解LangGraph框架的底层架构、状态管理逻辑及落地实操细节。通过可直接复制运行的代码示例，手把手教你搭建具备记忆功能、人机交互能力的AI智能体，覆盖从基础聊天机器人到复杂多智能体协同系统的完整开发流程。对于程序员、AI小白而言，这些框架是快速落地自主AI应用的“捷径”，无需重复造轮子，助力高效实现更智能、自适应的人工智能产品。

一、引言

AI智能体框架的出现，彻底打破了传统人工智能“静态响应”的局限，通过赋予系统自主感知、逻辑推理、动态行动的能力，推动AI从“工具级应用”向“自主级系统”跨越。本节将通俗讲解智能体框架的核心定义，以及开源框架为何能成为程序员、小白入门AI开发的关键助力。

1.1 什么是智能体框架？

智能体框架本质上是一套“AI开发工具箱”，它重构了人工智能系统的设计逻辑——区别于传统AI只能按照预定义流程执行固定任务，智能体框架能够构建动态、自适应的系统，可将复杂任务拆解为多个子任务，分配给专门的“AI智能体”协同完成，最终达成整体目标。

借助大型语言模型（LLM）的能力，这些框架可自动管理工作流程、做出决策、集成外部工具（如API、搜索工具等），无需开发者从零搭建底层逻辑，大幅降低了AI智能体的开发门槛，尤其适合动态决策、实时问题解决等高级AI应用场景（如智能助手、自动办公机器人等）。

1.2 它们为什么重要？

对于程序员、AI小白来说，从零开始构建一个具备自主能力的AI智能体，难度极高——需要处理状态管理、任务编排、工具集成、上下文维护等一系列复杂问题，耗时又耗力。而LangGraph、CrewAI、OpenAI Swarm等开源框架，早已封装好了这些底层功能，开发者只需专注于自身应用的业务逻辑，即可快速搭建起可用的AI智能体，极大提升开发效率，降低入门门槛。

二、常用的代理框架和库

现在，让我们深入了解一下目前最主要的 AI 代理框架和工具：

2.1 Langchain

LangChain 是一个强大且适应性强的框架，能够简化大型语言模型 (LLM) 应用的开发。凭借其丰富的工具集和抽象层，开发者可以设计出功能强大的 AI 代理，这些代理能够进行复杂的推理、任务执行，并与外部数据源和 API 进行交互。

Github 链接: https://github.com/langchain-ai/langchain/tree/master/libs/langchain/langchain/agents

文档链接： https://python.langchain.com/docs/introduction/

2.2 LangGraph

LangGraph 是 LangChain 的一个扩展，它支持使用大型语言模型 (LLM) 创建有状态的多参与者应用程序。它尤其适用于构建规划、反思、自反和多智能体协调的复杂交互式人工智能系统。

GitHub 链接： https://github.com/langchain-ai/langgraph

文档链接： https://langchain-ai.github.io/langgraph/

2.3 CrewAI

CrewAI 是一个用于编排角色扮演型AI agents的框架。它允许开发者创建一支由AI agents组成的“团队”，每个agents都拥有特定的角色和职责，共同协作完成复杂任务。该框架尤其适用于构建能够解决需要多元专业知识和协同努力的多方面问题的协作型人工智能系统。

GitHub 链接： https://github.com/crewAIInc/crewAI

文档链接： https://docs.crewai.com/

2.4 Microsoft Semantic Kernel

Microsoft Semantic Kernel旨在弥合传统软件开发与人工智能能力之间的鸿沟。它尤其专注于将大型语言模型（LLM）集成到现有应用程序中。该框架为开发人员提供了一系列工具，使他们无需彻底改造现有代码库即可集成人工智能功能。

该 SDK 轻量级且支持多种编程语言，使其能够高度适应各种开发环境。其编排器能够管理复杂的多步骤 AI 任务，使开发人员能够在应用程序中创建复杂的 AI 驱动工作流程。

GitHub 链接： https://github.com/microsoft/semantic-kernel

文档链接： https://learn.microsoft.com/en-us/semantic-kernel/

2.5 Microsoft AutoGen

Microsoft AutoGen 是一个开源框架，旨在构建高级 AI 代理和多代理系统。AutoGen 由微软研究院开发，提供了一套灵活而强大的工具包，用于创建对话式和任务完成型 AI 应用。它强调模块化、可扩展性和易用性，使开发人员能够高效地构建复杂的 AI 系统。

文档链接： https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/

GitHub 链接： https://github.com/microsoft/autogen

2.6 Smolagents

Smolagents 是一个前沿的开源框架，旨在革新人工智能代理的开发方式。它为开发者提供了一套全面的工具包，用于构建智能的、协作式的多代理系统。该框架注重灵活性和模块化，能够创建既可独立运行也可在人类监督下协作运行的复杂人工智能系统。

文档： https://huggingface.co/docs/smolagents/en/index

GitHub 链接： https://github.com/huggingface/smolagents

2.7 AutoGPT

AutoGPT 基于强大的 GPT-4 语言模型，能够通过语言输入执行目标导向型任务，代表了自主AI agents领域的一项重大进步。这款顶尖人工智能助手将决策能力提升到了一个全新的高度，超越了基本的反射型代理，并集成了诸多复杂功能，使其成为各种应用场景中不可或缺的工具。

文档： https://huggingface.co/docs/smolagents/en/index

GitHub 链接： https://github.com/huggingface/smolagents

2.8 Agno (Phidata)

我们将讨论的最后一个 AI 代理框架是 Phidata 。它是一个多模态代理框架，可以开发协同工作的代理系统。它还被设计成可以与内存和工具等组件配合使用，以帮助它们自主且稳定地运行。

默认情况下，Phidata 代理支持多模态数据，例如文本、图像和音频数据，无需依赖外部工具即可发挥其价值。该框架还提供 Agentic UI，方便用户与代理进行可视化交互。此外，他们还率先推出了 Agentic RAG（红黄绿蓝绿）功能，使代理能够搜索知识库。

文档： https://docs.phidata.com/introduction

GitHub 链接： https://github.com/agno-agi/phidata

三、智能体框架比较

下表对本文讨论的主要人工智能代理框架进行了概览式比较，旨在突出每个框架的独特优势和重点领域，帮助开发人员和研究人员根据自身需求选择最合适的工具。

四、深入了解 LangGraph

LangGraph 是由 LangChain 团队构建的一个库，旨在帮助开发者创建基于图的单智能体或多智能体 AI 应用。作为一个底层框架，LangGraph 允许您控制智能体之间的交互方式、使用的工具以及信息在应用内的流动方式。

4.1 什么是Graph？

想象一下，你有一堆数据，这些数据可以表示成一个网络，其中每个数据或实体都与其他数据或实体存在关联，这种关联可以是多种类型（一对一、一对多、多对多等等）。图中有两个主要组成部分：节点和边。

这类数据的例子包括交通运输数据或社交媒体网络，其中每个实体或用户都与其他实体或用户存在关联，而图则可以轻松地将这类数据可视化。

图分为两种类型：

  • 有向图 ——在有向图中，边具有方向，表示节点之间的流动或关系（例如，在社交媒体上关注）。
  • 无向图 ——在无向图中，边没有方向，表示对称关系（例如，LinkedIn 上的联系）。

4.2 关键概念
4.2.1 图结构

LangGraph 设计的核心在于以图的形式展现应用程序的工作流程。该图包含两个主要元素：

  • Nodes ——工作的构建模块：LangGraph 中的每个节点代表应用程序中一个独立的工作单元或操作。这些节点本质上是封装特定任务的 Python 函数。该任务可能涉及多种操作，例如：
  • 与LLM直接沟通，进行文本生成、摘要或其他语言相关任务。
  • 与外部工具和 API 交互，以获取数据或在现实世界中执行操作。
  • 通过格式化、过滤或转换等过程来处理数据。
  • 与用户互动以收集意见或展示信息。
  • Edges——引导信息和控制流：边在 LangGraph 中扮演着连接组织的角色，建立信息流路径并决定操作顺序。LangGraph 支持多种边类型：
  • 简单边 ：表示从一个节点到另一个节点的直接且无条件的流。第一个节点的输出作为后续节点的输入，形成线性级联。
  • 条件边 ：条件边引入了动态机制，使工作流能够根据特定节点的操作结果进行分支。例如，根据用户的响应，图可以决定终止交互或继续调用某个工具。这种决策能力对于创建能够适应不同情况的应用程序至关重要。

4.2.2 State管理

管理多智能体系统的一个关键方面是确保所有智能体对任务的当前状态达成共识。LangGraph 通过自动状态管理解决了这个问题。这意味着该库会自动跟踪和更新中央状态对象，并在智能体执行任务时自动完成。

此state对象充当关键信息的存储库，这些信息需要在工作流程的不同阶段访问。这些信息可能包括：

  • 对话历史 ：在聊天机器人应用程序中，状态可以存储用户和机器人之间正在进行的对话，从而实现上下文感知响应。
  • 上下文数据 ：与当前任务相关的信息，例如用户偏好、过去的行为或相关的外部数据，可以存储在状态中，供代理在决策时使用。
  • 内部变量 ：智能体可以使用状态来跟踪内部标志、计数器或其他变量，这些变量指导其行为和决策。

五、LangGraph 实战

5.1 安装

要开始使用 LangGraph，您需要先安装它，打开终端或命令提示符并运行以下命令：

pip install -U langgraph

-U 标志可确保您获得的是最新版本。

5.2 使用 LangGraph 创建基本聊天机器人

这个例子是理解 LangGraph 基本概念的一个很好的起点。

1）导入必要的库 ：首先从 LangGraph 和其他相关库导入所需的类和模块。

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

2）定义状态结构：创建一个类来定义状态对象的结构，该对象将保存需要在图中的节点之间共享和更新的信息。

class State(TypedDict):
# 'messages' will store the chatbot conversation history.
# The 'add_messages' function ensures new messages are appended to the list.
messages: Annotated[list, add_messages]
# Create an instance of the StateGraph, passing in the State class
graph_builder = StateGraph(State)

3）初始化 LLM ：实例化 LLM 模型，并提供必要的 API 密钥或配置参数。此 LLM 将用于生成聊天机器人的响应。

#pip install -U langchain_anthropic
from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

4）创建聊天机器人节点 ：定义一个封装聊天机器人节点逻辑的 Python 函数。该函数将当前状态作为输入，并根据 LLM 的输出生成响应。

def chatbot(state: State):
# Use the LLM to generate a response based on the current conversation history.
response = llm.invoke(state["messages"])
# Return the updated state with the new message appended
return {"messages": [response]}
# Add the 'chatbot' node to the graph,
graph_builder.add_node("chatbot", chatbot)

5）定义入口点和终点点 ：指定工作流在图中的起点和终点。

# For this basic chatbot, the 'chatbot' node is both the entry and finish point
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

6）编译图 ：通过编译图来创建图的可运行实例。

graph = graph_builder.compile()

7）可视化图：通过运行简单的 Python 代码，您可以可视化具有节点和边的图。

from IPython.display import Image, display
try:
display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
# This requires some extra dependencies and is optional
pass

8）运行聊天机器人 ：实现一个循环来与用户交互，将用户的输入传递给图表并显示聊天机器人的响应。

while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
print("Goodbye!")
break
# Process user input through the LangGraph
for event in graph.stream({"messages": [("user", user_input)]}):
for value in event.values():
print("Assistant:", value["messages"][-1].content)

这段代码片段提供了一个 LangGraph 聊天机器人的基本结构。您可以在此基础上进行扩展，例如集成更复杂的状态管理和不同的 LLM 模型，或者连接外部工具和 API。关键在于为不同的任务定义清晰的节点，并使用边来建立聊天机器人内部所需的信息流和控制流。

5.3 LangGraph高级技术

工具集成： 将工具集成到 LangGraph 聊天机器人中，可以使其以您喜欢的方式访问和处理信息，从而显著增强其功能。

通过工具集成增强我们的基础聊天机器人

让我们修改上一节创建的基本聊天机器人，使其包含一个可以搜索网络信息的工具。我们将使用来自 langchain_community.tools.tavily_search 的 TavilySearchResults 工具。本示例需要 Tavily API 密钥 。

#pip install -U tavily-python langchain_community
from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
class State(TypedDict):
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
tool = TavilySearchResults(max_results=2)
tools = [tool]
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
llm_with_tools = llm.bind_tools(tools)
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
graph_builder.add_node("chatbot", chatbot)
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges(
"chatbot",
tools_condition,
)
# Any time a tool is called, we return to the chatbot to decide the next step
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
graph = graph_builder.compile()

代码解释：

  1. 导入工具：导入必要的工具类，在本例中 TavilySearchResults 。

  2. 定义并绑定工具：创建工具实例并使用 llm.bind_tools() 将其绑定到 LLM，这会将可用工具及其使用情况告知 LLM。

  3. 创建 ToolNode：实例化 ToolNode ，传入可用工具列表。

  4. 将 ToolNode 添加到图中：使用 graph_builder.add_node() 将 ToolNode 合并到 LangGraph 中。

  5. 条件路由：使用 graph_builder.add_conditional_edges() 根据 LLM 是否决定调用工具来设置路由逻辑。tools_condition 检查 LLM 的响应是否包含工具调用指令。

  6. 回环：执行该工具后，使用 graph_builder.add_edge() 将流程重定向回 chatbot 节点，从而允许对话继续进行。

    现在，当运行聊天机器人并提出需要外部信息的问题时，LLM 可以选择调用网络搜索工具，检索相关数据，并将其纳入其回复中。

六、为聊天机器人添加记忆

记忆力对于创建能够通过记住过去的互动来进行有意义对话的聊天机器人至关重要。

LangGraph 的Checkpointer系统

  1. Checkpointer ：编译 LangGraph 时，您可以提供一个 checkpointer 对象，该对象负责保存图在不同时间点的状态。
  2. Thread ID ：每次调用图时，都需要提供一个 thread_id ，checkpointer 使用此 ID 来跟踪不同的对话线程。
  3. 自动保存和加载 ：LangGraph 会在给定 thread_id 的图执行完每一步后自动保存状态。当您使用相同的 thread_id 再次调用该图时，它会自动加载已保存的状态，使聊天机器人能够从上次中断的地方继续对话。

使用检查点实现内存

在前文代码的基础上，以下是如何使用 LangGraph 的检查点机制来添加记忆：

# ... (Previous code to define State, graph_builder, nodes, and edges)
from langgraph.checkpoint.memory import MemorySaver
# Create a MemorySaver object to act as the checkpointer
memory = MemorySaver()
# Compile the graph, passing in the 'memory' object as the checkpointer
graph = graph_builder.compile(checkpointer=memory)
# ... (Rest of the code to run the chatbot)

代码解释：

  1. 导入 MemorySaver ：从 langgraph.checkpoint.memory 导入 MemorySaver 类。
  2. 创建一个 MemorySaver 对象：实例化一个 MemorySaver 对象，该对象将处理图表状态的保存和加载。
  3. 传递给 compile() ：编译图形时，将 memory 对象作为 checkpointer 参数传递。

现在，运行聊天机器人时，首先使用 thread_id 作为本次对话的键：

config = {"configurable": {"thread_id": "1"}}

每个唯一的 thread_id 都会存储其对话历史记录。

现在开始对话：

while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
print("Goodbye!")
break
# Process user input through the LangGraph
for event in graph.stream({"messages": [("user", user_input)]}, config):
for value in event.values():
print("Assistant:", value["messages"][-1].content)

注意：在调用我们的图时，配置信息作为第二个位置参数提供。

七、人机交互

在人工智能应用中，如果需要加入人工监督、验证或决策，那么人机协作工作流程至关重要。

利用中断实现人机交互

以下代码演示如何使用 LangGraph 的 interrupt_before 或 interrupt_after 功能实现人机交互。以下是详细解析：

from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
class State(TypedDict):
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
tool = TavilySearchResults(max_results=2)
tools = [tool]
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
llm_with_tools = llm.bind_tools(tools)
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
graph_builder.add_node("chatbot", chatbot)
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges(
"chatbot",
tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
memory = MemorySaver()
graph = graph_builder.compile(
checkpointer=memory,
# This is new!
interrupt_before=["tools"],
# Note: can also interrupt __after__ actions, if desired.
# interrupt_after=["tools"]
)

代码解释：

在这个例子中，程序会在执行 tools 节点之前暂停。该 tools 节点负责运行 LLM 在其回合中可能请求的任何工具。通过在此处中断，可以允许用户执行以下操作：

  • 批准工具调用： 人工审核 LLM 想要调用的工具及其输入。如果审核员认为合适，只需允许图继续运行，工具即可执行。
  • 修改工具调用： 如果用户认为需要调整 LLM 的工具调用（例如，细化搜索查询），他们可以修改图的状态，然后恢复执行。
  • 绕过工具调用： 用户可能认为该工具并非必要。或许他们已经掌握了 LLM 试图查找的答案。在这种情况下，他们可以直接用相关信息更新图状态，LLM 会像工具返回了该信息一样接收到更新后的数据。

八、LangGraph 的实际应用

LangGraph 允许您构建比简单的问答机器人更复杂、更具交互性的 AI 系统，它能够管理状态、协调多个代理并允许人类反馈。以下是 LangGraph 的一些应用方式：

  • 更智能的客户服务 ：想象一下，一款用于在线购物的聊天机器人可以记住您过去的订单和偏好。它可以回答有关产品的问题，跟踪您的发货情况，甚至在需要时将您转接给人工客服。

  • AI 研究助手 ：需要研究项目方面的帮助吗？基于 LangGraph 的助手可以搜索大量的学术论文和文章，总结关键发现，甚至可以帮助您整理笔记。

  • 个性化学习 ：LangGraph 有望为下一代教育平台提供强大支持。试想一下，如果系统能够适应你的学习风格，识别你需要额外帮助的领域，并推荐个性化的学习资源，那该有多好。

  • 精简业务流程 ：许多业务流程涉及多个步骤和人员。LangGraph 可以自动化这些工作流程中的部分环节，例如文档审批路由、数据分析或项目管理。

    这些例子突显了 LangGraph 如何帮助弥合人工智能能力与现实世界复杂性之间的差距。

九、结论

智能体框架正在革新人工智能系统的运行方式，使智能体能够进行推理、规划和动态交互。在本博客中，我们探讨了智能体框架的重要性，调研了一些最流行的库，并比较了它们的优势。随后，我们深入研究了 LangGraph ，了解了其基于图的架构、状态管理以及实际应用。实践部分演示了如何使用 LangGraph 构建具有记忆功能、人机交互能力和可扩展工作流的人工智能智能体。

随着人工智能的不断发展，LangGraph、LangChain、CrewAI 等智能体框架将在塑造下一代智能应用方面发挥关键作用。无论是开发聊天机器人、自动化工具还是研究型智能体，这些框架都能提供构建模块，帮助您打造更具适应性和高效性的人工智能系统。

人工智能的未来在于自主性、结构化和交互性 ——而智能体框架正引领着这一发展方向。现在正是开始尝试、构建和创新这些框架的最佳时机。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026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。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

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👇👇

    在这里插入图片描述

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。
在这里插入图片描述
在这里插入图片描述

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】

在这里插入图片描述

# 人工智能 # 机器学习 # 深度学习
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

【保姆级】无需公网 IP！Windows 本地一键部署 OpenClaw，10 分钟打造你的飞书 AI 数字员工

avatar DAMO开发者矩阵
cover

三菱FX5U伺服机器人程序开发指南

avatar DAMO开发者矩阵

openclaw 和 Open Interpreter 有什么区别，各自有什么特点，各自适用于什么场景？

维度OpenClaw本质AI 操作电脑AI 写代码执行粒度GUI级脚本级可靠性低高灵活性高中适合场景自动办公开发与数据处理机器人潜力高中。

avatar DAMO开发者矩阵