微软推出初学者的最佳 AI Agent 课程_mcp-for-beginners

微软推出了最佳 AI 代理课程，并在 Github 上提供了免费的 11 节课程，让你快速了解构建 AI 代理的基础知识。

Github:

https://github.com/microsoft/ai-agents-for-beginners/

课程目录

1/ AI代理概述及其应用场景

2/ 探索AI代理框架

3/ 理解AI代理设计模式

4/ 工具使用设计模式

5/ 代理增强生成（RAG）

6/ 构建可信赖的AI代理

7/ 规划设计模式

8/ 多代理设计模式

9/ 元认知设计模式

10/ 生产中的AI代理

11/ 带有MCP的AI代理

1/ AI代理概述及其应用场景

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/01-intro-to-ai-agents/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

课程简介

“AI Agents for Beginners”课程介绍了构建AI Agents的基本知识和应用示例。

课程内容

课程介绍了AI Agents的基本概念、用例和设计Agentic解决方案的基本构建块。

学习目标

理解AI Agent的概念及其与其他AI解决方案的区别。

学会如何高效应用AI Agents。

能够为用户和客户设计高效的Agentic解决方案。

定义AI Agents

AI Agents是系统，使得大模型（LLMs）能够通过访问工具和知识来执行操作。

AI Agents的组成部分

环境：AI Agent操作的定义空间。

传感器：用于收集和解释环境的信息。

执行器：用于执行操作以改变环境。

LLMs在AI Agents中的作用

LLMs能够解释人类语言和数据，使得它们能够理解环境信息并定义计划来改变环境。

AI Agents的不同类型

简单反射代理：基于预定义规则执行即时操作。

基于模型的反射代理：基于世界模型和对其变化的反应执行操作。

目标导向代理：通过解释目标并确定实现目标的操作来创建计划。

效用导向代理：考虑偏好并权衡权衡来实现目标。

学习代理：通过反馈和调整来改进。

层次代理：具有多个层级代理，高级代理将任务分解为子任务。

多代理系统（MAS）：代理独立完成任务，合作或竞争。

使用AI Agents的时机

开放式问题：LLM需要确定完成任务的步骤。

多步骤过程：需要复杂的工具和信息的多步骤任务。

随着时间的推移的改进：代理可以通过反馈改进。

Agentic解决方案的基本构建块

Agent开发：使用Azure AI Agent Service定义工具、操作和行为。

Agentic模式：通过多步骤的交互来提示LLM。

Agentic框架：提供模板和插件来实现代理模式，如AutoGen和Semantic Kernel。

2/ 探索AI代理框架

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/02-explore-agentic-frameworks

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

课程简介

“Explore AI Agent Frameworks”课程介绍了如何创建、部署和管理AI Agents的软件平台。

学习目标

理解AI Agent Frameworks在AI开发中的作用。

学会如何利用AI Agent Frameworks构建智能Agent。

了解AI Agent Frameworks的关键能力。

了解AutoGen、Semantic Kernel和Azure AI Agent Service的差异。

AI Agent Frameworks的作用

AI Agent Frameworks不仅仅是AI Frameworks，它们使得能够创建智能Agent，这些Agent可以与用户、其他Agent和环境互动以实现特定目标。

关键能力包括Agent协作与协调、任务自动化与管理、上下文理解与适应等。

快速原型、迭代和改进Agent能力

利用模块化组件、协作工具和实时学习来快速原型和迭代。

示例代码展示了如何使用预构建的AI连接器和插件来实现这些功能。

AutoGen

开源框架，专注于事件驱动的分布式Agent应用。

关键概念包括Agent、Persona、Functions和Data。

适用于代码生成、数据分析任务等。

Semantic Kernel

企业级AI编排SDK，包含AI和内存连接器。

关键概念包括AI连接器、插件、提示函数和内存管理。

适用于自然语言理解、内容生成等。

Azure AI Agent Service

Azure Foundry中的平台和部署服务，支持多种模型和工具。

关键概念包括Agent、线程和消息。

适用于企业应用，提供安全、可扩展和灵活的Agent部署。

框架的差异

AutoGen：专注于事件驱动的分布式Agent应用，适合实验和原型开发。

Semantic Kernel：生产就绪的Agent库，适合企业级应用。

Azure AI Agent Service：Azure Foundry中的平台服务，适合企业级AI Agent部署。

集成现有Azure生态系统工具

可以直接集成现有Azure生态系统工具，如Azure AI Foundry、Azure Functions等。

AutoGen和Semantic Kernel也可以通过Azure SDKs或作为Azure AI Agent Service的协调器来集成。

3/ 理解AI代理设计模式

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/03-agentic-design-patterns/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

概述

构建AI代理系统有许多方法。由于生成式AI设计中的模糊性是其特征，工程师有时难以找到切入点。我们创建了一组以人为中心的用户体验设计原则，以帮助开发人员构建以客户为中心的代理系统，解决其业务需求。这些设计原则不是规定性的架构，而是为定义和构建代理体验的团队提供的起点。

总体而言，代理应该：

拓展和扩大人类能力（头脑风暴、解决问题、自动化等）

填补知识空白（获取知识领域的信息、翻译等）

促进和支持我们个人喜欢与他人的合作方式

使我们成为更好的自己（例如，生活教练/任务管理员，帮助我们学习情感调节和正念技能，建立韧性等）

学习目标

完成本课程后，您将能够：

解释什么是代理设计原则

解释使用代理设计原则的指南

理解如何使用代理设计原则构建代理

代理设计原则

代理（空间）

代理运行的环境。这些原则指导我们如何在物理和数字世界中设计代理。

连接，而不是压缩 - 帮助人们连接到其他人、事件和可操作的知识，以实现合作和连接。

代理帮助连接事件、知识和人

代理使人们更亲近。它们不旨在取代或贬低人。

容易访问但有时不可见 - 代理主要在后台运行，只在相关和适当时提醒我们。

代理对授权用户在任何设备或平台上都易于发现和访问

代理支持多模态输入和输出（声音、语音、文本等）

代理可以在前台和后台之间无缝切换；在主动和被动之间切换，取决于其感知用户需求

代理可能以不可见的形式运行，但其后台过程路径和与其他代理的合作是用户可控和透明的

代理（时间）

代理在时间上如何运行。这些原则指导我们如何设计代理在过去、现在和未来之间进行互动。

过去：反思包括状态和背景的历史

代理提供基于对历史数据的分析的更相关结果，不仅仅是事件、人或状态

代理创建来自过去事件的连接，并积极反思记忆以参与当前情况

现在：提醒而不是通知

代理体现了与人互动的全面方法。当事件发生时，代理超越了静态通知或其他静态形式。代理可以简化流程或动态生成提示，在恰当的时刻引导用户的注意力

代理根据上下文环境、社会和文化变化，并根据用户意图传递信息

代理的互动可以是逐步的，随着时间的推移逐渐发展/复杂，以长期激励用户

未来：适应和演变

代理适应各种设备、平台和模态

代理适应用户行为、可访问性需求，并可自由定制

代理通过持续的用户互动塑造和演变

代理（核心）

这些是代理设计的关键元素。

拥抱不确定性但建立信任

代理的不确定性是预期的。不确定性是代理设计的关键元素

信任和透明度是代理设计的基础层

人类控制代理的开/关，代理的状态始终清晰可见

实施这些原则的指南

在使用前面的设计原则时，请遵循以下指南：

透明度：告知用户AI参与其中，如何运作（包括过去的动作），以及如何提供反馈和修改系统。

控制：使用户能够自定义、指定偏好和个性化，并对系统及其属性（包括忘记的能力）进行控制。

一致性：在设备和端点之间力求一致的、多模态的体验。尽可能使用熟悉的UI/UX元素（例如，语音交互的麦克风图标）并尽可能减轻客户的认知负担（例如，简洁的响应、视觉辅助和“了解更多”内容）。

如何使用这些设计原则和指南设计旅行代理

想象您在设计一个旅行代理，以下是如何考虑使用设计原则和指南：

透明度：让用户知道旅行代理是一个AI启用的代理。提供一些基本说明，例如如何开始（例如，“你好”消息、示例提示）。在产品页面上明确说明。显示用户过去询问的提示列表。明确说明如何提供反馈（点赞和点踩按钮、发送反馈按钮等）。明确说明代理的使用或主题限制。

控制：确保用户在创建代理后可以修改代理，例如系统提示。使用户能够选择代理的冗长程度、写作风格和任何代理不应讨论的警告。允许用户查看和删除任何相关文件或数据、提示和过去的对话。

一致性：确保共享提示、添加文件或照片和标记某人或某物的图标是标准且可识别的。使用回形针图标表示与代理的文件上传/共享，使用图像图标表示图形上传。

4/ 工具使用设计模式

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/04-tool-use/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

工具使用设计模式

定义：允许大模型（LLMs）与外部工具交互以实现特定目标。

功能：通过调用函数或API，执行任务，获取信息或做出决策。

应用场景

动态信息检索：查询API或数据库获取最新数据（如股票价格或天气预报）。

代码执行与解释：解决数学问题、生成报告或进行模拟。

工作流程自动化：集成任务调度器、邮件服务或数据管道。

客户支持：与CRM系统、工单平台或知识库互动，解决用户查询。

内容生成与编辑：使用语法检查器、文本摘要器或内容安全评估工具辅助内容创作。

实现工具使用设计模式的关键元素

函数/工具模式：定义工具的名称、目的、参数和输出。

函数执行逻辑：根据用户意图和对话上下文，确定何时调用工具。

消息处理系统：管理用户输入、LLM响应、工具调用和工具输出之间的对话流。

工具集成框架：连接代理与简单函数或复杂外部服务。

错误处理与验证：处理工具执行失败、验证参数和管理意外响应。

状态管理：跟踪对话上下文、前次工具交互和持久数据，以确保多轮交互的一致性。

函数/工具调用详解

实现步骤：

初始化支持函数调用的LLM模型。

定义并传递函数模式。

实现并执行函数代码。

处理模型的响应，提取函数名称和参数，执行任务并返回最终结果。

使用代理框架的工具使用示例

Semantic Kernel：自动描述函数和参数，简化函数调用流程。

Azure AI Agent Service：提供自动工具调用、安全管理数据、预建工具等功能。

构建可信赖AI代理的特殊考虑

安全性：动态生成的SQL存在注入风险，可以通过配置数据库只读权限来缓解。

环境保护：在企业场景中，数据通常从操作系统提取并转换为只读数据库或数据仓库，确保数据安全和应用只读访问。

5/ 代理增强生成（RAG）

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/05-agentic-rag/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

理解Agentic RAG：

新兴范式：大模型（LLMs）自主规划下一步，从外部数据源获取信息。

区别：不同于静态的RAG模式，Agentic RAG涉及迭代调用LLM，中间插入工具或函数调用和结构化输出。

理解迭代制造者-检查者风格：

迭代循环：LLM的迭代调用，中间插入工具或函数调用和结构化输出，以提高准确性和处理不规则查询。

掌握推理过程：

自主决策：系统在不依赖预定义路径的情况下，自主决定如何解决问题。

步骤示例：检索市场趋势报告、识别竞争对手数据、相关内部销售指标、综合发现并评估策略。

迭代循环、工具集成和记忆：

循环交互模式：用户目标提交给LLM，调用工具获取上下文，评估和优化，重复直到满意。

记忆和状态：系统保持状态和记忆，避免重复循环，做出更明智的决策。

处理失败模式和自我纠正：

自我纠正机制：在遇到失败时，系统可以迭代和重新查询，使用诊断工具，在必要时回退到人类监督。

代理能力的界限：

领域特定自主性：代理能力限于人类开发者提供的工具、数据源和策略。

依赖基础设施：系统能力依赖于开发者集成的工具和数据。

遵守守卫：遵守伦理指导方针、合规规则和业务政策。

实际应用和价值：

正确性优先环境：在需要反复验证事实和多源查询的场景中，代理模型可以反复验证和优化查询。

复杂数据库交互：在需要自主优化查询的场景中，系统可以自动优化查询。

扩展工作流：代理模型可以在获取新信息时持续调整策略。

治理、透明度和信任：

可解释的推理：系统可以提供查询、来源和推理步骤的审计轨迹。

偏见控制和平衡检索：开发者可以调整检索策略，确保平衡和代表性数据源。

人类监督和合规：在敏感任务中，人类审查仍然至关重要。

6/ 构建可信赖的AI代理

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/06-building-trustworthy-agents/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

设计系统消息框架

Step 1: 创建元系统消息

使用模板设计，便于快速生成多个系统消息。

示例元系统消息：设置角色、任务、指导原则。

Step 2: 创建基本系统消息

描述AI代理的角色、任务和职责。

示例：旅行代理助手，包括查询航班、预订航班、取消航班等任务。

Step 3: 提供基本系统消息

优化系统消息，使其更适合引导AI代理。

示例：详细描述公司名称、角色、目标、关键职责、互动指导、额外说明。

Step 4: 迭代和改进

持续改进系统消息，以适应不同代理和用例。

理解和应对威胁

任务和指令攻击

攻击者通过操纵输入来改变AI代理的指令或目标。

缓解措施：执行验证检查和输入过滤，限制对话轮次。

访问关键系统

攻击者利用AI代理访问存储敏感数据的系统。

缓解措施：按需访问，确保通信安全，实施身份验证和访问控制。

资源和服务过载

攻击者通过高频请求使服务崩溃或产生高成本。

缓解措施：限制请求数量，限制对话轮次和请求次数。

知识库污染

攻击者污染AI代理使用的数据，导致偏见或意外响应。

缓解措施：定期验证数据，确保数据访问安全，仅受信任人员更改。

级联错误

攻击者引发系统错误，导致更广泛的系统失败。

缓解措施：在受限环境（如Docker容器）操作，创建备用机制和重试逻辑。

人机协作

Human-in-the-Loop

用户可以在运行过程中提供反馈，作为多代理系统中的代理。

7/ 规划设计模式

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/07-planning-design/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

明确整体目标和分解任务

明确整体目标，例如生成一个三天的旅行行程。

将复杂任务分解为可管理的子任务，例如：预订机票、预订酒店、租车、个性化建议等。

结构化输出

使用结构化输出（如 JSON）以便于下游智能体或服务解析和处理。

使用 Pydantic 和 Azure AI Chat Completion Client 生成和处理结构化输出。

多智能体协调

通过一个语义路由智能体接收用户请求，并将任务分解为子任务。

将子任务分配给专门的智能体（如机票预订、酒店预订等）。

通过组合输出生成最终的行程计划。

迭代规划

任务的执行可能需要根据实际情况进行反复调整，例如根据用户反馈重新规划。

8/ 多代理设计模式

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/08-multi-agent/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

多智能体系统应用场景

大任务量：将大任务分解为小任务，分配给不同智能体处理。

复杂任务：将复杂任务分解为子任务，不同智能体专注于不同部分。

多样化专长：不同智能体拥有不同专长，能更有效处理任务。

多智能体系统的优势

专业化：每个智能体专注于特定任务。

可扩展性：通过增加智能体扩展系统。

容错性：单个智能体故障不会影响整体系统。

实施多智能体系统的构建模块

智能体通信：定义通信协议和方法。

协调机制：确保智能体之间的协调。

智能体架构：定义智能体内部结构和决策机制。

可见性：通过日志、监控和可视化工具监控智能体活动。

多智能体模式：选择适合的模式（如集中式、分布式或混合式）。

人机协作：定义何时需要人类干预。

多智能体系统的具体模式

群聊：适用于团队协作、客户支持等。

任务传递：适用于客户支持、任务管理等。

协同过滤：适用于推荐系统，如股票推荐。

多智能体系统的案例分析

退款流程：涉及客户代理、卖家代理、支付代理、解决方案代理、合规代理等。

通用代理：如运输代理、反馈代理、升级代理、通知代理、分析代理、审计代理、报告代理、知识代理、安全代理、质量代理等。

知识检查问题

问题：何时应考虑使用多智能体系统？

A1: 当你有小任务量且任务简单。

A2: 当你有大任务量。

A3: 当你有简单任务。

9/ 元认知设计模式

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/09-metacognition/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

概述

介绍元认知（Metacognition）在AI代理中的应用。

元认知指代理能够评估和调整其行为，提高问题解决和决策能力。

重要性

自我反思: 代理可以评估自身表现，找出需要改进的地方。

适应性: 代理可以根据反馈和变化的环境调整策略。

错误纠正: 代理可以自动检测和纠正错误，提高准确性。

资源管理: 代理可以优化时间和计算资源的使用。

元认知的应用

旅行代理: 一个示例，展示如何通过用户反馈和策略调整来改进旅行推荐。

规划

规划步骤: 定义任务、收集用户偏好、获取信息、生成推荐、收集反馈、调整推荐。

校正RAG系统

RAG: 结合检索和生成模型来获取相关信息。

校正RAG: 使用RAG技术纠正错误，提高代理的准确性。

预先加载上下文

预先加载: 在处理查询之前加载相关背景信息，提高响应速度。

使用大语言模型进行重排和评分

LLM: 使用大模型对检索到的文档进行重排和评分，提高相关性。

代码生成代理

代码生成: 使用AI模型生成和执行代码，自动化任务。

使用SQL作为RAG技术

SQL: 使用SQL查询从数据库中检索相关数据，增强代理的决策能力。

元认知示例

酒店推荐代理: 一个示例，展示代理如何通过反思和调整策略来改进酒店推荐。

10/ 生产中的AI代理

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/10-ai-agents-production/

视频：

扩展学习：

https://aka.ms/ai-agents-beginners/collection?WT.mc_id=academic-105485-koreyst

部署AI Agent的有效策略：

评估AI Agent：在部署前、过程中和之后进行全面评估，包括模型请求、用户意图识别、工具选择、响应解释和用户反馈。

避免常见问题：

不一致性：优化提示词，明确目标；考虑将任务分解为子任务，由多个Agent处理。

无限循环：设定明确的终止条件；对复杂任务使用更大的模型。

工具调用问题：外部测试工具输出，优化参数和提示词。

多Agent系统不一致：优化每个Agent的提示词，建立层级系统。

控制成本的策略：

缓存响应：识别常见请求并提供预设响应，减少相似请求的处理量。

使用较小的模型：小型语言模型（SLMs）在某些用例中表现良好，并且成本较低。

使用路由模型：根据请求复杂度选择合适的模型，降低成本并确保性能。

11/ 带有MCP的AI代理

文本 & 代码：

https://github.com/microsoft/ai-agents-for-beginners/blob/main/11-mcp/

视频：无

扩展学习：

https://aka.ms/mcp-for-beginners

MCP 简介

Model Context Protocol (MCP) 是一个框架，用于标准化 AI 模型与客户端应用之间的交互。它提供了一致的接口，使得不同的 AI 模型实现在各种应用中都能够无缝运行。MCP 的关键方面包括：

标准化通信：MCP 为应用与 AI 模型之间的通信建立了统一的语言。

增强的上下文管理：高效地传递上下文信息给 AI 模型。

跨平台兼容性：支持多种编程语言，如 C#、Java、JavaScript、Python 和 TypeScript。

无缝集成：使开发人员可以轻松地将不同的 AI 模型集成到他们的应用中。

MCP 在 AI 代理开发中尤为有价值，因为它允许代理通过统一的协议与各种系统和数据源进行交互，从而使代理更加灵活和强大。

学习目标

理解什么是 MCP 及其在 AI 代理开发中的作用

设置和配置 MCP 服务器以进行 GitHub 集成

使用 MCP 工具构建多代理系统

使用 Azure Cognitive Search 实现 RAG（检索增强生成）

网友看法

谢谢分享，这绝对是最适合初学者的课程之一。他们最近也新增了MCP课程！

扩大普及的人工智能教育，有助于培养一个技术精湛、富有远见的社区。这是一项非常有价值的举措。

如今，了解人工智能代理的基础知识至关重要；这门课程可以成为许多人的坚实起点。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

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70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

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，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

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LLM大模型报告合集

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、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​