上海网站科技wordpress 轻社交

上海网站科技,wordpress 轻社交,网页美工设计流程为,官方静态网站模板下载简介 Skills是LLM Agent中封装专业知识的元工具架构#xff0c;通过渐进式披露机制减少token消耗#xff0c;提高任务执行一致性。文章解析了Skills的核心组成、工作原理、安全性挑战及在Claude等系统中的应用#xff0c;为构建生产级Agent系统提供了高效、可控的架构基础通过渐进式披露机制减少token消耗提高任务执行一致性。文章解析了Skills的核心组成、工作原理、安全性挑战及在Claude等系统中的应用为构建生产级Agent系统提供了高效、可控的架构基础解决了长周期任务中的鲁棒性问题。一、智能体技能介绍什么是LLM AgentSkills——基于提示词的元工具架构在构建生产级大型语言模型LLM驱动的智能体Agent系统时“技能”Skills代表了一种至关重要的架构范式。Skills并非传统的外部工具或API调用而是被精确定义为封装的专业知识Packaged Expertise其核心作用在于塑造Agent的思维模式和解决问题的方法 [1]。Skills不直接执行代码而是提供关键的上下文、指令、领域知识和行为模式从而显著提升Agent在处理特定、复杂任务时的表现 [1]。Skills的价值在于其对知识的封装性与可重用性。根据Anthropic的官方定义Skills是“可组合的资源能够将通用型Agent转化为领域专业化Agent” [1, 2]。1.1 Skills的核心组成架构一个标准的Skill由三个核心部分组成其结构如下表所示组件名称功能描述核心文件SKILL.md纯文本指南定义Skill功能及执行方式包含名称、目的和逐步说明支持材料参考材料和资产提供上下文或资源的附加文件如品牌指南、政策文档等执行组件脚本提供直接、一致响应的小段可执行代码SKILL.md文件作为Skill的核心必须以YAML前置元数据开头包含两个必需字段name技能名称和description技能描述。这些元数据在启动时被预加载到Agent的系统提示词中为Claude提供第一层渐进式披露信息使其了解何时使用该技能。1.2 理念对比与提示词工程联系与区别这与传统的提示工程Prompt Engineering存在本质区别。Skills不同于一次性的提示Prompt它们是可重用的、文件系统级的资源可以按需动态加载从而消除了在多次对话中为Agent重复提供相同指导的需求显著优化了操作效率和Token成本 [2]。在作用域方面Skills专注于捕获那些难以通过标准函数签名或纯粹数据结构来表达的组织知识和领域特有启发式方法Domain-specific heuristics。例如Skills可以封装关于特定调试模式、故障处理流程或工程协作模式的组织知识这类专业知识无法整洁地适配到传统工具的函数签名中 [1]。1.3 理念对比技能skills VS 工具Tools• Tools工具是Agent的“手”负责执行对外部世界的真实操作。一个Tool通常是一个具有定义输入、输出和副作用的可执行函数通过LLM发出的特殊Token来触发外部系统调用API Call• Skills则是Agent的“专业知识”它提供封装的专业知识旨在塑造Agent的思考和决策能力提升Agent的“专业度”。Skills以文件系统中的指令文件如SKILL.md和相关资源的形式存在。Skills并不直接导致外部执行而是通过LLM内部的推理循环提供领域特定的上下文、指令、和行为模式指导其更有效地选择和使用已有的Tools。相比较而言Skills与传统的工具调用不同Skills本质上是一种打包的专业知识它塑造Agent如何思考和处理问题的方式。Skills不直接执行代码而是提供上下文、指令、领域知识和行为模式以增强Agent执行特定任务的能力。这种设计理念可以形象地理解为如果说Tools是Agent的双手用于执行动作那么Skills就是Agent的训练用于掌握知识。特征Agent Skills (专业知识)Tools (外部执行)影响核心作用提升Agent的思考和决策能力 (Expertise)实现对外部世界API, DB, Code的操作和执行(Execution)架构设计与风险管理的基础区分表现形式封装在文件系统中的指令文件 (SKILL.md) 和资源结构化的函数签名 (JSON Schema) 和API端点决定如何组织能力和资源执行方式LLM内部推理、指导工具使用通过bash读取指令或运行脚本LLM发出特殊Token触发外部系统调用 (API Call)决定是内部计算还是外部调用安全表面风险主要来自Prompt Injection/指令篡改风险主要来自沙盒逃逸、API授权和数据泄露决定所需的双重防御机制加载机制渐进式披露(Progressive Disclosure)按需加载通常需要加载完整Schema到上下文Token成本和上下文效率2.为什么需要Skills——也是对应Skills的优势2.1 弥合智能体与现实世界的差距过去一年业界见证了模型智能的快速发展和智能体框架的趋同但仍然存在一个明显的差距智能体往往缺乏现实工作所需的领域专业知识和专门技能。正如Anthropic的Barry Zhang和Mahesh Murag在演讲中指出的“不要构建智能体而要构建技能”——Skills正是解决这一问题的方案。这种方法的核心价值在于它提供了一种可移植、可组合的方式能让单个智能体具备跨领域能力。Skills封装了程序性知识使智能体能够动态加载所需的专业能力而不是将所有可能需要的知识都预先编码到系统中。这种设计不仅提高了系统的灵活性还大大降低了维护复杂度。2.2 解决重复性工作流的一致性问题通俗来讲这个小点内容Anthropic将Claude Skills描述为使Claude更快、更便宜、更一致地处理重复性工作流的自定义能力。每个Skill包含Claude执行任务所需的精确上下文使其能够每次以相同的方式执行任务而无需依赖详细的提示词。与普通提示词或记忆笔记不同Skill可以被版本化、重用并在团队之间共享。这种设计解决了AI应用中的几个关键痛点痛点类别解决方案效果可重复性确保Agent遵循相同的结构化流程产生一致且可审计的结果时间效率将复杂的多步骤任务转换为单命令操作显著提升工作效率人为错误指令和参考文件作为内置防护栏减少操作失误团队标准化Skills可在用户和部门之间共享实现组织级工作流程统一复杂来讲通用大型语言模型在处理现实世界任务时虽然强大但在需要长时间、多步骤交互的复杂任务中其性能存在固有的“脆性”brittleness。这种现象被称为**长周期鲁棒性Long-Horizon Robustness**挑战 [3]。研究表明即使是目前最强大的LLM模型在需要扩展序列交互的长步骤任务中其性能也会迅速衰退精度可能在任务步骤超过15到120步时降至接近于零 [3]。Skills的引入正是为了解决这一核心痛点它将解决Agent规模化部署中鲁棒性与可控性矛盾作为关键目标。企业需要LLM的通用能力但也需要可预测的、符合标准操作程序SOP的行为。Skills通过提供预先封装的、经过验证的工作流workflows最佳实践best practices为Agent提供了明确的行为引导Explicit Behavioral Guidance帮助其在扩展执行过程中保持一致的行动选择和约束兼容行为constraint-compliant behavior从而有效防止目标漂移和性能衰退 [2, 4]。这种架构上的引导对于确保Agent在面对真实世界复杂性时的可预测性至关重要。Skills通过提供明确的行为指导支撑了 Agent 系统的可信赖性Trustworthiness架构 [4]。这种可信赖性体现在以下三个方面Groundedness基础性通过Skills中提供的参考资料和指令有助于评估Agent的推理是否基于可验证的证据 [5]。Recovery恢复性封装的失败处理和流程知识提升了Agent在遭遇信息空白或知识限制时自我修正和恢复的能力 [5]。Calibration校准性确保Agent能够根据检索到的证据质量精确决定何时回答或何时应拒绝回答的能力 [5]。2.3 上下文工程的Token经济学优化从工程实践来看技能封装机制也是Token经济学优化的必然产物。如果不采用Skills将所有专业知识作为系统提示预加载会迅速消耗上下文窗口增加运营成本并稀释关键指令的有效性。Skills通过将非结构化的组织知识转化为结构化、可注入的SKILL.md文件 [2, 6]并结合文件系统的渐进式信息披露机制显著降低了重复性提示的Token成本。这使得Agent能够高效地管理和利用大量的专业知识从而为大规模、多专业化Agent的经济性部署提供了技术基础 [2]。这份完整版的大模型 AI 学习和面试资料已经上传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】Skills是怎么工作的3.1 基于提示词的元工具架构Claude的Agent Skills系统代表了一种复杂的基于提示词的元工具架构。Skills使用声明式、基于提示词的系统进行技能发现和调用。AI模型基于系统提示词中呈现的文本描述来决定是否调用技能这一决策过程完全发生在Claude的推理过程中基于提供的技能描述而不涉及代码层面的算法选择或AI驱动的意图检测。技能选择机制中没有算法路由或意图分类。Claude不使用嵌入向量、分类器或模式匹配来决定调用哪个技能。相反系统将所有可用技能格式化为嵌入在Skill工具提示词中的文本描述让Claude的语言模型来做决策。这是纯粹的LLM推理——决策发生在Claude通过transformer的前向传播过程中而不是在应用代码中。如直接使用路由等意图分类模块很难让作为中枢大脑的大模型知道全貌流程是断开的那么大模型可能没办法做出最佳决策。类比若高层领导在不清楚其他下属工作内容和细节的情况下做出的决策很可能有脱离业务初衷的风险。3.2 渐进式披露机制**渐进式信息披露Progressive Disclosure**是这一架构的核心旨在解决上下文窗口的效率问题 [2]。Skills的知识加载分为三个层次披露层级内容类型加载时机作用第一层**Metadata**元数据name, description启动时预加载让Claude知道何时应该使用每个技能第二层**Instructions**核心SKILL.md完整正文判断相关时按需加载提供完整的执行指令第三层**Optional Resources**附加链接文件reference.md等特定场景按需发现提供深度上下文支持Level 1 (Metadata):位于SKILL.md顶部的 YAML Frontmatter包含name和description是强制性的且始终被加载到系统提示中用于 Agent 的技能发现。这部分内容是固定的Token消耗大约为100 Tokens [2]。Level 2 (Instructions):SKILL.md的主体包含程序性知识和工作流程。它只有在Claude认为相关时才通过Agent执行bash: read SKILL.md命令从文件系统动态加载到上下文窗口 [2]。Level 3 (Optional Resources):额外的脚本例如.py文件或参考文件例如REFERENCE.md只有在指令中被明确引用时才会通过额外的bash命令加载或执行。尤其关键的是当Agent执行脚本时只有脚本的输出结果例如“Validation passed”被载入上下文而脚本的代码本身不会占用上下文窗口的Tokens [2]。这种设计通过将知识检索和脚本执行从核心上下文窗口中解耦出来实现了高效的Token管理和上下文隔离。这种架构揭示了LLM Agents从单纯的“工具调用”向“环境感知与知识集成”的范式转变。确保了具有文件系统和代码执行工具的Agent不需要将整个技能读入上下文窗口使得可以捆绑到技能中的上下文量实际上是无限的。4 Skills的优缺点4.1 Skills的优势1减少token消耗Skills作为基于提示词的解决方案可以编码领域专业知识而无需工具所需的高token开销。Anthropic发现使用Skills可以显著减少工作流token消耗——例如一个150,000 token的工作流可以通过让Agent编写代码来调用工具而不是预先加载所有定义减少到约2,000 token。这种优化对于长期运行的Agent任务和成本敏感的生产环境尤为重要。2运行一致性与可调试性Skills通过嵌入定义好的流程来减少Agent输出的可变性确保响应遵循相同的结构、语调或格式。通过参考文件和模板Skill可以采用组织特定的操作细节如品牌声音、报告格式或合规语言。由于Claude Skills是模块化和版本化的开发者可以更新或改进特定工作流而无需重新训练或重新部署整个Agent每个Skill成为更大系统中的小型、可审计的构建块。4.2 Skills的可能问题在设计Agent系统时架构师必须认识到Skills带来的复杂安全表面。Skills虽然是指令但其容易受到**Prompt Injection指令注入**的攻击 [9]。恶意指令可以隐藏在良性的Skill描述或内部文件中一旦Agent加载该Skill其行为就可能被劫持执行未经授权的操作 [9]。相比之下Tools涉及实际的外部执行其安全风险集中在沙盒逃逸、权限升级、API授权管理和数据外泄 [10, 11]。因此系统设计需要双重防御不能仅依赖LLM自身的对齐或护栏 [10]。无论Skills是通过bash执行内部脚本还是Tools调用外部API都需要一个隔离的、策略驱动的沙盒执行环境Sandbox Execution Environment[10]。这可以通过使用容器Containers、用户模式内核或**轻量级虚拟机VMs**来实现隔离边界防止权限升级和数据篡改 [10, 13]。例如Claude API中的Skills环境限制无网络访问、禁止运行时安装包 [2]本身就是关键的安全控制。在移植性方面Tools通过标准化接口如OpenAI Function Calling理论上具有更高的可移植性[1, 7]。Anthropic Agent Skills框架则具有**供应商特定Vendor-specific**的特点其独特的虚拟文件系统和渐进式加载机制使得移植到其他模型需要进行重大架构重构 [1, 14]。二、主流产品应用与实践案例1 Anthropic Claude Skills深度实践Anthropic在2025年10月正式发布了Agent Skills功能这标志着AI Agent能力封装的重大进展。Claude Skills不仅仅是保存Prompt的地方其真正能力在于将判断逻辑和处理流程封装成可复用的模块可以将4-5小时的人工工作压缩到5分钟。Claude Skills支持两种主要类型能力包型Skills封装复杂判断逻辑适用于笔记整理等场景软编排型Skills协调多个sub-agents协作适用于字幕处理等复杂工作流。一旦添加Claude会在用户发起相关请求时自动加载正确的Skill。Skills的实际应用案例非常丰富涵盖多个领域应用领域典型Skills功能描述文档处理docx, pdf, pptx, xlsx创建、编辑、分析Office文档提取PDF内容开发工具artifacts-builder, aws-skills创建复杂HTML工件AWS开发最佳实践代码辅助Changelog Generator, MCP Builder自动生成变更日志指导创建MCP服务器数据可视化D3.js Visualization生成D3图表和交互式数据可视化提示工程prompt-engineering教授知名提示工程技术和模式2 Claude Code中的Skills应用Claude Code是Anthropic开发的命令行agentic编码工具其中CLAUDE.md文件作为特殊文件自动被拉入上下文是记录常见bash命令、核心文件、实用函数、代码风格指南、测试说明、仓库礼仪、开发环境设置等信息的理想位置。在Claude Code中使用Skills进行机器学习实验管理的一个创新应用是当完成实验会话时输入/retrospective命令Claude会读取对话内容提取关键洞见将其整理为技能文件并向团队注册表打开一个pull request。技能文件包含所有内容——工作代码、最终确定的参数以及过程中犯的错误。Claude Code中Skills、Commands和Agents在结构上是相同的——都是包含提示词的markdown文件。关键区别在于它们的用途和决策框架中的嵌套组件类型定位特点Skills领域容器如博客、研究、安全自包含的模块Commands领域内的任务/命令嵌套在父技能的workflows/目录下Agents独立的并行工作者不嵌套在技能中但可以执行它们及其命令三、Skills的快速开发、安全与最佳实践1 技能设计与开发原则 (Skill Design and Development Best Practices)Skills的开发实践应遵循与传统软件工程高度一致的原则以确保鲁棒性和可维护性。单一职责与模块化应坚持Start small and focused的设计原则从单一职责的Agent开始每个Agent负责一个明确的目标和狭窄的范围 [20]。对于复杂任务系统应模块化为多个专业化Agent或Skills而不是构建一个“万能Agent” [20]。这种模块化方法如LangChain中的子Agent设计可以实现Agent的内聚Cohesion和解耦Coupling有效管理复杂性 [17, 18]。指令工程与知识基础Skills指令的质量是Agent可靠性的核心指令可靠性Skills的指令应基于企业现有操作程序、支持脚本或政策文件等权威来源将其转换为LLM友好的、清晰且无歧义的编号列表或结构化例程 [6]。资源打包架构师应利用Skills的资源打包能力如Anthropic中的文件系统结构在SKILL.md目录中包含数据库Schema或API文档作为Agent推理时的权威参考资料 [2, 12]。2 生产级Skills的安全性挑战与防御机制由于Skills是存储在文件系统中的指令其主要安全威胁是Prompt Injection指令注入[9]。恶意指令可以植入到Skills的描述或内部文件中从而劫持Agent的行为 [2, 9]。为了构建安全的生产环境必须实施以下防御机制沙盒隔离无论Skills是通过bash执行内部脚本还是Tools调用外部API都需要一个策略强制执行引擎Policy Enforcement Engine[10]。技术实现包括使用容器Containers、用户模式内核或**轻量级虚拟机VMs**来提供隔离边界防止权限升级和数据篡改 [10, 13]。双重防御安全架构需要双重防御机制同时关注沙盒隔离针对Tools的代码执行风险和指令层面的信任验证针对Skills的Prompt Injection风险 [9, 10]。此外利用供应商提供的环境限制例如Claude API Skills没有网络访问权限且不能在运行时安装新软件包[2]也是安全控制的重要组成部分。3 Skills的持续优化能力扩展与自我进化Skills的长期价值在于实现Agent能力的持续扩展和自我演进。闭环数据生成与技能发现 (Skill Discovery)Agent系统正从静态知识库转向动态学习者。研究中的自动技能发现框架例如EXIF采用“探索优先”策略通过一个探索AgentAlice与环境交互生成可行的、环境锚定的技能数据集用于训练目标AgentBob [24]。关键在于迭代反馈循环探索Agent评估目标Agent的性能识别知识差距并指导下一轮的探索形成一个闭环数据生成过程[24]。这种机制对于构建能够持续适应环境变化、主动扩展自身能力的自演进系统至关重要 [24]。这标志着未来的Agent系统将具备识别自身知识差距并主动生成训练数据以弥补这些差距的能力。4 怎么快速开发Skills?可以考虑使用的工具Skill_Seekers项目地址https://github.com/yusufkaraaslan/Skill_Seekers4.1 创建第一个Skill的步骤创建Claude Skill的最小要求只需要一个名为SKILL.md的文件。第一步设置Skill文件夹创建一个以技能命名的新文件夹例如Standardized-Report-Generator/在其中创建一个名为SKILL.md全大写的文件粘贴最小YAML前置元数据和简单标题---name: Standardized Report Generatordescription: Create a structured, branded report with specific sections; use when the user asks for a standardized report.---# Standardized Report Generator检查点包括文件以三个破折号开始前置元数据以三个破折号结束前置元数据中只有两个字段name和description引号是可以的如果包含标点符号有助于避免解析问题。第二步编写清晰、可操作的指令在标题下方添加简短、可测试的指令将变量视为纯语言占位符## Instructions- Collect inputs from the user: report_title, audience, required_sections, and page_length.- Follow brand rules: formal tone, AP style, inclusive language.- Always include sections: Executive Summary, Findings, Recommendations, Appendix.- Keep within the requested page_length.## Example- Input: Draft a 2-page Q3 marketing performance report for executives.- Output: A report with the sections above and concise bullet recommendations.第三步快速本地验证确保SKILL.md位于Skill文件夹的根目录确认前置元数据围栏---到位并使用空格非制表符缩进如果需要额外信心可以通过YAML检查器运行前置元数据。4.2 SKILL.md文件的关键组件构建SKILL.md文件需要包含几个关键组件组件类型字段必需性说明元数据name必需简洁的描述性名称元数据description必需技能功能和使用时机的简短解释元数据version可选跟踪更新或迭代元数据license可选公开共享时指定使用权元数据metadata可选包含作者名、标签或项目引用的灵活字段指令正文定义Claude应如何执行该技能是Claude逐步遵循的实际操作手册。一个好的指令正文通常包括概述技能实现什么的快速总结、输入和输出指定技能期望什么数据以及应该产生什么、执行步骤概述Claude必须遵循的过程的编号或项目符号列表、示例显示输入-输出对以澄清期望的可选示例、参考支持技能功能的任何模板、数据集或脚本。注意YAML对缩进和格式敏感使用一致的间距通常两个空格非制表符避免字段名中的特殊字符确保前置元数据包裹在开头和结尾的三破折号之间。4.3 Agent开发最佳实践2025年构建可靠AI Agent的最佳实践涵盖多个方面设计安全失败的Agent在自动化中深思熟虑地集成Agent避免对Agent使用重试机制因为非确定性输出从单一职责Agent开始为复杂工作流模块化为多个专业化Agent对确定性任务使用工具如自动化或API将Agent目标与可衡量的结果对齐。正确配置上下文索引企业上下文结构化源、知识库、文档选择正确的搜索策略语义、结构化或DeepRAG选择适当的模型用简单、描述性的名称保持工具定义的清晰。将每种能力视为工具将外部能力视为具有严格输入/输出契约和明确成功标准的工具重用自动化作为工具使用模式驱动的提示词记录和版本化工具为确定性任务构建工具以提高Agent可靠性。像产品规格一样编写提示词使用评估集进行迭代设计和测试从定义角色、人格、指令、目标、上下文、成功指标、护栏和约束的系统提示词开始对复杂工作流使用结构化的多步推理思维链具体说明期望的结果。4.4 Anthropic推荐的Skill构建原则根据Anthropic的官方指导构建Agent Skills的最佳实践包括原则具体做法目的保持精简SKILL.md只包含核心信息减少token消耗渐进式披露将详细内容移到链接文件按需加载优化性能清晰触发词description字段准确反映适用场景提高技能匹配准确性丰富示例提供输入输出格式示例帮助Claude理解期望预算意识合理分配各级别内容的token优化上下文窗口使用对于需要代码执行的复杂技能Skills还可以包含Claude根据其判断作为工具执行的代码这使得Skills既能提供知识上下文又能在必要时执行具体操作实现知识与行动的统一。三、总结与展望Skills在LLM Agent架构中占据了独特的中间层地位它通过提供封装的专业知识和结构化的行为指南解决了纯粹的LLM推理和外部工具调用无法覆盖的领域特有启发式知识问题。通过渐进式信息披露等技术Skills机制为大规模Agent部署提供了Token高效、可控且鲁棒的架构基础。结论与建议对于构建生产级Agent系统的技术决策者关键的架构原则包括架构分离必须在架构层面严格区分Skills专业知识Tools外部执行并理解它们各自的安全表面。实施沙盒无论采用何种Skills或Tools框架都必须在底层部署策略强制执行引擎和硬件/软件隔离机制如容器或VMs以应对指令注入和沙盒逃逸的双重安全威胁。拥抱模块化采用多Agent系统和子Agent设计模式通过上下文工程实现Skills的隔离和动态组合以应对长周期复杂任务的鲁棒性挑战。展望未来长周期鲁棒性仍是核心挑战。新兴趋势将围绕Agent的可信赖性、安全性和对齐展开 [4, 25]。随着多Agent系统成为主流Skills的管理将演变为通过 A2A 协议实现的动态、去中心化服务目录从而实现更高效的企业级自动化和Agent间的互操作性 [21]。实现Skills的自动发现和闭环学习机制将是Agent系统从被动执行者向主动学习者转变的关键一步 [24]。四、如何学习AI大模型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 学习和面试资料已经上传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】第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】