“ 智能体技术与复杂业务场景的结合是大模型应用的一个难点，怎么才能在技术和业务之间找到一个合适的连接点，是我们现在亟待解决的问题。”

最近在优化一个RAG系统，并且这两天又接到一个新需求，一个大场景下有三个子场景；而基于传统的RAG技术需要分三个场景来做，因此选择使用智能体来解决这个问题。

而且还一个要优化的点就是，目前的RAG召回效果不太好，因此需要用智能体的方式做几个从不同维度召回数据的工具；所以需要把这两点结合起来。

刚开始拿到这个问题，没什么具体的思路，就想着用智能体去做；但等到真正去做的时候才发现好像没有那么简单。

原因就在于两个需求点是不同维度的问题，一个是业务问题，一个是技术问题；而且每个子场景都需要支持多维度的召回。所以，这种问题处理起来就比较复杂。

比如说，做一个支持多维度召回的智能体，然后再做几个支持不同场景的智能体；这时多个智能体之间应该怎么协调，虽然理论上不同的智能体之间可以互相结合，但真正操作起来好像有点复杂。

所以今天在散步的时候突然想明白了这个问题；既然，多维度召回是通用的，而且每个子场景都需要；那么只需要把不同维度的召回策略做成工具，然后把这些工具配置到不同场景的智能体上就可以解决这个问题，而不需要把多维度召回单独做成一个智能体。

也就是说减少一个智能体，就可以更好的解决这个问题。

使用智能体解决不同业务维度之间的协作问题

智能体作为一种大模型的应用方式，其本质是一种纯粹的技术问题，而不涉及具体的应用领域；因此，在遇到业务问题时，怎么把智能体技术与业务领域相结合是我们需要思考的问题。

以上面的需求为例，面对不同维度的业务问题，我们怎么使用智能体去解决这些问题；如果为不同维度的问题创建单独的智能体，虽然理论上来说可以解决任何问题，但从系统的复杂度来说这并不是一个很好的选择。

所以，现在我们需要考虑的是，怎么在尽可能减少技术复杂度的情况下，去更好地解决业务需求；而不是只是为了简单地完成任务。

从作者最近一段时间从事大模型应用开发的经验来看，智能体技术虽然理论上不复杂，但由于复杂的业务场景，怎么更好的把技术领域与业务领域相结合才是大模型应用的难点；而不是单纯的业务问题或技术问题。

面对大模型应用这种新兴的技术领域，很多应用场景和技术都还处于探索之中，因此其在企业应用中也是步履维艰，特别是对于技术人员来说；很多时候都是技术归技术，业务归业务，而在没有任何案例的情况下，把业务和技术结合起来就成了一个非常令人头疼的问题。

而说到底，还是自己对大模型技术以及应用理解的不够深刻；原因就在于技术是一门实践性很强的东西，而不是一门纯粹的技术理论。

实践和理论相结合，才有可能做好技术，做好应用。

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。

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】