怀化网站设计做企业网站的尺寸是多少钱

怀化网站设计,做企业网站的尺寸是多少钱,泉州网站开发企业,装修行业本文从Anthropic的文章《Build effective agents》出发#xff0c;为构建高效的工作流、Agent提出实战指南。我在保留原文精华的基础上增强了三个核心方面#xff1a; 技术选型指南#xff1a;明确工作流/Agent选用标准。设计模式解析#xff1a;通过实际业务场景展示复杂工…本文从Anthropic的文章《Build effective agents》出发为构建高效的工作流、Agent提出实战指南。我在保留原文精华的基础上增强了三个核心方面技术选型指南明确工作流/Agent选用标准。设计模式解析通过实际业务场景展示复杂工作流模式的应用。实践要点扩展增添详细的实施建议和操作要点将理论转化为可执行方案。本文适合AI Agent技术管理者、开发者、产品经理及爱好者阅读通过实践层面的指导帮您实现更合理的方案与更高效的实施。文章概览1. Agent概述1.1 什么是AgentsAgent有多种定义方式。部分客户将其视为完全自主系统能在较长时间内独立运行使用各种工具完成复杂任务。也有人用此术语描述更固定的、预定义的工作流。Anthropic将这些变体归类为类Agent系统但在工作流和智能体间做了重要区分1.2 Workflow V.S AgentWorkflowAgent定义通过预定义流程编排LLM和工具的系统LLM动态决定自己的处理过程和工具使用的系统适用范围可预测和定义解决步骤的问题无法预先定义解决步骤的开放问题优势稳定、准确、可预测解决没有固定流程的开放性问题劣势为准确性牺牲了解决问题的延迟成本高、问题解决成功率有提升空间在附录1(“Agent实战”)中Anthropic描述了客户在使用这类系统时发现特别有价值的两个应用领域。2. 何时使用Agent2.1 简单性原则适用场景评估Anthropic强烈建议在构建LLM应用时寻找尽可能简单的解决方案只在必要时增加应用复杂性。关键权衡类Agent系统通常以延迟和成本为代价换取更高性能应谨慎评估这种取舍。复杂性增加的指导原则选择工作流当任务明确定义需要可预测性和一致性选择Agent当任务需要灵活性和模型驱动的动态决策重要提示对许多应用而言优化单个LLM调用通过检索增强和上下文示例通常已足够有效。3. 何时、如何使用“Agent框架”3.1 框架使用的权衡考量开发框架虽然便捷但常存在过度抽象问题使底层提示词和LLM调用被隐藏。这导致两个主要风险使用框架开发的Agent系统难以有效调试简化的搭建流程使开发者容易过度增加系统复杂性3.2 实用开发建议Anthropic建议采取渐进式开发方法优先直接使用LLM API大多数模式可通过几行代码实现深入理解框架底层如选择框架确保理解其内部工作机制避免错误假设对框架底层工作原理的误解是项目失败的常见原因“我们建议开发者直接使用LLM API许多模式可以用几行代码实现。如果你使用框架请确保理解底层代码。对底层工作的错误假设是客户错误的常见来源。”参考Anthropic的cookbook[1]获取示例实现。4. 类Agent系统设计模式本节探讨生产环境中常见的类Agent系统模式。Anthropic从基础构建模块——增强型大语言模型(LLM)开始逐步增加复杂性从简单组合工作流到自主Agent。4.1 增强型LLM模式定义类Agent系统最基础的模块是增强的LLM即具备检索、工具使用和记忆等功能的语言模型。Anthropic当前的模型能够主动使用这些功能——生成搜索查询、选择合适工具以及确定需要记忆的信息。增强型LLM工程实现的关键要点为特定应用场景定制增强能力确保为LLM提供简单、文档完善的接口虽然实现这些增强功能的方法很多一种推荐方式是通过Anthropic最近发布的模型上下文协议2该协议允许开发者通过简单的客户端实现与不断扩展的第三方工具生态系统集成。4.2 工作流模式4.2.1 提示链定义提示链将任务分解为一系列有序步骤每个LLM调用处理前一个调用的输出。可在任何中间步骤添加程序检查“门控”以确保流程保持在正确轨道上。提示链工作流适用场景任务可以轻松且清晰地分解为固定子任务时主要目标是通过牺牲延迟来提高准确性使每个LLM调用处理更简单的子任务应用示例生成营销文案然后将其翻译成不同的语言。编写文档大纲检查大纲是否符合特定标准然后基于大纲撰写文档。4.2.2 路由定义路由工作流对输入进行分类并将其引导到专门的后续任务。这种工作流实现关注点分离并构建更专门化的提示。不使用路由时为某一类输入优化可能会降低其他输入的处理效果。路由工作流适用场景复杂任务包含明显不同类别需要单独处理分类可由LLM或传统分类模型/算法准确完成应用示例引导不同类型客户服务查询一般问题、退款请求、技术支持进入不同的下游流程、提示和工具。将简单/常见问题路由到较小模型如Claude 3.5 Haiku将困难/不常见问题路由到更强大模型如Claude 3.5 Sonnet优化成本和响应速度。4.2.3 并行化定义并行化工作流让LLM同时处理多个任务并通过程序化方式聚合输出。分为两种关键形式任务拆分Sectioning将任务拆分为独立的子任务并行运行投票Voting多次运行相同任务以获得不同的结果并行化工作流适用场景当拆分的子任务可以并行处理以提高速度需要多种视角或不同尝试来获得更高置信度的结果时复杂任务涉及多种考虑因素时由独立LLM调用分别处理各因素效果更佳。应用示例任务拆分Sectioning安全防护机制一个模型处理用户查询另一个筛选不合规内容比单模型同时处理两项功能效果更好。自动化评估LLM性能设置多个并行分支评估模型在不同方面的表现。投票Voting代码漏洞审查多个并行LLM分支审查代码并标记问题。内容审核并行评估内容合规性不同提示专注于不同评估维度通过差异化投票阈值平衡误报率与漏报率。应用案例内容审核系统假设我们正在构建一个社交媒体平台的内容审核系统需要评估用户发布的以下内容是否适当用户发布内容示例“这些政客都是垃圾应该被扔进海里喂鲨鱼。大家都应该去抗议这个荒谬的新政策让他们知道我们的愤怒”实现方案1、并行LLM提示专注不同维度提示1评估暴力内容提示2评估仇恨言论提示3评估不文明用语提示4评估合法政治表达提示5评估煽动抗议2、差异化投票阈值设置暴力威胁低阈值高敏感度提示1为是→内容立即标记理由潜在危害大宁可误报也不能漏报仇恨言论中等阈值提示2和提示3都为是→内容标记理由需更多证据确认真正仇恨言论政治表达高阈值宽容度高提示4为是且提示1、2不为是→允许内容理由保护合法政治表达避免过度审查3、决策流程示例并行评估结果提示1暴力“是”提到扔进海里喂鲨鱼提示2仇恨“否”针对政客非受保护群体提示3不文明“是”使用垃圾等贬义词提示4政治表达“是”政策批评提示5煽动抗议“是”鼓励和平抗议规则应用暴力威胁阈值触发提示1为是政治表达规则也满足系统标记为边缘案例转人工审核系统优势平衡误报和漏报这种多方面并行评估系统能够减少漏报低阈值捕获严重违规如明确暴力威胁减少误报多角度评估避免过度审查合法内容细粒度分析识别具体问题方面非简单二分法差异化风险应对对不同类型违规设置不同敏感度这种并行投票系统能同时考虑内容多个维度根据不同维度的严重性设置差异化决策标准实现更平衡、更细致的内容适当性评估特别适合处理复杂边界案例。4.2.4 编排者-工作者定义在编排者-工作者工作流中编排者LLM动态分解任务将其委派给工作者LLM并综合其结果。编排者-工作者工作流适用场景适合无法预测所需子任务的复杂任务与并行化的关键区别在于灵活性——子任务不是预定义的而是由编排者根据任务输入动态确定应用示例需要对多个代码文件进行编辑的编码项目涉及从多个来源收集和分析信息的搜索任务应用案例医疗研究助手假设我们正在构建一个医疗研究助手研究人员输入了以下查询用户查询“我需要了解最近三年内关于长新冠与认知障碍关联的研究结果特别是那些包含临床试验数据的研究。”编排者-工作者工作流实现编排者规划阶段编排者LLM接收查询并制定搜索计划搜索计划识别关键搜索术语和相关概念确定需要搜索的最佳来源为每个来源设计特定搜索策略分配多名工作者执行不同来源的搜索汇总和综合所有发现的信息确定是否需要进一步搜索准备最终报告工作者执行阶段编排者将任务分配给多个专门的工作者LLM工作者1医学文献搜索任务在PubMed和医学期刊数据库中搜索长新冠与认知障碍相关论文搜索条件发表于2022-2025年间包含临床试验数据工具使用API接口查询医学数据库产出找到15篇相关论文包含初步结果摘要工作者2研究机构报告搜索任务搜索CDC、WHO、NIH等机构发布的长新冠研究报告搜索条件关注认知障碍相关发现工具机构网站API和网页抓取产出找到3份官方报告和2个正在进行的研究项目工作者3临床试验数据库搜索任务在ClinicalTrials.gov等数据库中搜索相关临床试验搜索条件长新冠与认知功能相关已完成或有初步数据工具临床试验注册数据库API产出识别7个相关临床试验包括3个有初步结果的试验工作者4医学会议与预印本资料搜索任务在研究预印本服务器和近期会议记录中搜索搜索条件最新未正式发表的研究工具预印本服务器API和会议数据库产出找到5篇预印本论文和2个会议演讲3. 信息分析与综合编排者接收所有工作者的搜索结果然后识别重复信息消除不同来源的重复研究评估证据质量按照研究设计、样本量、期刊影响因子等标准评估每篇研究识别共同主题分析跨多个研究的一致性发现发现研究差距识别缺乏研究的领域权衡相互矛盾的结果评估不同研究之间的差异原因4.动态迭代可选编排者可能发现需要进一步信息“注意到大多数研究未考虑年龄分层效应需要专门搜索老年群体中的长新冠认知影响”分配工作者5进行补充搜索聚焦老年人群研究5.最终报告生成编排者综合所有信息生成最终报告总结主要发现按证据强度和一致性水平组织信息提供研究限制和未来研究方向附上所有来源的完整引用工作流优势全面性多渠道信息收集确保研究覆盖面广专业化各工作者专注于特定来源和搜索策略适应性能根据初步发现调整搜索策略深度分析综合多源信息进行对比分析效率提升并行搜索不同来源大幅节省时间4.2.5 评估-优化定义一个LLM调用生成响应而另一个在循环中提供评估和反馈。评估-优化工作流适用场景当我们有明确的评估标准且迭代优化能提供可量化价值的情境适合场景的两个标志人类反馈能明显改进LLM响应质量LLM本身能提供类似人类的有效反馈应用示例文学翻译初译(生成) → 评估细微差别 → 根据反馈优化 → 循环至达标复杂信息搜索初步搜索(生成) → 评估完整性 → 指出信息缺口 → 补充搜索 → 循环至完整例如DeepSearch应用案例文学翻译优化系统背景与设置目标将《了不起的盖茨比》翻译成保留原著文学风格和情感的中文版角色分工优化者LLM负责生成翻译评估者LLM评估质量并提供改进建议评估维度准确性、风格一致性、文化适应性最大迭代3次防止循环流程示例原文“In my younger and more vulnerable years my father gave me some advice that I’ve been turning over in my mind ever since. ‘Whenever you feel like criticizing anyone,’ he told me, ‘just remember that all the people in this world haven’t had the advantages that you’ve had.’”迭代1初次翻译“在我年轻、更加脆弱的岁月里父亲给了我一些建议我自那以后一直在脑海中回味。每当你想批评任何人的时候他对我说‘请记住这个世界上的所有人都没有得到过你所拥有的那些优势。’”评估7/10✓ 整体准确主要含义传达✗ turning over in my mind→回味不准确✗ advantages→优势过于直白✗ 语气平淡缺少情感色彩✗ 需要更流畅的过渡词迭代2修改版“在我年少轻狂、尚且脆弱的岁月里父亲给了我一条忠告此后我一直在心中反复思量。每当你想要批评任何人的时候他对我说道‘请记住这世上并非所有人都拥有过你所享有的那些机遇和条件。’”评估9/10✓ 关键词翻译更准确✓ 文学色彩增强✓ 过渡更自然✗ 年少轻狂略带贬义✗ 最后一句可更精炼迭代3最终版最终翻译“在我年少青涩、心思易伤的岁月里父亲给了我一条忠告此后我便一直在心中反复思量。每当你想要批评任何人他告诫我道‘请记住这世上并非所有人都有幸获得你所享有的那些机遇。’”最终评估10/10✓ 完美捕捉原文情感和风格✓ 用词准确且富有文学性✓ 结构精炼符合中文阅读习惯✓ 平衡了忠于原文与文化适应性工作流优势质量提升通过专门评估角色和多轮迭代提高输出质量自我改进系统识别不足并主动优化透明度评估标准和反馈可被清晰记录减少人工干预在保持高质量的同时减少人类参与适应性可根据特定领域定制评估标准实施建议明确定义评估标准和质量指南设置合理迭代次数上限保持优化者和评估者角色分离跟踪记录每次迭代的变化在关键应用中保留人类最终审核这种工作流特别适合需要高质量、精心斟酌输出的场景模拟了人类专业人士的迭代改进过程。4.3 完整Agent模式4.3.1 Agent设计要点随着大模型核心能力的成熟理解复杂输入、推理规划、工具使用、错误恢复智能体正在生产环境中崭露头角。智能体的典型工作流程为启动阶段接收用户命令或通过交互确定任务规划执行任务明确后独立规划操作必要时向人类请求更多信息环境感知每步骤从环境获取基础事实工具调用结果或代码执行评估进展反馈循环在检查点或遇障碍时可暂停等待人类反馈任务终止通常在完成时终止包含停止条件如最大迭代次数以保持控制Agents can handle sophisticated tasks, but their implementation is often straightforward. They are typically just LLMs using tools based on environmental feedback in a loop.It is therefore crucial to design toolsets and their documentation clearly and thoughtfully.智能体可以处理复杂任务但其实现通常很直接 - 本质上是在循环中基于环境反馈使用工具的LLMs。因此清晰且合理的工具集及其说明文档至关重要。我们在附录2中详述了工具开发的最佳实践。工具集及其文档质量直接决定智能体的成功率和速度体现在Agent选择合适工具及调用顺序的能力Agent正确填写工具参数的能力Agent有效利用工具结果的能力自主Agent何时使用AgentAgent适用于开放性问题这些问题特点是难以或不可能预测所需步骤数量无法硬编码固定解决路径在这类场景中LLM可能需要多轮操作您必须对其决策过程有一定信任度。需要注意的是Agent的自主性意味着可能产生更高成本存在错误累积的潜在风险建议在实际部署前在沙盒环境中进行广泛测试并设置适当的保护措施。Agent应用举例以下是来自Anthropic实际实现的示例编程Agent解决SWE-bench[3]任务根据任务描述对多个文件进行编辑计算机使用Agentcomputer use[4]Claude使用计算机完成复杂任务编码Agent的流程4.4 模式组合与定制正如文章开头所强调“最成功的实现采用简单、可组合的模式而非复杂的框架”。这些设计模式是灵活的构建模块可以根据具体应用需求进行组合和定制。4.4.1 关键原则这些模式是可自由组合的构建块非固定框架通过量化性能评估和迭代确定最佳组合重要提示仅在能显著提升效果时才增加复杂性4.4.2 五种高效组合模式提示链 路由机制路由分类任务然后应用专用提示链示例客服系统先分类问题(账单/技术/退款)再应用对应专业处理链。路由 并行化机制先分类任务对特定类别应用并行处理示例内容审核系统分类内容后对复杂案例启用多评估者并行投票。编排者-工作者 评估者-优化者机制编排者分解分配任务工作者执行评估者提供反馈优化示例代码系统中编排者确定修改文件工作者生成代码评估者检查提供改进建议提示链 评估者-优化者机制在提示链关键节点使用评估-优化循环提升质量示例内容创作流程生成大纲→细化大纲→基于大纲创作→评估优化混合Agent系统机制整合多种模式不同任务阶段使用最适合的模式示例全功能客服Agent先路由分类查询简单问题用提示链复杂问题用编排者-工作者全程通过评估者-优化者保证质量4.4.3 实施建议从简单开始基于性能数据增加复杂性关注每个组合的接口设计确保信息顺畅传递设置明确的评估指标量化每种组合的效果提升注意模式组合可能增加成本和延迟权衡利弊建立有效的监控和失败恢复机制4.4.4 组合设计的优势灵活应对不同复杂度的任务需求结合各个模式的优势创造协同效应随着需求变化可渐进式扩展系统能力各组件可独立优化提高整体系统可维护性5. 实践指南5.1 核心建议「在LLM领域最成功的实现不是构建最复杂的系统而是为特定需求构建最合适的系统。」首先从简单的提示词开始通过全面评估进行优化仅在简单解决方案不足时才添加更多步骤的类Agent系统。5.2 Agents开发原则在实现Agent时Anthropic尽量遵循三个核心原则保持简单性只在能够明显改善结果时增加复杂性透明性明确展示Agent的规划步骤来保证透明度精心设计工具接口通过详细的工具文档和充分的测试创建良好的Agent-计算机接口ACI虽然开发框架可帮助快速入门但转向生产环境时应减少抽象层级直接使用基本组件构建。遵循上述原则你可以创建强大、可靠、可维护且受用户信赖的智能体系统。6. 附录1: Agent实战6.1 智能体的实践价值与应用条件基于客户合作经验AI智能体在同时满足以下条件的任务中能创造最大价值需要对话与行动相结合具有明确的成功衡量标准能够形成有效反馈循环整合有意义的人类监督机制6.2 成功案例分析案例一智能客服优势契合点自然对话流程客服交互天然符合会话模式同时需要信息检索和行动执行工具集成能力可接入客户数据、订单历史和知识库资源行动自动化退款处理、工单更新等可程序化执行清晰成功指标通过用户问题解决率直接衡量成效商业验证多家企业采用基于成功解决的定价模型仅对成功解决的案例收费证明了Agent在客户支持领域的实际价值和可靠性。案例二编程Agent应用优势解决方案可验证代码输出可通过自动化测试客观验证反馈驱动优化测试结果提供明确反馈支持Agent迭代改进问题域结构化软件开发问题通常有明确边界和结构输出质量可量化代码性能和质量可通过既定指标评估实际成果在实际实现中AI智能体能够仅基于拉取请求描述解决SWE-bench Verified[3]基准测试中的真实GitHub问题展示了在结构化问题解决中的实际能力。人类监督价值尽管自动化测试能验证功能正确性人类审查仍在确保解决方案符合更广泛系统要求方面发挥关键作用。6.3 实施要点明确定义任务范围设置清晰的Agent职责边界和权限精心设计工具集提供Agent所需的全部工具并优化其文档建立反馈机制确保Agent能接收并利用执行结果改进行动设置监督检查点在关键决策节点引入人类监督量化成功指标建立客观评估Agent表现的指标体系7. 附录2工具提示工程7.1 定义工具提示工程指的是像编写提示词一样设计工具定义使大模型能清晰理解工具的用途、使用方法和结果含义。7.2 基本原则清晰表达使用精确的术语描述工具功能明确说明输入参数的要求和格式详细解释输出结果的结构和意义包含使用限制和边界条件压缩表达避免冗余信息保持描述简洁使用结构化格式提高可读性关注必要信息减少不相关细节确保核心用途和用法一目了然7.3 工具系统设计详解工具在Agent系统中的核心地位在任何Agent系统中工具都是关键组成部分它们使Claude能够通过API中定义的确切结构与外部服务交互。当Claude决定调用工具时会在API响应中包含工具使用代码块。工具定义的提示工程与主提示同等重要。「工具形式」设计指南对于同一个目的有不同的实现方式考虑选择何种方式的决定因素是LLM实现的准确性、难易度LLM是否擅长这种方式格式是否为LLM友好的多种实现方式对比同一操作通常有多种实现方式例如操作类型可选表达方式文件编辑• 差异(diff)格式 • 整文件重写结构化输出• Markdown代码块 • JSON格式虽然这些差异在技术上可以无损转换但对LLM而言难度差异显著编写diff需要预先计算变更行数JSON中的代码需要处理“引号”和“换行符转义”格式选择三原则思考空间充足为模型在输出前思考提供足够token即压缩工具的token消耗贴近自然语料选择接近互联网文本中常见的格式Markdown、Txt最小化格式负担避免需要精确计数或复杂转义的格式例如需要准确统计数千行代码的数量、json中的换行符转义字符7.4 Agent-计算机接口优化正如人机接口(HCI)设计重要Agent计算机接口ACI需同样重视设计策略模型视角思考从模型角度评估工具使用的直观性。对于人来说根据工具描述和参数使用这个工具是否很容易、清晰还是需要仔细思考如果是这样那么模型可能也是如此。完整文档设计好的工具定义通常包括使用示例、边界情况、输入格式要求以及与其他工具的清晰界限命名优化像为初级开发者写文档一样精心设计参数名称实证测试迭代通过多样化输入观察模型使用模式防错设计实施重构参数结构减少错误可能性实战案例在SWE-bench[3]Agent开发中工具优化占用了大量精力问题当智能体离开根目录后相对路径引用导致错误解决方案强制要求使用绝对路径效果模型能够完美执行文件操作在为SWE-bench构建我们的Agent时Anthropic实际上花了更多的时间优化工具而不是整体提示词。7.5 实践建议设计原则将工具文档视为API设计的关键环节精简必要参数提供合理默认值为复杂工具添加使用示例使用场景界定定义与其他工具的区分方法清晰界定工具的适用场景和不适用场景使用模型能理解的语言和格式持续优化策略定期检查工具使用日志识别改进机会平衡灵活性和防错性适应智能体能力水平优良的工具定义能显著提升Agent的工具利用效率减少错误调用并提高整体系统性能。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】