企业官网建设流程全解析

本文深入解析大模型Agent的架构设计，从目标设定、计划规划、上下文管理到工具调用、状态保存和反馈改进，详细阐述了Agent运行链路中的各个环节。文章强调Agent不是简单的LLM调用，而是一条带状态、验证和恢复能力的运行链，并介绍了Planner、Tool、MCP、Memory和Reflection等关键组件的功能和相互关系。通过本文，读者可以全面了解大模型Agent的架构设计思路，为实际应用提供指导。

最近讨论 Agent，经常会碰到同一个问题：

Planner、Tool、MCP、Memory、Reflection 这些词，到底是并列模块，还是一条运行链上的不同位置？

这个问题不只是名词解释。落到系统设计，压力会集中到连接处：目标怎么变成完成条件，上下文怎么装进下一轮，工具调用怎么校验，副作用怎么记录，失败以后从哪里恢复。

先把我的理解放前面：Agent 不是 LLM 加一串工具，而是一条带状态、验证和恢复能力的运行链。

Planner 和 Reasoning 更靠近决策过程，Function Calling 和 MCP 更靠近调用与连接，Session、Tracing、Memory、Reflection 把状态、观测和反馈带进来。团队把 Agent 接到产品、研发和运营流程时，这几层会挤在一起。只看模块名，像是都认识；一落到实现，边界就会冒出来。

这篇文章按一条链路来拆：

Goal -> Plan -> Context -> Decide -> Act -> Observe -> Verify -> State -> Next

这不是要把所有 Agent 产品画成同一张图。它只给后面的概念找一个坐标。我们看 Planner、Tool、MCP、Memory 和 Reflection 时，先看它们在运行过程中站在哪一段。

太长不看版

• Agent 不是一次 LLM 调用。

  一次调用只处理输入和输出；Agent 还要处理目标、工具、状态、验证和恢复。

• Planner、Tool、MCP、Memory、Reflection 不在同一层。

  有的管决策，有的管连接，有的管状态，有的管反馈。

• Function Calling 是调用表达方式，MCP 是协议层。

  Tool 是能力本身，Harness 才把权限、日志、重试和验证接起来。

• Memory 不等于聊天记录。

  上下文窗口、事件日志、可复用经验要分开看。

• Reflection 不是让模型自我表扬或自我批评。

  它要接到测试、指标、人工确认、规则和下一轮上下文。

• 架构读法先放回执行现场。

  先看目标怎么进来，再看动作怎么发生，最后看证据怎么留下。

Agent 运行链路

图 1：Agent 不是一次调用，而是一条带状态、验证和恢复能力的运行链。

Agent 不是一次 LLM 调用

先从一次模型调用说起。

一次 LLM 调用的结构是“输入上下文，输出文本”。模型可以解释问题、生成计划、给出代码，也能按约定输出结构化 JSON。调用结束以后，系统不会自动知道下一步该读哪个文件、哪个测试跑过、哪次 API 调用已经产生副作用。

Agent 多出来的是一套软件结构，让模型能在任务里持续推进，而不是只回答一次。

比如用户说：“帮我排查这个接口超时，修掉问题，补测试，并整理变更说明。”如果只是问答，模型最多给排查建议。Agent 则要把这句话当成任务：先理解目标和完成条件，再决定读日志、看 trace、查代码、运行测试、修改文件、复核 diff，最后交付说明。

Anthropic 在《Building effective agents》里区分了 workflows 和 agents。Workflow 是 LLM 和工具沿着预先写好的代码路径运行；Agent 则由 LLM 根据当前状态动态决定流程和工具使用。

这会影响架构取舍。路径稳定、分支明确、验收规则清楚的业务流程，用 workflow 成本低，观测点也清楚。任务中间存在未知分支，需要系统边执行边判断下一步时，再引入 Agent。

讨论 Agent 架构时，问题不只在“有没有七大模块”，还在于任务需要多少动态性，哪些环节写进代码路径，哪些判断留给模型。

一个实用判断：能写成清楚状态机的，先按 workflow 做；状态机写不完整，才把不确定部分交给 Agent。

Goal：目标要变成完成条件

Agent 的入口不是一句漂亮的 prompt，而是一个要完成的目标。

目标这一步看起来简单，却会影响后面的边界。用户说“做一份行业研究”，系统至少要弄清楚交付物是什么，范围有多大，使用哪些来源，是否需要下载原文，是否要给出判断，最后用什么标准算完成。

如果这一步含糊，后面所有模块都会被拖歪。

Planner 会拆出错误步骤，Tool 会查错地方，Memory 会留下不该留下的信息，Reflection 也只能在错误目标上做自查。

在架构上，Goal 不等同于原始用户输入。它更接近一份任务契约：

• 交付物：最后产出什么形态，是答案、文档、代码、工单，还是可执行变更；
• 约束：哪些来源可用，哪些操作不能做，时间、成本、权限有什么限制；
• 验收：哪些证据能说明任务完成，哪些情况必须返回给人；
• 风险：哪些动作有副作用，哪些信息属于敏感输入。

任务契约不必做重。简单任务只需要几句话，复杂任务需要交代边界。后面的模块需要知道自己在为哪个结果工作。

Planner：不是把所有步骤一次写完

Planner 经常被解释成“把大任务拆成小步骤”。这样说没错，只是会让人以为规划就是开头生成一份路线图，然后照着走。

工程任务不会总是沿着开头计划一路走到底。

接口超时可能来自慢 SQL，也可能来自外部服务重试；文档写作可能查到一半发现原文版本变了；代码修复可能在测试阶段暴露另一个边界条件。计划如果不能随着观察结果调整，会提前失效。

在这里，Planner 管的是阶段，不是一次性剧本。

它要决定当前阶段的目标、允许使用的工具、需要保留的证据，以及进入下一阶段的条件。复杂一点的系统，还会把计划拆成可回放的步骤，让每一步都有输入、动作、输出和状态。

这里还要把 Planner 和 Workflow 分开。

Workflow 是开发者预先定义好的流程。它适合路径稳定的任务，例如固定格式审核、字段抽取、标准化报表。Planner 则处理动态任务：在当前状态下选下一步，必要时重排阶段，甚至缩小目标或请求人补充信息。

两者不是谁替代谁。成熟系统会混用：稳定部分用 workflow 固化，未知部分让 Agent 规划。这个办法不新鲜，但控制成本低。

Context：Agent 的下一步，先由上下文决定

一些 Agent 架构图会把 Reasoning 放在中间，好像模型思考能力决定了后续结果。

模型当然重要。但模型能做出什么判断，先受它这一轮看到的上下文限制。

Karpathy 用“context engineering”替代“prompt engineering”，说的不是把提示词写漂亮，而是把任务说明、示例、RAG 结果、工具、状态、历史、压缩摘要等信息，以合适的形式放进下一步上下文。

信息不足，模型没有依据。信息过载，成本会上升，干扰也会增加。另一个麻烦是，一些信息并不该直接进入模型窗口。工具调用日志、权限记录、完整文件 diff、外部 API 响应，都要进入系统记录，但下一轮只需要其中一小部分。

Context 层要先分清三类信息。

当前目标、阶段计划、可用工具、关键观察和最近失败原因，可以进入模型上下文。完整工具参数、原始返回、审批记录和执行耗时，更适合留在事件日志里。用户偏好、项目规则和稳定失败模式，要经过验证，再进入长期记忆。

把 Memory 直接等同于聊天记录，系统边界会变窄。聊天记录只是历史材料。Agent 需要的是可检索、可压缩、可审计、可迁移的状态。

Reasoning：它负责局部决策，不负责整个系统可靠

ReAct 论文把 reasoning 和 acting 放到同一个循环里看。它的关键点不是让模型“想很久”，而是让模型一边产生推理轨迹，一边执行任务相关动作；动作把模型接到外部知识库或环境，观察结果再影响下一步。

放到工程里，Reasoning 对应当前轮次的局部决策。

模型看到目标、上下文、计划、工具说明和上一步结果，然后判断下一步要做什么。它可能决定查一段日志，可能决定读取某个配置，也可能决定停止并交付。

但 Reasoning 覆盖不了三类责任。

它不能替系统做权限。模型说要删文件，不代表系统就能删。

它不能替系统保存状态。模型能复述历史，不等于系统拥有可恢复的事件记录。

它也不能替系统验收。模型说“已经修好”，不能代替测试、指标、代码 diff 或人工确认。

一些 Agent 实现会把这些责任都塞进 prompt：提醒模型小心工具、提醒模型自查、提醒模型记住规则。prompt 有用，但它不是架构边界。权限、状态、验证和恢复，仍然要放到模型外面的运行时里。

Tool：模型的动作空间

Tool 是 Agent 能影响外部世界的方式。

搜索、读文件、写文件、查数据库、发 HTTP 请求、运行测试、打开浏览器、创建工单、发送消息，都属于工具。没有工具，模型只能输出文本；有了工具，模型才有动作空间。

但 Tool 不是简单地“越多越好”。

工具越多，模型选择空间越大，调用成本、权限风险和调试难度也会上来。一个搜索工具和一个生产数据库写入工具，风险不是一个量级。一个幂等查询和一个发起退款的动作，也不适合放在同一个确认策略里。

工具层要回答几个问题：

• 输入 schema 是什么，参数是否能被严格校验；
• 工具是否有副作用，副作用能不能撤销或补偿；
• 调用前是否需要权限检查或人工确认；
• 调用失败时，错误信息怎样返回给模型；
• 调用结果多大，哪些进入上下文，哪些只进日志；
• 工具调用是否有超时、取消、重试和幂等设计。

工具接入时，我会先按副作用分层。

OpenAI Agents SDK 里把 function tools 做成带 schema 和 Pydantic 校验的能力，同时提供 guardrails、sessions、tracing 等原语。这个组合说明了一件事：工具不是孤立模块。工具一旦进入 Agent Loop，就会牵动输入校验、状态保存、流程追踪和安全检查。

Function Calling：把意图变成结构化调用

Function Calling 经常和 Tool 混在一起说，但 Function Calling 是“调用表达方式”。

模型并不直接执行函数。它输出的是“我想调用哪个函数，参数是什么”。宿主应用解析这个结构，校验参数，再决定是否执行对应工具。

这里有一个边界要先放清楚。

如果模型输出的是自然语言，例如“帮我查一下数据库”，宿主要靠猜。Function Calling 把这句话变成结构化对象，例如：

{ "name": "query_orders", "arguments": { "user_id": "u_123", "limit": 5 } }

结构化之后，系统才能做 schema 校验、权限判断、审计记录和错误处理。参数不合法就拒绝，权限不够就请求确认，工具超时就返回明确错误。

Function Calling 解决的是“模型意图如何被机器读懂”。它不自动解决工具是否安全、结果是否正确、动作是否应该发生。

MCP：协议层，不是工具本身

工具数量上来以后，另一个问题会出现：每个系统都单独接一套 API，Agent 宿主会变成集成泥潭。

MCP（Model Context Protocol）要解决的是连接方式。2025-06-18 版规范里，基本角色是 Host、Client 和 Server。Host 是发起连接的 LLM 应用，Client 是宿主内的连接器，Server 提供上下文和能力。

MCP Server 提供三类能力：Resources、Prompts、Tools。Client 侧还有 Sampling、Roots、Elicitation 等能力。从这个设计看，MCP 不只是“工具列表标准化”。它还把数据、提示模板、用户补充信息和文件边界都纳入了协议讨论。

不过，MCP 不是安全边界的全部。

规范明确提到用户同意、数据隐私、工具安全和 sampling 控制，也说明协议本身不能在协议层强制实现这些原则。MCP 能规范消息和能力暴露方式，但授权、审计、沙箱、数据脱敏、凭据隔离，仍然要由宿主应用和组织策略完成。

这也是 Tool、Function Calling 和 MCP 的关系：

• Tool 是能力本身，比如搜索、查库、写文件；
• Function Calling 是模型表达调用意图的结构化方式；
• MCP 是把外部上下文和能力接入 Agent 宿主的协议层；
• Harness 负责把调用放进权限、状态、验证和恢复机制里。

这几层分清以后，讨论工具接入时会少一些混乱。

Tool、Function Calling、MCP 和 Harness 的关系

图 2：模型表达调用意图，宿主负责校验与治理，MCP 负责连接外部能力。

Observe：工具结果不是直接塞回模型

工具执行完，会返回观察结果。这个结果看起来只是 Agent Loop 里的中间产物，但这里经常出问题。

结果体量可能超过模型下一轮需要的范围。搜索结果、日志、测试输出、网页正文、数据库查询，全部塞回上下文，会浪费 token，也会干扰判断。

结果来源也可能不可信。网页、用户上传文件、第三方系统返回文本，可能包含诱导模型改变规则的内容。系统要区分“工具返回的数据”和“可以被当成指令的内容”。

有些结果还带着副作用证据。比如订单已经退款、文件已经修改、邮件已经发送。这些信息不能只靠模型记住，必须进入事件日志。

Observe 层要做两件事：把原始结果保存下来，再把适合模型阅读的摘要、证据或错误信息放回上下文。

系统稳定性的差异，有一部分就在这里。不是模型强一点，而是工具结果经过了过滤、摘要、引用和错误归类。

Memory：把上下文、事件和可复用经验分开

Memory 是 Agent 里边界比较宽的概念。

一种常见说法是短期记忆、长期记忆、工作记忆。这个分类有帮助，但工程上还要再落一层：它们到底存在哪里，什么时候读出来，以什么形式进入下一轮。

工程实现里，Memory 可以先拆成三种对象。

Memory 的三层读法

图 3：上下文窗口、事件日志和可复用记忆，解决的是三类不同问题。

OpenAI Agents SDK 把 Sessions 称为保持 Agent Loop 工作上下文的持久记忆层，又提供 Tracing 来可视化、调试和监控 workflow。这给了一个参照：Session 让任务连续，Tracing 让过程可见，Memory 让经验能复用。

这三层不能互相替代。

聊天记录能帮模型回看对话，但任务失败后的恢复要靠事件日志。事件日志如果没有进入上下文装配，模型下一步仍然看不到重点。长期记忆也需要验证来源，否则系统可能把一次偶然失败写成永久规则。

Memory 的关键不是“存得多”，而是“什么时候把什么拿出来”。

Reflection：反思要接到验证和改进

Reflection 常被翻译成反思。“反思”这个译法会把关注点带到模型自我复盘，好像下一次表现会自然改善。

Reflexion 论文确实提供了一个重要方向：它不更新模型权重，而是让 Agent 根据任务反馈生成语言形式的反思，并把这些反思文本放进 episodic memory buffer，用于后续 trial。

这个思路的价值在于：Agent 的改进不一定只发生在训练模型权重里，也发生在语言反馈、记忆和下一轮决策中。

但生产系统里，Reflection 不能只靠模型自我感觉。

不同任务的反馈来源不一样。代码任务看单元测试、类型检查
图 4：Reflection 的价值不在总结，而在把失败原因带进规则、样例和下一轮上下文。

最近几篇文章一直在看这个方向。9 月 25 日那篇讲 Harness 时，说的是模型提出下一步，Harness 把这一步放进可控运行时。10 月 3 日讲 Claude.dev 时，重点是错误要留下证据，进入 eval、规则和版本化改进。10 月 4 日讲 Claude Code Mods，又看到运行时控制点正在产品化。

这三篇不是分散话题。放在 Agent 架构里，它们都指向同一个问题：Agent 出错以后，系统怎样让这个错误对下一次有用。

Output 和 Interaction：交付不只是最后一句话

Agent 的输出也要单独看。

演示场景里，Agent 最后输出一段“任务已完成”。但真实系统的交付物可能是 PR、报告、表格、邮件草稿、客服工单、数据库变更、部署记录，或者一组带证据的结论。

这时，Output 不只是自然语言回答，而是任务状态、产物和证据的组合。

交互方式也会跟着变。普通 Chat UI 适合问答，但 Agent 做长任务时，用户需要看到计划、当前阶段、正在调用的工具、已产生的变更、风险确认和可回滚点。开发工具里的 diff、测试结果、运行日志和审批按钮，都属于 Agent 交互的一部分。

Andrew Ng 提到过三层 loop：agentic coding loop、developer feedback loop 和 external feedback loop。Agent 可以几分钟内写代码、测试、再改；开发者反馈可能隔几十分钟或几个小时出现；外部用户反馈周期更长，可能要等灰度、A/B 测试或真实使用。

这三个循环的时间尺度不同，不能都压进模型的一次思考里。

Agent Loop 解决眼前下一步。开发者反馈决定目标和取舍。外部反馈决定系统长期是否真的变好。架构如果不区分这些循环，就会把“模型继续做”误当成“系统在进步”。

Harness：把模块接成可控运行时

前面几层要一起工作，需要模型外面的 Harness 把它们接起来。

Harness 不一定是单独产品。它是一组运行时职责：

• 上下文装配：决定模型下一轮看到什么；
• 工具路由：把模型意图转成可执行动作；
• 权限控制：判断动作是否允许、是否需要确认；
• 状态保存：记录计划、事件、检查点和副作用；
• 验证机制：用测试、规则、指标或人工确认判断结果；
• 追踪观测：让过程能调试、复盘和回放；
• 恢复停止：处理超时、取消、重试、回滚和人工接管。

Harrison Chase 转述的 Meta-Harness 讨论里提到，Agent 的持续学习不只发生在模型层，也可能发生在 harness layer 和 context layer。这个观察能对上工程实践。系统改进有时不来自模型权重，而来自上下文装配、工具定义、校验规则、评测样例和恢复策略。

所以这里把 Harness 单独拎出来看。

如果只看模型输出，就会把 Agent 当成“会思考的接口”。如果只看工具列表，就会把 Agent 当成“自动调用 API 的机器人”。但顺着 Harness 看，Agent 是一个把不确定决策放进受控流程的软件系统。

五组概念分开看

最后把几组概念收一下。

一句话概括：模块名只是入口，真正影响系统质量的是模块之间怎么传递信息、执行动作、留下证据。

从架构图回到几个问题

评估一个 Agent 架构时，我会先看模型下一轮到底读到了什么。任务说明、历史、工具、状态、检索结果和压缩摘要，哪些进入窗口，哪些留在事件日志里，系统要能解释清楚。

然后看工具调用的影响范围。Tool、Function Calling 和 MCP 只能说明能力如何表达和接入，不能替代访问控制。搜索、查库、写文件、退款、发消息，应该有不同的授权和确认策略。

失败恢复也要单独看。系统是否能找到最后一个确定完成的动作，取决于检查点、幂等设计和可回放日志。没有这些记录，重试可能变成让模型重新猜一次。

最后看完成证据。测试通过、指标恢复、文件 diff、外部接口状态、人工确认，都要和任务目标绑定，而不是只看模型最后一句“已经完成”。

这几个问题会把讨论带回工程现场，不只停在“有没有 Planner、有没有 Memory”。

模块当然重要。没有 Planner，复杂任务缺少阶段约束；没有工具，模型只能说不能做；没有 Memory，长任务缺少连续性；没有 Reflection，错误进不了下一轮。

但模块名本身不保证系统可靠。可靠性来自模块之间的运行关系：信息怎么流动，动作怎么执行，状态怎么保留，结果怎么验证。

最后

Agent 架构可以从七八个模块讲起，但不宜停在模块清单。

一种可落地的看法，是把 Agent 当成一条全链路：目标进入系统，计划约束阶段，上下文喂给模型，模型做局部决策，工具和协议接到外部世界，观察结果回到系统，验证器确认进展，状态和记忆支撑恢复与改进。

这条链路走通了，Planner、Tool、MCP、Memory、Reflection 才不只是概念，而是在同一个运行时里各自承担清楚的职责。

Agent 难的地方，也在这里。

关键不在于把模型包装成一个“会思考的人”。更值得投入的，是把模型每一次不确定的下一步，放进一个可控制、可验证、可恢复的系统。

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】