文章详细介绍了意图识别技术的演进路径从早期的关键词识别到结合多轮上下文的任务推断。随着业务复杂度的提升文章提出了应对策略包括规则、分类器、深度学习模型、Embedding、对比学习以及LLM的应用。特别强调了LLM在处理多轮对话和复杂场景中的优势以及如何通过级联架构和动态知识库优化意图识别系统。文章还讨论了评估指标和系统设计原则旨在帮助读者构建更高效、更灵活的意图识别系统。很多人设计 Agent 意图识别会从 Prompt、Few-Shot 或 RAG 开始。把时间线拉长后会发现这项技术有一条清晰的演进路径最早识别用户说了哪个关键词后来判断一句话属于哪种业务类型如今还需要结合多轮上下文推断用户准备推进什么任务。这条路径由业务复杂度推动。表达越来越口语化意图标签持续增加对话上下文不断变长系统还要处理意图切换、多任务组合、参数缺失和执行风险。选型之前可以先回答四个问题意图数量有多少、标签是否频繁变化、标注数据是否充足、一次判断需要理解多少轮上下文。答案基本决定了技术路线。一、规则和分类器先接住确定的请求业务刚启动时规则通常最实用。例如出现退款“取消订单”“修改地址便路由到对应流程。规则几乎没有推理成本结果可解释也方便产品和运营直接调整因此适合高频、确定、风险敏感的请求。它的边界同样明显用户可能说这个我不想要了”“地址填错了”还可能同时提到退款和物流。规则数量增加后冲突、优先级和维护成本也会快速上升。所以规则适合守住最确定的一部分流量其余表达交给统计模型处理。当意图标签相对稳定同时积累了一批标注语料可以使用 TF-IDF、FastText 等文本表示再结合逻辑回归、SVM 或轻量神经网络完成分类。这类方案训练快、推理成本低适合客服分流、工单归类、FAQ 路由等高并发场景。它依赖历史数据学习决策边界因此需要关注类别不均衡、线上新表达和相邻意图混淆。离线准确率很高仍可能在促销、新产品或新政策上线后快速下降。随着表达复杂度提高CNN、LSTM、BERT 一类深度学习模型开始发挥作用。预训练模型能够理解词序和上下文同一句我要退了出现在商品、机票和会员服务中可以得到不同表示。此时还能把意图分类与槽位抽取联合训练一次得到 intentbook_flight、departure杭州、destination北京、date周五。这种方案适合标签稳定、数据充足、线上流量较大的业务代价是标注、训练和版本管理成本更高标签调整后通常还要补数据并重新训练。业务进入冷启动阶段时问题会发生变化标签已经定义好每个标签却只有少量样本。Embedding、原型网络和对比学习更适合这种情况。它们通过向量空间描述类别关系让同类表达靠近让不同意图逐渐分开。新意图上线时只要准备少量示例即可参与召回扩展速度会快很多。这里要注意语言相似与业务动作并不总是一致。怎么取消订单和为什么订单被取消在向量空间里可能非常接近后续动作却完全不同。因此Embedding 更适合召回几个候选意图最终判断再由分类器或 LLM 完成。二、意图变多就先缩小范围再判断LLM 进一步降低了意图系统的冷启动门槛。我们可以在 Prompt 中写明业务意图、判断边界、正反案例和输出结构让模型直接返回意图、槽位、置信信息以及是否需要追问。它对口语、省略、情绪表达和少样本意图的适应能力更强也适合意图频繁调整的 Agent 产品。当意图数量逐渐增加把全部定义和案例都塞进 Prompt会带来上下文膨胀、标签混淆、成本增加和维护困难。系统由此自然演进到先缩小范围再完成判断的两阶段架构。意图 RAG 的核心价值就在于缩小决策空间。系统先用当前请求召回最相关的意图定义、边界案例和混淆反例再让 LLM 在这些候选中判断。原本从几十个意图里选择一个现在可能只需要比较三到五个候选Prompt 更短边界也更集中。这套架构需要分别评估召回层和判断层。目标意图没有进入 Top-K后面的 LLM 很难补救目标已经召回却选择错误说明问题更可能出在意图边界、案例质量或判断提示词。把两个环节拆开评估才能快速定位系统误差。意图库也需要覆盖真实线上分布。除了标准定义还应收录口语表达、相邻意图、混淆反例、业务前置条件以及历史误判。LLM 批量生成的同义句可以补充长尾表达线上真实请求仍然是更新意图库最重要的数据来源。三、多轮对话里要判断的是状态不是一句话当业务进入多轮对话后上下文会成为新的主变量。用户说换成明天吧单看这一句话无法判断他准备修改机票、酒店还是日程。系统需要把历史对话整理成结构化状态例如当前任务、已确认槽位、待补槽位、上一步工具结果和最近一次用户修正再结合最新输入完成判断。这时可以将识别目标设计为一次状态更新{ active_intent: modify_flight, intent_transition: continue, slot_updates: { departure_date: 明天 }, missing_slots: [], next_action: confirm_change}模型需要判断当前意图是否延续、切换、取消或完成同时识别用户修正了哪些参数。这样Agent 能够围绕流程状态理解用户减少旧意图残留对新任务的干扰。继续扩大到复杂 Agent用户的一句话还可能包含多个意图。例如查一下余额超过一万就转五千到储蓄卡。这里包含余额查询、条件判断和转账任务三个动作之间还有明确依赖关系。单标签分类会丢失任务结构更合适的输出形式是命令序列或执行图到了这一阶段意图识别已经逐渐扩展为语义解析、任务拆解和规划。模型既要理解用户目标也要确定动作顺序、参数依赖和需要确认的高风险步骤。生产环境通常会采用级联架构让不同方法各自处理擅长的流量规则处理确定性命令和安全拦截轻量分类器覆盖稳定高频意图Embedding 负责候选召回LLM 处理模糊表达、多轮状态和长尾请求RAG 动态提供业务定义与案例规划器负责多任务拆解。每一层还要保留拒识、追问和升级通道。这种级联还有一个重要收益系统可以根据请求难度分配计算成本。简单请求走短链路复杂请求再升级到更强模型。每层都能单独监控、替换和回滚意图新增时也只需要调整相关分支。识别完成后还要单独处理权限与执行安全。意图层回答用户想做什么权限层判断用户能否这样做执行层确认动作是否应该立即发生。查询天气可以直接执行删除数据、转账和发送外部消息通常需要身份校验或二次确认。这三个层次分开设计能够避免模型把理解成功误当成授权完成。因此一个完整的意图系统需要提供四类出口执行、追问、拒识和确认。缺少信息时追问置信不足时拒识高风险动作进入确认流程只有条件充分且权限通过后才调用工具。评估时也需要超越整体 Accuracy。类别不均衡场景更适合观察 Macro-F1相邻意图需要维护混淆矩阵Embedding 层关注 RecallK槽位抽取关注字段级 F1多轮场景关注意图切换和状态更新准确率生产环境还要观察拒识率、追问率、工具调用成功率、端到端任务完成率、延迟和单次请求成本。一个成熟的意图系统需要判断何时直接行动、何时升级模型、何时停下来追问。系统能力越强对不确定性的管理也应该越精细。整条演进脉络可以归结为更清晰的系统分工规则负责确定性分类器负责高频稳定流量Embedding 负责缩小候选空间LLM 负责复杂语义RAG 负责动态业务知识多轮状态负责上下文连续性规划器负责把复合目标转成可执行步骤。意图识别做得好靠的通常是这套分工能够随着业务复杂度持续升级。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】 小白程序员轻松入门大模型意图识别的完整演进路径
文章详细介绍了意图识别技术的演进路径从早期的关键词识别到结合多轮上下文的任务推断。随着业务复杂度的提升文章提出了应对策略包括规则、分类器、深度学习模型、Embedding、对比学习以及LLM的应用。特别强调了LLM在处理多轮对话和复杂场景中的优势以及如何通过级联架构和动态知识库优化意图识别系统。文章还讨论了评估指标和系统设计原则旨在帮助读者构建更高效、更灵活的意图识别系统。很多人设计 Agent 意图识别会从 Prompt、Few-Shot 或 RAG 开始。把时间线拉长后会发现这项技术有一条清晰的演进路径最早识别用户说了哪个关键词后来判断一句话属于哪种业务类型如今还需要结合多轮上下文推断用户准备推进什么任务。这条路径由业务复杂度推动。表达越来越口语化意图标签持续增加对话上下文不断变长系统还要处理意图切换、多任务组合、参数缺失和执行风险。选型之前可以先回答四个问题意图数量有多少、标签是否频繁变化、标注数据是否充足、一次判断需要理解多少轮上下文。答案基本决定了技术路线。一、规则和分类器先接住确定的请求业务刚启动时规则通常最实用。例如出现退款“取消订单”“修改地址便路由到对应流程。规则几乎没有推理成本结果可解释也方便产品和运营直接调整因此适合高频、确定、风险敏感的请求。它的边界同样明显用户可能说这个我不想要了”“地址填错了”还可能同时提到退款和物流。规则数量增加后冲突、优先级和维护成本也会快速上升。所以规则适合守住最确定的一部分流量其余表达交给统计模型处理。当意图标签相对稳定同时积累了一批标注语料可以使用 TF-IDF、FastText 等文本表示再结合逻辑回归、SVM 或轻量神经网络完成分类。这类方案训练快、推理成本低适合客服分流、工单归类、FAQ 路由等高并发场景。它依赖历史数据学习决策边界因此需要关注类别不均衡、线上新表达和相邻意图混淆。离线准确率很高仍可能在促销、新产品或新政策上线后快速下降。随着表达复杂度提高CNN、LSTM、BERT 一类深度学习模型开始发挥作用。预训练模型能够理解词序和上下文同一句我要退了出现在商品、机票和会员服务中可以得到不同表示。此时还能把意图分类与槽位抽取联合训练一次得到 intentbook_flight、departure杭州、destination北京、date周五。这种方案适合标签稳定、数据充足、线上流量较大的业务代价是标注、训练和版本管理成本更高标签调整后通常还要补数据并重新训练。业务进入冷启动阶段时问题会发生变化标签已经定义好每个标签却只有少量样本。Embedding、原型网络和对比学习更适合这种情况。它们通过向量空间描述类别关系让同类表达靠近让不同意图逐渐分开。新意图上线时只要准备少量示例即可参与召回扩展速度会快很多。这里要注意语言相似与业务动作并不总是一致。怎么取消订单和为什么订单被取消在向量空间里可能非常接近后续动作却完全不同。因此Embedding 更适合召回几个候选意图最终判断再由分类器或 LLM 完成。二、意图变多就先缩小范围再判断LLM 进一步降低了意图系统的冷启动门槛。我们可以在 Prompt 中写明业务意图、判断边界、正反案例和输出结构让模型直接返回意图、槽位、置信信息以及是否需要追问。它对口语、省略、情绪表达和少样本意图的适应能力更强也适合意图频繁调整的 Agent 产品。当意图数量逐渐增加把全部定义和案例都塞进 Prompt会带来上下文膨胀、标签混淆、成本增加和维护困难。系统由此自然演进到先缩小范围再完成判断的两阶段架构。意图 RAG 的核心价值就在于缩小决策空间。系统先用当前请求召回最相关的意图定义、边界案例和混淆反例再让 LLM 在这些候选中判断。原本从几十个意图里选择一个现在可能只需要比较三到五个候选Prompt 更短边界也更集中。这套架构需要分别评估召回层和判断层。目标意图没有进入 Top-K后面的 LLM 很难补救目标已经召回却选择错误说明问题更可能出在意图边界、案例质量或判断提示词。把两个环节拆开评估才能快速定位系统误差。意图库也需要覆盖真实线上分布。除了标准定义还应收录口语表达、相邻意图、混淆反例、业务前置条件以及历史误判。LLM 批量生成的同义句可以补充长尾表达线上真实请求仍然是更新意图库最重要的数据来源。三、多轮对话里要判断的是状态不是一句话当业务进入多轮对话后上下文会成为新的主变量。用户说换成明天吧单看这一句话无法判断他准备修改机票、酒店还是日程。系统需要把历史对话整理成结构化状态例如当前任务、已确认槽位、待补槽位、上一步工具结果和最近一次用户修正再结合最新输入完成判断。这时可以将识别目标设计为一次状态更新{ active_intent: modify_flight, intent_transition: continue, slot_updates: { departure_date: 明天 }, missing_slots: [], next_action: confirm_change}模型需要判断当前意图是否延续、切换、取消或完成同时识别用户修正了哪些参数。这样Agent 能够围绕流程状态理解用户减少旧意图残留对新任务的干扰。继续扩大到复杂 Agent用户的一句话还可能包含多个意图。例如查一下余额超过一万就转五千到储蓄卡。这里包含余额查询、条件判断和转账任务三个动作之间还有明确依赖关系。单标签分类会丢失任务结构更合适的输出形式是命令序列或执行图到了这一阶段意图识别已经逐渐扩展为语义解析、任务拆解和规划。模型既要理解用户目标也要确定动作顺序、参数依赖和需要确认的高风险步骤。生产环境通常会采用级联架构让不同方法各自处理擅长的流量规则处理确定性命令和安全拦截轻量分类器覆盖稳定高频意图Embedding 负责候选召回LLM 处理模糊表达、多轮状态和长尾请求RAG 动态提供业务定义与案例规划器负责多任务拆解。每一层还要保留拒识、追问和升级通道。这种级联还有一个重要收益系统可以根据请求难度分配计算成本。简单请求走短链路复杂请求再升级到更强模型。每层都能单独监控、替换和回滚意图新增时也只需要调整相关分支。识别完成后还要单独处理权限与执行安全。意图层回答用户想做什么权限层判断用户能否这样做执行层确认动作是否应该立即发生。查询天气可以直接执行删除数据、转账和发送外部消息通常需要身份校验或二次确认。这三个层次分开设计能够避免模型把理解成功误当成授权完成。因此一个完整的意图系统需要提供四类出口执行、追问、拒识和确认。缺少信息时追问置信不足时拒识高风险动作进入确认流程只有条件充分且权限通过后才调用工具。评估时也需要超越整体 Accuracy。类别不均衡场景更适合观察 Macro-F1相邻意图需要维护混淆矩阵Embedding 层关注 RecallK槽位抽取关注字段级 F1多轮场景关注意图切换和状态更新准确率生产环境还要观察拒识率、追问率、工具调用成功率、端到端任务完成率、延迟和单次请求成本。一个成熟的意图系统需要判断何时直接行动、何时升级模型、何时停下来追问。系统能力越强对不确定性的管理也应该越精细。整条演进脉络可以归结为更清晰的系统分工规则负责确定性分类器负责高频稳定流量Embedding 负责缩小候选空间LLM 负责复杂语义RAG 负责动态业务知识多轮状态负责上下文连续性规划器负责把复合目标转成可执行步骤。意图识别做得好靠的通常是这套分工能够随着业务复杂度持续升级。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】