周末逛 GitHub 社区，又发现一个爆火的开源项目，由科大讯飞开源，这个开源项目名为：Astron-Agent，最近项目活跃度和维护频度都非常高。

说实话，一看到 Agent 这个名字，我的兴趣一下子就上来了。

按照项目主页所介绍，这是一个名为「星辰 Agent（Astron-Agent）」的开源项目，也是一个企业级、商业友好的 Agentic Workflow 开发平台。

这个平台融合了 AI 工作流编排、模型管理、AI 与 MCP 工具集、RPA 自动化以及团队空间等特性，而且重点来了：

它支持本地私有化部署！

之前也用过很多 AI Agent 平台，但是这次在 GitHub 上难得看到了一个可以本地部署的 AI Agent 开源项目，于是我决定好好研究一下。

Astron Agent 的本地化安装部署非常简单，官方提供了非常贴心的 Docker Compose 方式以帮助用户快速体验。

首先第一步是克隆项目到电脑本地：

git clone https://github.com/iflytek/astron-agent.git

接下来进入项目对应目录来进行环境变量的配置：

# 进入项目根目录cd astron-agent# 进入 astronAgent 目录cd docker/astronAgent# 复制环境变量配置cp .env.example .env# 环境变量配置vim .env

然后就可以在 .env 文件中找到 PLATFORM_APP_ID 等配置项，将其修改为你自己的配置信息即可。

相关的配置信息用户可以自行去讯飞开放平台申请即可，如果之前申请过即可直接更新到环境变量中即可。

这些都完成以后接下来就可以一键启动本地服务：

docker compose -f docker-compose-with-auth.yaml up -d

当然，这一步需要一点时间，毕竟它要在后台拉取 Docker 镜像，耐心等待完成即可。

待所有容器服务都启动完成后，接下来用户就可以直接通过http://localhost/地址来访问 Web 服务，其中默认登录用户名为 admin，默认密钥为 123。

登录之后，就可以看到 Astron-Agent 平台的控制台页面了。

怎么样，部署起来是不是非常简单。

那到此为止，Astron Agent 平台就已经在本地部署完毕。

接下来，我们就来看看这个 Agent 平台：

• 到底有什么功能？
• 具体又该如何使用呢？

Astron-Agent 平台本地部署完成之后的第一件事就是需要添加大模型。

点击平台左侧的「模型管理」，然后点击页面右上角的「新建模型」按钮来打开添加模型对话框：

可以看到这里添加任何兼容 OpenAI 的模型。

比如我们这里添加的是讯飞的星火大模型，则可以直接到讯飞星辰 MaaS 平台上申请免费额度，然后在对话框中填入相关信息，提交之后就可以在模型管理页面中看到刚刚已经发布成功的模型。

这样后面在创建智能体或者应用时就可以使用该模型了。

经过上一步骤，模型已经就绪了，接下来我们就可以通过 Astron Agent 平台来正式搭建应用。

这里我准备使用该平台来搭建一个「AI简历优化大师」，而且我希望它具备 PDF 文件上传能力、支持一键解析简历文本、能给简历打分、能给出打分依据、能分析简历优势，也能指出简历缺陷和 bug，并最终给出详细的优化建议。

原因是因为最近这两个月帮不少小伙伴分析简历、改简历，但我发现这个事情有时候真的非常耗时与低效，其中时间成本和沟通成本是大头。

所以每当这时候我就在想，能不能做一个 AI 工具或者 Agent 应用，来帮我们自动完成这件事情呢。

那现在有了 Astron Agent 这样的平台，这件事情完全可以交给它来实现，而且实现的过程远比你想象的要简单得多，你甚至不需要写一行代码！

所以接下来我们就来演示一下，如何借助 Astron Agent 这个开源项目来快速构建一个 AI 应用。

首先点击页面左上角的「创建」按钮，在弹出的对话框中我们选择更进阶一些的「工作流创建」。

顾名思义，选择该方式创建应用的好处就是：用户可以自定义设计工作流，来创建更为复杂任务逻辑的智能体应用。

选择「自定义创建后」，将会进入「工作流编排」界面，用户可以通过工作流来精确编排你想要实现的 AI 应用的业务逻辑。

像我们这次搭建的AI简历分析应用，我们可以先提前设计好其对应的业务工作流程。

业务流程设计好以后，然后我们就可以直接在 Astron Agent 的工作流编排页面进行拖拽搭建即可，非常方便。

在工作流编排界面，用户可以按需添加各种操作节点来满足业务需求。

像我们这个应用，就会用到诸如「分支器」、「文本处理」、「OCR工具」、「大模型」等这些节点。

最终我们通过将节点按照业务逻辑进行编排后的效果如图所示：

怎么样，是不是非常简单？

可以看到，整个搭建过程是所见即所得，并且全程我们都没有写一行代码。

工作流搭建完成之后，我们还可以直接对其进行调试，以测试业务的正确性。

点击可以点击编排面板右上角的「调试」按钮，可以测试一下应用运行效果是否达到预期：

比如这里故意上传了一份有 bug 的简历，可以看到应用顺利运行，并给出了打分，说明了依据，分析了优势，找出了 bug，指出了缺陷，以及最终给出了详细的优化建议。

大家也可以感受一下最终应用的运行效果。

怎么样，是不是还挺丝滑。

大家如果不想从零开始搭建，也可以直接导入我已经编排好的这个工作流，然后在「工作流创建」这里选择「导入工作流」即可。

那相关的工作流文件搭建成果这里已经开源了，并放在了 docker/astronAgent 文件夹下。

开源地址：github.com/justacoder99/AI-Resume-Assistant

所以到此为止，整个 AI 应用搭建过程就已经完成了。

可以看到，整个过程用下来高效便捷，而且逻辑特别清晰，所见即所得，这也是我一路使用下来最大的感受。

通过上面也可以看到，在 Astron Agent 平台上搭建 AI 应用几乎没有门槛，即便用户没有任何编程知识或背景，都可以将自己的灵感、创意快速实现。

那文章的最后也再次附上 Astron Agent 项目的开源地址：

开源地址：github.com/iflytek/astron-agent

感兴趣的同学也可以部署起来，在生活、学习或者工作中有任何灵感创意或者想法需求，不妨都可以在上面来试一试，相信会打开一个新世界的大门。

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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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】