做网站团队的人员安排平面设计的图

做网站团队的人员安排,平面设计的图,jquery wordpress,怎么建网站视频“每个人每天使用最高频的三个APP中有两个是Agent时#xff0c;才意味着AI Agent进入新发展阶段。” “一个好Agent的衡量指标#xff0c;包括可控性、可解释性以及持续稳定执行任务的能力。” “多数Agent存在负毛利问题#xff0c;完成任务的代价高于用户支付意愿#…“每个人每天使用最高频的三个APP中有两个是Agent时才意味着AI Agent进入新发展阶段。”“一个好Agent的衡量指标包括可控性、可解释性以及持续稳定执行任务的能力。”“多数Agent存在负毛利问题完成任务的代价高于用户支付意愿这对创业者来说是巨大挑战。”……在量子位MEET2026智能未来大会的圆桌环节三位来自产业一线的嘉宾围绕AI Agent的革新进程展开深入讨论。他们分别是联汇科技CEO兼首席科学家赵天成博士小宿科技联合创始人兼CEO杜知恒先生蚂蚁集团平台体验技术部负责人徐达峰先生2025年普遍被视为“Agent元年”。从客服、理赔等相对标准化的场景开始Agent已经完成了初步落地并验证了技术可行性与阶段性价值。但真正的难题才刚刚显现——如何让Agent同时跑通技术、产品与商业三条曲线形成可持续的正向闭环仍是摆在整个行业面前的共同挑战。而在这场圆桌讨论中三位嘉宾从产品形态、技术演进与商业现实等多个维度出发分享了他们对Agent下一程的判断。透过这些观点我们或可窥见Agent从技术概念走向规模应用的关键路径以及产业先行者们在探索中所面临的思考与抉择。本次圆桌环节由量子位智库首席分析师刘萌媛主持。在不改变原意的基础上本文对内容进行了编辑整理。希望能够给你带来更多的启发与思考。MEET2026智能未来大会是由量子位主办的行业峰会近30位产业代表与会讨论。线下到场参会观众近1500人线上直播观众350万获得了主流媒体的广泛关注与报道。话题要点目前在AI Agent及相关领域重点从事哪些工作各自落地效果最好的案例是什么真正好用的AI Agent产品应该关注哪些指标未来还有哪些对于AI Agent发展比较关键的卡点AI Agent的下一步关键演进方向是什么进入新阶段的标志性节点是什么以下为圆桌对话全文圆桌实录量子位无论是在前面各位嘉宾的演讲中还是在整个2025年的讨论里相信大家已经多次听到“AI Agent”这一关键词。无论是技术迭代还是产品涌现AI Agent确实屡屡让人眼前一亮。今天我们将从更加理性、务实的角度来探讨千行百业距离广泛应用AI Agent究竟还有多远为此我们邀请到三位嘉宾他们分别代表AI Agent产业链上不同领域的最前沿产品与技术来为大家带来切实的分享。首先请三位嘉宾简要介绍一下自己以及目前在AI Agent相关领域所从事的工作。赵天成大家好我是来自联汇科技的赵天成。在过去的五年里我们团队一直在做的事情是第一研发信号终端侧的多模态模型第二探索如何让智能体从在虚拟世界做PPT、写写画画走向物理世界真正操控终端设备也就是实现所谓的**“物理智能体”**。目前我们在两个方向做了很多工作一是致力于让多模态智能体本地化运行不完全依赖云端强大算力。例如让它在端侧设备*如AI PC*上甚至在飞机等无网络环境中也能高效处理海量多模态数据并转化为真正实用、能帮用户解决实际问题的智能体。更进一步我们致力于将无人机、机器人、摄像头等具备真正执行能力的智能终端串联起来形成协同工作的智能体网络。这是一个非常有意思的课题。目前大家熟悉的智能体或许更多体现在处理工作流或特定查询场景中。而我们探索的是更系统的物理联动。举个例子一个智能摄像头探测到火灾它可以自动通知另一个终端——比如一台配备灭火装置的机器狗。机器狗收到指令后前往现场扑灭火情并在任务完成后返回基地自动生成一份报告给管理员说明“火灾已发生并被扑灭问题已解决”。这样一个从感知、决策、执行到反馈的完整闭环能否通过智能体流畅地串联与调度从而实现智能体从数字世界走向物理世界的跨越这正是我们团队过去两年来持续深耕的核心方向。徐达峰大家好我是来自蚂蚁平台体验技术团队的徐达峰。我们目前主要聚焦在两个方向一是重构软件的研发方式。我们正在构建一套完整的智能研发体系——WeaveFox其中包含WeaveFox-Coder、Vibe-Coding、Spec-Coding等模块并打造了面向工程体系的Coding-Agent基础设施和软件工程-Agent基础设施。我们的核心目标不仅仅是“让模型能够写代码”更是要将多模态生成代码、任务自动拆解、工具链智能协同等能力真正融入到生产环境中。我们致力于让AI从辅助工具转变为研发体系的原生能力从而推动整个工程链路实现更高水平的自动化。二是致力于将多智能体能力带给大众用户。为此我们推出了“蚂蚁百宝箱”以及“百宝箱超级智能体”。我们的愿景是将其打造成一个“通用Agent平台”——无需任何代码依赖也不要求使用者具备技术背景真正做到开箱即用。用户只需用自然语言描述需求就能轻松构建并发布属于自己的智能体应用。无论是内容创作类的需求如生成文案、制作PPT、撰写报告、设计网页还是通过多Agent协作完成更复杂的工作流任务都可以通过这个平台实现。我们的目标是将AI智能体从高门槛的“专业工具”转变为人人都能用起来的“工具箱”。杜知恒我是杜知恒小宿科技打造的是面向Agent的一站式基础设施平台。我们认为其中尤为重要的一个产品是为Agent设计的搜索引擎。这里我们也呼应一下蚂蚁的观点我们相信优秀的Agent能够胜任人类可以完成的工作。过去搜索引擎和信息获取一直是人们工作、学习乃至日常生活中最主要的信息获取工具。我们提供的正是一个多语言、全球化的搜索引擎工具专门服务于Agent。除了搜索能力我们还提供模型服务、AI沙盒等多样化的Agent工具集致力于为大家打造一站式的Agent Infra平台。各自落地效果最好的案例是什么量子位在三位做的Agent相关的产品里面效果最好的Agent落地案例是什么能否结合具体数据和观众分享一下让大家对Agent落地价值有更直观的感受赵天成今年有两个点带来的ROI*投资回报率*提升还是非常明显的。第一个是有了多模态。今年的确是VLM*视觉语言大模型*大幅度成熟的一年之前大家用ChatGPT、GPT-4比较多今年GPT-4o、Gemini 3这些新出来的多模态模型对于图像和视频的理解能力其实有质的飞跃。有了这个能力之后我们的智能体可以算是打开了新的窗户。之前Agent只能处理文本要做图片任务还需要一段描述再给到模型去理解执行现在有了端到端模型之后直接给视频、给扫描件、给一张图片甚至混合在一起都可以直接做任务很多以前不敢想的场景瞬间打开。我们在多模态领域扎根很久之前就在做很多探索今年的确感受到建模本身的提升多模态能力可以让我们的智能体即使在数字空间场景中也可以做很多以前不可能做到的事情。第二个是有了执行智能体。以前的AI即使可以理解视频、理解图像也只能给你一个提醒“这边发生事故赶快修复”、“这边有问题赶快派人去吧”现在有了执行智能体无论是操控机械臂还是执行其他操作现场就能直接解决问题。这对于用户来说投资回报率和价值完全不在一个量级比如以前一个终端最多付一千块钱有了智能执行端之后愿意付十万块钱这是一百倍的本身价值的提升。智能体核心逻辑在于结果即服务提供的是一个结果这个结果的价值定义了产品有多大的能力边界一个是帮你看着提醒你赶快灭火吧第二个是直接告诉你已经帮你把火扑灭了比人扑的更快一些这个对客户来说价值是100倍的提升这也是为什么我们非常笃定地相信多模态执行是智能体在后续发展中非常重要的板块和体现。杜知恒过去这一年Agent进化还是很明显的从大家只会用Chatbot到真正开始用AI做各种各样的任务、工作包括陪伴式的娱乐、学习。我观察到在这几个场景中Agent能做越来越多智能化的工作。第一个就是刚才说的做PPT、写产品文档包括Coding在核心工作流中Agent开始能交付实习生水平的结果这是过去一年中Agent领域非常明显的进步和进化。另外可以看到各种各样的垂类软件正在越来越多地采用AI技术无论是客服系统、数据平台还是其他各类软件工具。我的观察是上一代SaaS公司正在快速引入AI能力这显著提升了它们服务客户的效率与质量。徐达峰前面老师提到智能客服还有端到端多模态执行我补充一个Coding Agent能力方面的个人观察。Coding Agent已经从写一段代码进化为跑一段流程。在WeaveFox的实践中Agent能看懂设计稿、理解上下文和组件规范然后自动生成可上线代码。过去通常需要工程师在IDE中花半天时间调试现在Agent几十秒就能跑完。而且这是在多个规模化项目里我们稳定看到了3~5倍的效率提升。这说明只要工具链和上下文足够清晰Agent的能力是可以被“工程化复制”的。真正好用的AI Agent产品应该关注哪些指标量子位今天邀请到的三位嘉宾在AI Agent里面处于不同的生态位小宿处于基础设施层另外两位老师偏向于产品层请各位在不同的生态位上定义真的好用、或者有价值的AI Agent产品你们觉得现在更应该关注哪些指标有哪些指标大家没有关注下一步应该在哪些方面投入更多技术和精力呢杜知恒我的观点还是一样的如果AI能更像人一样交付一个从高中生到大学生到博士生能交付的结果这就是好场景。企业愿意为这类AI支付更高成本背后的逻辑很明确过去大家把AI当作普通软件看待关注点局限在软件订阅费的高低而现在大家会将其价值与实习生、全职员工的人力价值做对比。即便目前存在堆砌Token完成任务的争议包括我们公司在内许多企业在高频使用AI进行代码编写Coding、撰写产品需求文档PRD、搭建各类工作流以优化效率的过程中通过AI节省的人工成本也远远超过了在Token上投入的费用即使Claude Code很贵。我觉得我们内部对Agent可用性最主要的评判标准就是它能不能在特定场景交付一个相对完整的结果。Agent在中国被叫智能体但其实我觉得**“代理人”**这个翻译是更好的一个Agent不能给你交付结果你肯定不会花钱雇他包括Coding这些场景在内AI越来越能够真正交付结果。现在Coding还有抽卡的情况但即使是抽卡抽三次性价比依然很高。赵天成我们从时间上来看有两方面是整个业界要慢慢接受和改变的因为智能体跟以前信息化系统和纯粹软件还是不太一样的。第一个是之前很多人说做AI原生的Agent我们发现以前软件系统有很多UI式、表单式结构很多时候AI就是把表单的某些环节换成模型这是比较方便的方式但也有很多时候换汤不换药还是原来的工作流做的事情。其实可以把一个环节彻底用Agent代替这时候可能会有一些更加创新型的产品并落地应用这样才真正能把智能体的优势发挥出来而不是受限于很条条框框的地方只能做以前一些环节的替代。大家才会接受智能体可以真正替代一个流程一个环节真正用AI的方式做这个事情。第二个是Agent本身是可以进化的在以往的AI应用中包括我们的不少甲方客户在内很多人会陷入一种认知误区认为采购AI本质上就是采购一套算法并且对算法的准确率、召回率有明确要求若初始阶段无法达到既定指标就不会验收。但实际上Agent的价值体现在实际应用过程中Context*上下文信息*会不断丰富它自身具备记忆能力再结合用户给出的反馈会逐渐熟悉用户的业务流程最终真正帮用户解决实际问题。然而当前许多场景下用户并不能接受这种渐进式优化的模式他们往往期望一步到位要求AI在初始阶段就达到95%的准确率。这就陷入了“鸡生蛋还是蛋生鸡”的矛盾问题。如果用户不使用AI、不提供反馈、不补充Context不给AI学习和适应的机会AI自然无法达到理想的使用效果可用户又因AI初始效果未达预期而不愿启用形成了恶性循环。不过这种情况也在逐渐改变越来越多人也正在接受说明大家用豆包、用GPT已经习惯了越聊越聪明的交互模式慢慢把它变成自己想要的数字员工。这个可进化性也是我们内部衡量智能体的非常重要的指标。假如一个智能体做出来就是这样了你再跟它聊它都不会有变化那就不是好的智能体如果通过一天、一周、一个月使用变得更加个性化了就是好的智能体。量子位我想再追问一下赵总您刚刚提到用Agent彻底替代某一部分工作流或者某一部分工作场景那让你畅想一下在未来6个月或者一年之内您觉得会有哪些行业或者场景率先有可能被彻底改变工作流呢赵天成假如是6个月的时间在那些失败结果没有那么灾难性的地方相关问题或许可以得到彻底解决。这些场景的容错空间相对较大AI一次没做好大不了再做一次而且如果做三次的成本比我自己干整个过程的成本还是低很多那这类工作就可以被替换掉。量子位也就是说结果不够致命有一点容错空间的任务基本可以实现AI替代人。那么徐总蚂蚁目前在做的这些产品包括您刚才提到的Coding Agent以及面向群众的产品从您的角度来说一款AI Agent产品最值得关注的指标是什么呢徐达峰在我看来判断一款Agent是否优秀可以从以下几个角度界定标准比如可控性、可解释性乃至于稳定性这是基础要求在此就不赘述了。需要明确的是Agent一定是基于某一类特定任务去设计的很多场景里任务本身就是开放型问题、还存在各种例外情况模型也不可能100%完美解决所有问题。所以我认为优秀的标准是看Agent产品有没有设计人机协作的流程。企业真正需要的不是“永不犯错”而是犯错时能暴露不确定性是否具有回滚的能力能不能回溯回去找到问题。另外在这个过程中在出现问题后能顺畅地将任务交由人工接管。也就是说它要像一位可靠的同事而不是像一名缺乏协作性的天才小学生。如果没有如上指标即便效果再惊艳也很难真正落地我觉得这是一个好的Agent的标准指标。量子位如果把刚刚给赵总的问题再抛给您目前您涉及的所有用户场景里未来6个月您觉得哪一个是被改写最彻底的徐达峰彻底不敢谈。我认为软件工程可能仍会面临较大的冲击和变革。这主要是因为其工具链相对成熟有上一代数字基建作为基础且任务本身偏向结构化。同时进一步自动化的收益非常高。这些因素共同作用将推动整个流程越来越自动化通过辅助编码和自动化流程研发团队也会更容易接受。因此我认为是软件工程。量子位我们把这个问题换一个方向问杜总您作为基础设施层的代表您认为基础设施层究竟是如何影响不同AI Agent产品最终呈现的任务水平呢能否结合小宿或其他具体案例为我们解析一下具体的影响链路杜知恒其实我们很难直接影响到Agent本身更多是客户基于自身场景对基础设施提出更高要求我们去响应和满足。回到搜索本身从ToC时代到ToAgent时代三十年来它的核心标准——相关性、权威性、时效性本质上没有改变。变化的是这些标准的重要程度。过去用户搜索时前三条结果必须吸引点击所以相关性是最重要的指标。但仅有相关性还不够即使内容相关但质量很差排到前面用户接受的概率也比展示不相关信息要低得多。但对于AI而言调用搜索的核心原因在于消除信息幻觉与获取时效内容。对AI Agent来说搜索的首要要求是权威性——信息必须准确、全面。即便在前十条结果中哪怕极端情况下有两条不相关也远比“十条看似相关、却缺乏精准性和时效性的信息”要好后者带来的后果反而更加灾难性。未来还有哪些对于AI Agent发展比较关键的卡点量子位我们刚刚几个问题都聊的是Agent今天有怎么样的成就和价值那我们现在从批判的角度聊一聊。首先想问一下从各位的角度来看除了现在常说的推理大模型或者语言大模型还有哪些对于AI Agent未来发展比较关键的卡点既可以是技术方面也可以是生态运营方面的不知道各位是怎么看待这个问题的赵天成我最近比较关注的是智能体的双脑架构。刚才提到的代码生成这些创新都是用大语言模型做快速的处理但是到我们这种物理场景之后有时候你逃不掉必须做双脑架构。什么叫双脑比如大语言模型给出一个指令说无人机几点几分到这个地方去但是在飞行过程中怎么飞假如还是依赖云端语言模型思考的话这个飞机干脆不要飞了每飞5米就要想一想再飞一下不太现实。所以必须在端侧要有快速的、类似于小脑的模型做飞行这一块的执行这个就跟常规的MCP模式还不太一样以往云端模型调用工具可能只是完成一次搜索、查询或简单指令下发但在双脑架构里云端大脑调用的不是普通工具而是要驱动端侧小脑模型让它把飞机飞过去。这其实和目前主流智能体架构有区别跟学术界研究的问题也不太一样。这里面得有一个框架方便把各种小脑和大脑集成在一起真正形成一个指挥官和类似于行动单元的组合的形态。这个是我们近期一直在看的点因为现在的确碰到了这样的现实问题而且需要解决这些问题。徐达峰我可以补充一个企业视角下的观点Agent如果要在企业中落地可能还会有一些挑战。尤其是大规模用在企业端时首当其冲的可能是会面临访问核心资产数据以及隐私和安全审计问题。怎么样能够让这样的Agent可以被安全地运行它访问数据是否有权限能不能被审计这些都是关键命题。**以往很多流程设计更多是针对常规系统和人类操作场景设计的很少有为Agent设计的这是很关键的基础设施的缺漏。**这样的安全基础设施建立起来之后才可能会为Agent大规模落地铺好前提。面向Agent的设计很可能是权限体系的重新设计和重塑。杜知恒我也说一个非常现实的问题我们看Agent特别是ToC的Agent最大的挑战就是成本和ROI的问题。因为即使当下的Agent可以帮你完成一些任务但其实它完成任务所付出的代价和用户愿意付的成本还是有一个很明显的差距目前市场上绝大多数的Agent都是以负毛利在运营这在长期看来是一个很大的挑战因为你很难在一个负毛利商业模式下做大规模的用户渗透。除非像蚂蚁、字节这样的巨头可以为获取客户长期承担非常大规模的亏损这个对于大部分的Agent创业者来说可能也是一个挑战。所以核心问题就是怎么能把商业模式跑通能够把用掉的Token和工具的钱赚回来对于一个基础设施提供方来说对客户健康度的判断很重要如果我的客户都很赚钱那我大概率收取的价格是比较合理且可持续的如果所有人都在亏钱或者说大家都是期待下一轮的融资再来付今天用的基础设施的钱那么整个生态的健康度就会存疑对于我们来说也非常关心这个问题。量子位有关产品线的ROI也想再问一下徐总您刚刚提到咱们有做一些面向大众普惠型的产品像刚刚提到收费方面的问题会不会从您的角度来看为了让大众使用AI Agent的产品除了技术上要达成一些目标是不是还有其他的要素也需要注意的徐达峰说一点个人的粗浅判断。首先使用门槛在产品设计上必须足够低不能预设用户具备专业知识背景更不能假定他们本身就懂代码。现实中这样的前提不太可能成立。其次更高频的使用场景可能集中在文案、PPT等内容创作上其本质是信息的聚合、创作过程的协助以及后续内容排版等工作。这类场景天然更适合大众用户。此外还会出现许多新的特色玩法。比如蚂蚁最近发布的“灵光”产品就是一款很有意思的App用户可以用它制作小游戏、小应用实用性很强。大致会是这类产品设计方向。Agent的下一步关键演进方向是什么量子位众所周知2025年已被视为AI Agent的元年。那么元年之后下一个关键的演进方向是什么刚才赵总提到了“双端”和“多模态”我们想请各位具体展望一下对于Agent而言下一步的关键方向是什么赵天成虽然2025年被称为“智能体元年”但可能现实生活中还没有那么多智能体。今年更像是iPhone 1的阶段距离真正成熟、普及的iPhone 4还有很多要做的事情。就我个人在C端的使用体验而言日常可能会用一个类似豆包的智能体来替代部分搜索类工作我觉得已经达到了“可用”的水平。但如果是下一轮融资的PPT让智能体来完成即便是现在最好的智能体也做不到这仍然需要我自己完成大量策略层面的思考才能有比较好的结果。所以在我看来即使是目前定义已经相当成熟的智能体在可靠性和实际效果上依然有大量提升空间。这种提升可能来自基础模型能力的增强也可能来自工程化能力的改进也可能正如前面几位所提到的是多个层面的共同进步。只有这些条件都到位智能体才能真正把哪怕是“做PPT”这样看似简单的功能提升到一个全民都能够使用的水平——这是第一个方面。第二个方面是我们自己正在做的事情。我们一直相信如果未来的AI只停留在替代一部分数字化工作那一定是不够的。它最终必须能够替代部分蓝领工作走向现实世界帮我们在物理世界干活。而要实现这一点需要解决的问题依然非常多包括前面多位老师提到的VLA、世界模型等这些很可能都是不可或缺的组成部分只有在它们被有效拼合之后智能体才有可能真正走向物理世界。在这里有两个关键问题。第一未来是否会一直是“大语言模型其他模型”的组合形式短期来看大概率如此但从长期看并不一定——完全有可能被一种全新的架构彻底取代这并非不可能。其实早两年我们看待大语言模型时也曾觉得这条路径不太可能但现在它已经成为主流。第二还是可靠性的问题。当智能体进入物理世界可靠性就变得更加严肃不能说一下子把桌子砸了那会是灾难性的后果——在电脑里最多是误删文件虽然也很严重但相比之下还是要轻一些。因此我认为可靠性是所有智能体真正成为“每个人每天都在使用”的工具之前必须解决的核心问题之一。杜知恒我可能更多是从商业视角来看这个问题。对于2026年我有几个基本预期。第一会是巨头的大规模下场。无论是在B端还是C端都会出现真正意义上的重投入去争夺DAU、ARR和核心客户。2025年我们已经看到超大规模投入主要来自字节的豆包BAT其他几家以及蚂蚁更多是在下半年才逐渐发力。我认为到明年这一趋势会变得非常清晰且激烈——所有Tier 1、Tier 2的传统大型互联网公司都会在Agent方向上加大投入围绕“入口”展开竞争。第二个预期也由此引出在这种大规模投入的推动下AI的整体渗透率会显著提升。包括现场各位的手机和电脑其AI含量也都会大幅上升。头部Agent会开始真正进入二线、三线城市被非专业用户广泛使用甚至包括我们父母这一代人也会逐步开始接受和使用。因此在我看来Agent的大规模渗透将是2026年我比较期待的事情。徐达峰如果说未来一年的Agent的话我可能会分几个层次看。第一层次是数据和算法再上层是模型能力可以看到这两层的技术能力呈现慢慢收敛的趋势。第三层是Agent的框架以及和系统交互和集成无论是C端还是B端都可以看到有更多的数据管控、权限管控、接入集成等多方面的实践。另外再往上延伸至产品侧与行业应用层面。目前可以看到越来越明显的趋势。除了能解决一些日常小工具类的任务或者一些小型的效率场景也可以看到有一些Killer App现象级应用出现。这类应用往往会锚定泛娱乐赛道给用户提供很多情绪价值甚至慢慢App扩展到智能硬件上这些是能看到的趋势。当然也期待2026年这样的趋势逐步爆发可以给大家带来更多的AI Agent在各行业各领域的体验。AI Agent进入新发展阶段的标志节点量子位最后一个问题再替公众朋友们试图向三位嘉宾询问一下不确定中的确定性。像刚刚提到不管是从技术需要的基础设施还是未来的产品形态其实都有可能还有很多新的内容出现。如果从三位嘉宾的角度来看有没有哪个节点是你们觉得如果看到了就意味着AI Agent已经进入新的发展阶段了不是像现在这样只是从无到有而是真正彻底改写而且普惠大众的有没有哪个标志性的节点是各位现在最期待的杜知恒可能是我妈妈开始用Manus开始画PPT或者做一个什么事情的时候开始。我觉得当前Agent的渗透率虽然看起来如火如荼但是在三、四线城市和人们日常生活中还是一个超级低的状态。可能我自己的观察指标是身边的年长或者非技术行业的人真正开始在用一些Agent改变他的生活方式或者提升他的生活体验。赵天成我觉得就是当你每天最高频使用的三个APP里面有两个是Agent到那天可能就差不多了。徐达峰我比较赞同赵天成老师的看法如果你每天用的软件都已经是Agent那就已经产生质变了。量子位确实今年我们看到很多Agent产品出现无论是现场和线上的观众可以多去尝试尝试不断出现的新的Agent产品看这些产品能不能带来一些新的收获和新的价值。再次感谢三位嘉宾今天来到圆桌跟我们从一线视角聊一聊AI Agent还需要进步的地方以及现在明确能够带给我们的价值谢谢大家。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。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】