企业官网建设流程全解析

汽贸公司网站建设,木材板材网站制作方案,开通网站申请,做衣服的教程网站有哪些又一年结束了#xff0c;手里的项目又到了总结的时候#xff0c;最近总结的时候总会发现#xff0c;很多项目#xff0c;无论我们是否有意识地去往Agent模式去设计#xff0c;都会逐渐朝着Agent这个模式去演进#xff0c;逐渐形成了Agent的样子#xff0c;这似乎是一个很…又一年结束了手里的项目又到了总结的时候最近总结的时候总会发现很多项目无论我们是否有意识地去往Agent模式去设计都会逐渐朝着Agent这个模式去演进逐渐形成了Agent的样子这似乎是一个很有意思的现象因此我进行了深入的思考和探讨吧从而逐步发现了大模型系统中长期设计的一些经验特此和大家一起探讨。先提前说一下我这里所谓的Agent是这么一个概念。下面的内容来自某AI APP的回复。在大模型Large Language Models, LLMs场景下Agent智能体是指一种能够自主感知环境、推理决策、执行动作并达成目标的软件实体。它通常以大语言模型为核心“大脑”结合工具调用、记忆机制、规划能力等模块实现更复杂、动态和交互式的任务处理。在这里往往包含感知、推理、规划、行动、记忆、反馈、迭代中的若干个关键步骤合理配合形成一个完整的系统以完成特别地复杂任务。方法论大模型能力边界的发现和探索大模型的难题Agent共识历史的重演和新生范式层面的共通点对话搜索小结后面我们该怎么做后记一、方法论方法论角度在品尝过新鲜感和惊喜感后真正用起来后随着我们对一个工具的逐渐熟悉我们往往能够发现一个工具的能力边界了解它的局限性甚至是他的缺点毫无疑问这是一个非常常见的路径了在此基础上我们便会就这个问题提出改良的方式而改良的方式粗暴地分可以分为内部和外部。通过调整内部的结构优化构造方式来实现这个工具的改良。通过引入新的工具配合把问题交给更加适合的部分。两者并无实质的优劣对研究者而言前者无疑是最酷的在更远的未来也无疑是更为强大的毕竟谁都希望自己的东西变得更强更全面但要想更快、更可控、更稳定地解决这个问题让他更快落地后者肯定是一个更合适的方案。一个很简单的例子对于一个很难的业务多人的团队合作每人各司其职会比单兵作战更加稳妥便是这个原因。早在chatgpt刚出来的时候我对大模型的技术就保持一个很冷静谨慎的态度在当时的视角下先后写过好几篇文章来讲述大模型可能的发展方向和应用思路重在强调大模型的出现不代表能做所有事而是能在一个系统内发挥很大的作用或者说可以尝试围绕他去做很多工作一再强调很多事并非光靠大模型就足以完成。现在视角下很多内容其实都已经应验了在大模型做的并不好的领域我们确实做了很多工作24年的RAG25年升级的Agent概念都在印证着这一点。二、大模型能力边界的发现和探索下面我来复盘一下大家整个研究的推进过程。下面会分几个阶段但阶段之间并不是完全隔离的而是缓慢地切换变换的。第一阶段。大模型刚出来的时候大家总会觉得非常惊艳很多功能看起来确实能完成的不错通过简单的描述他就能把问题的答案娓娓道来内容翔实可靠。这个时间点大家普遍沉浸在新技术的新鲜感里大家的体验都不算深所以并没有发现他所存在的问题。第二阶段。随着深入使用配合交叉验证大家开始发现大模型生成的内容也不完全可靠会有幻觉会有错误不听指令地乱来问题的解决不尽如人意尤其是一些专业的领域或者特定的模式大家开始去定位并尝试多种解决方案来解决问题。刚开始大家更多是没学到的问题于是非常惯性的思维便是重点训练于是通用的基座升级、轻量化微调如lora便非常流行24年左右便涌现了大量基座模型的尝试。除此以外从prompt到更为复杂的prompt工程开始出现开始尝试拆分任务逐个完成。对于一些机器成本或者场景要求高的蒸馏的方案也开始流行。第三阶段。众多解决方案里大家开始发现共性的问题与共性的解决方案并将方案的实施进行进一步的细化和升级。24年后期大家会发现多家厂商的开源模型方案开始收敛很多方案已经形成了共识差异在数据层面的工作会更多当然了类似PPO、DPO、GRPO之类的方案大家提的也就更多了此前更多可能就是RLHF了。大家在场景用的时候总会发现大模型的效果不足更多是因为大模型对他们的知识不熟悉于是“外挂知识库”成了很好的应对方式把知识查出来告诉大模型那大模型自然就会回答了RAG这个模式便出现了并被广泛认可和采纳。当然也有很多早期到模型解决的并不好的问题随着大模型微调技术的提升而被解决而并非被拆解出去了典型的例如数据计算、代码生成尽管时至今日这些方向仍有提升空间但我们不可否认相比24年整年2025年12月的现在这些方面确实做的好很多了。第四阶段大模型开始稳固自己的地位系统功能开始分化细分形成比较固定的框架或者说模式。此后Agent经过多方的探索和总结感知、推理、规划、行动、记忆、反馈之类的组件被建立内部或许有大模型的身影也或许并不会有大家对“大模型”的执念已经远不如之前那么深了。作为比对大家不为人知的角落RAG提的人越来越少了但他其实并未消失Agent还有大量的RAG过程他在被路由或者function call触发后仍旧会查询然后交给决策或者总结模块使用仍旧大量存在他的身影换个名字或者形式罢了。三、大模型的难题时至今日大模型基座的发展已经逐步收敛了尽管还有更新更强的基座出来但大家或多或少也会发现他目前也就在大家预期的几个方向越做越好所谓的新能力并不多换而言之大家对他的定位是逐步明确的。与之对应他在落地过程暴露的问题也逐步形成了共识。在[心法利器[119] | 大模型落地困境讨论与解决思路]这篇文章里我阐述了目前大模型目前落地所存在的难以解决的客观问题。高机器成本。训练和部署的机器成本高。算法效果差异。榜单和论文的效果与实际落地效果之间存在差异。性能耗时。高耗时要求的场景下大模型生成的速度还是很墨迹举几个例子吧例如搜推场景的高qps要求再例如电话对话、视频对话场景会有明显卡顿。可更新性。需要频繁更新的领域例如电商销售经常有商品上下架泛娱乐场景有音乐、电影之类的物料更新时事新闻场景我们不可能通过改变大模型本身来实现更新。垂直领域的深入知识。在百科科普层面大模型确实有很扎实的能力但是深入到场景内很专业的知识大模型做的仍然不够再进一步垂直下到公司、团队下的知识大模型压根不可能知道例如某个团队的负责人是谁这纯粹就是信息差导致的而并非大模型本身的问题。AIGC内容安全。大模型结果的不可控性容易在尤其是金融、医疗、政治、法律等敏感场景生成很多不可控的内容。特征处理能力。在我的实践中大模型对面板数据的理解尤其是数值的理解能力还有待加强。这些大模型目前的固有难题让他自己无法独立成为一个系统的核心我们需要围绕他做很多工作来辅助。四、Agent共识围绕大模型的工作很多Agent就是众多工作下大家探索得到的共识。我来举几个例子。要做个公司内部的业务问题助手大模型对公司业务显然不了解那就搞个知识库辅助一下RAG便有了所谓的Retrieval Agent也就有了。客服场景担心大模型生成的内容并不合适所以在生成内容后接了一个回复质检这便是Recheck如果再接一个修复ReAct便形成了。考虑到大模型可能并不能承接全部流量例如因为成本问题上游要做个分流只有特定的问题才能进来这便是Planner的雏形。为了提升精准度对问题进行拆解不同的问题有不同的处理方式例如不同的prompt查不同的数据库表于是Router和Planner都有了这些处理方式被封装子Agent/Tools/Function Call就有了。考虑对话过程需要记录用户的个性化偏好或者是历史多轮信息于是Memory就有了。可见日常的问题和应对方式在大家的探索下形成了范式或许各个场景有各自的思路并不全都需要但这些尝试的拼接组合放在一起真的就是Agent的模式这毫无疑问就是共识。五、历史的重演和新生细想起来整个迭代探索过程就是在历史重现。我的视角回忆一下bert的更迭情况。bert刚出来的时候大家也是很兴奋的经典的“NLP已死”要变天了的言论也有大家就说熟悉不熟悉。与之同质的大量基座模型也在出比较出的类似roberta、T5、albert。大家逐渐发现了bert的问题定位也逐渐明确他更像是一个基础模型经过不同的魔改和微调策略能适配多种问题后续Transformers包内便有了类似BertForSequenceClassification、BertForTokenClassification、BertForMaskedLM还有类似Simcse之类的向量表征的代表作基本奠定了这个定位。大家都会试出他的边界然后把他用在适合他的位置相比与早年的fasttext、textcnn之类的流行的模型还是有全面提升的而后在搜索、推荐、客服等多个领域都是有应用的。当然与之对应的Bert这个级别的模型做不了现在大模型能做的事在bert出来后的三年后其实就已经出现了停滞该探索的都探索的差不多了时间线大概是19年Transformer发布Attention is all you need论文到了22年左右开始迷茫没有新的突破和创新点了直到23年下半年才有了chatgpt带来新的突破。时间回到现在大模型走过了和现在类似的路兴奋狂热的尝试冷静的探索边界形成应用范式而因为大模型自身的综合能力上升了不小的台阶所以应用上的可操作空间更大产品和功能也就更加多样化了算是NLP的一种新生吧。六、范式层面的共通点我的大部分工作都是在搜索和对话场景做的从tf-idf到现在的大模型时代都经历过了虽说NLP技术已经有了翻天覆地的变化有关技术的模式也受到了很多挑战但是兜兜转转整个框架和模式其实并未被很大程度的撼动我们来看一下。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】