企业官网建设流程全解析

本文深入浅出地解析了大模型相关技术栈的各个层级，包括模型层、运行时层、能力层、编排层和产品层，帮助小白和程序员更好地理解和应用大模型技术。文章详细介绍了DeepSeek Harness、Agent、Skill、Workflow等关键概念，并通过实例和图表让读者清晰地了解它们之间的关系和作用。此外，文章还总结了六个最常见的误区，并提供了“三问法”来帮助读者快速判断和理解新的名词。最后，文章以一分钟速查表的形式，对关键术语进行了简明扼要的概括，方便读者查阅和复习。

deepseek，deepseek harness、agent、skill、workflow…

这串名词之所以看着像一锅粥，不是因为概念太多，而是因为它们根本不在同一个层。这篇文章就和您一起做一件事：把散落的名词各归其位。

如果只记一句话 模型是大脑，Harness 是身体，Skill 是手艺，MCP 是插座，Workflow 是流水线，产品是你面前那台机器。在前面这些词里，有的指「层」（模型层、运行时层），有的指「件」（技能、插件），有的指「形态」（智能体、工作流）——把它们放在同一条水平线上比较，必然越比越乱。

0 · 先立骨架：一张五层技术栈

AI 圈的名词混战，几乎全部源于一个原因：厂商在不同层上抢同一个词。同一个「Agent」，有人指一个产品，有人指一段循环代码；同一个「框架」，有人指运行时，有人指编排库。

所以最有效的办法不是背定义，而是先把层分清楚。下面这张图是全文的脊柱，后面所有概念都往它上面挂。

图 1 ｜ 智能体技术栈的五层全景。同一条业务链路上，五层可以分别由五家不同的公司提供，所以「我用的是某某模型」和「我用的是某某产品」是两件事。

顺着这张图，开头提到的名词就都有了位置：

• 大模型 → 模型层
• DeepSeek Harness → 运行时层
• Agent → 跨运行时层与编排层的一种系统形态
• Skill / 插件 / 连接器 → 能力扩展层
• Workflow → 编排层
• WorkBuddy → 产品层

一个容易被忽略的事实 同一家公司可以同时占好几层，这恰恰是混乱的来源。DeepSeek 既出模型（V4 系列），也出运行时框架（DeepSeek Harness）；腾讯既出模型（混元 Hy4），也出产品（WorkBuddy）。所以听到一个名字，先问一句：它在哪一层？

1 · 最底层｜大模型：那个只会「接着说」的东西

大语言模型（LLM）本质上是一个极其强大的「下一个 token 预测器」。它没有记忆，没有循环，不会主动做任何事。你给它一段文本，它算出一段概率分布，挑一个词接上去，再拿新序列算下一次——如此重复。

图 2 ｜ 大模型的工作循环。理解了「它只输出词」，就能理解为什么它不能自己动手——包括「我要调用工具」这句话，也只是它输出的一串词而已。

必须认识的几个术语

• Token（词元）：模型处理文本的最小单位，一个汉字往往 1～2 个 token。计费、速度、上下文长度全按它算。
• 上下文窗口（Context Window）：模型一次能「看到」多少 token。2026 年旗舰普遍到 100 万 token 级别，但「能装下」和「能用好」是两回事。
• 参数（Parameters）：模型内部的权重数量，粗略对应「脑容量」。当前最大的开源权重模型 Kimi K3 为 2.8 万亿参数（MoE 架构，激活约 104B）。
• MoE（混合专家）：把大模型切成很多「专家」，每次只激活一小部分。这是「参数很大但推理成本可控」的关键。DeepSeek V4 Pro 为 1.6T 总参 / 49B 激活。
• 预训练 → 后训练 → 对齐：先读海量文本学语言规律，再用指令数据教它听话，最后用偏好数据调它的行为。
• 推理模型（Reasoning Model）：回答前先写一长串「思考过程」再给结论，数学、代码、复杂规划更强，但更慢更贵。
• 开源权重（Open Weights）：把权重放出来让你自己部署。注意「权重可得」和「你跑得动」是两回事——2.8T 参数的模型，自部署门槛是以几十张加速卡起步的。

2026 年 9 月，模型层的代表选手

看榜的三条纪律 ① 看口径：基准复合分、真实用量榜、单次任务成本榜，三者结论经常相反； ② 看价格列：同档性能价格差八倍时，性能差异对多数场景已不重要； ③ 看透明度：厂商不公布数值分数、只给定性评级的，默认按第三方复测打折听。 另外，2026 年一个明显的变化是：模型不再是瓶颈，验证才是。真正拉开差距的，是模型外面那层工程。

2 · 运行时层｜Harness 与 Scaffolding：让模型真的动起来

这是 2026 年最热、也最容易讲糊涂的一层。行业里现在有个说法开始流行：模型决定 AI「能做什么」，Harness 决定 AI「如何把事情做完」。

把这一层再拆开，其实是两件事，一句话可以分开：

图 3 ｜ Agent 的三层骨架。Scaffolding 管「怎么想」（模型能感知的部分），Harness 管「怎么跑」（驱动模型运行的部分）。没有 Harness，模型只是在说「我想做什么」，什么都不会真正发生。

那 Harness 具体在循环里干什么？把它想成一个引擎：调用模型 → 解析它吐出来的工具请求 → 路由到真正的工具 → 拿回结果 → 更新上下文 → 判断该继续还是结束。

图 4 ｜ Agent 循环。每绕一圈叫一个turn，把所有 turn 连起来就是一条trajectory（轨迹）。Harness 的功夫，几乎全花在这条循环的稳定性上。

Harness 工程其实还分三层

2026 年 8 月前后，三家团队先后交作业，都叫 harness，但压根不在同一层。把它们分开看，思路立刻清晰：

• 运行时层——怎么把一个基座模型，安全、可控、可复现地跑成一个「受控工人」。这是地基。代表：DeepSeek Harness。
• 构建 / 演进层——怎么自动造出一个 Agent，并让它持续迭代变强。这是在地基上盖楼。代表：PenguinHarness。
• 元 / 自研究层——怎么让 AI 自己去研究「harness 本身该怎么改才更省」。这是站在楼外研究「楼怎么盖才省料」。代表：NVIDIA SoL-Pi。

DeepSeek Harness（DSH）｜运行时层 · MIT 开源

一句话：DeepSeek 官方开源的通用 Agent 运行时框架，把「模型之外的一切」插件化。团队自己的比喻是——模型是 Agent 的灵魂，Harness 给予 Agent 理解环境、使用工具、并在真实场景中持续工作的能力。

时间线：2026 年 3 月成立独立 Harness 团队；8 月 13 日以 v0.1 开发者预览版向全球开放测试，并以 MIT 协议开源，上线不到 24 小时就在 GitHub 上收了 7 万多颗星。

核心哲学：「一切皆插件」。模型、工具、技能、会话、沙箱、存储、循环、调度、UI 全部由插件组合而成，可自由替换、灵活重组——连 agent loop 本身都是一个插件。底层是 Cordis 插件内核，TypeScript 实现，服务、事件、生命周期都有明确边界，支持热插拔。

形态：默认带一个本地 Web UI（127.0.0.1:3080）；支持多 provider 适配（官方 DeepSeek、自托管 gateway、任意 OpenAI 兼容端点）；提供workspace-write + approval的权限沙箱。

适合怎么用：当团队内部的 Agent 运行时底座。把散落的脚本胶水收口到一个统一 runtime，权限、审计、可复现一把抓。它是内核，不是 Dify / Coze 那种业务画布。

两个坑：① 本地 UI ≠ 本地推理——默认路由走远程 API，要凭证；② 它是 developer preview，破坏性变更在预期之内，绑定深了升级就是重做，建议锁死版本并自行 fork 维护。

PenguinHarness（企鹅驾驭师）｜构建演进层 · Apache-2.0 开源

一句话：由 LlamaFactory 作者团队开源的自进化 Agent harness——「一句话描述 → 自动生成、评测、迭代一个会自我变强的 Agent」。当年 LlamaFactory 把「微调模型」的门槛踩平了，这次想踩平的是「造 Agent」。

闭环：Agent 自动构建另一个 Agent，基于 benchmark 自我评估并迭代版本，形成build → eval → optimize循环；每个版本有快照，每次请求都能在 Trace 视图里观测。原生支持上千种模型，不被单一 provider 绑死。

成本口径：官方称在 DeepSeek V4 Pro 上造一个 RAG 应用约 0.02 美元（约 ¥0.2）。注意这是厂商口径，且是首轮单价而非全生命周期均价，落到自己业务集上必须实测。

最大的风险：没有干净、可量化的 benchmark，自进化就会空转甚至越改越差；Agent 自己改自己，行为漂移说不清、进生产后回归极难。务实做法：benchmark 当第一公民、自进化只跑影子环境、达标再灰度、全链路轨迹留痕。

SoL-Pi｜元 / 自研究层 · NVIDIA 出品

一句话：它不是一个新的 harness，而是装在另一个 harness（Pi）上面的一层扩展，标语很直白——「Spend less without getting less done」（花更少的钱，但不少做事）。

思路相反于前两者：DeepSeek 和 PenguinHarness 是「人设计 harness 去驾驭模型」，SoL-Pi 是「让 AI 自己去研究怎么改 harness 本身」。它让 Agent 构造训练环境，让另一些 Agent 观察模型怎么探索轨迹，把观察变成 auto-research loop 去优化 harness——而优化目标被严格限定为效率：在能力保全门槛下压 token 与成本。

最终活下来的四个机制，全是「token 经济型」决策：

• Action Fusion：改完文件，把「跑测试」折进同一次工具调用，省掉一整轮模型往返。
• Online Context Compact：不在上下文快爆了才压缩，而在子任务边界判断「未来省下的能不能偿还重写成本」——压缩时机语义化，而不是容量触发的急救。
• ObservationPack：工具结果不每轮重塞上下文，先存索引，真要用再分页取。
• Evidence-Preserving Reducer：长日志交给便宜模型总结，但逐行核对引用是否对得上归档原文——这是它能放心落地的关键。

除了这三家，真正被大量日常使用的成熟 harness 是 Claude Code（CLI）、OpenAI Codex、Cursor 这一类面向软件开发的 Agent——它们能理解代码库、调用工具、改代码并完成复杂工程任务。同一代模型塞进不同 harness，表现差出一档，这就是为什么 2026 年「模型不再是瓶颈」的说法开始站得住脚。

为什么这一层突然这么重要 因为当顶级模型的分数彼此只差几个点的时候（前十名往往只差 8 分左右），harness 和提示词工程产生的差异，足以让一个模型上下挪好几个名次。模型是要花钱买的公共品，harness 才是各家自己的护城河。

3 · 能力层｜Tool、MCP、Skill、插件、连接器

模型再聪明，也需要「手」。这一层解决的就是「手」的问题，但它内部也分了三代，理解这三代的演进，比背定义有用得多。

第一代：Function Calling —— 一次性约定

2023 年 6 月，OpenAI 为 GPT-4 / GPT-3.5-turbo 引入了 Function Calling：开发者把可用函数的清单（名字 + 描述 + JSON Schema 参数）一次性塞进 prompt，模型返回「我要调用哪个函数、传什么参数」，应用层负责执行并把结果喂回去。Anthropic 后来做了同一样东西，只是叫 Tool Use（还多加了强制调用、并行调用、流式工具调用等能力）。

它的硬伤是 M×N 适配问题：M 个 AI 应用 × N 个工具 = M×N 次对接。而且各家的格式互不兼容。

第二代：MCP —— 把 M×N 变成 M+N

MCP（Model Context Protocol）由 Anthropic 在 2024 年 11 月 25 日开源，是基于 JSON-RPC 2.0 的标准化通信协议。它的关键革命不是性能，而是解耦：工具厂商（GitHub、Slack、Notion、数据库……）做一次 MCP Server，所有 MCP 客户端自动可用。

图 5 ｜ 工具调用协议的代际差异。左边是 2023 年的现实，右边是 2026 年的主流。协议治理也已落定：MCP 与 A2A 都在 2025 年底进入了 Linux Foundation 旗下的 Agentic AI Foundation。

MCP 生态现在多大？按公开扫描与目录统计：互联网上可访问的 MCP 服务已超过 1 万个，主要目录里注册的 server 超过 4,800 个，GitHub 上标记为mcp-server的仓库超过 15,000 个。OpenAI、Google、微软的客户端都已支持——它事实上赢下了「Agent 到工具」这一层。

第三代：Skill —— 把「手艺」写成文件

Agent Skill 是 Anthropic 在 2025 年 10 月提出、并在同年 12 月 18 日开放为标准的一种格式。它简单到令人意外：一个文件夹 + 一个SKILL.md。文件开头是一小段 YAML（只需要name和description），下面是给模型看的操作说明，还可以带脚本和参考文档。

它的精髓是渐进式加载：平时只有描述常驻上下文（每个技能约 100 token），命中任务时才读取正文（建议控制在 5,000 token 以内），附带文件更是用到才读，脚本则只把执行结果带进上下文。所以技能可以写得很厚，却几乎不占预算。

图 6 ｜ 技能与 MCP 不是二选一。一个实用判断：数据每次都可能变、需要实时取 → 用 MCP；知识稳定、写一次能用几周 → 用技能文件。需要两个的时候，技能定义方法，MCP 取回数据。

那「插件」和「连接器」又是什么？

它们是厂商自己的封装叫法，通常比上面两个都「大」：一个插件可以同时包含技能（指令）、连接（MCP 或私有接口）、界面（UI 面板）、生命周期钩子与权限声明。

• 连接器（Connector）：打通外部系统的通道。例如 WorkBuddy 的连接器可以把天眼查、携程、百度网盘这类第三方能力接进来，用户只要说一句话，智能体就按需调用相关数据。
• 插件（Plugin）：更宽的盒子。MCP Server 算是插件的一种标准形态，但插件不一定是 MCP。
• 技能市场：各家的分发渠道。SKILL.md 之所以值得关注，是因为它跨客户端可移植——同一份技能可以跑在 Claude Code、Cursor、Codex、GitHub Copilot、VS Code、Gemini CLI、Goose 等多个宿主里。

| 形式 | 文件夹 + SKILL.md | JSON-RPC / stdio 或
严格说自动化不是第三种形态，而是工作流的一种触发方式——「每天 9 点跑一遍」或者「收到新邮件就处理」。WorkBuddy 里它叫「自动化」，n8n 这类平台则把整件事叫自动化。它的价值在于把重复工作从「你想起来才做」变成「到点就做」。

多智能体与 A2A：从「一个人干」到「一群人协作」

当一个任务天然可以拆成几种不同技能时，多智能体才有意义——比如调研、写作、审校各一个角色，各自持有自己的上下文和工具。而让不同厂商、不同框架造出来的 Agent 能互相发现和委派任务，靠的是另一套协议。

图 8 ｜ 两个协议各管一段。A2A 管「Agent ↔ Agent」（横向），MCP 管「Agent ↔ 工具」（纵向）。它们不竞争，而是叠在一起用。

• A2A（Agent2Agent）由 Google 在 2025 年 4 月发布，随后捐给 Linux Foundation。它用 Agent Card（自描述能力清单，类似 Agent 的「身份证 + 说明书 + 合约」）实现互相发现，用任务生命周期状态机管理长任务。到 2026 年 4 月满一周年时，已有 150 家以上组织支持，规范推出 1.0（加入多租户与签名 Agent Card），并集成进 Google Cloud、Azure AI Foundry、Copilot Studio、Amazon Bedrock AgentCore。
• 别忘了：多智能体不是越多越好。每多一个 Agent，上下文就要被复制一次，成本和延迟一起上涨，前面的错误还会顺着链路放大。先确认任务天然可拆，再决定要不要多智能体。

编排框架地图：先看你会不会写代码

选型心法：低代码看「落地速度」，代码框架看「控制力」。至于多智能体，先问一句「这个任务到底能不能拆」——拆不开就别拆。

5 · 产品层｜你真正打开的那个东西

产品层是「把下面四层打包卖给用户」的那一层，也是概念混淆最严重的一层——因为厂商在这里抢词、造词、混用词。同一句「我们的 Agent 很强」，可能指模型强、可能指编排强、也可能指界面好用。

WorkBuddy｜产品层 · 腾讯出品

一句话：腾讯出品的全场景 AI 工作台。你用自然语言描述需求，它自主规划、执行，并交付文档、表格、PPT 这类可直接使用的完整成果。

时间线：2026 年 3 月上线试运营，此后迭代了 50 多个版本；6 月发布企业版；9 月 2 日开放平台上线，首批引入上百家生态伙伴。

能力按模块组织（这三个词就是厂商自己的封装）：

• 技能——一系列经过优化的定向提示词，用来精准完成特定类型的办公任务。（对应第 3 节的 Agent Skills）
• 专家——面向细分工作场景，把多项相关技能整合成的专属能力模块。（对应「角色化的技能包」）
• 连接器——打通不同应用的接口通道，可对接天眼查、携程、百度网盘等第三方工具，一句话就能按需调用相关数据。（对应 MCP / 插件生态）

它还支持：多任务并行、授权后操作本地文件、资料库（内部知识与资料）、自动化（定时或事件触发）。交付物是「可验收的结果」而不是一段建议——这也是它和传统对话式 AI 最本质的差别。

拆到五层看，它长这样：模型层（开放的多模型供给）＋ 运行时层（自家的 Harness 能力）＋ 能力层（技能 / 连接器 / 插件）＋ 编排层（专家多角色并行、自动化）＋ 产品层（桌面端 / 主流 IM / 小程序）。没有哪一层是「WorkBuddy」这一个词能概括的。

一个行业级的转向 办公软件正在从「被人操作的工具」变成「主动干活的执行主体」。过去 Copilot 模式是「帮你写」，现在的 Agent 追求「替你干完」——价值重心也从个人单点提效转向团队协同提效。顺带一提，这也解释了为什么巨头都要做产品：做产品能持续收集真实场景反馈，反过来优化模型与生态。

6 · 将开头的词逐个归位

先做两处名称校正：开头说的 workbody 应当是 WorkBuddy（腾讯的全场景 AI 工作台）；deepseekharness 是 DeepSeek Harness（简称 DSH，DeepSeek 官方开源的 Agent 运行时框架）。它们两个恰好一个在顶层、一个在中间层，是最典型的「不该放在一起比」的例子。

你没提到、但同样该知道的

• MCP — Agent 与工具的协议
• A2A — Agent 与 Agent 的协议
• Function Calling / Tool Use — 调用工具的原始能力
• Tool — 一个个具体动作
• Scaffolding — 模型能看到的世界
• Harness — 让模型跑起来的循环
• RAG — 让模型查资料再回答
• Memory — 跨轮次、跨会话的记忆
• Context Engineering — 上下文工程
• Sub-agent — 子智能体
• Hook — 在关键节点插入的钩子
• 评测 harness — SWE-bench / Terminal-Bench 这类考卷
• 开源权重 vs 闭源 API
• Token 计费与峰谷定价

7 · 六个最常见的误区

1. 把产品当模型。「我在用 DeepSeek」——你用的可能是一个套了某家 harness、接了某个模型接口的产品。模型是可以被换掉的零件，产品才是你体验到的整体。

2. 把框架当能力。装了 LangChain、配了 MCP，不等于你有了智能体。能力来自模型 + 工具 + 流程三者，框架只是把它们装起来的那层壳。

3. 以为 MCP 和 Skill 二选一。它们解决的是两个问题：一个管「怎么做」，一个管「能碰到什么」。成熟做法是技能定义方法、MCP 提供实时数据。

4. 以为 Agent 一定比 Workflow 高级。步骤确定、要求审计和复现的场景，工作流更便宜也更稳。用柔性换来不可控，通常不划算。

5. 以为「本地界面 = 本地推理」。这是 harness 产品最常见的误读：界面跑在你机器上，推理请求可能照样发往远程 API，数据边界要自己划。

6. 以为扩展装得越多越强。每个扩展都在收上下文税。装到一定程度，模型的选择能力反而下降。少而准。

最后送你一个「三问法」 以后再遇到一个新名词，问三句就够了： ① 它在第几层？（模型 / 运行时 / 能力 / 编排 / 产品） ② 它改变的是「想法」还是「能力」？（指令类改行为，服务类扩范围） ③ 路线谁定？（人定 → 工作流；模型定 → 智能体） 三问答完，这个名词 90% 的混淆就消失了。

8 · 一分钟速查表

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】