从零到手搓一个Agent:AI Agents新手入门精通

AI摘要

本文介绍了LLMs的局限性,如知识滞后、无法与外界交互、缺乏自主行动能力等,引出了智能体(Agents)。阐述了Agents的核心组件、运作机制和应用场景,还给出了大模型AI的学习阶段和方法,包括初阶应用、高阶应用、模型训练和商业闭环。

今日主题:当什么是Agent,与LLM的区别又是啥

这一天,你的女朋友问你(假设我们有女朋友),宝宝,什么是Agent啊,Agent和LLM有什么区别呀,最近大家都在说的Agent究竟是什么,包括很多文章都在写的Agent,还有之前谷歌发布的Agents白皮书究竟是什么,对我们有什么帮助,对我们有什么影响呢?现在,编者专门做了一个系列,从最简单的讲起,解开这个迷雾,这个系列的教程,会帮助你了解基本概念,并且能够手搓一系列的agent

那么,chatgpt是Agent还是LLM,有了LLM为什么还需要Agent呢,这次我们就把概念弄清楚以及有什么用讲清楚

一、LLMs的局限与Agents的诞生(结合ChatGPT举例)

你或许已经体验过 ChatGPT 的强大对话能力,它能流畅地与你聊天、回答问题,甚至帮你写诗、写代码。这背后正是 LLMs(大型语言模型)在发挥作用。LLMs 就像一个超级博览群书的“大脑”,它掌握了海量的文本知识,可以根据你的提问,生成相应的文本回复

那么,为什么说 LLMs 仍然存在局限性呢? 让我们以 ChatGPT 为例来看:

1. 知识的滞后性:

举例: 你问 ChatGPT “今天的天气怎么样?” 或者 “最新的股票价格是多少?”,它很可能无法给出准确的回答。因为它所拥有的知识来源于训练时的数据,无法实时获取最新的信息。它可能告诉你的是前几天的天气,或者很久之前的股票行情。

解释: LLMs 的知识就像一本厚厚的“旧书”,书里记载着很多知识,但无法知道书出版之后发生的新鲜事。

2. 无法与外界交互:

举例: 你让 ChatGPT “帮我预订一张明天的机票”,它会很热情地告诉你预订机票需要哪些步骤,却无法实际帮你预订。你让它 “帮我发送一封邮件给同事”,它也只能为你写好邮件内容,而不能帮你发送出去。

解释: LLMs 只能进行文本理解和生成,它就像一个“只会说”的人,但没有“手脚”去执行实际操作。

3. 缺乏自主行动能力:

举例: 你问 ChatGPT “如何制定一个完美的旅行计划”,它会给出你很多建议,例如选择目的地、预订酒店、规划行程等等。但是它不会主动帮你把这些都安排好。它只是在回答你的问题,而不是主动帮你解决问题。

解释: LLMs 只能被动地接收指令,然后给出回答,无法根据目标自主规划行动。就像一个“听话的助手”,但是没有自己的想法和主动性。

二、为了突破这些限制,Agents(智能体)应运而生。

Agents 的核心思想:给 LLMs 配备“手脚”和“大脑”

我们可以将 Agents 想象成一个升级版的 ChatGPT,它不仅具备强大的语言理解和生成能力,还拥有了:

“手脚”(工具): Agents 可以利用各种工具(例如,搜索引擎、数据库查询工具、邮件发送工具)与外界互动,获取信息、执行操作。就像给 LLMs 配备了可以操作各种工具的 “手脚”。

“大脑”(编排层): Agents 具备推理和规划能力,可以根据目标自主规划行动,并合理地调用各种工具。就像给 LLMs 配备了一个可以自主思考和决策的“大脑”。

Agents 与 LLMs 的区别:

特性
LLMs (例如 ChatGPT)
Agents (智能体)
核心能力
语言理解和生成
语言理解、推理规划、工具使用、自主行动
知识来源
训练数据
训练数据 + 实时信息 + 外部知识库
与外界交互
无法直接交互
可以通过工具与外界交互
行动能力
无法执行实际操作
可以根据目标自主执行操作
解决问题方式
被动回答问题
主动分析问题、规划行动、解决问题
例如
ChatGPT 可以回答你的问题,但无法帮你订机票或查询天气
Agent 可以帮你预订机票、查询天气、发送邮件,并根据你的需求主动规划行程

简而言之:

LLMs 就像一个知识渊博的“问答机器人”,你问什么,它答什么。

Agents 就像一个“智能助手”,它不仅能回答你的问题,还能主动帮你完成任务。

通过这样的解释,希望能够帮助读者更好地理解 LLMs 的局限性,以及 Agents 的优势和价值。Agents 的出现,标志着人工智能正朝着更智能、更强大的方向发展。

  • 知识的局限性: LLMs的知识来源于训练数据,无法获取实时的外部信息,这使得它在处理需要最新资讯的任务时显得力不从心。

  • 行动的局限性: LLMs只能进行文本生成和理解,无法与外部环境交互,更无法执行实际操作,例如查询数据库或发送邮件。

为了克服这些局限,谷歌的研究人员在《New whitepaper Agents》中详细阐述了“Agent”的概念。他们将LLMs与工具和编排层相结合,赋予了LLMs自主行动的能力,使其能够像一个真正的“智能体”一样工作。

三、Agents的核心组件:智能体的“三大支柱”

一个完整的Agent通常由三个核心组件构成,它们相互协作,共同支撑起Agent的智能行为:

1、 模型 (Model): Agent 的“大脑”

  • 角色: 负责理解用户输入、进行推理和规划,并选择合适的工具执行任务。

  • 类型: ReAct、Chain-of-Thought、Tree-of-Thought等模型,提供了不同的推理框架,帮助Agent进行多轮交互和决策。

  • 重要性: 模型是Agent的核心,其推理能力直接决定了Agent的行动效率和准确性。

2、 工具 (Tools): Agent 与外界交互的“桥梁”

  • 角色:允许Agent访问外部数据和服务,执行各种任务。

  • 类型: 可以是各种API,例如数据库查询、搜索引擎、代码执行器、邮件发送器等。

  • 重要性:工具极大地扩展了Agent的能力,使其能够处理更复杂的任务。

3、编排层 (Orchestration Layer): Agent 的“指挥中心”

  • 角色: 负责管理Agent的内部状态,协调模型和工具的使用,并根据目标指导Agent的行动。

  • 类型: 可以使用各种推理框架,如ReAct和Chain-of-Thought等,协助Agent进行规划和决策。

  • 重要性: 编排层是Agent的“指挥中心”,确保各个组件协同工作,最终实现预定目标。

四、Agents的运作机制:从输入到输出

Agent 的运作流程可以概括为以下几个步骤:

  1. 接收输入: 接收用户的指令或问题。

  2. 理解输入: 模型理解用户的意图,并提取关键信息。

  3. 推理规划: 模型根据用户输入和当前状态,进行推理和规划,确定下一步行动。

  4. 选择工具: 模型根据目标选择合适的工具。

  5. 执行行动: Agent使用工具执行行动,例如查询数据库、发送邮件等。

  6. 获取结果: Agent获取工具执行的结果。

  7. 输出结果: Agent将结果输出给用户,或进行下一步行动。

相较于传统的LLMs,Agents 具备以下显著优势:

  • 知识扩展: 通过工具,Agent可以访问实时信息和外部知识库,突破了训练数据的限制,提供更准确和可靠的信息。

  • 自主行动: Agent 可以根据目标自主决策和行动,无需人工干预,大大提高了效率和灵活性。

  • 多轮交互: Agent 可以管理对话历史和上下文,进行多轮交互,提供更自然和流畅的用户体验。

  • 可扩展性: Agent 可以通过添加新的工具和模型,不断扩展其功能和应用范围。

五、Agents的应用:从智能客服到虚拟助手

Agents 的应用场景非常广泛,以下仅列举部分:

  • 智能客服: 自动回答用户问题、处理订单、解决客户问题。

  • 个性化推荐: 根据用户兴趣和行为,推荐商品、内容、服务等。

  • 虚拟助手: 帮助用户管理日程、预订行程、发送邮件等。

  • 代码生成: 根据用户需求,自动生成代码。

  • 智能创作: 创作诗歌、小说、剧本等。

  • 知识图谱构建: 从文本中提取知识,构建知识图谱。

Agents的开发工具:从LangChain到Vertex AI

为了方便开发者构建 Agents,Google 提供了多种工具和平台:

  • LangChain: 一个开源库,方便开发者将LLMs与工具和编排层结合,构建功能强大的Agents。

  • LangGraph: 一个开源库,帮助开发者构建和可视化 Agents,提供图形化界面,方便设计和测试。

  • Vertex AI: 一个云平台,提供各种AI工具和服务,如Vertex Agent Builder、Vertex Extensions、Vertex Function Calling等,帮助开发者快速构建和部署 Agents。

Agents 的未来充满无限可能,技术发展将推动 Agents 走向更智能化和强大:

  • 更先进的模型: 更强大的语言模型将带来更复杂的推理和规划能力。

  • 更丰富的工具: 更多种类的工具将为 Agent 提供更丰富的交互方式,例如自然语言处理、图像识别、语音识别和机器人控制等。

  • 更智能的编排层: 更智能的编排层将更好地协调模型和工具,提高 Agent 的效率和灵活性。

  • Agent Chaining: 更多专业化的 Agents 将协同工作,解决更复杂的问题。

  • 多模态交互: Agent 将能够处理多种模态数据,如文本、图像和语音,带来更丰富的用户体验。

  • 人机协作: Agent 将与人类更紧密地合作,共同完成更复杂的任务。

六、结语:Agent,AI的未来

Agents 代表着生成式AI模型的进阶形态,它们拥有自主行动能力,能够利用工具与外界交互,并根据目标进行决策,具有更广泛的应用范围和更强大的能力。随着技术的不断发展,Agents 将会改变我们的生活和工作方式,并推动人工智能进入新的发展阶段。未来,Agent 将成为人工智能发展的重要方向,为我们带来更智能、更便捷的未来。

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

相关推荐

2025 年就业竞争激烈!当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击

2025 年就业竞争激烈!当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击

EnjoyEDU的博客 6万+

狠狠收藏!关于Deepseek,看这一篇就足够了

最近,AI界黑马DeepSeek爆火。AI圈、科技博主、职场人,甚至连朋友圈的宝妈群都在聊——“DeepSeek太强了!”“国产GPT之光!”“中文能力碾压!但Deepseek这个名词对部分人来说还比较陌生,怎么高效使用也是一个未知数,今天,就让我们一起走进DeepSeek的世界,看看它到底有多厉害!顺便再给你个DeepSeek万能使用模板,让你彻底摆脱提示词焦虑,让AI真正成为你的“最强大脑”!

EnjoyEDU的博客 2万+

一个接口被连调四遍之后:转 Agent,你的老本行一点没作废

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。而这些规矩,恰恰是你的老本行。打开 IDE,挑一个你闭着眼都能写出来的业务接口,把它变成模型能调用的工具,工具描述认真写,终止条件认真定。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。

EnjoyEDU的博客 175

把面试官当开卷考:一份 AI Agent 转行面试的逐题拆解

它是有限的、随会话结束而消散的。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。Agent 系统的瓶颈往往不在算力,而在外部接口的配额、数据库的连接数、上下文拼接的开销、以及长任务的排队。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。

EnjoyEDU的博客 169

大模型知识全景:从 Token 到 Agent,一张地图看懂八个环节

Tool(工具)是软件暴露的可用能力。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。很多人学大模型,东一榔头西一棒子:今天听 Token,明天听 RAG,后天又冒出 Agent、Harness,感觉每个词都重要,却串不成一条线。它和临时 Prompt 的区别,是能作为有范围、有版本的任务包重复使用,但没重新训练模型,也不因为列了工具就自动获准调用。

EnjoyEDU的博客 163

模型说“我做完了“就能信吗?用自动驾驶讲透 Agent Harness

比如分别分析华东、华南、华北,再由主 Agent 汇总。长任务会不断积累工具结果,全塞进下一轮既占预算又增成本,Harness 可以压缩已处理的历史,保留关键结论、状态和引用——但绝不能丢掉任务目标、权限约束、重要结果和待办,否则模型可能忘记哪些步骤做过了,甚至重复执行有副作用的操作。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。

EnjoyEDU的博客 168

Function Call、MCP、Skill 到底差在哪?用“数字员工上班“讲透五层能力地图

一句话看懂数据怎么流:用户说"查 Gmail 并写周报",Skill 先编排步骤和边界,模型用 Function Call 发出调用,MCP 接到读邮件、写文件这些具体工具,工具多了 ACI 先鉴权再挑接口,改文件和跑命令放进 Sandbox,最后结果回到用户。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。模型生成的动作不稳定。

EnjoyEDU的博客 211

2026程序员薪资真相:年包110万与月薪8千的差距背后,收藏这份AI时代生存指南!

2026年,互联网不再是无脑高薪行业。它不再养活混日子的人,不再优待原地踏步的人,不再包容只会搬砖的人。但不可否认,技术行业依旧是普通人逆袭最快、门槛最低、薪资上限最高的行业。

EnjoyEDU的博客 251

小白程序员必备:2026大厂AI人才抢夺战,你准备好了吗?

文章指出,科技大厂校招正转向AI领域,AI算法、全栈及Agent工程师需求激增。企业内部也在推动AI能力认证和全员AI化培训。AI人才被分为三层:底层技术人才、应用开发人才和业务效能人才。普通职场人应积极学习AI工具,提升业务效能,在AI协作中展现价值,以应对外部替代和内部竞争压力。关键在于实践应用AI工具,取得可量化的业务成果,并更新个人AI技能标签,以被招聘市场识别。先跑起来的人,会先被看到。明年,很多科技大厂就只招AI人才了?!

EnjoyEDU的博客 219

企业接入大模型,数据对不上?收藏这份数据准备指南,轻松搞定!

企业大模型要真正发挥价值,离不开准确、统一、可信的数据基础。主数据统一业务对象,元数据解释数据含义,参考数据统一分类规则。三者共同决定了企业交给AI的数据能否被准确识别、理解和关联。FineDataLink 这类数据集成工具,可以帮助企业将这些规则落实到数据接入、清洗、加工和流转过程中,为后续AI应用提供更可靠的数据基础。大模型能把数据用得多聪明,首先取决于企业能不能把数据管理清楚。在急着选模型、建知识库、开发智能体之前,先把这三类数据理顺,往往能让后面的AI建设少走不少弯路。

EnjoyEDU的博客 182

AI大模型与Agent:轻松入门,开启智能编程新篇章!

当下AI大模型是当下实打实的优质风口,岗位缺口大、发展前景广、薪资待遇突出,对比内卷严重、涨薪晋升困难的传统技术岗,是普通人转行逆袭的绝佳选择。但很多想要入局大模型领域的朋友,都面临无系统学习路径、无实战资源、求职无方向的难题,一个人硬啃最容易走弯路、浪费大量时间精力。系统化学习路线图(零基础到精通)大模型学习书籍 & 文档(电子版)2026 最新行业报告项目实战 & 配套源码大厂面试真题需要的朋友,微信扫描下方 CSDN 官方认证二维码免费领取,保证 100% 免费。

EnjoyEDU的博客 112

同一场考试,为什么有人拿到110万年包,有人月薪8千还在海投?

开卷考试的好处是,参考书一直都在,就看你翻不翻。2026年的规则很清楚:会写代码只是入场券,会用AI加懂架构加能落地才是通关密码。真正的铁饭碗不是某家公司,而是随时能找到下一份工作的能力。与其焦虑,不如现在就打开Cursor写一个RAG Demo——行动,是治愈焦虑的唯一良药。如果你也想系统补齐大模型这块能力,文末准备了一份资料,接着往下看。

EnjoyEDU的博客 149

小白程序员必看:大模型RAG方案选型全解析,告别盲目跟风!

RAG选型的核心,是让方案与企业的知识结构、问题类型、准确要求、权限规则和资源条件保持一致。知识是什么结构用户会提出什么问题答案需要达到什么准确度权限和版本如何控制系统能承担多少延迟、成本与维护工作基础向量RAG适合语义查询;混合检索与重排序适合大多数企业文档;层级RAG适合长文档;GraphRAG适合关系和全局问题;结构化RAG适合经营指标;Agentic RAG适合多步骤、多来源任务。选型完成后,还要用固定评估集持续验证检索召回、答案正确性、依据一致性、权限安全和运行成本。

EnjoyEDU的博客 270

药学背景拿下迈瑞 35K Offer 的完整复盘:她只做对了四件事

这也回应了很多人最担心的"不会写代码怎么办":AI 应用开发正在从"写代码"转向"组织 AI 能力",业务理解、数据质量把控、风险边界设计,这些环节对非技术背景的人不仅友好,甚至更有优势。这样的公司缺的不是又一个会写代码的人,而是懂业务、懂边界、能推动落地的人——她的药学背景正是稀缺项。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。

EnjoyEDU的博客 203

一边裁 6.6 万人一边疯招 AI 岗,大厂不是在矛盾,是在换血

AI 化从技术部门蔓延到所有业务线——字节的 AI 相关岗位已经渗透到电商、生活服务、企业服务几乎全部板块,腾讯的产品类扩招 39%,小米 AI 岗需求增长超 50%,连 DeepSeek 都放话要把所有部门的规模扩大至少一倍。也就是说,裁掉的预算没有消失,它换了个科目,变成了 AI 人力成本。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。

EnjoyEDU的博客 204

六家大厂秋招数据放在一起,AI 岗的格局一眼看明白了

反过来说,水进去的概率也变低了——岗位多了,但筛选标准不会降。很多人看到扩招数据的第一反应是"名额多了",但真正决定你能不能吃到红利的,是这批扩招岗位的质量属性。趁着窗口没到自己头上,把 RAG、Agent 这些硬技能先练起来,等轮到你们秋招时,手里有真项目的人和现在临时抱佛脚的人,差距会非常大。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。

EnjoyEDU的博客 173

读完 Anthropic 这篇记忆论文,我把做 Agent 记忆的思路全部推翻重来

论文还有一个提纲挈领的视角值得单独说:它把"记忆"定义为一种预测机制。Agent 通过记忆,在下一次遇到类似情境时预测正确做法。这个定义妙在哪?它给了记忆系统一个可量化的评测标准——不是看存了多少,而是看下一次预测得准不准。验证用的基准叫 CL-Bench 1.0,一个数据库问答任务:答完后系统会给出正确答案,Agent 可以把规则、已验证事实、踩坑警告写进记忆;下一题开新会话,但记忆目录持久存在。这个设计恰好模拟了真实工作场景——每次任务都是新会话,但经验应该留下来。

EnjoyEDU的博客 242

药学背景小白如何逆袭掌握大模型?收藏这份AI医疗学习路线!

本文讲述了药学专业背景的求职者如何通过结合自身专业知识与AI技术,成功进入AI医疗领域。核心内容为:从识别业务场景切入,掌握RAG知识库构建,培养产品思维,推动AI项目落地,并注重业务表达而非技术堆砌。最终实现从药学人员到懂AI的医疗解决方案推动者的角色转变,适合医药行业从业者学习AI应用。她不是计算机科班,也没有大模型项目经历。药学毕业后,一直在医药相关岗位,做药品资料整理、医学文献检索、项目支持和业务沟通。每天打交道的是药品、疾病、医学资料和专业信息。真正接触AI,不过最近一年。

EnjoyEDU的博客 149

35.8%:一道乘法算术题,劝退了多少 Agent 演示

原文那句判断我特别喜欢:把 while 循环搭出来只是容易的 20%,真正困难的是剩下 80%——把循环做得足够可靠,让企业敢把真实资金、真实客户、真实决策交给它。而这 80% 里,最基本的第一课就是这道乘法:单步 95% 不等于整体 95%。下次再看到「全自动 Agent」的演示,先问一句——这个任务几步?每步可靠率多少?乘完再决定信不信。

EnjoyEDU的博客 183

把 Agent 想成一个新员工:入职第一天它要学会的四件事

怎么跟完全不懂技术的人讲清楚 Agent 是什么?我试过画架构图、列模块清单、讲专业术语,效果都一般。。这个类比不只通俗,它还精确——Agent 的四大核心构成(Loop、Tools、Memory、Harness),恰好对应一个新员工在公司里要建立的四套系统。今天顺着这个类比把 Agent 的工作机制讲透。新员工接到一个任务,不会一次性做完——他会先想清楚要什么,然后动手干一步,干完看看结果对不对,再决定下一步。这个「想—做—看—再想」的循环,就是 Agent 的核心机制 Loop。

EnjoyEDU的博客 223

教会 AI 炒 3000 道菜的总厨,给所有传统行业的人打了样:转型的通用公式就四步

新闻里有个案例我反复看了好几遍:南京一位叫朱鑫的总厨,做了 23 年餐饮,如今身份是「AI 厨房研发总厨」,一年时间教会 AI 大厨 3000 多道菜。他甚至和 AI 共创菜品——荔枝牛肉粒人工炒制定型后录入参数,AI 不仅能精准复刻,还能自己延伸出荔枝排骨、荔枝鸡肉。很多人看这条新闻的姿势是「哦,挺有意思」,然后就划走了。但如果你正焦虑 AI 会不会影响自己的饭碗,这个案例值得逐帧拆解——因为它几乎是一个标准模板:一个 40 多岁、非技术出身的一线从业者,怎么完成 AI 时代的职业转身。

EnjoyEDU的博客 187

质检发现了缺陷,排产还在照旧排:工厂里最贵的成本,是“彼此不知道“

去年去看一个朋友的厂,他带我在车间里走了两个小时,一路夸自家的智能系统:视觉质检准确率 98%,设备预测性维护能提前三天报警,能耗优化省了 12% 的电。单看每一项,都很漂亮。走到产线尽头,他随口问了我一句:「你说这些系统,能不能互相说句话?我当时没反应过来,后来在会议室看他们的系统拓扑图才明白他的意思:质检系统、排产系统、设备系统、仓储系统,四套系统,四个大屏,四拨人盯着,互相之间没有任何数据流动。就在那天上午,质检那边报了一批来料缺陷率异常,报告走了邮件,邮件在排产主管的未读里躺了半天。

EnjoyEDU的博客 229

把全网“AI 取代程序员“的说法翻完之后,我反而睡了个好觉

过去一个月,我的手机推送里全是同一类内容:三分钟一个网站、实习生半小时搞定半天的活、不会用 AI 的人马上被淘汰。我是一个写了八年代码的后端,说实话,这些标题看得我心里发毛。尤其是有天晚上,我看见组里一个实习生用 AI 半小时写完了一段我评估要大半天的协议解析代码,那天我失眠了,脑子里反复问自己一个问题:我的经验,还值钱吗?焦虑这个东西很奇怪,你越刷越焦虑,越焦虑越想刷。

EnjoyEDU的博客 240

Prompt、Skills、Agent 到底什么关系:一张分工表讲清三个词的边界

Prompt,是你临时交代的一句话。「帮我把这份会议纪要整理一下」——它解决这一次的问题,说完就完,下次同样的事你还得再说一遍。Skills,是提前练好的一项本事。「会议纪要整理技能」——格式定好、口径定好、输出标准定好,封装成一个可以反复调用的模块。你不再描述需求,直接点名技能。Agent,是装着一堆 Skills 的助理。它不只是被点名才干活——它知道什么场景该用哪个技能,能自己盯着流程,有事主动找你。

EnjoyEDU的博客 679

翻了 50 条 Java 招聘 JD,AI 要求已经写进任职资格第三行

上周有个做了七年后端的兄弟跟我聊天,语气有点不服气:「AI 那些东西,跟我们业务开发有什么关系,我不信。我没跟他争论,让他自己去 Boss 直聘上把「Java 高级」的 JD 翻五十条,把里面出现的技术词抄下来。他翻完发来一句话:「好吧,AI 已经写进任职资格了,而且不是加分项那一栏,是正文的第三行。这篇就把他抄下来的词拆开,看看 Java 岗位上的 AI 要求到底长什么样、分几层、以及每一层对应你该补什么。

EnjoyEDU的博客 209

读了六年片子才听懂那句话:你熬的夜班,就是你的简历

那位影像科背景的医师入职半年后,说了一句我特别喜欢的话:「以前觉得自己除了看病什么都不会,现在发现,会看病本身就是别人不会的技能。你不需要辞职去学编程,不需要和应届生挤算法岗,更不需要推倒重来。你需要的,只是一条把专业经验翻译成 AI 行业语言的路径。这条路径有具体的地图:先建立 AI 能力边界的判断力,再用自己的场景做一个深而小的项目,最后把方案写成能带去面试的作品。这三步,今天就能开始走第一步。

EnjoyEDU的博客 203

转行 Agent 开发半年我发现:这不是学技术,是学当老板

但他也栽过跟头——习惯性地想"改进模型",而实际上该做的是"改 prompt 里的约束"或者"换一个更合适的工具"。过关标准很具体:给它配两个工具,一个查天气一个发邮件,你跟它说"帮我查一下北京天气,如果下雨就给我发邮件提醒带伞",它能自己判断先调哪个、后调哪个、中间参数怎么传,全程不报错跑下来。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。

EnjoyEDU的博客 12

“被淘汰的从来不是程序员,而是这三类人:把话说透 AI 抢饭碗这件事“

半年后他确实产出量翻倍,但抽象能力和判断力原地踏步,AI 版本一升级,他连原来的产出速度都保不住了——因为他除了"会用 AI",没有任何沉淀。没有底层能力的人,发现不了这些问题,只能照单全收——最后沦为没有判断力的复核机器,这比被替代更危险,因为你还在岗位上,但已经不创造判断价值了。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。

EnjoyEDU的博客 179

国家文件给智能体下定义了:五个词、五层架构,一文说清企业级 Agent 底层逻辑

两者互补,覆盖全场景。Harness 是包裹模型外层的运行时框架,统筹调度、约束行为、管理记忆、处理异常,核心逻辑是"人类掌舵,智能体执行"。你把它对着企业级 Agent 的五层架构看,会发现每一层都能对上:感知对应输入层,记忆对应上下文层,决策对应模型层,交互对应协议层,执行对应协同层。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。

EnjoyEDU的博客 183

把 Agent 当新员工招进来:八层技术体系一次讲清

一句话收拢全部术语:LLM 是大脑,Token 是基本工作单位,Context 是看到的资料,Prompt 是收到的指令,Tool 是手脚,MCP 是连接标准,Agent 是自主执行机制,Agent Skill 是专业技能,Harness 是运行管理机制,RAG 是知识检索增强,Embedding 是向量化表达,Vector Database 是向量索引库,Fine-tuning 是针对性训练,Evaluation 是质量检验,Guardrails 是行为护栏。2023年,人才缺口已超百万,凸显培养不足。

EnjoyEDU的博客 184
上一篇: CES破圈,AI大模型“狂飙”在2024|产业深度
下一篇: 大模型部署的主流技术有哪些?
大模型.
博客等级 码龄7年 1万+粉丝 2439原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址