一、理论篇

AI agent是什么？

AI agent人工智能代理是指能够感知环境、做出决策并采取行动以实现特定目标的智能系统。 更先进的系统还可以随着时间的推移不断学习并更新行为，不断尝试解决问题的新方法，直到实现目标。

举个例子，自动驾驶汽车就是一种人工智能代理：自动驾驶汽车通过多种传感器感知周围环境，包括其他车辆、行人、交通信号等，并能够根据感知到的信息进行避开障碍物、遵守交通规则等实时决策，最终通过控制系统执行驾驶操作，如加速、减速、转向等。

与GPT 这类“你问我答”的聊天机器人不同，AI agent不需要不断发送带有新指令的提示。一旦我们给 AI agent一个目标来触发它们的行为，它们就会运行。它将使用其处理器来考虑问题，找到解决问题的最佳方法，然后采取行动。

人工智能代理比传统计算机程序更灵活、更通用，它们能够理解并应对环境：它们不需要依赖固定的编程规则来做出决策，因此它们非常适合处理复杂、不可预测的任务。

AI agent由什么组成？

主要包含传感器、执行器、处理器和存储器。

传感器： 让人工智能代理能够感知周围环境，从而收集感知信息（来自世界的输入：图像、声音、等）。这些传感器可以是摄像头、麦克风或天线等。对于软件类型的人工智能代理来说，它可以是网络搜索功能或阅读PDF文件的工具。

执行器： 帮助人工智能代理在现实世界中行动。例如轮子、机械臂或在计算机中创建文件的工具。

处理器、控制系统和决策机制： 这三者是代理的“大脑”。它们具有相似的功能，但可能并不都存在于 AI 代理系统中。它们处理来自传感器的信息，集思广益，制定最佳行动方案，并向执行器发出命令。

学习和知识库系统：学习系统和知识库用于存储帮助 AI 代理完成任务的数据；例如，事实或过去的看法、遇到的困难和找到的解决方案的数据库。

AI agent的组成取决于其具体执行的任务，不一定都囊括上述四个组件。 例如，智能恒温器可能没有学习系统，只有基本的传感器、执行器和简单的控制系统。自动驾驶汽车则包含上述所有组件：传感器来观察道路，执行器来移动，决策系统来改变车道，以及一个学习系统来记住历史驾驶数据。

大语言模型代理（LLM agent）理论基础

LLM agent指的是大语言模型代理，是人工智能代理的一种。

它由规划（Plan）、工具（Tools）、代理核心（LLM）、存储（Memory）四个部分构成。

规划是指代理分析用户查询、收集相关信息并制定行动策略以提供最佳建议或解决方案的系统过程。

工具是指代理可以利用来执行特定任务或增强其功能的外部资源、服务或 API。这些工具充当补充组件，将 LLM 代理的功能扩展到其固有的语言生成功能之外。工具还可以包括数据库、知识库和外部模型。

代理核心是LLM代理的基础组件，是一个大语言模型。 它也是我们定义代理的目标、使用的工具和相关记忆的地方。

记忆是单个用户或单个任务的上下文和记录细节， 可以分为短期记忆和长期记忆。短期记忆充当代理当前行为和想法的动态存储库，类似于其“思路”。它允许代理保持对正在进行的交互的上下文理解，从而实现连贯的通信。长期记忆则包括对话历史记录，保存从过去交流中收集到的宝贵信息；这种积累的知识库帮助代理借鉴过去的经验来丰富其与用户的互动。

二、应用篇

AI agent有哪些应用？

第一位人工智能软件工程师Devin

Devin 可以起草行动计划，了解它需要做什么，确保它拥有完成任务所需的所有资源，然后开始写代码。

例如，Devin 可以学习如何使用不熟悉的技术，在阅读了一篇博客文章后，Devin可以 在 Modal 上运行 ControlNet，为 Sara 制作带有隐藏信息的图像；Devin 可以端到端地构建和部署应用程序，比如它制作了一个模拟生命游戏的交互式网站，它逐步添加用户请求的功能，然后将应用程序部署到 Netlify。

这意味着软件工程师失业吗？并不，因为 Devin 的效率只有13.86%。但是，有了这样的助手，经验丰富的程序员可以节省大量时间，非技术人员也可以从零开始开发软件。

VisualGPT

这个工具将ChatGPT 与一系列可视化基础模型链接起来，可以进行对话期间图像的交换。

拥有 25 个 AI 代理的虚拟城镇

斯坦福大学和谷歌使用 OpenAI 的 API 来创建人工智能代理并观察他们的生活方式。

为了支持该实验，该团队创建了一个用于存储记忆的平台，并为每个代理提供目标的基本提示。之后，AI 代理就可以分享信息，记住彼此关系的细节，甚至可以策划情人节派对。

如何实现LLM agent？

数据收集： 收集与LLM 代理将执行的任务相关的数据集。

预处理数据： 清理并预处理收集的数据，消除噪音、格式不一致和不相关信息。标记文本数据并准备进行训练。

训练和语言模型： 使用机器学习技术，特别是自然语言处理方法，在预处理数据集上训练 LLM。使用深度学习架构（例如 transformer、循环神经网络或卷积神经网络）训练模型。

微调： 微调预训练语言模型，使其适应与 LLM 代理相关的特定任务或领域。微调涉及在特定任务的数据上重新训练模型，同时保留预训练期间获得的知识。

组件集成： 将核心 LLM 与其他组件（如内存模块、规划模块和工具 API）集成。设计架构以有效地促进这些组件之间的通信和交互。

部署： 在生产环境中部署 LLM 代理或将其集成到所需的平台或应用程序中。

学习和改进： 不断使用新数据更新和重新训练 LLM 代理，以提高其性能。监控代理的交互并收集反馈，确定需要优化和增强的领域。

上述是一般的实现步骤，而我们实际要开发的时候只需要站在巨人的肩膀上就好了～

可以参考Github上LLM agent的高星项目，也可以学习Function calling、Assistant API、ChatGLM/LLama等基础模型、Langchain的使用方法。如果嫌自己摸索太麻烦，推荐参与上面提到的AI大模型免费公开课快速学习～

人工智能不是未来，而是现在。 通过理论结合实践，让我们更好的掌握人工智能代理，拥抱AI时代！

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