大模型中的Transformer与混合专家（MoE）

我用中文生成了差异点，做不到原图的效果，将就着看一下区别：

左侧 - Transformer架构：

• 输入经过位置编码(Positional embedding)
• 通过多个解码器块(Decoder block)处理
• 每个解码器块包含：层归一化(Layer norm)、掩码自注意力(Masked self-attention)、前馈网络(Feed forward network)
• 所有参数在处理每个token时都被激活使用

右侧 - Mixture of Experts架构：

• 同样的输入和位置编码
• 解码器块结构类似，但前馈网络被替换为专家混合系统
• 包含路由器(Router)来选择激活哪些专家
• 只有部分专家(selected experts)被激活处理特定输入
• 这样可以扩大模型容量而不成比例增加计算成本 这种架构设计让MoE模型能够在保持相对较低计算成本的同时，拥有更大的参数规模和更强的表达能力。

5种大模型微调技术

原图

翻译后的图

🚗 把大模型想象成一辆豪华汽车：

• LoRA - 像给车加装小配件（导航、音响）

原装引擎不动，只加小部件，成本低，效果好

• LoRA-FA - 像只换轮胎不换轮毂

比LoRA更省钱，只调一半部件，效果稍微差一点但够用

• VeRA - 像只调音响的音量旋钮

共用的喇叭设备，只调几个按钮，最省钱的方法

• Delta-LoRA - 分步骤渐进式改装

今天换个零件，明天再换个零件，循序渐进，更稳定

• LoRA+ - 智能调速改装

不同零件用不同的安装速度，训练更快，效果更好

传统RAG和智能体RAG

翻译后的图

简单来说，传统RAG和智能体RAG的区别就像：

🔍 传统RAG（像图书管理员）：

你问问题 → AI去数据库找相关信息 → 基于找到的内容回答 流程固定，一次性完成 有时可能找不到最佳答案

🤖 智能体RAG（像私人智能助理）：

你问问题 → AI先思考需要什么信息 → 智能选择使用哪些工具 → 根据结果判断是否需要更多信息 → 不断优化直到给出满意答案 流程灵活，可以多轮迭代 能够主动判断和决策，回答更准确全面

核心优势： 智能体RAG就像给AI装上了"大脑"，不仅会搜索，还会思考、判断、规划，能够根据具体情况灵活调整策略，提供更智能、更准确的回答。 这就是为什么智能体RAG被认为是下一代AI问答系统的发展方向！

5种AI智能体设计模式

翻译后的图

5种AI智能体设计模式解释

1. 反思模式 (Reflection Pattern)

像是"自我检查"的AI AI生成答案后，会反思自己的回答是否正确 如果发现问题，就重新生成更好的答案 就像学生做完题后检查一遍，发现错误就重做

1. 工具使用模式 (Tool Use Pattern)

AI像个多才多艺的助手 遇到问题时，知道调用合适的工具来解决 比如需要计算时调用计算器，需要搜索时调用搜索引擎 就像工人根据不同任务选择不同工具

1. 反应模式 (ReAct Pattern)

结合了"思考-行动-观察"的循环 AI会推理问题，采取行动，观察结果，然后继续 是一个持续的思考和行动过程 像侦探破案：分析线索→采取行动→观察结果→继续推理

1. 规划模式 (Planning Pattern)

AI像个项目经理 先制定计划，把大任务分解成小步骤 然后逐步执行每个步骤 就像做饭前先列清单，按步骤来

1. 多智能体模式 (Multi-agent Pattern)

多个AI专家协作工作 每个AI有自己的专长领域 它们互相配合完成复杂任务 像一个团队，每人负责自己擅长的部分

5大文本分块策略

原图

翻译后的图

📖 原图解释（用生活例子说明） 想象你要整理一本厚厚的百科全书，让别人更容易查找信息：

• 固定大小分块 = 用尺子量着切

每10页切一刀，不管内容是什么 优点：简单快速 缺点：可能把一个故事切断

• 语义分块 = 按话题分类

把讲同一个话题的内容放在一起 优点：内容更有逻辑 缺点：需要理解每页在讲什么

• 递归分块 = 先粗分再细分

先按章节分，太厚再按小节分，还是太厚再按段落分 优点：灵活适应 缺点：步骤有点复杂

• 结构分块 = 按目录分章节

直接按照书的目录来分：第一章、第二章… 优点：最符合阅读习惯 缺点：需要书有清晰的目录结构

• LLM智能分块 = 请专家帮忙整理

让AI读完整本书，然后智能地帮你分类 优点：分得最好最智能 缺点：请专家很贵，而且慢

智能体系统的5个等级

翻译后的图

1. 基础响应器

   最简单的形式，用户提问后直接由大语言模型回答，就像普通的ChatGPT对话。

2. 路由模式

   添加了一个"路由器"来判断问题类型，根据不同问题分配给不同的专门模型处理，比如技术问题给技术模型，创意问题给创意模型。

3. 工具调用

   AI可以主动调用外部工具，比如搜索引擎、计算器、API接口等，获取实时信息后再回答用户。

4. 多智能体模式

   由一个管理员智能体协调多个专业智能体合作完成任务，每个智能体负责不同领域，类似团队协作。

5. 自主模式

   最高级形式，有生成器智能体负责创造内容，验证器智能体负责检查质量，形成自我完善的闭环系统。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发