在大模型与智能体应用场景层出不穷的今天，作为一名不断学习的信息化数字化从业者，我们可以实践一下AI Agent基本开发流程，理论联系实践，以加深我们对AI Agent的了解。

本文是Chaiys同学基于一个简单业务场景详细描述的AI Agent开发实践案例，可以用于熟悉RAG、工具调用、ReAct等概念，可以体验LangChain和QwenAgent等AI Agent主流开发框架。

一、案例描述

1.1. 业务场景

这里我们设计一个简单的场景：2025年，一位高三的同学在高考结束之后，借助AI Agent简单的查询了解一下2016年到2024的考生人数、录取人数、复读人数、普通高校数量、本科录取人数、专科录取人数这些基本信息，对历年高考考生规模做一个基本了解，借助小助手做一个简单分析预测。

基于这个场景，我们梳理一下我们的Agent需要实现的功能：用户输入自然语言查询高考录取相关信息，Agent自动生成查询SQL，查询完毕后附带简要分析输出，具体如下：

• 结构化的数据需要后台运维，进行持久化存储，采用Mysql存储，涉及多张表的数据；
• 元数据结构采用ElasticSearch8存储，可向量化KNN匹配；
• 自然语言解析出查询SQL需要借助大模型匹配元数据结构，然后编写提示词生成SQL；
• 生成的SQL需要到Mysql查询数据；
• 查询完毕的数据还需要借助大模型分析一下返回。

1.2. 数据准备

对于高考信息，我们需要存储到Mysql的结构化的表中，以便搜索查询数据，表结构如下：

droptable college_entrance_examination;
droptable college_entrance_admission;
createtable college_entrance_examination (
    examination_year              integerNOTNULL COMMENT '高考年份',
    candidates_count              decimal(10,2) NOTNULL COMMENT '考生人数(万人)',
    retake_count                  decimal(10,2) COMMENT '复读人数(万人)',
primary key (examination_year)
) comment '考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数(万人)';

createtable college_entrance_admission (
    admission_year              integerNOTNULL COMMENT '录取年份',
    admission_count               decimal(10,2) NOTNULL COMMENT '录取人数(万人)',
    university_count              integer COMMENT '普通高中招生高校数',
    undergraduate_admission_count    decimal(10,2) COMMENT '本科录取人数(万人)',
    specialty_admission_count   decimal(10,2) COMMENT '专科录取人数(万人)',
primary key (admission_year)
) comment '录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、普通高中招生高校数、本科录取人数(万人)、专科录取人数(万人)';

数据如下：

insertinto college_entrance_examination(
    examination_year,candidates_count,retake_count
) values
(2016,940,117),
(2017,940,143.39),
(2018,975,172.1),
(2019,1031,230.95),
(2020,1071,242.2),
(2021,1078,187),
(2022,1193,316.56),
(2023,1291,210),
(2024,1342,413)
;

insertinto college_entrance_admission(
    admission_year,admission_count,university_count,
    undergraduate_admission_count,specialty_admission_count
) values
(2016,772,2595,405,367),
(2017,761.49,2631,410,351),
(2018,790.99,2663,422,369),
(2019,820,2688,431,389),
(2020,967.45,2740,443,524.45),
(2021,1001.32,2759,448.74,552.58),
(2022,1014.54,2760,467.18,547.36),
(2023,1058.21,2820,482.89,575.32),
(2024,1068.9,2868,478.16, 590.74)
;

注：上述高考考生基本数据来源于互联网、教育局网站。

注：具体业务上可能远远不止一个数据源、两张表，需要根据用户问题使用RAG检索匹配具体使用哪个数据源的哪个表，本次实践仅仅使用两张表模拟多数据源的业务场景，为语义匹配流程开发做一个学习与了解！

接下来我们分别用手写代码、基于LangChain框架、基于QwenAgent框架等三种不同的模式进行AI Agent的实践探索。

二、开发实践（手写代码）

2.1. 总体架构

1、API服务(API Service)对智能体提供类似MCP的工具服务；

2、智能体(AI Data Analysis Agent)对用户输入的自然语言查数进行回答，执行过程中调用相应的API服务；

3、同时智能体具有简单的容错流程：未匹配到元数据时结束流程并进行提示、生成的SQL未查询到数据时结束流程并进行提示；

2.2. 实现流程

按照我们上面的核心业务梳理实现流程，手写一个Workflow，主要是根据用户问题，先匹配数据源的表结构，再生成SQL、查数和分析。

2.3. 智能体代码实践

具体开发实现如下(agent_service.py)：

import sys
import re
import json
from api_service import QueryService,SemanticServce,AnalysisService

# metadata init  元数据初始向量化过程
definit():
print("开始执行方法init")
    queryService = QueryService()
    semanticService = SemanticServce()
# 1. 从mysql中获取表结构元数据信息
    results = queryService.query(
"""
        SELECT
            t.TABLE_NAME AS '表名',
            t.TABLE_COMMENT AS '表备注',
            c.COLUMN_NAME AS '字段名',
            c.COLUMN_TYPE AS '字段类型',
            c.COLUMN_COMMENT AS '字段备注'
        FROM
            INFORMATION_SCHEMA.TABLES t
        INNER JOIN
            INFORMATION_SCHEMA.COLUMNS c
            ON t.TABLE_NAME = c.TABLE_NAME AND t.TABLE_SCHEMA = c.TABLE_SCHEMA
        WHERE
            t.TABLE_SCHEMA = 'chaiys'
            and t.table_name in ('college_entrance_admission','college_entrance_examination')
        ORDER BY
            t.TABLE_NAME,
            c.ORDINAL_POSITION
        """
    )
    table_data = {}
for row in results:
        table_name = row[0]
if table_name notin table_data:
            table_data[table_name] = {
'表名': table_name,
'表备注': row[1],
'字段列表': []
            }

# 添加字段信息
        table_data[table_name]['字段列表'].append({
'字段名': row[2],
'字段类型': row[3],
'字段备注': row[4]
        })

print(table_data)
    semanticService.create_index()
# 转换为列表形式
for table_name inlist(table_data.keys()):
        table = table_data[table_name]
# 2. 向量化表结构元数据信息并插入ES索引
        semanticService.vectorize_and_index(table_name, json.dumps(table, ensure_ascii=False))

# agent flow  智能体核心流程
defchat(user_query):
print("执行方法chat")
    queryService = QueryService()
    semanticService = SemanticServce()
    analysisService = AnalysisService()
# 1. 语义匹配
    table = semanticService.hybrid_search(user_query, 1)
ifnot table:
print(f"未匹配到字段")
return
    table_list = [t["table_info"] for t in table]
    prompt = f"""
        你是一个MySQL专家。根据以下表结构信息：
{table_list}

        用户查询："{user_query}"

        生成标准MYSQL查询语句。
        要求：
        1. 只输出MYSQL语句，不要额外解释
        2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须
        3. 给生成的字段取一个简短的中文名称
        输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1 from dual]
    """
print(f"PROMPT={prompt}")
# 2. 大模型生成SQL
    str1 = analysisService.analysis(prompt)
    sql = re.search(r'\[(.*?)\]', str1, re.DOTALL).group(1).strip()

# 3. 执行查询
if sql:
        resultSet = queryService.query_with_column(sql)
print(f"resultSet={resultSet}")

# 基础分析
        prompt2 = f"""
            根据以下表结构信息：
{table_list}
            查询SQL：
{sql}
            和以下数据信息：
{resultSet}

            用户查询："{user_query}"

            生成一段简要分析，加上一些预测总结的内容
        """
print(f"PROMPT={prompt2}")
        analysisService.analysis(prompt2)

if __name__ == "__main__":
# 获取命令行参数
    args = sys.argv[1:]  # 第一个参数是脚本名，跳过

ifnot args:
print("请提供参数：init或者chat+user_query")
elif args[0] == "init":
        init()
elif args[0] == "chat":
print(f"user_query={args[1]}")
        chat(args[1])
else:
print(f"未知参数: {args[0]}")

2.4. API服务代码实践

这里的API服务，指的是为智能体的实现提供服务调用，文件名称api_service.py。

2.4.1. 语义检索服务(Semantics API)

语义服务有两个功能：

1、将元数据向量化到ES8，调用文本嵌入向量模型llama2向量化自然语言，生成4096高维向量;

2、自然语言匹配元数据返回，调用文本嵌入向量模型llama2向量化后，调用ES8使用KNN检索topK数据+分词检索topK数据，混合计算得分后返回最终topK,即简化版的外置检索增强生成(RAG);

具体开发实现如下：

import requests
import json
from elasticsearch import Elasticsearch

# Semantics API
classSemanticServce:
def__init__(self):
self.es_client = Elasticsearch(
            hosts=["https://localhost:9200"],
            basic_auth=("elastic", "FxCZQXMLEoZLAIvsghQy"),
            ca_certs="./es_http_ca.crt",
            verify_certs=True
        )
# 向量化模型
self.ollama_host = "http://localhost:11434/api/embeddings"
self.metadata_index = "metadata_index"
self.modal_name = "llama2"
self.mapping = {
"mappings": {
"properties": {
"table_info": {
"type": "text",
"analyzer": "ik_max_word",  # 中文分词
"search_analyzer": "ik_smart"
                    },
"nomic_embedding": {
"type": "dense_vector",
"dims": 4096,
"index": True,
"similarity": "cosine",
                    }
                }
            }
        }

defget_embedding(self, text):
"""使用 Ollama 生成文本嵌入向量"""
try:
print(f"调用大模型llama2向量化：{text}")
            response = requests.post(self.ollama_host, json={"model": self.modal_name, "prompt": text})
            response.raise_for_status()
            embedding = response.json()["embedding"]
return embedding
except Exception as e:
raise RuntimeError(f"嵌入生成失败: {str(e)}")

defdelete_index(self):
"""安全删除索引"""
try:
ifself.es_client.indices.exists(index=self.metadata_index):
self.es_client.indices.delete(index=self.metadata_index)
print(f"索引 {self.metadata_index} 删除成功")
returnTrue
returnNone
except Exception as e:
print(f"删除索引失败: {type(e).__name__}: {str(e)}")
returnFalse

defcreate_index(self):
self.delete_index()
"""创建支持nomic向量的索引"""
self.es_client.indices.create(index=self.metadata_index, body=self.mapping)
print(f"索引 {self.metadata_index} 创建成功")

defvectorize_and_index(self, prompt, content):
"""生成文本嵌入向量并插入索引"""
        doc = {
"table_info": content,
"nomic_embedding": self.get_embedding(prompt)
        }
self.es_client.index(index=self.metadata_index, document=doc)
self.es_client.indices.refresh(index=self.metadata_index)
print(f"表信息 {prompt}:{content} 向量化成功")

defsemantic_search(self, user_query, k):
"""执行语义相似度搜索"""
        query_embedding = self.get_embedding(user_query)

        knn_query = {
"knn": {
"field": "nomic_embedding",
"query_vector": query_embedding,
"k": k,
"num_candidates": 100# 这就是ef_search参数
            },
"_source": ["table_info"]  # 返回原始问题
        }

        response = self.es_client.search(index=self.metadata_index, body=knn_query)
        table_info = [
            {
"score": hit["_score"],
"table_info": hit["_source"]["table_info"],
"id": hit["_id"]
            }
for hit in response["hits"]["hits"]
        ]
print(f"自然语言语义检索字段成功，匹配到的元数据信息：{table_info}")
return table_info

defkeyword_search(self, user_query: str, k) -> list:
"""基于分词的关键词匹配搜索"""
        search_query = {
"query": {
"bool": {
"should": [
                        {
"match": {
"table_info": {
"query": user_query,
"analyzer": "ik_smart",  # 使用IK中文分词器
"boost": 1.0
                                }
                            }
                        },
                        {
"match_phrase": {
"table_info": {
"query": user_query,
"slop": 2,  # 允许短语间隔
"boost": 0.5
                                }
                            }
                        }
                    ]
                }
            },
"size": k,
"_source": ["table_info"],
"highlight": {
"fields": {
"table_info": {}  # 返回高亮片段
                }
            }
        }

        response = self.es_client.search(index=self.metadata_index, body=search_query)

        table_info = [
            {
"score": hit["_score"],
"table_info": hit["_source"]["table_info"],
"id": hit["_id"],
"highlight": hit.get("highlight", {}).get("table_info", [])
            }
for hit in response["hits"]["hits"]
        ]
print(f"自然语言分词搜索字段成功，匹配到的元数据信息：{table_info}")
return table_info

defhybrid_search(self, user_query: str, k, alpha: float = 0.7) -> list:
"""混合搜索（语义+关键词）"""
# 语义搜索
        semantic_results = self.semantic_search(user_query, k * 2)
        semantic_map = {hit["id"]: hit for hit in semantic_results}

# 关键词搜索
        keyword_results = self.keyword_search(user_query, k * 2)
        keyword_map = {hit["id"]: hit for hit in keyword_results}

# 合并结果
        all_ids = set(semantic_map.keys()) | set(keyword_map.keys())
        combined = []

for doc_id in all_ids:
            semantic_score = semantic_map.get(doc_id, {}).get("score", 0)
            keyword_score = keyword_map.get(doc_id, {}).get("score", 0)

            combined.append({
"id": doc_id,
"table_info": semantic_map.get(doc_id, keyword_map.get(doc_id))["table_info"],
"semantic_score": semantic_score,
"keyword_score": keyword_score,
"combined_score": alpha * semantic_score + (1 - alpha) * keyword_score,
"highlight": keyword_map.get(doc_id, {}).get("highlight", [])
            })

# 按综合分数排序
        combined.sort(key=lambda x: x["combined_score"], reverse=True)

        table_info = combined[:k]
print(f"自然语言混合检索字段成功，匹配到的元数据信息：{table_info}")
return table_info

2.4.2. 大模型调用服务(Analysis API)

大模型调用服务中，我们直接调用本地部署的deepseek-r1:32b大模型，根据传入的提示词进行处理，可以用于根据自然语言生成SQL即NL2SQL，也可以用于对查询结果数据进行简单总结和分析，具体开发实现如下：

import requests
import json
# Analysis API
classAnalysisService:
def__init__(self):
self.ollama_host = "http://localhost:11434/api/chat"

defanalysis(self, prompt):
# 发送POST请求
str = ""
# 请求数据
        data = {
"model": "deepseek-r1:32b",
"messages": [
                {"role": "user", "content": prompt}
            ],
"stream": True
        }
with requests.post(self.ollama_host, json=data, stream=True) as response:
# 处理流式响应
for line in response.iter_lines():
if line:
                    decoded_line = line.decode('utf-8')
try:
# 解析JSON数据
                        chunk = json.loads(decoded_line)
str += chunk['message']['content']
# 打印消息内容
print(chunk['message']['content'], end='', flush=True)
except json.JSONDecodeError:
print(f"无法解析JSON: {decoded_line}")
returnstr

2.4.3. 数据查询服务(Query API)

本服务主要是根据输入SQL连接数据库进行实际查询，智能体利用大模型服务生成SQL后，还需要调用此服务查询数据，具体开发实现如下：

import pymysql
import requests
import json
import decimal
from elasticsearch import Elasticsearch

# Query API
classQueryService:
def__init__(self):
self.host = "127.0.0.1"
self.username = "root"
self.password = "XXXXX"
self.database = "chaiys"

defquery(self, sql):
global conn
try:
# 连接MySQL获取表结构
            conn = pymysql.connect(host=self.host, port=3306, user=self.username, password=self.password, database=self.database)
            cursor = conn.cursor()
            cursor.execute(sql)

# 返回字段列表
return cursor.fetchall()
finally:
            conn.close()

defquery_with_column(self, sql):
global conn
try:
# 连接MySQL获取表结构
            conn = pymysql.connect(
                host=self.host,
                user=self.username,
                password=self.password,
                database=self.database
            )
            cursor = conn.cursor()
            cursor.execute(sql)

# 获取字段名称
            columns = [col[0] for col in cursor.description]
# 获取数据
            data = cursor.fetchall()

# 将数据转换为字典列表格式
# 将数据转换为字典列表格式
            result = []
for row in data:
# 处理每个字段的值
                processed_row = []
for value in row:
ifisinstance(value, decimal.Decimal):
# 转换为 float 或 str
                        processed_row.append(float(value))  # 或 str(value)
else:
                        processed_row.append(value)
                result.append(dict(zip(columns, processed_row)))

return result
finally:
            conn.close()

2.5. 测试结果

我们设计一些简单的相关问题，进行提问测试：

问题1：2016年的考生人数有多少？

运行python agent_service.py chat ‘2016年的考生人数有多少？’，主要输出结果如下：

########## 第一步：元数据RAG检索结果 ##########
[{'table_info': '{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考年份(主键)、考生人数(万人)、复读人数(万人)，考生人数是指参加高考的学生的数量，复读人数是指参加高考的复读学生的数量", "字段列表": [{"字段名": ...省略若干字段信息...}]}']}]

########## 第二步：大模型调用NL2SQL ##########
########## 提示词 ##########
    你是一个MySQL专家。根据以下表结构信息：
    ['{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：...省略...}]}']

    用户查询："'2016年的考生人数有多少？'"

    生成标准MYSQL查询语句。
    要求：
1. 只输出MYSQL语句，不要额外解释
2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须
3. 给生成的字段取一个简短的中文名称
    输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1from dual]
########## 结果 ##########
<think>
好，我来想想怎么解决这个问题。用户的问题是：“2016年的考生人数有多少？”首先，我需要理解问题中的关键词和要求。

表名是college_entrance_examination，里面有关于高考的数据。字段有三个：examination_year（高考年份），candidates_count（考生人数，单位是万人），retake_count（复读人数，也是万人）。主键是examination_year，所以每个年份只有一条记录。

用户问的是2016年的考生人数，也就是要查询candidates_count这一字段。因为这是一个具体的数值，并不需要聚合函数计算，直接查就可以了。

所以，我需要写一个SELECT语句，从这个表中选取candidates_count，条件是examination_year等于2016年。同时，给结果的字段取个简短的名字，比如“考生人数”。

检查一下数据类型，candidates_count是decimal(10,2)，所以不需要处理，直接显示就可以了。

最后，拼装SQL语句就是：SELECT candidates_count AS 考生人数 FROM college_entrance_examination WHERE examination_year = 2016;

这样就能准确地返回用户需要的信息了。
</think>

[select candidates_count as 考生人数 from college_entrance_examination where examination_year=2016]执行SQL：select candidates_count as 考生人数 from college_entrance_examination where examination_year=2016

########## 第三步：查询数据结果 ##########
[{'考生人数': 940.0}]

########## 第四步：数据分析 ##########
########## 提示词 ##########
        根据以下表结构信息：
        ['{"表名": "college_entrance_examination", "表备注": "考生人数与复读人数信息表，包含字段：高考... 省略若干字段信息... "}]}']
        查询SQL：
        select candidates_count as 考生人数 from college_entrance_examination where examination_year=2016
        和以下数据信息：
        [{'考生人数': 940.0}]

        用户查询："'2016年的考生人数有多少？'"

        生成一段简要分析，加上一些预测总结的内容
########## 结果 ##########
<think>
好的，我现在需要帮用户生成一个关于2016年高考考生人数的分析和预测。首先，我得仔细理解用户提供的信息。

用户给出了表结构，里面包括了高考年份、考生人数和复读人数。查询语句是选中2016年的考生人数，结果得到940.0万人。那用户的问题就是问“2016年的考生人数有多少？”

接下来，我需要分析这个数据。首先，...省略...

然后，思考为什么用户会问这个问题...省略...政策影响等。

接下来是预测部分。我需要基于2016年的数据进行合理的...省略...趋势。

还要考虑可能的因素，比如...省略...

最后，要总结一下。2016年的数据是...省略...
</think>

### 数据分析与预测总结

1. **数据分析**：
   - 2016 年高考考生人数为 940 万人，这一数据反映了当年参加高考的学生总数。
   - 高考考生人数的变化受多种因素影响，例如人口结构、教育政策调整以及复读人数的变化等。

2. **预测总结**：
   - 根据近年来高考报名人数的趋势，预计未来几年高考考生人数可能会继续保持增长趋势。这主要是由于适龄人口数量的增加以及教育资源普及率的提高。
   - 复读人数也可能对总考生人数产生一定影响。如果复读人数逐年减少，可能会影响高考考生人数的增长速度。

综上所述，2016 年高考考生人数为 940 万人，这一数据为我们了解当年高考的基本情况提供了重要参考。未来，高考考生人数可能会继续增长，但增速可能会趋于平稳。

可以看到，语义混合检索返回的一个表结构命中元数据考生人数信息表，正常生成SQL，并查询到考生人数，最后调用大模型简单分析返回。

问题2：2016年的录取人数有多少？

运行python agent_service.py chat ‘2016年的录取人数有多少？’，主要输出结果如下：

########## 第一步：元数据RAG检索结果 ##########
[{'table_info': '{"表名":"college_entrance_admission","表备注":"录取人数与普通高校数信息表，包含字段：录取年份(主键)、录取人数(万人)、普通高中招生高校数、本科录取人数(万人)、专科录取人数(万人)，录取人数是指录取或者招收、招录的学生的数量"...省略若干字

为了减少文字，表结构信息这里省略了，用户这个问题通过语义检索到的表（college_entrance_admission），和前面一个问题检索到的表（college_entrance_examination）不同，

########## 第二步：大模型调用NL2SQL ##########
########## 提示词 ##########
    你是一个MySQL专家。根据以下表结构信息：...省略若干字prompt和think过程

[select admission_count as 录取人数 from college_entrance_admission where admission_year=2016]执行SQL：select admission_count as 录取人数 from college_entrance_admission where admission_year=2016

########## 第三步：查询数据结果 ##########
[{'录取人数': 772.0}]

########## 第四步：数据分析 ##########
########## 提示词 ##########
    根据以下表结构信息：...省略若干字Prompt和think过程

2016年高考的录取人数为772.0万人。这一数据反映了当年全国范围内普通高校招生的整体情况。

**分析：**
- 从历史趋势来看，...省略若干字
- 录取人数的变化还可能...省略若干字

**预测总结：**
- 预计未来几年高考录取人数可能...省略若干字

可以看到，语义混合检索返回的一个表结构命中元数据录取人数信息表，正常生成SQL，并查询到录取人数的信息，最后调用大模型简单分析数据返回。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

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。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​