本文介绍了如何通过CloudBase Skills解决AI Coding领域的痛点问题，包括让AI生成的代码能直接上线，以及解决AI不调用Skill等实践技巧。文章核心在于通过注入程序性知识，让AI具备特定领域的"工程直觉"，实现从"实习生"到"专家"的跨越。同时，文章还分享了如何通过"总纲+插件"的结构，配合简单的工程拦截，将AI的技能激活率从20%提升到84%。

最近我们在折腾 Agent Skills，想把云开发（CloudBase）这些年攒下的经验打包给 AI。实战下来发现，最折磨人的不是 AI 不会写代码，而是它写的代码**“只能活在本地”，以及它“总是不听规矩”**。

这篇文章主要分享两点实操复盘，希望能帮大家少走点弯路：

1. 让 AI 生成的代码能直接上线：大家可能都遇到过，AI 写的代码 Demo 感十足，但一上线就全是安全隐患。我们尝试给 AI 注入底座感知，让它学会用底座原生认证代替脆弱的传参，用安全规则代替接口“裸奔”，解决代码“死在本地”的尴尬。
2. 解决“AI 有 Skill 却不爱用”的毛病：最让人头疼的是，明明配好了 Skills，AI 却视而不见，非要凭直觉盲干。我们会分享如何通过“总纲+插件”的结构，配合简单的工程拦截，把 AI 的技能激活率从 20% 硬拉到 84%。

希望能给同样在研究 Skills 和 AI 开发的朋友一点参考，让 AI 交付的代码不再只是“看着挺美”，而是真正稳健。

现状：Vibe Coding 的 “本地舒适区”

最近，开发者都在享受 Vibe Coding 的快感。在用户本地的 localhost 一顿操作，UI 漂亮得像成品，但魔法往往在“上线”瞬间戛然而止。

AI 的代码逻辑还不错，但它无法感知真实的后端底座，导致生成的“局部最优解”难以落地，无法简单的生成生产级可用的应用。

世界上最遥远的距离，是从 localhost 到真实访问的距离。 AI 填补了代码量的空白，却填补不了工程底座的断层。

有什么办法可以解决这个问题吗？这里就需要提到 Skills。

什么是 Skills

Skills 最早是 Anthropic 在 2025 年 10 月给 Claude Code 加的一个功能，它是一套包含指令、脚本和资源的能力包。把专业知识、步骤、代码打包成“技能包”。

Agent Skills 是一种轻量级、开放式的格式，用于通过专业知识和工作流扩展 AI Agent 的能力。

从本质上讲，一个 Skill 就是一个包含 SKILL.md 文件的文件夹。该文件包含元数据（至少包括 name 和 description）以及告诉 Agent 如何执行特定任务的指令。Skills 还可以捆绑脚本、模板和参考材料。

my-skill/├── SKILL.md          # 核心：指令 + 元数据├── scripts/          # 可选：可执行代码├── references/       # 可选：参考文档└── assets/           # 可选：模板、资源

如果把 AI 比作高材生，Skills 就是他的 “岗位操作手册”。它不改变 AI 的智商，但它通过注入程序性知识（Procedural Knowledge），让 AI 知道在你的特定环境下，“正确且高效”的操作标准是什么。

Agent Skill [1]在 2025 年 12 月正式成为开放规范，目前已有包括 Claude、Cursor、VS Code、GitHub Copilot、OpenCode等主流AI开发工具宣布兼容支持。

Skills 的工作原理：渐进式加载（Progressive Disclosure）

Skills 通过渐进式加载来高效管理上下文（Context），确保 Agent 在拥有强大能力的同时不会因信息过载而变得迟钝：

1. Discovery（发现）：启动时，Agent 仅加载每个 Skill 的名称和描述。这足以让它在处理请求时，判断哪些 Skill 可能与当前任务相关，而不会耗尽上下文窗口。
2. Activation（激活）：当任务与某个 Skill 的描述匹配时，Agent 才会按需将该 Skill 的完整 SKILL.md 指令读入当前上下文。
3. Execution（执行）：Agent 遵循指令执行任务，并根据需要动态加载引用文件或运行捆绑的脚本代码。

这种方法让 Agent 保持极高的响应速度，同时能够像“随身携带百科全书”一样，在需要时立即获取深度专业知识。

行业大佬们已经在行动：

Vercel 发布了 react-best-practices[2]，解决 AI 乱写 React 导致的性能问题，将 React 专家十余年经验你浓缩为最佳实践。

Remotion 推出视频制作 Skill[3]，让 AI 学会用代码"剪辑"视频

Vercel 推出了 skills 命令[4]来快速安装 Skills 到各个工具中，这是当前热门的 skills 列表。

这些 Skills 解决的核心问题是：让 AI 拥有特定领域的"工程直觉"。

那么，当你的应用需要落地到云端时，谁来给 AI 注入"后端直觉"？

---

CloudBase Skills：把 8 年云端经验打包给 AI

云开发 CloudBase[5] 作为自 2018 年起就推出 Serverless 服务的团队，也推出CloudBase Skills[6]。

Skills 是软件层面的“岗位手册”，而 CloudBase 则是承载代码落地的“全栈底座”。

许多 AI 生成的代码之所以“死在本地”，是因为 AI 往往只负责写逻辑，却不知道如何对接复杂的生产环境。CloudBase 为 AI 提供了一套高度抽象的基础设施，让 AI 写出的逻辑能无缝运行在公网：

• 全栈托管与部署能力：支持前端静态网页与后端逻辑的快速部署，让项目从 localhost 真正变成可访问的在线 URL。
• 多端原生身份认证：打通了 Web、小程序等多种身份源。AI 无需手写复杂的登录逻辑，通过 Skills 直接调用底座的认证能力，实现秒级接入。
• 数据库底座：同时提供文档型（NoSQL）与 SQL 型数据库能力。更重要的是，底座原生集成了面向 C 端的权限控制机制，确保 AI 生成的每一行查询都运行在物理隔离的安全沙箱中，从根源规避越权风险。

它将 CloudBase 支撑日均 10 亿次 API 调用、服务超过 330 万开发者的真实经验，翻译成了 AI 听得懂的指令。

举一些 CloudBase Skills 如何为 AI 注入生产级标准的场景：

场景一：身份认证——拒绝“相信前端输入”

错误做法

习惯于让前端通过 userId 传参给后端。

• 风险：这是典型的“防君子不防小人”。攻击者只需拦截请求并修改参数，即可实现横向越权，访问任何人的私密数据。

正确做法

加载 auth-wechat Skill 后，AI 会被强制要求放弃前端传参，转而利用云底座的原生链路。

• Before (脆弱逻辑):

// 实习生 AI：相信用户传来的 IDconst { openid } = event.params; const user = await db.collection('users').doc(openid).get();

• After (生产级标准):

// 专家 AI：利用底座原生上下文，不可伪造const { OPENID } = cloud.getWXContext(); const user = await db.collection('users').doc(OPENID).get();

工程准则：安全性应由底座的原生互信保证，而非依赖前端输入的自觉。

---

场景二：数据安全——从“接口裸奔”到“行权限”

错误做法

倾向于直接暴露数据库接口。如果你的 API 逻辑稍有疏忽，数据库对攻击者几乎是“裸奔”状态。

正确做法

Skill 会引导 AI 将权限校验 下沉到数据库入口，直接驱动底座的 安全规则（Security Rules）。

• 实现改变：不再单纯写查询逻辑，而是为集合定义 auth.uid == doc._openid 规则。
• 价值：防御性编程的闭环。 即使业务逻辑代码出现 Bug，底座依然能从物理层面拦截任何非本人数据的越权修改。

场景三：AI 集成——消灭 Hardcoded，三行代码闭环

接入大模型是当前最热的需求，但 AI 往往给出的是“Demo 级”的代码，完全忽略了生产环境的安全与高可用要求。

错误做法

将 API Key 硬编码在前端，写出一坨混乱的逻辑来处理流式输出（Streaming），既不安全也不稳定。

正确做法

Skill 注入了生产级 AI 接入规范，将复杂的封装逻辑简化为底层 SDK 的原生调用。

• 安全加固：Key 自动托管在云端环境变量，前端实现 “零泄露”。
• 几行代码调用 AI 大模型 ，自动处理流式响应。

// CloudBase Skills 实现的生产级 AI 调用const model = wx.cloud.extend.AI.createModel("hunyuan-exp");const res = await model.streamText({data: {    model: "hunyuan-turbos-latest",    messages: [{ role: "user", content: "介绍一下李白" }],  }});// 使用 textStream 获取增量文本forawait (const text of res.textStream) {console.log("文本片段:", text);}

核心价值

“AI 提供了逻辑的上限，而 CloudBase Skills 守住了工程的下限。”

安装 CloudBase Skills

在你的终端输入以下命令，为你的 AI 助手注入“生产级直觉”：

npx skills add tencentcloudbase/skills

即可安装我们提供的多个 Skills 到你的开发工具中。

CloudBase Skills 完整列表

我们将 Skills 按照实际开发中的职能进行了归类，确保 AI 在不同环境下调用正确的 SDK 和工具。

这种分类不仅是为了方便开发者查阅，更是为了在 Discovery（发现阶段）降低 AI 的认知负荷，实现精准的按需挂载。

核心理念：环境即边界（Environment as Boundary）

在展开列表前，我们需要阐述这套架构的底层设计：总纲路由，三端隔离。

• 物理隔离：Web、小程序、Node.js 的同名方法逻辑各异。我们将它们拆分为独立插件，从物理层面杜绝 AI 在小程序里写出 Web SDK 语法的语义污染。
• 总纲引导：cloudbase-guidelines 是所有任务的默认入口。它像一个语义路由器，先判定项目环境，再指引 AI 激活对应的子 Skill。

完整技能矩阵

MCP vs Skills

在构建 AI 原生开发生态的道路上，我们始终坚持“先打通，再优化”的逻辑。

CloudBase MCP：早已就绪的“工程双手”

事实上，云开发 CloudBase 在 2025 年上半年的时候就推出了 CloudBase MCP[7]。作为 Anthropic 推出的行业标准协议，MCP 解决的是“连接”问题。

通过 MCP，我们让 AI 助手真正拥有了操作腾讯云底座的结构化权限。它不再只是在对话框里写代码，而是能直接查询云端状态、创建资源、拉取日志。目前，CloudBase MCP 已经支持了包括 Cursor、Claude Desktop、VS Code 在内的多种主流工具，帮助大量开发者实现了 AI 与云端的物理连接，查看具体使用指引[8]。

CloudBase Skills：后发制人的“岗位手册”

既然有了 MCP 这双强有力的“手”，为什么我们还要推出 Skills？

如果说 MCP 是让 AI “有权限”干活，那么 Skills 就是让 AI “懂规矩”干活。

在我们的规划中，Skills 是更上层的能力封装：

• 不仅仅是脚本：虽然 Skills 规范支持包含脚本（Scripts），但我们现阶段更侧重于**“程序性知识（Procedural Knowledge）”的注入**。
• 更安全、更通用的专家直觉：正如前文提到的，AI 有了 MCP 虽然能执行脚本，但在云端生产环境，盲目执行脚本不仅不安全，也不符合工程规范。Skills 则是把我们 8 年的云端填坑经验（如行权限隔离、原生上下文认证）变成 AI 的直觉。

为什么它们是黄金组合？

你可以单独使用其中之一，但组合使用才是 AI 编程的“终极形态”：

“MCP 提供了标准化的安全连接，而 Skills 提供了生产级的工程直觉。”

两者搭配，让 AI 从一个 “力气大但鲁莽的实习生” ，真正进化为一个**“懂规矩、有权限”** 的资深云开发专家。

实战案例

CodeBuddy IDE 中已经内置了 CloudBase MCP 和 Skills，在连接 CloudBase 之后会自动下载 Skills 到你项目中。

这里有一篇教程教你用免费云开发资源与混元Token，手把手教你用 AI 来开发一个 AI 小程序。

查看完整教程

还可以查看更多入门视频教程和文章[9]

终章：Skills 落地踩坑与实战复盘

在做这套 Skills 的过程中，我们最大的感触是：现在的 AI 编程，其实处于一个“高智商、低纪律”的阶段。 别看各大工具都号称支持 Skills，真用起来全是坑。

以下是几个我们里跟 AI “斗智斗勇”换来的经验教训：

1. 现状：AI 为什么会“装死”？

明明配了 Skill，AI 还是视而不见。这背后的原因其实涉及大模型的两个底层逻辑：

• 注意力权重（Attention Bias）：在大模型的 Transformer 架构中，它会根据你的 Prompt 实时计算每个词的权重。当你聊得越深，你提的业务需求权重就会越高，而作为背景板的外部 Skills 权重就会被“稀释”。
• 决策惰性（Inference Laziness）：调用 Skill 本质上是一次 Tool Use（工具调用）。模型在推理时会进行“路径评估”：如果它觉得自己脑子里的预训练数据（通常是 Localhost 模式）就能生成一段“看起来正确”的代码，它就会为了节省推理资源而跳过外部工具调用。
• 激活率落差：在我们的回归测试中，如果不加干预，AI 的主动调用率只有 20% 左右。它宁愿“盲目裸奔”，也不愿意翻书。

2. “驯服” AI 的三套硬核解法

既然 AI 会产生决策惰性，我们就得用工程手段拉高它的“警觉性”。

方案 A：最土但最稳的“首行注入”

如果你的项目不容许犯错，就在提问的最开头带上这句“咒语”：

You MUST read the cloudbase-guidelines skill FIRST when working with CloudBase projects.

• 原理：利用 首因效应（Primacy Effect）。模型对输入序列最前端的信息具有天然的高关注度。通过这种强行注入，能把 Skill 的激活率拉升。

强烈建议大家在试用过程中也带上这句 Prompt，或者按照方案 B 来执行。

方案 B：项目级的“家法” (System Rules)

在项目根目录创建 CLAUDE.md 或 AGENT.md，增加项目级别的约束规则。这样就不用每次都在 prompt 中 携带上面的咒语，不过这个方法也存在一定的缺陷，相比每次都首行注入，随着对话的上下文越来越长，也会存在 AI 不遵循的情况，接下来就可以看看方案 3 的解法。

# CloudBase Workflow0. You MUST read the cloudbase-guidelines skill FIRST when working with CloudBase projects.1. 评估：写代码前，必须显式评估可用 Skills 列表。2. 承诺：必须在输出中陈述“我需要调用某个 Skill”的理由。3. 执行：禁止跳过规矩直接写代码。

方案 3：自动化“强制拦截” (Forced Eval Hook)

如果说前两个方案是靠“嘴”叮嘱 AI，那方案 3 就是靠**“物理拦截”**

技术专家 Scott Spence 在他的实测中发现，最有效的方式是利用编辑器的 Hook（钩子）机制。

• 它的本质是“中间件”：这不再是你手动输入的 Prompt。通过配置（如 .claude/settings.json），脚本会在你按下回车的那一刻，自动拦截并“魔改”你的问题。
• 强制“表态”才能“干活”：这个钩子会强制 AI 在输出任何代码前，必须先生成一段 评估报告。AI 必须逐一陈述：“当前有哪些 Skill 可用？针对这个需求，我需不需要调用它们？理由是什么？”
• 消除“决策惰性”：AI 有个毛病，只要它觉得脑子里的旧数据能糊弄过去，它就不会翻书。但这种 Hook 强迫 AI 必须白纸黑字写下“我要用这个工具”，一旦它在开头表了态，后面的代码生成就会严格遵守这个承诺。
• 激活率的质变：根据 Scott 的数据，这种“拦截+评估”的手段能将激活率从 20% 暴力拉升到 84%

延伸阅读：How to Make Claude Code Skills Activate Reliably[10]

3. 架构复盘：为什么必须是“总纲 + 独立插件”？

在开发过程中，我们发现 AI 最大的毛病是**“端不分”**。它分不清小程序、Web 和 Node.js 的环境边界。我们没有搞一个“全家桶” Skill，而是采用了 “1 个总纲 (Guidelines) Skill + 21 个独立 Skill” 的分布式架构。这背后有三个核心逻辑：

A. 解决“语义污染”与环境误判

Web、小程序、Node.js 的 SDK 方法名极其相似（如都有 init, callFunction）。

• 痛点：如果全塞进一个 Skill，AI 经常在写小程序逻辑时，顺手掏出 Web 端的语法。这种语义污染是造成代码无法上线的元凶。
• 解法：我们将 Skill 按端进行物理拆分。配合 cloudbase-guidelines 这种 “入口点” (Entry Point) ，先指挥 AI 判定项目环境（如：识别到 app.json 即为小程序）。
• 收益：环境判定后，AI 只会加载相关的子 Skill。这把干扰项直接屏蔽掉，搜索空间缩小了 90%，推理精度自然大幅提升。

B. 开发者可以“精准点菜”

• 痛点：全能包（单体架构）太重。当你想让 AI 专门解决“微信支付”或“安全规则”这种特定问题时，AI 的注意力会被庞大的全量手册稀释。
• 解法：独立插件支持局部强化。你可以直接下令：“调用 auth-web 检查实现手机号登录”。
• 收益：这种设计允许开发者直接干预 AI 的决策路径。在 AI 逻辑混乱时，通过唤起特定子 Skill 强行把它的思维拉回到正确的窄道上。

未来规划

我们将持续推出：

• 小程序集成微信支付集成技能
• 小程序集成虚拟支付技能
• 小游戏集成云开发技能
• 云函数部署全栈后端应用技能
• 更多全栈应用开发模板和技能等

欢迎访问

CloudBase Skills GitHub 仓库[11]

CloudBase MCP GitHub 仓库[12]

了解更多详情！

写在最后：从“代码生成”到“生产级交付”的跨越

折腾了这么多 Skills 之后，我们最大的感触是：AI 编程的生产力，不取决于模型能写出多么精妙的逻辑，而取决于你对它生成的代码具备多少“工程约束力”。

1. 核心本质：将“隐性经验”转化为“程序性知识”

目前的 Agent 依然处于“高智商、零经验”的状态，它们是博学的“实习生”，却对真实的物理底座缺乏敬畏。CloudBase Skills 的本质，是给 AI 注入一套工程化的“肌肉记忆”。 通过 guidelines 的语义导航和原子 Skill 的强约束，我们将云开发八年来沉淀的填坑经验（如行权限隔离、多端原生上下文、高并发限流）转化为了 AI 的前置判定条件。这种**程序性知识（Procedural Knowledge）**的注入，让 AI 真正理解了“正确且安全”的交付标准。

2. 范式转换：Agent 必须具备“环境感知力”

Agent 进化的下一站，不仅仅是 Reasoning（推理）的增强，更是对 Infrastructure（基础设施）感知力的补齐。

• Skills 守住工程下限：它是一套“防呆协议”。通过场景化工作流和报错锚点，强制 AI 在编写阶段就化解鉴权漏洞和多端环境差异，彻底终结“代码只活在 localhost”的幻觉。
• CloudBase 承载逻辑上限：作为全栈底座，它让 AI 的逻辑输出不再是网页里的文本，而是能直接部署、调通、并产生真实业务价值的生产级资源。

3. 确定性是 AI 开发的唯一度量衡

我们不应该期待 AI 自动变得“完美”，而应该通过工程手段让它变得“稳定”。AI 提供逻辑的上限，Skills 守住工程的下限，而 CloudBase 则是承载这一切的物理底座。

我们正处于从“氛围感编程 (Vibe Coding)”向“生产级交付”跨越的节点。如果你也厌倦了在对话框里修 Bug，欢迎安装 CloudBase Skills。给你的 AI 立个规矩，让它真正从一个“聊天搭子”进化为能帮你上线产品的“资深合伙人”。

如有问题或建议，欢迎在评论区交流。

名词解释

• Vibe Coding：一种依赖 AI 直觉、快速生成原型但缺乏工程严谨性的编程方式。
• Procedural Knowledge：程序性知识。指关于“如何操作”的知识，让 AI 掌握特定场景下的标准作业流程（SOP）。
• MCP：模型上下文协议。AI 的**“连接器”**，让其能直接操作数据库、文件系统或云资源。
• Agent Skills：能力插件包。AI 的**“专家手册”**，注入特定领域的最佳实践和工程规范。
• 横向越权：安全漏洞。指攻击者通过篡改 ID 等参数，非法访问到同级别其他用户的数据。
• 安全规则：底座级权限控制。在数据库入口处强制执行访问校验，是防御越权的核心手段。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026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。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】