企业官网建设流程全解析

本文探讨了Agent在接入大量工具后可能出现的问题，如选错工具、参数乱填等，并提出了相应的工程解法。核心在于通过优化工具描述、按需发现工具、分层路由以及上下文治理来减少模型的选择压力，从而提升Agent的稳定性和准确性。文章还提供了一个可直接运行的Python Demo，帮助读者理解和实践这些方法。

导读： 给 Agent 接了几十个工具，它反而开始选错、参数乱填、该调不调？
这篇把背后的原因和工程解法掰开讲，最后还有一个可直接运行的 Python Demo。零基础友好，面试也能直接用。

现在做 Agent，很容易掉进一个误区：能接的工具，统统接上。

查订单、查物流、发消息、读文档、跑 SQL、改配置、重启服务……工具看起来无所不能，上线后却开始犯迷糊：该查物流时查订单，该验证数据时挑到会改数据的工具，有时干脆不调。

很多人的第一反应是：“模型不够聪明，换个更大的。”但更多时候，是工具工程把一道本来简单的选择题，硬生生变成了上百项单选题。

判断很明确：工具多了以后，第一反应不该是换更大的模型，而该先问一句——这一轮任务里，模型真的需要看见这么多工具吗？

后面的工具描述、路由、权限和检索，说到底都在解决这一个问题：让模型看到的候选项足够少，也足够对。

一、工具多了，Agent 到底是怎么“变笨”的？

先讲一个为了说明问题而简化的虚构场景。

小明做了一个数据质量审核 Agent。刚上线时只有几个工具：读规则、检查格式、生成报告。它跑得挺稳，小明甚至已经开始畅想“这下可以准点下班了”。

三个月后，工具逐渐涨到一百多个：导入数据、迁移数据、回滚、抽样、验证、写报告……某次用户说“验证这批数据能不能上线”，Agent 本该选择run_test，却选中了run_etl。

不是因为run_etl名字更酷，而是两个工具的说明都写成了“执行数据处理操作”。模型在一大堆相似说明里没分清。

这不是模型突然坏掉了。

是小明把一百多把长得差不多的钥匙倒在桌上，再要求模型闭着眼找到“开这扇门”的那一把。

💡 一句话定义：所谓“工具多导致模型降智”，本质是 Agent 在工具发现、工具选择、参数填写、工具执行和结果回填这条链路上，可靠性一起下降了。

1.1 工具 Schema 会挤占上下文

先解释一个词：Schema（模式定义），就是工具交给模型看的“使用说明书”。

它通常会告诉模型：工具叫什么、什么时候用、需要哪些参数、参数是什么类型、返回什么结果。Function Calling、MCP 工具和普通 API 包装出来的函数，背后都有类似的说明。

一个工具的说明不长，几十个、几百个工具叠起来却会占满上下文。模型还没看到用户问题，眼前先铺满了工具名、描述和 JSON 参数。

就像菜单从 8 道菜翻到 80 页，而且全叫“特色炒饭”“至尊炒饭”“经典炒饭”，选起来必然变难。模型能理解语义，却不保证在超大候选集里始终稳定地完成精确分类。

1.2 相似工具会让选择边界变模糊

下面这几个工具，看起来是不是有点像？

get_user get_customer search_user query_customer find_account

如果它们的描述都是“查询用户信息”，模型怎么知道哪一个能按手机号找、哪一个只能按 ID 找、哪一个查的是内部员工、哪一个查的是 CRM 客户？

模型不是读心术大师。你不写边界，它就只能猜。

而猜，在低风险问答里也许只是答错一句话；在工具调用里，可能就是调用错接口、填错参数，甚至执行不该执行的动作。

1.3 选对工具，不等于参数也能填对

工具调用不是“选中图标”就结束了。

比如模型选对了update_shipping_address，还要知道：订单号是不是必填？地址是完整字符串，还是省市区拆开的对象？是否允许修改已发货订单？

如果参数描述空空如也，或者把一堆可选参数都标成必填，模型很可能选择放弃调用，或者硬编一个看似合理、实际不存在的值。

工具选错和参数填错经常一起出现：前者说明候选边界不清，后者说明 Schema 没把调用条件交代完整。

1.4 工具结果也会反过来污染上下文

还有一个容易忽略的坑：工具返回结果。

如果查询工具返回 1,000 条完整订单 JSON，Agent 却只想回答“最近一笔订单到哪了”，就不该把这坨结果原样塞回上下文。

上下文不是日志仓库。 模型需要的是下一步决策所需的证据，不是所有原始数据。

模型不该在工具海里找答案，工程应该先把正确选项递到它手上。

二、第一道防线：把工具说明写成“决策契约”

很多人把description当代码注释写：能看懂这个函数“做什么”就行。

但模型在调用前还要回答两个问题：什么时候该选它，什么时候不该选它。工具描述把这两个边界交代清楚，才算是能帮助模型决策的说明。

2.1 差的描述，等于没描述

这是很常见的写法：

{ "name": "search_orders", "description": "搜索订单" }

人类开发者大概能猜到用途，但模型还缺一堆关键信息：按什么搜索？返回几条？查详情能不能用它？会不会修改数据？

把它改成这样：

{ "name": "search_orders", "description": "按订单号、用户 ID 或时间段检索订单列表。适合查询订单去向或订单列表；若已知订单号且需要完整字段，请使用 get_order_detail。返回最多 50 条记录，不执行修改操作。" }

这段话多做了四件事：

尤其是“互斥边界”，真的很重要。

相似工具也一样：不只要写“我能做什么”，还要写清楚“什么情况请去隔壁”。

2.2 参数也要写说明，别让模型猜

工具名和描述写好了，参数也不能放任 JSON Schema 自动生成。

下面两种写法，效果可差远了：

{ "order_id": { "type": "string" } }

{ "order_id": { "type": "string", "description": "要查询的订单号，格式如 ORD-2026-000123。没有订单号时，先调用 search_orders；不要填用户名或物流单号。" } }

第二种不只是“更详细”，它实际上给了模型一条操作路线：缺订单号时先搜索；拿到订单号后再查详情；不要把别的标识塞进去。

枚举参数尤其要写清楚合法值和含义。例如status是pending、paid、shipped还是中文“待付款”？如果不说，模型只能面向报错编程。

2.3 命名规范，是最低成本的准确率优化

还有一种很朴素但高效的办法：统一命名。

如果同一件事一会儿叫get_user，一会儿叫fetch_customer，一会儿又叫query_member，模型会被迫猜你的团队历史包袱。

统一的动词和名词，相当于给工具目录贴上整齐的货架标签。模型从训练中见过大量 SDK、REST API 和代码命名模式，一致性会让它更容易理解你的意图。

不太喜欢把工具描述写成产品说明书：一大段功能、接口、字段，看起来很全，模型却还是不知道该不该调用。

对 Agent 来说，最值钱的不是“它能做什么”，而是“什么情况下非它不可，什么情况下千万别找它”。

这也是为什么描述里要同时放触发条件、互斥边界和参数约束：前两项帮模型选工具，后一项防止选对之后又把参数填错。

三、真正的解法：别把全部工具一次性塞给模型

把工具描述写好，能解决一部分问题；但如果工具池已经很大，只靠把description写得更长，反而会让上下文更胖。

核心思路只有一句：先缩小候选集，再让模型做判断。

这里先别急着上 L1/L2/L3，更别一看到“工具检索”就去建向量库。

如果run_test和run_etl的描述还写得像双胞胎，先把工具边界写清楚；目录没整理好，检索只会更快地把错工具找出来。

3.1 按这个顺序落地，别一次把架构搭满

• 工具不多、边界清楚：先全量注入，重点把名称和 Schema 写清楚；
• 工具开始跨领域或多轮对话：再做角色/状态驱动的动态裁剪；
• 长尾工具明显增多：最后增加 L3 检索和 Top-K 注入；
• 涉及修改、支付、权限、迁移：无论工具多少，先做确定性权限过滤。

不要迷信一个固定数字，比如“超过 20 个工具一定会坏”。工具可见数量会受到模型能力、Schema 长度、任务难度、工具相似度和上下文长度影响。十几个到二十几个工具更适合作为一个压测信号：到了这个量级，就应该开始测 Token、准确率和延迟，考虑分层，而不是把它当成数学定理。

3.2 L1 / L2 / L3：给工具也做“缓存分层”

计算机里有 L1/L2/L3 Cache：最常用的数据离 CPU 最近，冷门数据放远一点，需要时再拿。

Agent 的工具也可以这么管。

L1/L2/L3 听起来完整，但别一上来就照着搭。工具只有 8 个、边界也清楚时，全量注入完全没问题；硬塞三层路由，只会多一套更难排查的配置。

用户请求 ↓ 代码侧角色 / 权限过滤 ↓ L1 核心工具 + L2 当前领域工具 ↓（仍有候选容量时） 从 L3 冷门工具检索 Top-K ↓ 主模型只看到这一小组工具 ↓ 参数校验 → 策略确认 → 执行 → 结构化结果回填

• L1 核心层：每轮几乎都需要的低风险只读能力，比如读取当前用户、读取公开规则。
• L2 领域层：根据角色、业务域或对话阶段注入，比如客服看订单/售后，运维看日志/发布。
• L3 专用层：低频、长尾、跨域的工具，存到工具目录里，需要时检索 Top-K 后临时注入。

3.3 Router 的工作，是“找范围”，不是替主模型包打天下

所谓 Tool Router（工具路由器），就是在主模型看到工具前，先判断“工具大概在哪个抽屉”。

Router 不一定非要再用一个大模型。不同场景可以用不同办法：

• 业务规则很清楚：用关键词或路由表；
• 用户表达比较口语：用轻量模型或向量检索；
• 工具名字很规范：工具名、描述、领域标签做加权匹配；
• 高风险操作：先走权限和策略规则，不能靠模型自由发挥。

举个例子。用户说“验证数据格式”，QA Agent 应该只看到run_test；run_etl即使功能再强，也不应该出现在它的候选集里。

这属于代码层的访问控制。让 QA Agent 从候选集中就看不到run_etl，比“它看见了，但希望它不要调用”可靠得多。

3.4 先过滤权限，再谈“模型会不会选错”

涉及退款、发邮件、修改权限、迁移数据等工具时，不能因为模型“选中了”就立刻执行。

正确链路应该是：

模型可以判断用户想做什么，但是否允许执行仍应由权限和策略系统决定。涉及退款、迁移、改权限这类动作时，先校验身份、资源范围和审批状态，再让调用真正落地。

3.5 工具返回要“瘦身”，失败工具要“暂时下架”

工具调用后的结果，也需要治理。

对于大结果：只保留后续推理需要的字段；默认分页；长内容做结构化摘要；原始内容保存到外部存储，用result_id引用。比如模型只需要订单状态，就没必要把 100 条订单的完整地址、商品明细和操作日志都喂回去。

对于连续失败的工具，可以使用工具级熔断器：某个工具连续报错，就暂时把它从可见列表里移除，等恢复期过去再试一次。这样可以避免 Agent 对着同一个故障接口无限重试，徒增 Token 消耗，也让后续上下文越来越乱。

本文 Demo 不实现真实并发熔断器——它涉及状态存储、线程安全、超时和监控，属于生产工程。这里先记住一点：熔断的是故障工具，不该是整个 Agent。

工具池可以继续扩张，但每一轮真正放进模型上下文的候选项，应该随着当前任务收敛。

四、实战：用 Python 写一个最小 ToolRegistry

理论聊完，咱们来写个能跑的版本。

先说明边界：下面是一个教学 Demo。它不会访问网络、不会连数据库、不会执行迁移或修改数据；它只模拟“哪些工具对某个角色可见”和“怎样从冷门工具中找出候选项”。

真实生产系统还会有向量检索、权限中心、策略引擎、监控、缓存、熔断器等组件。但小白先把这条主线跑通，就够了。

4.1 这个 Demo 会做什么？

下面代码做三件事：

1. 1. 注册 L1、L2、L3 三层工具；

2. 2. 根据角色过滤工具，保证 QA 看不到数据迁移工具；

3. 3. 根据查询“查看物流状态”，从 L3 冷门工具里召回track_shipment。

它会验证三个结果：

QA 可见工具中包含 run_test，不包含 run_etl Data 可见工具中包含 run_etl，不包含 run_test 查询“查看物流状态”能从 L3 召回 track_shipment

4.2 把分层、角色和检索写进代码

from __future__ import annotations from dataclasses import dataclass import re # ----------------------------------------------- # 🔧 【按你的环境修改这里】 # ----------------------------------------------- # 最大可见工具数：教学 Demo 用 8。 # 生产环境应通过自己的评测集、Token 和延迟数据决定，不要照抄这个数字。 MAX_VISIBLE_TOOLS = 8 # L3 冷门工具每次最多补充几个候选，避免重新把上下文塞满。 L3_MAX_RESULTS = 3 # ----------------------------------------------- @dataclass(frozen=True) class Tool: """工具目录中的一项元数据；本 Demo 不执行任何真实工具。""" name: str description: str domain: str roles: frozenset[str] tier: str # 只能是 l1、l2、l3 class ToolRegistry: """按角色加载工具，并从 L3 工具中做一个简化的关键词召回。""" def __init__(self) -> None: self._tools: list[Tool] = [] def register(self, tool: Tool) -> None: """注册工具时限制层级，避免拼写错误悄悄混进生产目录。""" if tool.tier not in {"l1", "l2", "l3"}: raise ValueError("tier 必须是 l1、l2 或 l3") self._tools.append(tool) @staticmethod def _tokens(text: str) -> set[str]: """把英文标识符和中文词组拆成便于比较的 token。""" raw_tokens = re.findall(r"[a-z0-9_]+|[/u4e00-/u9fff]+", text.lower()) tokens: set[str] = set() for token in raw_tokens description_matches = len(query_tokens & description_tokens) domain_matches = len(query_tokens & domain_tokens) # 这是易读的教学权重，不是放之四海而皆准的生产参数。 return name_matches * 4 + description_matches * 2 + domain_matches def get_active_tools(self, role: str, query: str = "") -> list[Tool]: """先做角色过滤，再取 L1/L2，最后按需补充 L3 Top-K。""" accessible = [tool for tool in self._tools if role in tool.roles] # L1 核心能力和当前角色的 L2 领域能力优先常驻。 active = [tool for tool in accessible if tool.tier in {"l1", "l2"}] active.sort(key=lambda tool: (tool.tier, tool.name)) remaining = MAX_VISIBLE_TOOLS - len(active) if not query or remaining <= 0: return active[:MAX_VISIBLE_TOOLS] query_tokens = self._tokens(query) l3_candidates = [tool for tool in accessible if tool.tier == "l3"] ranked_l3 = sorted( l3_candidates, key=lambda tool: (-self._score(tool, query_tokens), tool.name), ) # 分数为 0 的工具不注入，避免“为了凑数”重新制造噪音。 matched_l3 = [tool for tool in ranked_l3 if self._score(tool, query_tokens) > 0] return active + matched_l3[: min(remaining, L3_MAX_RESULTS)] def tool_names(tools: list[Tool]) -> list[str]: """只打印名称，避免 Demo 被工具的长描述淹没。""" return [tool.name for tool in tools] registry = ToolRegistry() # L1：所有相关角色都可读取的低风险规则工具。 registry.register( Tool( name="read_policy", description="读取当前数据审核规则，只读，不修改任何数据。", domain="governance", roles=frozenset({"qa", "data"}), tier="l1", ) ) # L2：同名相近的能力按角色隔离。QA 根本看不到 run_etl。 registry.register( Tool( name="run_test", description="验证数据格式、空值和字段约束；只生成测试报告。", domain="quality", roles=frozenset({"qa"}), tier="l2", ) ) registry.register( Tool( name="run_etl", description="执行已审批的数据抽取、转换和加载任务；会改变目标数据。", domain="pipeline", roles=frozenset({"data"}), tier="l2", ) ) # L3：低频工具只有在查询相关时才被召回。 registry.register( Tool( name="track_shipment", description="查看物流状态、快递位置和预计送达时间。", domain="logistics", roles=frozenset({"qa", "support"}), tier="l3", ) ) registry.register( Tool( name="generate_audit_report", description="生成数据质量审核报告和问题汇总。", domain="quality", roles=frozenset({"qa"}), tier="l3", ) ) qa_tools = registry.get_active_tools(role="qa", query="查看物流状态") data_tools = registry.get_active_tools(role="data") qa_names = tool_names(qa_tools) data_names = tool_names(data_tools) print("QA 角色：", qa_names) print("Data 角色：", data_names) # 这些断言是最小验收：隔离边界和 L3 检索都真的生效。 assert "run_test" in qa_names assert "run_etl" not in qa_names assert "track_shipment" in qa_names assert "run_etl" in data_names assert "run_test" not in data_names print("角色隔离验证通过，冷门工具召回验证通过。")

运行后，你应该看到类似输出：

QA 角色： ['read_policy', 'run_test', 'track_shipment'] Data 角色： ['read_policy', 'run_etl'] 角色隔离验证通过，冷门工具召回验证通过。

注意run_etl为什么没有出现在 QA 的列表里？不是模型“足够听话”，而是roles=frozenset({"data"})在代码层就把它过滤掉了。

这就是工程护栏该干的活：不要等模型选错后才补救，而是让它从一开始就没有选错的机会。

4.3 这个检索器为什么没有直接上向量数据库？

你可能会问：不是都说 Agent 要用向量检索吗？这里为什么只做了关键词加权？

我个人会先上关键词、领域标签和描述匹配。不是向量检索不好，而是工具名本身往往就是半个 API 地址。

比如用户说“重启 Pod”，restart_pod比语义上相近的restart_service更值得优先命中。工具调用有副作用时，模糊匹配太积极，反而容易惹事。等用户表达更口语、跨语言或同义词更多时，再引入 Embedding（把文本变成语义向量）召回和重排。

五、上线后怎么评估？面试时又该怎么答？

工具治理做完，别凭“感觉好像变聪明了”就宣布成功。

Agent 的问题必须拆开量。否则用户说“它没办成事”，你只会看到一个模糊的失败，却不知道是没找对工具、选错工具、参数错了，还是下游接口挂了。

5.1 用一条漏斗定位问题

Recall@K就是：正确答案有没有出现在前 K 个候选里。

没召回，先查 Router；召回后仍选错，查工具描述和相似工具边界；工具对了参数却错，再查 Schema 和参数示例。

5.2 评测集别只放“标准答案题”

小明最开始的评测集只有这种问题：“查询订单 ORD-001”。模型当然答得很好，因为答案太明显。

上线后用户会说：“我那个昨天买的东西到哪了？”“帮我把客户升个级”“这个单能不能撤一下？”这些才是真实世界。

一个有用的工具评测集，至少要有：

• 历史上真正失败过的调用；
• 最容易混淆的工具对，比如search_orders和get_order_detail；
• 模糊、口语、缺参数的用户表达；
• 权限不足或高风险动作应当被拒绝/确认的场景；
• 正常路径、工具超时、工具返回空结果等异常路径。

对比“全量工具注入”和“Top-K 工具注入”时，同时记录成功率、平均 Token、调用次数、P95 延迟和误调用率。这样才能分清：是 Router 漏掉了正确工具，还是候选收窄后模型确实选得更准。

5.3 面试 30 秒版：可以直接说

我不会把所有工具一次性暴露给 Agent。工具多后，Schema 会占用上下文，相似工具会增加选择和参数填写错误，工具结果过长还会污染后续推理。我的做法是按需发现：先用角色、权限和业务域做确定性过滤，再通过路由或检索召回 Top-K 工具，只把小而相关的候选集交给主模型。同时治理工具描述、参数 Schema 和返回结果，并用召回率、工具选择正确率、参数正确率、端到端成功率、Token 和延迟做分层评估。高风险操作永远不能只靠模型决定。

这段的关键词可以记成四个：按需发现、分层路由、上下文治理、可观测评估。

5.4 面试 2 分钟版：按这个顺序往下补

如果面试官继续追问，就按这个顺序往下补：

1. 1. 先讲工具目录：名称、描述、参数和相似工具的边界；

2. 2. 再讲候选集：角色过滤、动态裁剪、L1/L2/L3 和 Top-K；

3. 3. 接着讲执行安全：返回结果裁剪、权限校验、风险确认和失败工具熔断；

4. 4. 最后讲怎么验证：Recall@K、选择正确率、参数校验、任务成功率、Token、延迟和安全拦截。

口播时可以这样接：我会先把工具本身整理清楚，再按角色和当前任务收敛候选集。模型只负责在小集合里理解意图和填参数；结果怎么回填、动作能不能执行、失败后怎么止损，都交给确定性的工程机制。最后用漏斗指标看问题卡在哪一层。这样比单纯调 Prompt 或换模型更容易定位和迭代。

5.5 追问：Router 也选错，怎么办？

这是个好问题。Router 当然也可能错，毕竟它也是系统的一环。

处理方式不是“再套十层 Router”，而是：

1. 1. 优先 Top-K，不要一上来硬选 Top-1。 Router 负责召回，主模型在小候选集里做最终判断；

2. 2. 低置信度时澄清。 用户说“帮我处理一下那个单”，缺什么就问什么，别瞎猜；

3. 3. 记录错误轨迹。 看看是关键词没覆盖、描述太像、领域标错，还是工具本身设计重复；

4. 4. 给高风险动作单独上锁。 即使 Router、模型都判断要执行，权限和策略仍然要最后把关；

5. 5. 持续回归测试。 每新增一个工具，都拿相似工具对和历史失败样本重跑一遍。

Router 不需要永远正确；关键是它漏召回、选偏或遇到模糊请求时，系统能扩大候选、主动澄清，且不会越过权限边界执行高风险动作。

写在最后

给 Agent 加工具，就像给新同事配权限和工具箱。工具当然要齐，但你不会把仓库钥匙、生产开关和所有工具一股脑塞给他，再说“你自己看着办”。

工具库里可以有几百个能力，但用户来问“查物流”时，模型面前最好只剩物流相关的那几个。这个候选集是怎么收敛出来的，才是 Agent 工程真正该花心思的地方。

把确定性交给工程，把有限候选内的理解和选择交给模型。

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】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、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！

2、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。

3、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。

4、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。

5、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。

适用人群

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】