1. 简介

在评估智能体可以在哪些方面增加价值时，优先考虑之前抵制自动化的流程，特别是传统方法遇到摩擦的地方：

1. 复杂决策： 涉及微妙判断、异常或上下文敏感决策的工作流程，例如客户服务工作流程中的退款审批。
2. 难以维护的规则： 由于庞大而复杂的规则集而变得笨重的系统，使更新成本高昂或容易出错，例如执行供应商安全审查。
3. 严重依赖非结构化数据： 涉及解释自然语言、从文档中提取含义或与用户进行对话交互的场景，例如处理家庭保险理赔。

在承诺构建智能体之前，请验证您的用例能够明确满足这些标准。否则，确定性解决方案可能就足够了。

2. 智能体设计组件

在其最基本的形式中，智能体由三个核心组件组成：1. 模型： 为智能体的推理和决策提供动力的LLM。

2. 工具： 智能体可以用来采取行动的外部函数或API。

3. 指令： 定义智能体行为的明确指导原则和保护措施。

2.1 选择模型

不同的模型在任务复杂性、延迟和成本方面具有不同的优势和权衡。并非每个任务都需要最智能的模型——简单的检索或意图分类任务可能由更小、更快的模型处理，而更困难的任务，如决定是否批准退款，可能受益于更有能力的模型。

一种有效的方法是使用最有能力的模型为每个任务构建智能体原型，以建立性能基线。从那里开始，尝试交换更小的模型，看看它们是否仍然能实现可接受的结果。这样，您就不会过早地限制智能体的能力，并且可以诊断更小的模型在何处成功或失败。

总之，选择模型的原则很简单：

1. 设置评估以建立性能基线。
2. 专注于使用可用的最佳模型满足您的准确性目标。
3. 通过在可能的情况下用更小的模型替换更大的模型来优化成本和延迟。

什么是最适合function calling的小模型？

致谢：https://gorilla.cs.berkeley.edu/leaderboard.html

人们总是可以从选择任何开源权重模型开始，如Llama、Mistral、Qwen、Claude Opus等。

2.2 定义工具

Function calling是我们启用Large Language Models (LLMs) 与工具交互的主要方式。您经常会看到’Function’和’Tool’互换使用，因为’functions’（可重用代码块）是智能体用来执行任务的’tools’。

工具通过使用底层应用程序或系统的API来扩展智能体的功能。对于没有API的遗留系统，智能体可以依赖计算机使用模型通过web和应用程序UI直接与这些应用程序和系统交互，就像人类一样。每个工具都应该有标准化的定义，使工具和智能体之间的灵活、多对多关系成为可能。文档完善、经过充分测试和可重用的工具提高可发现性，简化版本管理，并防止冗余定义。

从广义上讲，智能体需要三种类型的工具：

致谢：OpenAI

例如，当使用Agents SDK时，这里是如何为上面定义的智能体配备一系列工具：

from agents import Agent, WebSearchTool, function_tool@function_tooldef save_results(output):    db.insert({"output": output, "timestamp": datetime.time()})    return "File saved"search_agent = Agent(    name="Search agent",    instructions="Help the user search the internet and save results if asked.",    tools=[WebSearchTool(), save_results],)

随着所需工具数量的增加，考虑跨多个智能体拆分任务。

2.3 配置指令

高质量的指令对任何LLM驱动的应用程序都至关重要，但对智能体尤其重要。清晰的指令减少歧义并改善智能体决策，从而实现更流畅的工作流程执行和更少的错误。

致谢：OpenAI

您可以使用o1或o3-mini等高级模型从现有文档自动生成指令。这里是一个示例提示，说明了这种方法的：

3. 编排

有了基础组件，您可以考虑编排模式来使您的智能体有效地执行工作流程。

多智能体系统可以建模为图，智能体表示为节点。在manager和supervisor模式中，边表示工具调用，而在decentralized和swarm模式中，边表示在智能体之间转移执行的handoffs。

AI智能体的工作过程通常遵循这4个步骤。

无论编排模式如何，都适用相同的原则：保持组件灵活、可组合，并由清晰、结构良好的提示驱动。

图片致谢：Supervisor & Swarm模式之间的关键差异

在decentralized模式中，智能体可以相互’handoff’工作流执行。Handoffs是一种单向转移，允许智能体委托给另一个智能体。

4. 实现：Supervisor模式

• 创建一个supervisor智能体来编排多个专门的智能体。

我们将使用pretty_print_messages帮助来美观地渲染流式智能体输出。

from langchain_core.messages import convert_to_messagesdef pretty_print_message(message, indent=False):    pretty_message = message.pretty_repr(html=True)    if not indent:        print(pretty_message)        return    indented = "\n".join("\t" + c for c in pretty_message.split("\n"))    print(indented)def pretty_print_messages(update, last_message=False):    is_subgraph = False    if isinstance(update, tuple):        ns, update = update        # 在打印中跳过父图更新        if len(ns) == 0:            return        graph_id = ns[-1].split(":")[0]        print(f"来自子图 {graph_id} 的更新:")        print("\n")        is_subgraph = True    for node_name, node_update in update.items():        update_label = f"来自节点 {node_name} 的更新:"        if is_subgraph:            update_label = "\t" + update_label        print(update_label)        print("\n")        messages = convert_to_messages(node_update["messages"])        if last_message:            messages = messages[-1:]        for m in messages:            pretty_print_message(m, indent=is_subgraph)        print("\n")

测试流程：

def test_supervisor_functionality():    """测试supervisor模式与特定的GDP查询，以验证交接。"""    print(f"查询：查找2024年美国和纽约州GDP。纽约州占美国GDP的百分比是多少？")    print("-" * 80)    try:        for chunk in supervisor_agent.stream(            {                "messages": [\                    {\                        "role": "user",\                        "content": "find US and New York state GDP in 2024. what % of US GDP was New York state?",\                    }\                ]            },            subgraphs=False        ):            pretty_print_messages(chunk, last_message=True)        print(f"测试成功完成")    except Exception as e:        print(f"测试失败，错误：{str(e)}")    print("=" * 80)# 运行if __name__ == "__main__" or True:    test_supervisor_functionality()

输出：

查询：find US and New York state GDP in 2024. what % of US GDP was New York state?--------------------------------------------------------------------------------来自节点supervisor的更新:================================= Tool Message =================================Name: transfer_to_research_agentSuccessfully transferred to research_agent来自节点research_agent的更新:================================= Tool Message =================================Name: transfer_back_to_supervisorSuccessfully transferred back to supervisor来自节点supervisor的更新:================================= Tool Message =================================Name: transfer_to_math_agentSuccessfully transferred to math_agent来自节点math_agent的更新:================================= Tool Message =================================Name: transfer_back_to_supervisorSuccessfully transferred back to supervisor来自节点supervisor的更新:================================== Ai Message ==================================Name: supervisor2024年，纽约州GDP约占美国GDP的8.15%。测试成功完成================================================================================

4.1 消息历史管理

您可以控制如何将智能体消息添加到多智能体系统的整体对话历史中：

包含来自智能体的完整消息历史：

supervisor = create_supervisor(    agents=[agent1, agent2],    output_mode="full_history")

仅包含最终智能体响应：

supervisor = create_supervisor(    agents=[agent1, agent2],    output_mode="last_message")

4.2 多层层次结构

您可以通过创建一个管理多个supervisor的supervisor来创建多层层次结构系统。

research_team = create_supervisor(    [research_agent, math_agent],    model=model,    supervisor_name="research_supervisor").compile(name="research_team")writing_team = create_supervisor(    [writing_agent, publishing_agent],    model=model,    supervisor_name="writing_supervisor").compile(name="writing_team")top_level_supervisor = create_supervisor(    [research_team, writing_team],    model=model,    supervisor_name="top_level_supervisor").compile(name="top_level_supervisor")

4.3 自定义交接工具

默认情况下，supervisor使用使用预构建的create_handoff_tool创建的交接工具。您也可以创建自己的自定义交接工具。以下是一些关于如何修改默认实现的想法：

• 更改工具名称和/或描述
• 添加LLM填充的工具调用参数，例如下一个智能体的任务描述
• 更改作为交接一部分传递给子智能体的数据：默认情况下create_handoff_tool传递完整消息历史（supervisor到目前为止生成的所有消息）以及指示成功交接的工具消息。

这里是如何将自定义交接工具传递给create_supervisor的示例：

from langgraph_supervisor import create_handoff_toolworkflow = create_supervisor(    [research_agent, math_agent],    tools=[\        create_handoff_tool(agent_name="math_expert", name="assign_to_math_expert", description="Assign task to math expert"),\        create_handoff_tool(agent_name="research_expert", name="assign_to_research_expert", description="Assign task to research expert")\    ],    model=model,)

您还可以控制是否将交接工具调用消息添加到状态中。默认情况下，它们被添加（add_handoff_messages=True），但如果需要更简洁的历史记录，您可以禁用此功能：

workflow = create_supervisor(    [research_agent, math_agent],    model=model,    add_handoff_messages=False)

此外，您可以自定义用于自动生成的交接工具的前缀：

workflow = create_supervisor(    [research_agent, math_agent],    model=model,    handoff_tool_prefix="delegate_to")# 这将创建名为的工具：delegate_to_research_expert, delegate_to_math_expert

这里是一个自定义交接工具可能是什么样子的示例：

from typing import Annotatedfrom langchain_core.tools import tool, InjectedToolCallIdfrom langgraph.prebuilt import InjectedStatefrom langgraph.graph import StateGraph, START, MessagesState, ENDfrom langgraph.types import Commandfrom IPython.display import display, Imagedef create_handoff_tool(*, agent_name: str, description: str | None = None):    name = f"transfer_to_{agent_name}"    description = description or f"Ask {agent_name} for help."    @tool(name, description=description)    def handoff_tool(        state: Annotated[MessagesState, InjectedState],        tool_call_id: Annotated[str, InjectedToolCallId],    ) -> Command:        tool_message = {            "role": "tool",            "content": f"Successfully transferred to {agent_name}",            "name": name,            "tool_call_id": tool_call_id,        }        return Command(            goto=agent_name,            update={**state, "messages": state["messages"] + [tool_message]},            graph=Command.PARENT,        )    return handoff_tool# Handoffsassign_to_research_agent = create_handoff_tool(    agent_name="research_agent",    description="Assign task to a researcher agent.",)assign_to_math_agent = create_handoff_tool(    agent_name="math_agent",    description="Assign task to a math agent.",)supervisor_agent = create_react_agent(    model="openai:gpt-4o-mini",    tools=[assign_to_research_agent, assign_to_math_agent],    prompt=(        "你是一个管理两个智能体的supervisor：\n"        "- 一个研究智能体。将研究相关任务分配给这个智能体\n"        "- 一个数学智能体。将数学相关任务分配给这个智能体\n"        "一次分配工作给一个智能体，不要并行调用智能体。\n"        "不要自己做任何工作。"    ),    name="supervisor",)# 定义多智能体supervisor图supervisor = (    StateGraph(MessagesState)    # 注意：`destinations`仅用于可视化，不影响运行时行为    .add_node(supervisor_agent, destinations=("research_agent", "math_agent", END))    .add_node(research_agent)    .add_node(math_agent)    .add_edge(START, "supervisor")    # 总是返回supervisor    .add_edge("research_agent", "supervisor")    .add_edge("math_agent", "supervisor")    .compile())display(Image(supervisor.get_graph().draw_mermaid_png()))
```![](https://i-blog.csdnimg.cn/img_convert/82e4830e7d7f92dff01e834e3ced441e.jpeg)

**输出：**

```plaintext
for chunk in supervisor.stream(    {        "messages": [\            {\                "role": "user",\                "content": "find US and New York state GDP in 2024. what % of US GDP was New York state?",\            }\        ]    },):    pretty_print_messages(chunk, last_message=True)final_message_history = chunk["supervisor"]["messages"]
``````plaintext
来自节点supervisor的更新:================================= Tool Message =================================Name: transfer_to_research_agentSuccessfully transferred to research_agent来自节点research_agent的更新:================================== Ai Message ==================================Name: research_agent- 2024年美国GDP：约28.18万亿美元（Statista）。- 2024年纽约州GDP：尚未直接找到纽约州2024年的具体GDP数字，但州议会报告中提供了相关预测。关于纽约州占美国GDP百分比的具体计算，需要获取具体数字。来自节点supervisor的更新:================================= Tool Message =================================Name: transfer_to_math_agentSuccessfully transferred to math_agent来自节点math_agent的更新:================================== Ai Message ==================================Name: math_agent5.93%来自节点supervisor的更新:================================== Ai Message ==================================Name: supervisor2024年，美国的GDP约为28.18万亿美元。纽约州GDP估计约为1.671万亿美元。因此，纽约州约占美国GDP总额的5.93%。

我们实现了上面的_final_message_history_。现在，让我们检查完整的生成消息历史：

for message in final_message_history:    message.pretty_print()

输出：

================================ Human Message =================================find US and New York state GDP in 2024. what % of US GDP was New York state?================================== Ai Message ==================================Name: supervisorTool Calls:  transfer_to_research_agent (call_9Innk7roc0BYXdvTnvljH267) Call ID: call_9Innk7roc0BYXdvTnvljH267 Args:================================= Tool Message =================================Name: transfer_to_research_agentSuccessfully transferred to research_agent================================== Ai Message ==================================Name: research_agentTool Calls:  tavily_search_results_json (call_6rXCVDfY6Rg9FiWHsxbyBxQG) Call ID: call_6rXCVDfY6Rg9FiWHsxbyBxQG Args:    query: US GDP 2024 forecast  tavily_search_results_json (call_hAsCKkl3tMIFwixTTp7eh0zt) Call ID: call_hAsCKkl3tMIFwixTTp7eh0zt Args:    query: New York state GDP 2024 forecast================================= Tool Message =================================Name: tavily_search_results_json[{"title": "GDP forecast U.S. 2034 - Statista", "url": "https://www.statista.com/statistics/216985/forecast-of-us-gross-domestic-product/", "content": "[](https://www.statista.com/statistics/216985/forecast-of-us-gross-domestic-product/#statisticContainer) This graph shows a forecast of the gross domestic product of the United States of America for fiscal years 2024 to 2034. GDP refers to the market value of all final goods and services produced within a country in a given period. According to the CBO, the United States GDP will increase steadily over the next decade from 28.18 trillion U.S. dollars in 2023 to 41.65 trillion U.S. dollars in [...] *   [Economy & Politics](https://www.statista.com/markets/2535/economy-politics/)›\n*   [Economy](https://www.statista.com/markets/2535/topic/970/economy/)", "score": 0.9245858}, {"title": "United States GDP Growth Rate - Trading Economics", "url": "https://tradingeconomics.com/united-states/gdp-growth", "content": "| [GDP from Services](https://tradingeconomics.com/united-states/gdp-from-services) | 17050.50 | 16949.30 | USD Billion | Dec 2024 |\n| [GDP from Transport](https://tradingeconomics.com/united-states/gdp-from-transport) | 730.50 | 721.40 | USD Billion | Dec 2024 |\n| [GDP from Utilities](https://tradingeconomics.com/united-states/gdp-from-utilities) | 350.80 | 341.40 | USD Billion | Dec 2024 | [...]", "score": 0.8458536}]================================= Tool Message =================================Name: tavily_search_results_json[{"title": "Annual State of the City's Economy and Finances 2024", "url": "https://comptroller.nyc.gov/reports/annual-state-of-the-citys-economy-and-finances-2024/", "content": "[[1]](https://comptroller.nyc.gov/reports/annual-state-of-the-citys-economy-and-finances-2024/#_ftnref1) At that time, the Comptroller's Office expected five-year cumulative real GDP growth, 2020 to 2024, of 8.7 percent while the mayor expected 9.5 percent.", "score": 0.882276}]================================== Ai Message ==================================Name: research_agent- 2024年美国GDP：约28.18万亿美元（Statista）。- 2024年纽约州GDP：尚未直接找到纽约州2024年的具体GDP数字，但州议会报告中提供了相关预测。关于纽约州占美国GDP百分比的具体计算，需要获取具体数字。================================== Ai Message ==================================Name: supervisorTool Calls:  transfer_to_math_agent (call_oaEpCKr9zw496FBNjBB5dujp) Call ID: call_oaEpCKr9zw496FBNjBB5dujp Args:================================= Tool Message =================================Name: transfer_to_math_agentSuccessfully transferred to math_agent================================== Ai Message ==================================Name: math_agentTool Calls:  divide (call_e6ZYc9SkjuKzEZjhBo2C77P2) Call ID: call_e6ZYc9SkjuKzEZjhBo2C77P2 Args:    a: 1.6711    b: 28.18================================= Tool Message =================================Name: divide0.05930092264017033================================== Ai Message ==================================Name: math_agentTool Calls:  multiply (call_j3rCjTQ5AGqobs2UTXXTT07w) Call ID: call_j3rCjTQ5AGqobs2UTXXTT07w Args:    a: 0.05930092264017033    b: 100================================= Tool Message =================================Name: multiply5.930092264017033================================== Ai Message ==================================Name: math_agent5.93%================================== Ai Message ==================================Name: supervisor2024年，美国的GDP约为28.18万亿美元。纽约州GDP估计约为1.671万亿美元。因此，纽约州约占美国GDP总额的5.93%。

4.4 消息转发

您可以使用工具装备supervisor，直接将从worker智能体收到的最后消息转发到图的最终输出，使用create_forward_message_tool。当supervisor确定worker的响应足够且不需要supervisor进一步处理或总结时，这很有用。它为supervisor节省tokens并避免通过释义可能误解worker的响应。

from langgraph_supervisor.handoff import create_forward_message_tool# 假设research_agent和math_agent如前所定义forwarding_tool = create_forward_message_tool("supervisor") # 参数是分配给生成转发消息的名称workflow = create_supervisor(    [research_agent, math_agent],    model=model,    # 传递转发工具以及任何其他自定义或默认交接工具    tools=[forwarding_tool])

这创建了一个名为forward_message的工具，supervisor可以调用它。该工具期望一个from_agent参数，指定应该直接转发到输出的哪个智能体的最后消息。

5. 实现：Swarm模式

以下是使用langgraph_swarm库实现swarm风格多智能体系统的示例代码，它构建在LangGraph之上，实现专门智能体之间的动态协作和交接。

我们将使用与supervisor模式相同的数学智能体和研究智能体示例。

from langchain_openai import ChatOpenAIfrom langgraph.graph import START, ENDfrom langchain_community.tools.tavily_search import TavilySearchResultsfrom langgraph.prebuilt import create_react_agentfrom langgraph_swarm import create_swarm, create_handoff_toolfrom IPython.display import Image, displayimport os# 选择LLMmodel = ChatOpenAI(model="gpt-4o-mini", api_key=os.getenv("OPENAI_API_KEY"))# 定义工具def add(a: float, b: float) -> float:    """将两个数字相加。"""    return a + bdef multiply(a: float, b: float):    """将两个数字相乘。"""    return a * bdef divide(a: float, b: float):    """将两个数字相除。"""    return a / b# Swarm模式的交接工具 - 使用适当的LangGraph swarm交接工具handoff_to_research_agent = create_handoff_tool(    agent_name="research_agent",    description="将控制权转移给研究智能体，用于研究相关任务、网络搜索和信息收集。")handoff_to_math_agent = create_handoff_tool(    agent_name="math_agent",    description="将控制权转移给数学智能体，用于数学计算和计算任务。")tavily_api_key = os.getenv("TAVILY_API_KEY", "your_tavily_api_key")web_search = TavilySearchResults(max_results=3, tavily_api_key=tavily_api_key)# 创建Worker智能体research_agent = create_react_agent(    model=model,    tools=[web_search, handoff_to_math_agent],    name="research_agent",    prompt=(        "你是一个专门从事网络研究和信息收集的研究智能体。\n\n"        "指令：\n"        "- 处理研究相关任务、网络搜索和信息收集\n"        "- 不要尝试数学计算 - 对任何数学任务使用handoff_to_math_agent()\n"        "- 如果用户询问数学计算，立即交接给数学智能体\n"        "- 完成研究任务时，提供全面的结果\n"        "- 需要数学计算时使用handoff_to_math_agent()"    ))math_agent = create_react_agent(    model=model,    tools=[add, multiply, divide, handoff_to_research_agent],    name="math_agent",    prompt=(        "你是一个专门从事数学计算和计算的数学智能体。\n\n"        "指令：\n"        "- 处理数学计算、算术运算和数值分析\n"        "- 不要尝试网络搜索或研究 - 对研究任务使用handoff_to_research_agent()\n"        "- 如果用户询问研究或网络搜索，立即交接给研究智能体\n"        "- 完成数学任务时，提供清晰的解释结果\n"        "- 需要研究或网络搜索时使用handoff_to_research_agent()"    ))swarm_agent = create_swarm(    agents=[research_agent, math_agent],    default_active_agent="math_agent",).compile()display(Image(swarm_agent.get_graph().draw_mermaid_png()))
```![](https://i-blog.csdnimg.cn/img_convert/7d17117dc04e583b94c12e239c9a98fc.jpeg)

测试流程：

```plaintext
def test_swarm_functionality():    """测试swarm模式与特定的GDP查询，以验证交接。"""    print(f"查询：find US and New York state GDP in 2024. what % of US GDP was New York state?")    print("-" * 80)    try:        for chunk in swarm_agent.stream(            {                "messages": [\                    {\                        "role": "user",\                        "content": "find US and New York state GDP in 2024. what % of US GDP was New York state?",\                    }\                ]            },            subgraphs=False        ):            pretty_print_messages(chunk, last_message=True)        print(f"测试成功完成")    except Exception as e:        print(f"测试失败，错误：{str(e)}")    print("=" * 80)# 运行if __name__ == "__main__" or True:    test_swarm_functionality()

输出：

查询：find US and New York state GDP in 2024. what % of US GDP was New York state?--------------------------------------------------------------------------------来自节点math_agent的更新:================================= Tool Message =================================Name: transfer_to_research_agentSuccessfully transferred to research_agent来自节点research_agent的更新:================================= Tool Message =================================Name: transfer_to_math_agentSuccessfully transferred to math_agent来自节点math_agent的更新:================================== Ai Message ==================================Name: math_agent### 结果：- **2024年美国GDP：**约**28.18万亿美元**- **2024年纽约州GDP：**约**2.29万亿美元**- **纽约州占美国GDP的百分比：**约**8.13%**这意味着纽约州预计在2024年贡献美国GDP总额的约8.13%。测试成功完成================================================================================

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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 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！

③ 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。

④ 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。

⑤ 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。

⑥ 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。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

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。

以上全套大模型资料如何领取？