一直以来都很少有人把“怎么从零做出一个 AI Agent”这件事真正整理成一套谁都能看懂、照着就能上手的完整教程。如果你愿意花一点时间读完这篇文章今天就有机会把自己的第一个 Agent 做出来而且是一个真正对你有用的 Agent。因为为了“做 Agent 而做 Agent”没有意义重点是它到底能替你解决什么问题。所以作者做了什么他把来自 Anthropic、OpenAI以及网上其他研究者和实战者的零散资料全部收拢起来再结合自己和 Claude 一起整理的理解拼成了一份给普通人看的完整入门课。目标很明确不是讲概念炫技而是让你今天就能开始做。这篇文章很长但结构非常清楚。为了方便你跳着读作者把全文拆成了 8 个部分每一部分都配了插图你可以直接挑自己最关心的部分开始看Agent 是怎么工作的五种工作流如何搭建你的 Agent怎么使用工具怎么给 Agent 加记忆怎么让 Agent 真正在现实里跑起来多 Agent最后的收束好直接开始。1AGENT 是怎么工作的这一部分很重要。你要是连这个都不知道就根本不知道自己到底需不需要 Agent。所以先从这里讲起。所有 Agent 共用的核心循环是这样的用户输入 → LLM 思考 → LLM 决定直接回答或者调用工具→ 如果调用了工具执行工具把结果喂回去 → 重复LLM 是负责推理的“大脑”。工具是负责干活的“双手”比如计算器、网页搜索、文件读写。记忆则像一个“记事本”用来记录前面发生过什么。无论你用的是 LangGraph、CrewAI、Anthropic 的 SDK还是 OpenAI 的 Agents SDK本质上都只是把这个循环包装得更方便而已它们没有改变这个核心。增强型 LLM普通 LLM 只能吃进文本再吐出文本。增强型 LLM 则多了三种能力工具模型可以调用的函数比如计算器、数据库、API、文件操作等。Anthropic 和 OpenAI 都用 JSON Schema 来描述工具Anthropic 用的是input_schemaOpenAI 则把函数包在带parameters的 function object 里。检索能从外部来源拉取相关信息比如搜索引擎、文档、向量数据库。记忆能通过消息历史或者其他持久化存储在多轮交互中保留信息。工作流和真正的 Agent 有什么区别这两者的区别在你决定怎么做的时候非常关键。工作流是确定性的执行顺序由你的代码控制同样的输入总会走同样的路径。它很适合步骤固定、定义明确的任务而且更便宜因为 LLM 调用次数更少。Agent 则是动态的下一步怎么做由 LLM 自己决定它还可能反复调用工具。它更适合开放型任务但成本也更高。对你来说判断要不要做 Agent最好的起点通常不是直接上 Agent而是先从一个简单工作流开始看看这个东西是否真的有必要继续升级成自治 Agent。2五种核心工作流模式信不信由你大多数问题其实根本不需要“完全自治”的 Agent。Anthropic 文档里总结的这五种模式已经覆盖了很多常见场景而且现在也被广泛采用。每一种模式都依赖增强型 LLM。模式 1提示链Prompt Chaining它是什么把任务拆成一连串顺序步骤。每一次 LLM 调用都处理前一步的输出。步骤之间可以加程序化“关卡”来检查质量。什么时候用适合那些能清楚拆成固定子任务的工作。你用速度换准确率因为每一次 LLM 调用都更简单。例子先生成营销文案再把它翻译出来先写大纲确认关键话题都覆盖了再写完整正文。模式 2路由Routing它是什么先给输入做分类再把它送到对应的专用处理器。每个处理器都有自己专门优化过的提示词。什么时候用当不同类别的输入需要完全不同的处理方式时。客服分流就是最经典的例子。模式 3并行化Parallelisation它是什么同时发起多次 LLM 调用。Sectioning 是把任务切成互不依赖的小块并行处理Voting 则是让同一个任务跑多次再把结果汇总以提高置信度。什么时候用当子任务彼此独立时用 Sectioning当你需要对关键判断做“集体表决”时用 Voting。模式 4协调者-执行者Orchestrator-workers它是什么一个中心 LLM也就是协调者动态拆解任务再把子任务分配给执行者 LLM。和并行化不同的是这里的子任务不是你预先写死的而是协调者在运行时决定。什么时候用适合那些你事先没法预测结构的复杂任务比如跨多个文件的代码生成、研究任务、写报告等。模式 5评估者-优化者Evaluator-optimiser它是什么一个 LLM 先生成结果另一个来评估并给反馈。如果评估不过关反馈会回流给前者。这个循环会一直继续直到质量达标。什么时候用当你有明确的评判标准而且反复迭代确实能带来明显提升时比如翻译、代码生成和写作任务。3搭建你的 Agent这才是你点开这篇文章真正想看的部分。开始吧。那到底怎么把“我想做一个能完成 XYZ 的 Agent”变成一个真正能跑的东西最容易理解的方法就是把它的工作写清楚决定它需要哪些工具告诉模型该怎么表现用 5 个真实例子测试它只有在它失败时再增加复杂度你不需要先精通五种框架才能做出第一个 Agent。对我和你来说最适合入门的其实就是如果你想做一个像“能操作环境的助手”那样的 Agent能用工具、文件、Shell 命令、网页动作而且很适合写代码那就选 Anthropic如果你想要一个更干净的开发者 SDK自带托管工具、任务交接、护栏而且更容易走向生产环境那就选 OpenAI这篇指南主要就围绕这两个来讲。最简单的心智模型当你要搭建 Agent 时先回答这四个问题最终结果是什么这个 Agent 最后到底要产出什么例子“研究一个主题并写一份总结”“读取我的笔记并把它们变成抽认卡”“看客服请求并把它们分到正确的类别”“比较几个产品并告诉我最好的选择”“审阅我的内容并按我的语气重写”它需要什么信息它需要网页搜索、文件、数据库、表格、CRM还是只需要用户当前发来的消息它被允许做什么动作它只能回答还是可以搜索可以改文件可以发邮件可以写代码可以调用你自己写的函数它必须遵守哪些规则包括语气、格式、约束、安全规则、不确定时怎么处理以及什么样才算“好”。只要你能把这四个问题答清楚通常一天之内就能做出第一个版本的 Agent。一个稍后会展开的速成技巧把你的想法直接丢给 LLM让它深度思考然后让它替你把上面这四个问题都答出来。在真正动手之前先用 AI 帮你把 Agent 设计清楚一个很实用的办法是编码之前先让 Claude 或 ChatGPT 帮你把 Agent 定义清楚。你可以直接贴这样的提示词我想做一个 AI Agent。我的目标[描述你想让它做什么]用户会这样提问[写 5 个真实一点的例子]这个 Agent 应该能访问[网页搜索 / 文件 / 计算器 / 自定义 API / 其他都不要]它必须始终[列出不能妥协的规则]它绝不能[列出边界]请把这些整理成1. 一份清晰的 Agent 规格说明2. 一段 system prompt3. 一份工具清单4. 第一版路线图5. 10 个测试用例这一个提示词就足以帮初学者把一个模糊想法变成可以真正落地的方案。一套适合新手的 Agent 设计公式每次都用这个结构Agent 角色 目标 工具 规则 输出格式例子角色加密项目研究助手目标找到准确的信息并把它清楚总结出来工具网页搜索、文件搜索、计算器规则要给出处不要乱猜遇到不确定的地方要标出来输出格式总结、风险、机会、最终结论这就是大多数实用 Agent 的地基。先从下面这五类新手 Agent 里选一种开始如果你是新手不要一上来就做多 Agent 群体系统。先从下面这五种之一开始研究型 Agent适合你想让 Agent 去收集信息再做总结。例子“研究一下脚踝扭伤最好的康复训练”“查一下某个加密协议的最新进展”“比较三台笔记本电脑”需要网页搜索如果你想让它用你的文档再加文件搜索清晰的输出格式内容型 Agent适合你想让 Agent 写作、改写、总结或者转换内容形式。例子“把我的笔记整理成一封 newsletter”“按我的品牌语气重写这段文字”“总结这份会议纪要”需要通常只要一个强一点的 system prompt可选的文件访问你偏好风格的示例流程型 Agent适合你想让 Agent 跑一个可重复的业务流程。例子“给客服工单分类”“把线索分配到正确类别”“检查表单提交内容并生成回复草稿”需要清晰的分类规则有时还需要自定义工具或 API 调用个人知识 Agent适合你想让 Agent 只基于你的文档来回答问题。例子“只用我的 PDF 来回答”“搜索我的笔记并解释这个主题”“找出所有提到这个客户的地方”需要文件搜索或 RAG明确要求它必须基于提供的材料不要乱发挥操作型 Agent适合你想让 Agent 在某个环境里真正采取动作。例子“读这些文件并修改它们”“上网搜索整理结果再保存成报告”“运行 Shell 命令帮我调试代码”需要工具权限强边界的安全规则Anthropic怎么理解“做出第一个 Agent”这件事如果你希望模型会用工具、能在环境里操作那 Anthropic 的 Agent 工具链会特别顺手。Claude Code 在 2025 年 2 月发布之后 Claude Code SDK 又在 2025 年 9 月改名为 Claude Agent SDK。到 2026 年 3 月GitHub 上列出的当前版本是 v0.1.50。什么时候 Anthropic 是个好选择如果你想做一个这样的 Agent就优先选 Anthropic能读、写、改文件能用 Shell 命令能搜索网页能使用 MCP 工具很适合编码和技术任务用起来像一个会一步一步操作的能干助手你在 Anthropic 里实际上在做什么站在入门角度事情其实只有三步给 Claude 一个工作给 Claude 一些工具让 Claude 循环下去直到任务完成就这么简单。新手例子一个“研究并总结”的 Agent假设你想要的是“一个能帮我研究某个主题并写出清晰报告的 Agent。”那你的搭建方案会像这样角色高级研究助理目标找到准确的信息并把它清楚总结出来工具网页搜索也许再加文件访问规则引用来源不确定就明说保持简洁输出要点总结 关键风险 结论它就可以变成你的 system promptSYSTEM_PROMPT You are a careful research assistant.Your job is to help the user research topics accurately.Use tools when needed.Do not guess.If information is uncertain or incomplete, say so clearly.Always produce:1. Summary2. Key findings3. Risks or uncertainty4. Final conclusion现在用户就可以问“研究一下最新的 AI Agent SDK”“比较一下 Anthropic 和 OpenAI哪个更适合新手做 Agent”“找 3 个强来源并总结一下”这已经是一个真正能用的 Agent 了。新手例子一个基于文件的写作 Agent也许你想做的是“读取我的笔记然后按我的语气把它改写成一篇干净的文章。”那你的设计就会变成角色写作助手目标把粗糙笔记打磨成成稿工具文件读取也许再加文件写入规则保留原意提升清晰度匹配语气输出最终文章 可选标题建议这就比一个模糊的“内容型 Agent”容易做得多。在开始做 Anthropic Agent 之前你应该先问 AI 什么让 LLM 帮你把方案定义清楚帮我设计一个 Anthropic Agent。我的目标是[goal]我希望这个 Agent 能够[list actions]我希望它使用这些工具[list tools]我希望最后输出长这样[format]请给我1. 一段强一点的 system prompt2. 一份最小工具清单3. 一个第一版 Python 示例4. 10 个测试提示词5. 提高可靠性的建议通常这一个提示词就能帮你把 80% 的工作先做出来。OpenAI怎么理解“做出第一个 Agent”这件事OpenAI 在 2025 年 3 月 11 日发布了 Agents SDK同时还发布了 Responses API 和内建工具比如网页搜索、文件搜索、电脑操作。到 2026 年 3 月Python 包openai-agents的版本是 0.13.1。什么时候 OpenAI 是个好选择如果你想要下面这些东西就优先选 OpenAI一个非常干净的 Agent API很容易接入自定义函数工具自带托管工具专家 Agent 之间的任务交接护栏和追踪从原型走向生产更顺的路径你在 OpenAI 里实际上在做什么站在入门角度这套东西其实也只有几步创建一个 Agent给它说明如果需要再加工具用真实用户请求去跑它就是这样。新手例子一个客服分流 Agent假设你的目标是“读取传入的客服请求然后判断它属于账单、技术还是销售。”那它会变成角色客服分流助手目标正确给请求分类工具先不需要后面也许可以接 CRM 工具规则只能选一个类别简短解释原因输出类别 原因代码大概会像这样from agents import Agent, Runneragent Agent( nameSupport Triage Agent, instructions\\\You classify customer requests.Choose exactly one category:- billing- technical- salesReply with:1. Category2. One sentence explaining why\\\,)result Runner.run_sync(agent,I was charged twice for my subscription this month.)print(result.final_output)这已经是一个有实际用途的 Agent 了。新手例子加一个自定义工具现在假设你还想让它“在需要的时候帮用户做计算。”from agents import Agent, Runner, function_toolfunction_tooldefcalculate(expression:str)-str:import math allowed {k: v for k, v in math.__dict__.items()ifnot k.startswith(__)}returnstr(eval(expression,{__builtins__:{}}, allowed))agent Agent( nameMath Helper, instructionsHelp the user solve maths problems. Use the calculator tool when needed., tools[calculate],)result Runner.run_sync(agent,What is compound growth on 10000 at 5 percent for 8 years?)print(result.final_output)这样一来Agent 就不只是聊天了它会通过工具去真正采取动作。新手例子使用托管工具OpenAI Agents SDK 也支持托管工具比如网页搜索、文件搜索和代码解释器SDK 文档里有对应的辅助函数。对新手来说你可以把这些理解成“预制能力”直接挂到 Agent 上就行不用你自己从头写。这意味着你可以做出这样的 Agent“去网上研究这个主题再总结给我”“搜索我的文件然后基于文件回答”“运行代码来分析这些数据”在开始做 OpenAI Agent 之前你应该先问 LLM 什么帮我设计一个 OpenAI Agent。我的目标[goal]我想让它处理的任务[list tasks]我觉得它需要这些工具[list tools]输出应该长这样[format]请给我1. 一段清晰的 Agent 指令2. 最简单的第一版3. 如果需要工具再给一个带工具的版本4. 10 个测试提示词5. 常见失败模式以及怎么修怎么把你的 Agent 真正定制成你想要的样子这是新手最容易翻车的地方。很多人做出来的不是“具体 Agent”而是一个泛泛的通用助手。用这个检查清单。把工作范围缩窄差的写法“帮我处理一些业务相关的事”好的写法“把销售电话总结成行动点”“把线索分成热、温、冷”“研究加密项目输出风险、催化因素和结论”定义输出格式差的写法“给我一个答案”好的写法“返回总结、证据、风险、下一步”“返回 JSON字段包括 category、confidence、explanation”“按 5 个标题输出项目符号列表”给例子如果你在意语气、结构或者分类质量例子会非常有帮助。你可以直接告诉模型“这里有 3 个好的输出示例”“这里有 5 个请求分类示例”“就按这个风格写”只在真的需要时再加工具如果任务只是改写笔记就别加网页搜索。如果答案只应该来自提示词本身就别加文件访问。每多一个工具复杂度就会上升一点。用真实提示词测试而不是理想化提示词要用真实用户会打出来的那种乱糟糟输入去测。不要只测这种“请分类这个技术问题”也要测这种“我的账号出故障了而且一直在被扣费我该怎么办”这才是你真正看清自己的 Agent 到底在干嘛的时候。下面是你的搭建路径第 1 步用一句话写清这个 Agent 是干什么的例子“我想做一个能把我的零散笔记整理成每周 newsletter 的 Agent。”第 2 步让 Claude 或 ChatGPT 帮你把它整理成一份 Agent 规格说明一段 system prompt一份工具清单10 个测试提示词第 3 步做出最小可用版本不要一开始就上多 Agent。不要一开始就做复杂记忆。除非真的需要否则别急着上 RAG。第 4 步拿 10 个真实例子测试它第 5 步每次只改一个东西提示词输出结构示例工具记忆检索这个顺序很重要。别把自己困在一大堆复杂东西里。避免这个常见错误最大的错误就是一开始就想做一个“全能超级 Agent”。不要从下面这些开始网页搜索文件搜索数据库访问记忆多 Agent 任务交接复杂护栏自定义仪表盘20 个工具应该从这些开始一个工作一个 Agent一段清晰提示词最多一两个工具5 到 10 个真实测试用例这才是最容易做成的路径不要一开始就把自己复杂化。这一部分的实际收获现在你已经看完第 3 部分了。看到这里你应该已经能说出下面这些话我知道我的 Agent 是干什么的我知道它需要哪些工具我知道它必须遵守什么规则我知道输出应该长什么样我知道该从 Anthropic 还是 OpenAI 开始我知道怎么用 AI 自己来帮我设计第一版4怎么使用工具这一点大多数人都搞错了。他们会觉得“工具越多Agent 就越聪明。”错。更好的工具才会带来更聪明的 Agent。更少的工具通常也意味着更可靠的 Agent。理解工具最简单的方法工具本质上就是“AI 自己做不到所以要借外部能力来做的东西。”比如计算数字搜网页读你的文件发邮件查数据库第 1 步先问自己“这件事真的需要工具吗”在你加任何东西之前先问模型只靠推理能不能回答还是它真的需要现实世界的数据或动作例子不需要工具“改写这封邮件”“总结这段文字”“解释这个概念”需要工具“现在天气怎么样”“搜索最新新闻”“算一下复利”“从我的表格里把数据拉出来” 规则只要它需要外部数据或实际动作就用工具不需要就别加第 2 步用 AI 帮你把工具想清楚我正在做一个 AI Agent。我的目标[describe goal]我觉得这个 Agent 需要完成这些事[list actions]哪些事情需要工具我应该做哪些工具请尽量保持简单、够用就好。返回1. 工具清单2. 每个工具的说明3. 每个工具需要哪些输入这会帮你省掉很多时间。第 3 步保持简单真的坏工具manage_files(action,file, destination, overwrite,format, permissions)好工具read_file(path)write_file(path, content)delete_file(path) 规则一个工具只做一件清楚的事第 4 步明确告诉 Agent什么时候该用这个工具这正是大多数人失败的地方。差的写法“计算工具”好的写法“只要涉及数学运算就使用这个工具。不要靠猜。”第 5 步让 Agent 出错然后把它修好用真实测试去跑比如“what’s 2^16”“calculate 7% growth over 10 years”如果它不用工具那就改工具描述工具用错了那就改输入设计产生幻觉那就把规则写得更严格你看到这里应该已经明白你不需要很多工具你可以用 AI 帮你设计工具工具越简单Agent 越好工具说明往往比工具本身更重要好继续。5给你的 Agent 加记忆很多人把这件事想得太复杂了。你其实只需要明白这一点记忆只有两种短期记忆对话记忆也就是“到目前为止对话里说过什么”这个你默认就已经有了。长期记忆外部知识也就是“Agent 以后还能查到的东西”比如你的笔记PDF文档数据库你到底什么时候真的需要记忆问自己Agent 需要跨消息记住事情吗如果要那就是短期记忆它需要用外部文档吗如果要那就是长期记忆否则大概率你根本不需要记忆第 1 步先让 AI 帮你判断到底需不需要我正在做一个 AI Agent。我的目标[goal]这个 Agent 需要1. 对话记忆吗2. 外部知识RAG吗如果需要请解释为什么。如果不需要也请解释为什么。尽量说简单一点。第 2 步你其实只有三种选择选项 A不要记忆从这里开始对大多数新手来说这是最好的起点70% 的使用场景都能靠它解决选项 B对话记忆大多数 SDK 本来就已经处理好了只要别重置消息就行选项 C基于文件的记忆简单版 RAG上传文档使用文件搜索工具第 3 步别一上来就用过头很常见的错误是先上向量数据库再上 embeddings再上复杂流水线结果你甚至都还没搞清楚自己到底需不需要这些。 规则如果你的 Agent 不加记忆也能正常工作那就别加好到第 5 部分结束你现在应该知道大多数 Agent 根本不需要复杂记忆先从简单开始只有在真的出问题时再加记忆6怎么让你的 Agent 真正在现实里跑起来这一部分决定了你的 Agent 最后到底会变成垃圾还是会真的很好用。很多 Agent 之所以一塌糊涂通常就是因为提示词写得烂没有测试期待不现实所以第 1 步用 AI 帮你生成测试用例我做了一个 AI Agent它的目标是[goal]请生成 15 个真实一点的用户输入- 要乱一点- 要模糊一点- 要像现实里人会打出来的话另外还要包括- 边界情况- 容易混淆的输入- 坏输入第 2 步像真实用户一样测试不要测这种“请对该计费请求进行分类。”要测这种“搞什么鬼我怎么又被扣钱了”第 3 步每次只修一个点当它失败时问自己是提示词不清楚吗是输出格式太模糊吗是缺了工具吗是缺了规则吗第 4 步用 AI 帮你调试 Agent这是我的 Agent这是我的输入[input]这是它的输出[output]哪里出问题了我要怎么修请具体一点。第 5 步别太早发疯式加复杂度在下面这些东西之前先忍住多个 Agent复杂工作流自动化流水线前提是你的简单版本已经能稳定工作看到这里你应该已经明白测试就是一切AI 可以帮你调试它自己在加复杂度之前先把清晰度修好下一部分。7多个 Agent这一块特别容易把自己带偏。很多人会觉得“Agent 越多就越强。”错。先从一个 Agent开始。永远先这样做。只有在下面这些情况下你才需要多个 Agent任务可以被明确拆开一个 Agent 已经明显扛不住了不同角色真的差异很大真正需要多个 Agent 的情况其实只有 3 种技能不同比如研究 Agent写作 Agent流水线很清楚比如输入 → 分析 → 写作 → 输出权限不同比如一个 Agent 能读数据一个 Agent 能执行动作第 1 步先用 AI 帮你判断到底需不需要多个 Agent我做了一个 AI Agent。它的工作是[describe]这应该是1. 单个 Agent2. 多个 Agent如果是多个- 分别是什么角色- 为什么尽量保持简单。最稳妥的模式监督者模式用户 → 主 Agent →有需要时再调用其他 Agent不要从这些开始swarm多个代理同时跑、互相传话、互相分工系统更像“一群代理自己协作完全自治的多 Agent 系统这些东西非常容易坏。第 2 步角色保持简单差的写法“带有动态认知分层的 AI 战略 Agent”好的写法“研究 Agent”“写作 Agent”第 3 步慢慢加先从1 个 Agent然后最多到2 个 Agent只有在你真的看见明确收益时再继续往上加。这一部分的结论是什么大多数人根本不需要多个 Agent一个 Agent 加上好的工具通常就够了只有被现实逼到的时候再加复杂度8给这篇文章收个尾这篇指南里最重要的洞见是Agent 在概念上其实很简单但在落地上要求很高。那个核心循环也就是 LLM 思考、调用工具、重复执行50 行 Python 就能写出来。真正难的地方在于工具设计、错误处理、评估以及你要知道什么时候更简单的模式比如提示链、路由会比自治 Agent 更好用。给刚开始的人三个可以立刻执行的建议先把最原始的 Agent 做出来。只有理解底层循环任何框架对你来说才不会显得像魔法。你会更快定位问题也更知道该怎么选工具。从最简单、但能跑通的模式开始。提示链能处理大多数多步骤任务。路由能处理大多数“先分类、再动作”的流程。只有在你真的需要让 LLM 自己动态决定执行路径时再升级到自治 Agent。早点把精力花在工具设计和评估上。一个名字清楚、说明准确、错误信息结构化的工具对 Agent 表现的提升往往比你换模型或换框架更大。而 20 个高质量测试用例能帮你抓到的 bug通常比你手工瞎试一通更多。这个领域变化非常快。MCP 在不到一年里就成了通用标准两大主流提供方都推出了 Agent SDK新框架更是几乎每个月都冒出来。但这篇指南里的基本面是稳定的Agent 循环、五种工作流模式、好工具设计的原则以及“先从简单开始”的纪律。把这些吃透你就能应对后面冒出来的一切。你现在已经可以开始做 Agent 了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】