本文深入浅出地解析了大模型相关技术栈的各个层级包括模型层、运行时层、能力层、编排层和产品层帮助小白和程序员更好地理解和应用大模型技术。文章详细介绍了DeepSeek Harness、Agent、Skill、Workflow等关键概念并通过实例和图表让读者清晰地了解它们之间的关系和作用。此外文章还总结了六个最常见的误区并提供了“三问法”来帮助读者快速判断和理解新的名词。最后文章以一分钟速查表的形式对关键术语进行了简明扼要的概括方便读者查阅和复习。deepseekdeepseek harness、agent、skill、workflow…这串名词之所以看着像一锅粥不是因为概念太多而是因为它们根本不在同一个层。这篇文章就和您一起做一件事把散落的名词各归其位。如果只记一句话 模型是大脑Harness 是身体Skill 是手艺MCP 是插座Workflow 是流水线产品是你面前那台机器。在前面这些词里有的指「层」模型层、运行时层有的指「件」技能、插件有的指「形态」智能体、工作流——把它们放在同一条水平线上比较必然越比越乱。0 · 先立骨架一张五层技术栈AI 圈的名词混战几乎全部源于一个原因厂商在不同层上抢同一个词。同一个「Agent」有人指一个产品有人指一段循环代码同一个「框架」有人指运行时有人指编排库。所以最有效的办法不是背定义而是先把层分清楚。下面这张图是全文的脊柱后面所有概念都往它上面挂。图 1 智能体技术栈的五层全景。同一条业务链路上五层可以分别由五家不同的公司提供所以「我用的是某某模型」和「我用的是某某产品」是两件事。顺着这张图开头提到的名词就都有了位置大模型 → 模型层DeepSeek Harness → 运行时层Agent → 跨运行时层与编排层的一种系统形态Skill / 插件 / 连接器 → 能力扩展层Workflow → 编排层WorkBuddy → 产品层一个容易被忽略的事实 同一家公司可以同时占好几层这恰恰是混乱的来源。DeepSeek 既出模型V4 系列也出运行时框架DeepSeek Harness腾讯既出模型混元 Hy4也出产品WorkBuddy。所以听到一个名字先问一句它在哪一层1 · 最底层大模型那个只会「接着说」的东西大语言模型LLM本质上是一个极其强大的「下一个 token 预测器」。它没有记忆没有循环不会主动做任何事。你给它一段文本它算出一段概率分布挑一个词接上去再拿新序列算下一次——如此重复。图 2 大模型的工作循环。理解了「它只输出词」就能理解为什么它不能自己动手——包括「我要调用工具」这句话也只是它输出的一串词而已。必须认识的几个术语Token词元模型处理文本的最小单位一个汉字往往 12 个 token。计费、速度、上下文长度全按它算。上下文窗口Context Window模型一次能「看到」多少 token。2026 年旗舰普遍到 100 万 token 级别但「能装下」和「能用好」是两回事。参数Parameters模型内部的权重数量粗略对应「脑容量」。当前最大的开源权重模型 Kimi K3 为 2.8 万亿参数MoE 架构激活约 104B。MoE混合专家把大模型切成很多「专家」每次只激活一小部分。这是「参数很大但推理成本可控」的关键。DeepSeek V4 Pro 为 1.6T 总参 / 49B 激活。预训练 → 后训练 → 对齐先读海量文本学语言规律再用指令数据教它听话最后用偏好数据调它的行为。推理模型Reasoning Model回答前先写一长串「思考过程」再给结论数学、代码、复杂规划更强但更慢更贵。开源权重Open Weights把权重放出来让你自己部署。注意「权重可得」和「你跑得动」是两回事——2.8T 参数的模型自部署门槛是以几十张加速卡起步的。2026 年 9 月模型层的代表选手代表厂商一句话印象Claude Opus 5 / Fable 5.1Anthropic长任务编码智能体的默认答案综合榜常年前排贵。GPT-6 Astra / GPT-5.6OpenAIAstra 冲推理天花板5.6 走量与日常办公。Gemini 3.8 Flash / 3.1 ProGoogle长文档、多模态与联网检索强性价比突出。DeepSeek V4 Pro / V4.1 FlashDeepSeek1.6T MoE、MIT 协议开源可自部署的实用派Flash 是真实用量榜的头部。Kimi K3月之暗面史上最大的开源权重模型中文能力强。GLM-5.3智谱开源 极低单价性价比战场的主力。Qwen3.8 Max阿里第三方智能指数上的国产最高席位之一。Grok 4.6 / Muse SparkxAI / Meta实时信息、社交语料方向各有特色。看榜的三条纪律 ① 看口径基准复合分、真实用量榜、单次任务成本榜三者结论经常相反 ② 看价格列同档性能价格差八倍时性能差异对多数场景已不重要 ③ 看透明度厂商不公布数值分数、只给定性评级的默认按第三方复测打折听。 另外2026 年一个明显的变化是模型不再是瓶颈验证才是。真正拉开差距的是模型外面那层工程。2 · 运行时层Harness 与 Scaffolding让模型真的动起来这是 2026 年最热、也最容易讲糊涂的一层。行业里现在有个说法开始流行模型决定 AI「能做什么」Harness 决定 AI「如何把事情做完」。把这一层再拆开其实是两件事一句话可以分开图 3 Agent 的三层骨架。Scaffolding 管「怎么想」模型能感知的部分Harness 管「怎么跑」驱动模型运行的部分。没有 Harness模型只是在说「我想做什么」什么都不会真正发生。那 Harness 具体在循环里干什么把它想成一个引擎调用模型 → 解析它吐出来的工具请求 → 路由到真正的工具 → 拿回结果 → 更新上下文 → 判断该继续还是结束。图 4 Agent 循环。每绕一圈叫一个turn把所有 turn 连起来就是一条trajectory轨迹。Harness 的功夫几乎全花在这条循环的稳定性上。Harness 工程其实还分三层2026 年 8 月前后三家团队先后交作业都叫 harness但压根不在同一层。把它们分开看思路立刻清晰运行时层——怎么把一个基座模型安全、可控、可复现地跑成一个「受控工人」。这是地基。代表DeepSeek Harness。构建 / 演进层——怎么自动造出一个 Agent并让它持续迭代变强。这是在地基上盖楼。代表PenguinHarness。元 / 自研究层——怎么让 AI 自己去研究「harness 本身该怎么改才更省」。这是站在楼外研究「楼怎么盖才省料」。代表NVIDIA SoL-Pi。DeepSeek HarnessDSH运行时层 · MIT 开源一句话DeepSeek 官方开源的通用 Agent 运行时框架把「模型之外的一切」插件化。团队自己的比喻是——模型是 Agent 的灵魂Harness 给予 Agent 理解环境、使用工具、并在真实场景中持续工作的能力。时间线2026 年 3 月成立独立 Harness 团队8 月 13 日以 v0.1 开发者预览版向全球开放测试并以 MIT 协议开源上线不到 24 小时就在 GitHub 上收了 7 万多颗星。核心哲学「一切皆插件」。模型、工具、技能、会话、沙箱、存储、循环、调度、UI 全部由插件组合而成可自由替换、灵活重组——连 agent loop 本身都是一个插件。底层是 Cordis 插件内核TypeScript 实现服务、事件、生命周期都有明确边界支持热插拔。形态默认带一个本地 Web UI127.0.0.1:3080支持多 provider 适配官方 DeepSeek、自托管 gateway、任意 OpenAI 兼容端点提供workspace-write approval的权限沙箱。适合怎么用当团队内部的 Agent 运行时底座。把散落的脚本胶水收口到一个统一 runtime权限、审计、可复现一把抓。它是内核不是 Dify / Coze 那种业务画布。两个坑① 本地 UI ≠ 本地推理——默认路由走远程 API要凭证② 它是 developer preview破坏性变更在预期之内绑定深了升级就是重做建议锁死版本并自行 fork 维护。PenguinHarness企鹅驾驭师构建演进层 · Apache-2.0 开源一句话由 LlamaFactory 作者团队开源的自进化 Agent harness——「一句话描述 → 自动生成、评测、迭代一个会自我变强的 Agent」。当年 LlamaFactory 把「微调模型」的门槛踩平了这次想踩平的是「造 Agent」。闭环Agent 自动构建另一个 Agent基于 benchmark 自我评估并迭代版本形成build → eval → optimize循环每个版本有快照每次请求都能在 Trace 视图里观测。原生支持上千种模型不被单一 provider 绑死。成本口径官方称在 DeepSeek V4 Pro 上造一个 RAG 应用约 0.02 美元约 ¥0.2。注意这是厂商口径且是首轮单价而非全生命周期均价落到自己业务集上必须实测。最大的风险没有干净、可量化的 benchmark自进化就会空转甚至越改越差Agent 自己改自己行为漂移说不清、进生产后回归极难。务实做法benchmark 当第一公民、自进化只跑影子环境、达标再灰度、全链路轨迹留痕。SoL-Pi元 / 自研究层 · NVIDIA 出品一句话它不是一个新的 harness而是装在另一个 harnessPi上面的一层扩展标语很直白——「Spend less without getting less done」花更少的钱但不少做事。思路相反于前两者DeepSeek 和 PenguinHarness 是「人设计 harness 去驾驭模型」SoL-Pi 是「让 AI 自己去研究怎么改 harness 本身」。它让 Agent 构造训练环境让另一些 Agent 观察模型怎么探索轨迹把观察变成 auto-research loop 去优化 harness——而优化目标被严格限定为效率在能力保全门槛下压 token 与成本。最终活下来的四个机制全是「token 经济型」决策Action Fusion改完文件把「跑测试」折进同一次工具调用省掉一整轮模型往返。Online Context Compact不在上下文快爆了才压缩而在子任务边界判断「未来省下的能不能偿还重写成本」——压缩时机语义化而不是容量触发的急救。ObservationPack工具结果不每轮重塞上下文先存索引真要用再分页取。Evidence-Preserving Reducer长日志交给便宜模型总结但逐行核对引用是否对得上归档原文——这是它能放心落地的关键。除了这三家真正被大量日常使用的成熟 harness 是 Claude CodeCLI、OpenAI Codex、Cursor 这一类面向软件开发的 Agent——它们能理解代码库、调用工具、改代码并完成复杂工程任务。同一代模型塞进不同 harness表现差出一档这就是为什么 2026 年「模型不再是瓶颈」的说法开始站得住脚。为什么这一层突然这么重要 因为当顶级模型的分数彼此只差几个点的时候前十名往往只差 8 分左右harness 和提示词工程产生的差异足以让一个模型上下挪好几个名次。模型是要花钱买的公共品harness 才是各家自己的护城河。3 · 能力层Tool、MCP、Skill、插件、连接器模型再聪明也需要「手」。这一层解决的就是「手」的问题但它内部也分了三代理解这三代的演进比背定义有用得多。第一代Function Calling —— 一次性约定2023 年 6 月OpenAI 为 GPT-4 / GPT-3.5-turbo 引入了 Function Calling开发者把可用函数的清单名字 描述 JSON Schema 参数一次性塞进 prompt模型返回「我要调用哪个函数、传什么参数」应用层负责执行并把结果喂回去。Anthropic 后来做了同一样东西只是叫 Tool Use还多加了强制调用、并行调用、流式工具调用等能力。它的硬伤是 M×N 适配问题M 个 AI 应用 × N 个工具 M×N 次对接。而且各家的格式互不兼容。第二代MCP —— 把 M×N 变成 MNMCPModel Context Protocol由 Anthropic 在 2024 年 11 月 25 日开源是基于 JSON-RPC 2.0 的标准化通信协议。它的关键革命不是性能而是解耦工具厂商GitHub、Slack、Notion、数据库……做一次 MCP Server所有 MCP 客户端自动可用。图 5 工具调用协议的代际差异。左边是 2023 年的现实右边是 2026 年的主流。协议治理也已落定MCP 与 A2A 都在 2025 年底进入了 Linux Foundation 旗下的 Agentic AI Foundation。MCP 生态现在多大按公开扫描与目录统计互联网上可访问的 MCP 服务已超过 1 万个主要目录里注册的 server 超过 4,800 个GitHub 上标记为mcp-server的仓库超过 15,000 个。OpenAI、Google、微软的客户端都已支持——它事实上赢下了「Agent 到工具」这一层。第三代Skill —— 把「手艺」写成文件Agent Skill 是 Anthropic 在 2025 年 10 月提出、并在同年 12 月 18 日开放为标准的一种格式。它简单到令人意外一个文件夹 一个SKILL.md。文件开头是一小段 YAML只需要name和description下面是给模型看的操作说明还可以带脚本和参考文档。它的精髓是渐进式加载平时只有描述常驻上下文每个技能约 100 token命中任务时才读取正文建议控制在 5,000 token 以内附带文件更是用到才读脚本则只把执行结果带进上下文。所以技能可以写得很厚却几乎不占预算。图 6 技能与 MCP 不是二选一。一个实用判断数据每次都可能变、需要实时取 → 用 MCP知识稳定、写一次能用几周 → 用技能文件。需要两个的时候技能定义方法MCP 取回数据。那「插件」和「连接器」又是什么它们是厂商自己的封装叫法通常比上面两个都「大」一个插件可以同时包含技能指令、连接MCP 或私有接口、界面UI 面板、生命周期钩子与权限声明。连接器Connector打通外部系统的通道。例如 WorkBuddy 的连接器可以把天眼查、携程、百度网盘这类第三方能力接进来用户只要说一句话智能体就按需调用相关数据。插件Plugin更宽的盒子。MCP Server 算是插件的一种标准形态但插件不一定是 MCP。技能市场各家的分发渠道。SKILL.md 之所以值得关注是因为它跨客户端可移植——同一份技能可以跑在 Claude Code、Cursor、Codex、GitHub Copilot、VS Code、Gemini CLI、Goose 等多个宿主里。维度技能 SkillMCP / 插件提示词 / 斜杠命令本质静态的指令文件长期运行的服务进程可复用的一段文本改变什么怎么做事行为能碰到什么可达范围本次任务的行为| 形式 | 文件夹 SKILL.md | JSON-RPC / stdio 或严格说自动化不是第三种形态而是工作流的一种触发方式——「每天 9 点跑一遍」或者「收到新邮件就处理」。WorkBuddy 里它叫「自动化」n8n 这类平台则把整件事叫自动化。它的价值在于把重复工作从「你想起来才做」变成「到点就做」。多智能体与 A2A从「一个人干」到「一群人协作」当一个任务天然可以拆成几种不同技能时多智能体才有意义——比如调研、写作、审校各一个角色各自持有自己的上下文和工具。而让不同厂商、不同框架造出来的 Agent 能互相发现和委派任务靠的是另一套协议。图 8 两个协议各管一段。A2A 管「Agent ↔ Agent」横向MCP 管「Agent ↔ 工具」纵向。它们不竞争而是叠在一起用。A2AAgent2Agent由 Google 在 2025 年 4 月发布随后捐给 Linux Foundation。它用 Agent Card自描述能力清单类似 Agent 的「身份证 说明书 合约」实现互相发现用任务生命周期状态机管理长任务。到 2026 年 4 月满一周年时已有 150 家以上组织支持规范推出 1.0加入多租户与签名 Agent Card并集成进 Google Cloud、Azure AI Foundry、Copilot Studio、Amazon Bedrock AgentCore。别忘了多智能体不是越多越好。每多一个 Agent上下文就要被复制一次成本和延迟一起上涨前面的错误还会顺着链路放大。先确认任务天然可拆再决定要不要多智能体。编排框架地图先看你会不会写代码框架 / 平台形态适合谁LangChain / LlamaIndex代码框架RAG 与组件拼装生态最全学习曲线陡。LangGraph代码框架复杂多步骤、有分支与人工审批、要状态持久化的生产级流程。CrewAI / AutoGen代码框架角色分工式的多智能体协作AutoGen 更偏研究。Dify / FastGPT低代码平台想快速落地知识库、客服、内部工具又不被云平台锁死。Coze扣子/ 元器云端平台对拖拽友好、要一键发布到社交与聊天渠道的业务同学。n8n自动化平台跨系统自动化、审批流、数据同步——AI 只是其中一个节点。OpenAI Agents SDK代码框架直接在 OpenAI 生态里做生产级 Agent。Claude Code / Cursor / Codex成熟 harness编码场景开箱即用理解整个代码仓库。选型心法低代码看「落地速度」代码框架看「控制力」。至于多智能体先问一句「这个任务到底能不能拆」——拆不开就别拆。5 · 产品层你真正打开的那个东西产品层是「把下面四层打包卖给用户」的那一层也是概念混淆最严重的一层——因为厂商在这里抢词、造词、混用词。同一句「我们的 Agent 很强」可能指模型强、可能指编排强、也可能指界面好用。产品形态特征代表聊天助手你问它答交付的是文字ChatGPT、豆包、Kimi、Claude 网页版工作台式 Agent自主拆解任务、动你的文件、交付可验收的成品文档/表格/PPTWorkBuddy、豆包工作、千问办公编程 Agent理解代码库、改代码、跑测试Claude Code、Codex、Cursor、Cline低代码 / 自动化平台拖拽编排、面向业务同学Dify、Coze、n8n、Flowise垂直 Agent只做一行做得很深法律/医疗/金融等行业的专用智能体WorkBuddy产品层 · 腾讯出品一句话腾讯出品的全场景 AI 工作台。你用自然语言描述需求它自主规划、执行并交付文档、表格、PPT 这类可直接使用的完整成果。时间线2026 年 3 月上线试运营此后迭代了 50 多个版本6 月发布企业版9 月 2 日开放平台上线首批引入上百家生态伙伴。能力按模块组织这三个词就是厂商自己的封装技能——一系列经过优化的定向提示词用来精准完成特定类型的办公任务。对应第 3 节的 Agent Skills专家——面向细分工作场景把多项相关技能整合成的专属能力模块。对应「角色化的技能包」连接器——打通不同应用的接口通道可对接天眼查、携程、百度网盘等第三方工具一句话就能按需调用相关数据。对应 MCP / 插件生态它还支持多任务并行、授权后操作本地文件、资料库内部知识与资料、自动化定时或事件触发。交付物是「可验收的结果」而不是一段建议——这也是它和传统对话式 AI 最本质的差别。拆到五层看它长这样模型层开放的多模型供给 运行时层自家的 Harness 能力 能力层技能 / 连接器 / 插件 编排层专家多角色并行、自动化 产品层桌面端 / 主流 IM / 小程序。没有哪一层是「WorkBuddy」这一个词能概括的。一个行业级的转向 办公软件正在从「被人操作的工具」变成「主动干活的执行主体」。过去 Copilot 模式是「帮你写」现在的 Agent 追求「替你干完」——价值重心也从个人单点提效转向团队协同提效。顺带一提这也解释了为什么巨头都要做产品做产品能持续收集真实场景反馈反过来优化模型与生态。6 · 将开头的词逐个归位先做两处名称校正开头说的 workbody 应当是 WorkBuddy腾讯的全场景 AI 工作台deepseekharness 是 DeepSeek Harness简称 DSHDeepSeek 官方开源的 Agent 运行时框架。它们两个恰好一个在顶层、一个在中间层是最典型的「不该放在一起比」的例子。你说的词它到底是什么归属层同类 / 易混WorkBuddy腾讯的全场景 AI 工作台交付成品文件产品层豆包工作、千问办公易混它不是模型DeepSeek一家公司以及它的模型系列V4 Pro / V4.1 Flash 等模型层GPT、Claude、Gemini、Qwen、KimiDeepSeek HarnessDeepSeek 官方开源的 Agent 运行时框架「一切皆插件」运行时层Claude Code、Codex、Cursor、PenguinHarnessAgent / 智能体一种系统形态模型 脚手架 驾驭层边想边做的循环跨运行时层与编排层易混它既不是产品也不是模型Skill / 技能用SKILL.md封装的静态指令集按需加载能力层易混它不是函数、不是连接Workflow / 工作流由人事先固定的执行路径编排层易混与 Agent 的区别是「路线谁定」插件厂商封装的扩展包可同时含技能 连接 界面 钩子能力层为主连接器、扩展、插件市场框架一个被滥用的词至少指两样运行时框架Harness与编排框架LangGraph 等运行时层 / 编排层先问「是跑模型的还是排流程的」你没提到、但同样该知道的MCP — Agent 与工具的协议A2A — Agent 与 Agent 的协议Function Calling / Tool Use — 调用工具的原始能力Tool — 一个个具体动作Scaffolding — 模型能看到的世界Harness — 让模型跑起来的循环RAG — 让模型查资料再回答Memory — 跨轮次、跨会话的记忆Context Engineering — 上下文工程Sub-agent — 子智能体Hook — 在关键节点插入的钩子评测 harness — SWE-bench / Terminal-Bench 这类考卷开源权重 vs 闭源 APIToken 计费与峰谷定价7 · 六个最常见的误区把产品当模型。「我在用 DeepSeek」——你用的可能是一个套了某家 harness、接了某个模型接口的产品。模型是可以被换掉的零件产品才是你体验到的整体。把框架当能力。装了 LangChain、配了 MCP不等于你有了智能体。能力来自模型 工具 流程三者框架只是把它们装起来的那层壳。以为 MCP 和 Skill 二选一。它们解决的是两个问题一个管「怎么做」一个管「能碰到什么」。成熟做法是技能定义方法、MCP 提供实时数据。以为 Agent 一定比 Workflow 高级。步骤确定、要求审计和复现的场景工作流更便宜也更稳。用柔性换来不可控通常不划算。以为「本地界面 本地推理」。这是 harness 产品最常见的误读界面跑在你机器上推理请求可能照样发往远程 API数据边界要自己划。以为扩展装得越多越强。每个扩展都在收上下文税。装到一定程度模型的选择能力反而下降。少而准。最后送你一个「三问法」 以后再遇到一个新名词问三句就够了 ① 它在第几层模型 / 运行时 / 能力 / 编排 / 产品 ② 它改变的是「想法」还是「能力」指令类改行为服务类扩范围 ③ 路线谁定人定 → 工作流模型定 → 智能体 三问答完这个名词 90% 的混淆就消失了。8 · 一分钟速查表术语所在层一句话大模型 / LLM模型层预测下一个 token 的巨型函数只会输出文本。Token / 上下文窗口模型层计费与容量的计量单位。MoE / 开源权重模型层只激活一部分专家权重可下载但未必跑得动。Scaffolding运行时层模型能看到的世界提示词、工具描述、输出格式。Harness运行时层让模型跑起来的循环调用、路由、回填、停止判断。Agent Loop / Trajectory运行时层一圈叫 turn一串叫轨迹。Function Calling / Tool Use能力层模型输出「我要调谁、传什么」执行靠应用层。MCP能力层协议工具接入的 USB-C把 M×N 变成 MN。SkillSKILL.md能力层一个文件夹按需加载的操作说明书。插件 / 连接器能力层厂商封装的扩展包通常含技能 连接 界面。RAG能力层先检索资料再让模型基于资料回答。Workflow编排层路线人定可审计可复现。Agent / 智能体编排层 运行时层路线模型临场定模型 脚手架 驾驭层。Automation编排层被时间或事件触发的工作流。A2A编排层协议Agent 之间的通用语靠 Agent Card 互相发现。LangGraph / CrewAI / Dify / n8n编排层工具把上面这些东西实际搭起来的工程工具。Claude Code / Cursor / Codex产品层也是 harness开箱即用的编码智能体。WorkBuddy产品层把五层打包成一个「替你干完活」的工作台。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。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】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、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。4、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。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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】