随着大语言模型（LLM）技术的发展，AI智能体在医疗领域迅速应用。本文梳理了智能体的历史演变、核心特征，并分析了其在辅助诊断、决策支持、报告生成等七类医疗场景中的应用。同时，探讨了医疗AI智能体的评估框架和未来七个发展方向，为医疗AI的进一步研究和实践提供全面视角。

01　摘要

随着大语言模型（LLM）技术的快速发展，AI 智能体已在医疗保健领域迅速涌现。本综述追溯了 AI 智能体的历史演变和核心特征，并系统性地考察了其在辅助诊断、临床决策支持、医疗报告生成、面向患者的聊天机器人、医疗系统管理以及医学教育中的应用。我们进一步分析了医疗保健领域现有 AI 智能体的评估框架，重点关注关键维度和性能指标。展望未来，我们提出了七个未来发展方向：与具身系统的集成、混合专家模型、扩展评估范式、安全性和可控性保障、伦理治理和用户信任，以及医疗保健人员角色演变指导。本综述旨在为医疗保健领域 AI 智能体的开发和实施提供全面视角，为未来研究、实践和治理提供理论支持。

02　引言

问题介绍

大语言模型的近期突破推动其在医疗领域快速落地，广泛用于医学问答、电子健康档案（EHR）生成与临床决策支持。与此同时，基于 LLM 的智能体正在兴起。智能体不仅能理解与生成语言，还能通过工具调用自主编排多步任务，具备目标导向的推理与决策能力。临床实践中，医护人员常面对多模态、高度异质的数据、沉重的工作负荷以及时间紧迫的临床决策需求，AI 智能体因而被视为医疗技术的前沿方向。

挑战与难点

已有研究初步探索了 AI 智能体在医疗中的潜力。有研究团队考察了其在诊断支持与工作流优化中的应用，同时指出数据隐私与过度依赖方面的挑战；另一些学者分析了智能体 AI 在诊断、临床运营、药物研发与机器人辅助干预中的核心功能；另有学者阐述了医疗协调多智能体系统（multi-agent systems in healthcare, MASH）范式，提出去中心化但可互操作的 LLM 智能体协同优化医疗流程。相比 “LLM + 医疗” 文献的爆发式增长，专门针对 LLM-based AI agent 的研究仍然稀少，已有综述或偏重某一垂直场景，或缺乏统一的评估框架，尚未形成对"应用版图—评估维度—未来方向"的系统整合。

本文研究内容

本综述检索 Web of Science、PubMed 与 arXiv，以 “agent” “agentic” “large language model” “foundation model” “natural language processing” “vision-language models” “multimodal large language models” “generative AI” “GPT” 等技术词与 “healthcare” “medicine” “clinical” “medical” 等领域词组合检索，时间范围为 2022 年 LLM 兴起至 2025 年 2 月，初检 510 篇。每篇文章由三名研究团队成员独立筛选，分歧由第四名成员仲裁；排除传统智能体研究、非英文与不完整发表、社论与评论等类型后，最终纳入 81 篇代表性研究。综述围绕四条主线展开：AI 智能体的概念演变与核心特征、在医疗七类场景中的应用、多维评估框架，以及七个未来发展方向。

03　研究结果

历史演变

“智能体”（Agent）的概念可追溯至哲学沉思。古希腊哲学家已开始描述拥有欲望、信念、意图与行动能力的实体，亚里士多德的"目的因"（telos）为后续智能体的目标导向特征提供了哲学基础。1950 年代图灵提出"图灵测试"，成为评估机器智能的经典基准；1970 年代专家系统兴起，利用人类专家知识通过计算机程序进行推理与决策；机器学习让智能体从数据中习得知识与技能，21 世纪深度学习在感知、决策、执行能力与应用场景上取得突破，强化学习尤其是多智能体强化学习（multi-agent reinforcement learning, MARL）解决了大量序贯决策问题。2022 年后 LLM 普及，AI 智能体进入加速发展期：OpenAI 推出 Custom GPT 功能，Google 通过 Gemini 系列模型支持多模态任务处理，Meta 开源 LLaMA 系列模型催生大量社区智能体应用，Anthropic 的 Claude 通过 Constitutional AI 框架在安全与可控性上树立新标准，DeepMind 的 Sparrow 项目探索语言模型与强化学习结合。基于 LLM 的智能体相比强化学习智能体，拥有更丰富的知识库、更自然的人机交互能力和更好的可解释性。这一趋势促使众多机构优先发展基于 LLM 的 AI 智能体，医疗领域尤为明显，IBM Watson Health 即为代表。智能体演进的完整过程与关键里程碑见图 1。

图 1　AI 智能体的演进历程与关键里程碑（原图：论文 Fig. 1）

概念界定

学术界目前尚无普遍接受的 AI 智能体定义。有学者将 AI 智能体描述为具备目标导向、社会智能、心智读取、适应性与灵活性，并能自主决策与行动的智能实体。有学者将其定义为以大语言模型为核心控制器、通过规划、记忆与工具使用处理复杂任务的自主系统，即"LLM + 记忆 + 任务规划 + 工具使用"。有团队强调用 LLM 或视觉语言模型（VLM）增强系统的交互性与适应性；有学者将 AI 智能体描述为利用外部 API 工具扩展模型能力的系统；相关研究探索的语言模型通过学习使用工具提升表现。有学者的定义将 LLM 作为核心控制器并系统整合规划、记忆与工具使用，比宏观认知架构视角更具操作性，也比偏重工具调用的视角更具整体性，因而采用该定义，将 AI 智能体概念化为：以 LLM 为中央控制器、配套规划、记忆、工具使用与自我反思四大模块的自主智能系统，以确保在医疗领域高效可靠地执行特定任务。

图 2　AI 智能体的五项核心能力（原图：论文 Fig. 2）

关键特征

LLM 智能体区别于传统 AI 的五项核心能力见图 2。第一，文本理解与生成：对文本上下文信息有深度理解能力，并能生成自然流畅的文本内容，使智能体能够更智能、更个性化地与人交互。第二，工具使用与交互性：智能体可自主学习如何使用外部工具，针对特定场景选择最合适的工具，通过 API 调用等方式获取所需信息或执行具体操作，从而提升任务处理效率与准确性，也增强了智能体的自主性。第三，任务处理与泛化能力：智能体可与其他信息系统和设备无缝集成，促进协作与信息共享；在诊断支持场景中，可与电子健康档案（EHR）、医学影像存档与通信系统（PACS）、实验室信息系统（LIS）集成，自动提取患者的多模态数据，辅助医生综合决策、减少人为差错。第四，逻辑推理与任务分解：基于 LLM 的智能体相当于被赋予更强大的"大脑"，LLM 具备逻辑推理能力；智能体可自主生成与特定目标对齐的定制化提示词，用于激发 LLM 的推理能力以处理复杂推理任务。第五，学习与适应能力：智能体可从大规模数据中自主学习、提取关键信息并持续优化自身表现，对大量人工标注与预设规则的依赖很低，并具备从有限甚至零样本中获取知识、快速适应新任务或小数据集的能力；其高度可扩展的特性支持性能的持续改进与自我驱动的演化。

04　医疗保健领域的应用

应用分类总览

这一分类是归纳性、内容驱动的，用于概括当前研究焦点与趋势，而非依据固定的标准化框架；归纳结果为七类应用（图 3）。

论文归纳的七类医疗应用（据原文第 3 节）

应用场景	代表性能力	论文提到的代表系统
辅助诊断	多智能体会诊、多模态影像判读、专科辅助	Agent Hospital（清华）、AMSC（哈工大）、ClinicalAgent、MMedAgent、ZODIAC、MAGDA
辅助决策	角色扮演、多学科讨论、结构化 MDT 协作	MedAgents（耶鲁）、MDAgents、MEDAIDE、海德堡大学医院肿瘤智能体
辅助报告生成	影像解读、报告撰写、患者友好沟通	CheXagent（斯坦福）、CXR-agent、MGA
辅助健康管理	心理评估、语音交互、角色化健康管理	AMC（抑郁诊疗）、MISHA
辅助医学教育	模拟患者、知识图谱、专科训练	AI Patient（密歇根大学）、MEDCO（香港中文大学）、ChatCoach
辅助用药管理	处方与用药校验、药物警戒、疗效分析	Rx Strategist、MALADE、ClinicalAgent
辅助医院管理	ICD 编码、EHR 交互、事前授权分解	EHRAgent、Almanac Copilot

图 3　医疗 AI 智能体的应用版图（原图：论文 Fig. 3）

辅助诊断

辅助诊断是 AI 智能体在医疗中最常见的应用之一。有研究显示，多智能体交互可提升诊断准确率并纠正历史记录中的错误。清华大学构建"智能体医院"（Agent Hospital），模拟医疗机构中医护人员与患者的真实场景，提升医患交互的智能水平；哈尔滨工业大学的助手驱动专家咨询模型（assistant-driven expert consulting, AMSC）通过多个具有不同知识背景的智能体模拟专家研讨会；ClinicalAgent 采用专科化 LLM 提供定制化科室支持，使模拟更贴近真实临床环境。在专科方向上，斯坦福大学的 MMedAgent 利用多模态影像完成医学图像的检测、分割与分类；面向心脏病学的 ZODIAC 提取临床相关特征、检测心律失常并辅助诊断决策；MAGDA 将放射影像与临床指南结合以增强推理。

辅助决策

与辅助诊断类似，许多医疗场景涉及多学科与多角色，研究者常整合不同数据源，建立具备互补专长的智能体并支持基于角色的交互，以多智能体协作提升临床决策的质量、可解释性与共识度。耶鲁大学的 MedAgents 采用角色扮演与多学科讨论迭代提升可信度与可解释性，促成共识决策；MDAgents 依据场景复杂度设立全科医生、专科医生等不同智能体，通过结构化多学科团队（MDT）协作支持决策；MEDAIDE 通过查询重写、意图识别与多智能体协作改善对临床意图的理解。在专科应用中，海德堡大学医院面向肿瘤场景开发的智能体可完成文本、放射影像与组织病理图像解读、基因组数据处理、网络检索与医学指南文献检索；急诊场景中，由急诊医生、分诊护士、药师与调度员构成的多智能体系统整合急诊分诊评估量表（Emergency Triage Assessment Scale, ETAS）以提升决策质量、效率与安全性；此外还有面向临床差错与纠错任务的多智能体系统，通过拆解观察、评估、反思与格式化步骤对医疗决策做正反分析。

辅助报告生成

报告生成是 AI 智能体在医疗中较早的应用方向，初期主要帮助影像科医生解读医学影像、缓解人力短缺。斯坦福大学的 CheXagent 聚焦胸片解读，通过图像分析与文本回应生成放射学报告，其在视觉任务上的表现超出通用领域模型 97.5%；CXR-agent 同样面向胸片，可完成病灶检测、分类、定位与临床报告生成。后续研究转向提升报告质量、准确性、可读性与以患者为中心的沟通，例如 MGA 利用既有医疗报告构建医学词典并匹配最相关的句子生成报告。由于报告生成的专业性，以往研究多聚焦单智能体系统以保证计算效率与语义一致性；随着对医患体验的关注增加，近期研究开始引入多智能体架构优化报告生成流程，产出对患者友好的报告，在减轻临床医生工作量的同时提升可读性与患者体验。

辅助健康管理

该方向以对话智能体为主。AMC（Agent Mental Clinic）通过建立患者角色、精神科医生角色与督导角色，复现医患交互以辅助抑郁诊断；MISHA 面向学生的压力管理提供心理教育；其他系统通过电话或语音完成交互，并设立护士、医疗助理、社会工作者与营养师等角色以支持健康管理。

辅助医学教育

通过建立知识图谱并引入多智能体角色，提供个性化且准确的医学教育；同时开展临床案例训练。密歇根大学的 AI Patient 结合模拟患者、知识图谱以及检索、推理、生成等多个助手；香港中文大学的 MEDCO 整合患者模拟、资深医生反馈与多学生互动；ChatCoach 用于训练医患沟通，相关应用已延伸到放射肿瘤学等专科教育。

辅助用药管理

Rx Strategist 通过知识图谱检索与药品信息集检索完成用药校验；MALADE 通过多智能体协同实现药物警戒；ClinicalAgent 在临床试验中分析评估药物对疾病的潜在疗效，用于药物安全性分析。

辅助医院管理

通过知识图谱与多智能体协同提升 ICD 编码的质量与效率；在电子健康档案方向上，EHRAgent 通过自主生成并执行代码，让临床医生直接与 EHR 交互、辅助完成病历书写；Almanac Copilot 则分解事前授权（prior authorization, PA）任务，减轻医生工作负担。

05　医疗 AI 智能体的评估

评估的必要性

随着 LLM 在医疗领域的普及，其能否提供临床价值取决于各运行环节的可靠性、有效性与安全性。缺乏严格评估，AI 智能体可能隐藏医学推理的潜在缺陷，进而导致诊断偏差或不当治疗建议，危及患者安全；即便定位为决策支持，测试不足的系统也可能给出含糊或不一致的指导，迫使临床医生反复核对输出，干扰本已繁重的临床工作流程。评估不足还会加剧对偏见、公平性与数据隐私的担忧。

评估对象与对照对象

在医疗领域 LLM 的评估过程中，评估对象通常分为三类。其一是其他 LLM，如常用的 GPT-4/GPT-4o、Gemini-Pro；其二是人类评估，按所需智能类型邀请相关医学领域专业人员，包括各学科医生、专科医师、执业护士、临床药师以及放射与影像专家，临床专家依据专业知识和实践经验评估模型输出（如诊断结果的合理性与治疗方案的可行性），其评估结论体现权威性与专业性；其三是公开测试集，包括 MedQA、PubMedQA、MultiMedQA 以及按特定需求定制的数据集，可提供大量标准化数据样本，对模型在不同任务和知识领域的胜任程度做更客观、定量的评价。〔表 3〕评估对象与对照对象（据论文表 1）| 角色 | 具体构成 || 评估对象①：其他 LLM | GPT-4/GPT-4o、Gemini-Pro || 评估对象②：人类评估 | 各学科医生、专科医师、执业护士、临床药师、放射与影像专家 || 评估对象③：公开测试集 | MedQA、PubMedQA、MultiMedQA 及定制数据集 || 对照对象①：基线模型 | 业界模型 GPT-4/GPT-4o、Gemini-Pro、LLaMA、Mixtral；医疗专用模型 BioGPT、Meditron、Med-Flamingo、BioMistral || 对照对象②：专家行为结果 | 与人类临床专家的诊断结果、治疗决策、问答得分比对一致性与差距 |主要对照对象为基线模型与专家行为结果：基线模型既涵盖 GPT-4/GPT-4o、Gemini-Pro、LLaMA、Mixtral 等业界领先模型，也包括 BioGPT、Meditron、Med-Flamingo、BioMistral 等医疗专用模型；专家行为结果则聚焦比较模型的诊断结果、治疗决策与问答得分同人类临床专家的一致性或差距。

论文表 1：医疗 AI 智能体的评估维度与指标

维度	主要指标	代表性指标	典型智能体
基础指标（基本可行性）	客观正确性	Accuracy、Precision、Recall、F1-score、ROC-AUC	ClinicalAgent、MedAgents
基础指标（基本可行性）	语义正确性	BLEU、ROUGE、METEOR、BERTScore	MedAide、MedReAct’N’MedReFlex

指标维度

多维指标的归纳见表 1，分为基础指标与发展指标两类：前者对应"基本可行性"，即安全有效提供医疗服务所需的最低标准，包含客观正确性（衡量预测结果与经验证的医学事实、基准数据集或其他参考标准的一致程度，如 ClinicalAgent 以准确率、ROC-AUC、精确率、召回率与 F1 评估结果）、语义正确性（通过生成文本与参考文本在词汇与语义结构上的相似度判断模型理解与表达语义的能力）、任务完成度（完成率与成功率，复杂场景下还包含自主选择、调用与协调外部工具的能力，如肿瘤科智能体以工具识别与使用的准确率、MMedAgent 以工具利用为主要标准）；后者对应"综合卓越性"，即复杂临床情境下对高质量、以人为本且可持续表现的追求，包含效率水平、内容与呈现质量、人文关怀三项。监管侧的评价口径也被列为参考：英国 MHRA 的"AI Airlock"沙盒关注安全与质量、有效性、采纳度、公平与鲁棒性；欧盟 CORE-MD 提出有效临床关联评分、有效技术性能评分与临床性能评分；中国 NMPA 的 AI 辅助检测医疗器械临床评价指导原则关注敏感度、特异度、ROC-AUC 与临床参考标准的构建。需要说明的是，两级指标维度目前仍是概念性指标，在真实场景中的应用有待进一步探索，开发官方可操作的评估体系面临诸多挑战，当前尚不存在成熟且被广泛采纳的统一框架。

06　未来发展方向

七个未来方向（论文原文顺序） 一　与具身机器人融合　　二　混合专家模型组合　　三　扩展评估指标 四　安全与可控性保障　　五　伦理审查与治理　　六　用户信任与反馈采纳 七　医护人员角色演变指导 第一，与具身机器人融合。人口老龄化与医护人员短缺构成现实压力。现有实体机器人依赖预编程流程，容错机制不足，人机交互停留在机械应答。与 AI 智能体集成后，有望通过物理机器人向患者提供更直接的医疗服务，例如手术辅助与健康照护，实现 AI 智能体与患者在真实世界中的直接交互，提供更人性化、个性化的医疗服务。这一融合会带来安全、问责与患者隐私方面的关切，医疗系统需要为此适应：建立人机协作（ERs collaboration）指南、强化监督机制，并确保符合伦理与监管框架。 第二，混合专家模型组合。随着 AI 技术在医疗领域应用深化，智能体处理复杂医疗数据的程度不断提高，直接影响诊断效率与患者安全。大规模预训练模型泛化能力强，但面对专科临床任务时，在精度、可解释性与适应性上存在局限。混合专家模型（Mixture of Experts, MoE）通过为特定临床任务动态激活并整合专科子模型，提升医疗 AI 系统的可靠性、可解释性与领域相关性。落地证据已经出现：MoE-SLU 在口语医疗问诊中的早期实现，利用混合专家模型对多路自动语音识别（ASR）假设做加权融合，在三个基准数据集上使关键词识别准确率提升 3.4–5.1 个百分点，说明 MoE 已从理论构想进入专业医疗 AI 系统的验证阶段。 第三，扩展评估指标。多维度评估工具可帮助医疗专业人员、患者与管理方形成切合实际的预期，对推动 AI 技术在医疗场景的规范化应用至关重要。但当前主流指标偏重准确率、效率水平与语言表达流畅度等常规性能指标，不足以反映 AI 系统在真实临床中的综合收益，尤其是经济成本与临床安全等关键因素；同时缺乏对用户体验与以人为本考量的可量化评估。因此，有必要开发更实用、更全面的评估体系。 第四，安全与可控性保障。自主性提升带来临床信任不足与安全风险管控缺失的问题，需要建立持续的监督框架与透明、可解释的决策机制。 第五，伦理审查与治理。核心议题是数据隐私、算法透明度与责任归属。相关治理框架包括欧盟《人工智能法案》（EU AI Act）确立的协作治理框架、英国药品和医疗产品监管署（MHRA）的 AI Airlock 监管沙盒，以及世界卫生组织关于医疗人工智能伦理与治理的指南。 第六，用户信任与反馈采纳。难点在于多主体诉求难以平衡、缺少有效的反馈闭环，以及用户对 AI 仍持怀疑态度。需要建立动态反馈机制，把用户反馈嵌入 AI 的开发周期。 第七，医护人员角色演变指导。社会技术系统（socio-technical systems, STS）视角提示，AI 的引入不是替代人类角色，而是要求技术与人的实践协同演化；医疗系统应提供培训、制度支持与人机协作机制，让医护人员在"数据驱动决策 + 以患者为中心"的新定位中重新界定自身价值。

07　结论与局限

本综述系统梳理了医疗领域基于 LLM 的 AI 智能体研究现状，考察其概念演变与核心特征，归纳辅助诊断、辅助决策、报告生成、健康管理、医学教育、用药管理与医院管理七类应用及代表性系统，提出融合技术性能与人文维度的多维评估框架，并勾勒七个未来发展方向，旨在为医疗保健领域 AI 智能体的开发和实施提供全面视角，为未来研究、实践和治理提供理论支持。论文自述的局限是：尽管力求全面覆盖，领域的快速演进与出版/索引时滞仍可能导致遗漏；未来研究需要通过基于案例的验证与实证考察，进一步支撑在真实医疗环境中开发安全、可控、可信的 AI 智能体。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 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

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 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
• …

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 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
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、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。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。