你有agent开发背景吗

ai 进腾，也就是大模型应用技术，为什么明明这是一个风口，这样的行业我却一直告诉大家，就别学，或者说你先把开发能力提上去之后再学，因为它的商业周期太短了， 它商业周期对缩了只有半年。为什么要这样讲？因为它确实是存在风口，这个没话说，但是这个风口目前来讲它是 面向那些老鸟的，这种有开发技术的，他们去学的，第一呢是自己本身能力增值，第二就说将来能去跳一些比较稍微好一点岗位。但是你一个初学者， 你想去学并且能达到去做业务，至少要学个半年到一年吧，因为你要跟开发能力去铺上了，等你学会了之后，这行业老板都赔钱了，因为他商业模式走不通啊。为什么商业能力走不通？首先大家我一直最喜欢说的话，技术是为业务服务的， 你不管要做什么方向，你要看他的运营能力和商业价值，也就是最终能不能变现那 a 进程的三大应用场景， b 端内部、 b 端外部和 c 端， b 端外部和 c 端的商业体系应该差不多，他全都走不通。为什么要这么讲？首先我们先说学习周期，你至少差不多初学者想做开发加 a 进程的话，要学一年左右，但是 一年他足够验证一个产品的这个生命周期了。人家那种为什么说能验证他的产品周期呢？因为人家有开发经验的人一个月就能学会， 他学会之后就从你了解或者说你没了解的那一刻开始，其实这个业务模式已经开始验证了，然后结合着我们做完赔钱的这个业务，给大家讲一讲为什么这三个模式走不通。首先先讲第一个就是弊端内部。 第一呢，智能体他不具备真正的资源调度和业务决策能力，他只能做一些简单判断，他无法去代替那种有判断的岗位，甚至他连普通文员都代替不了。 从搭一个智能体对话到真正的投入生产使用，他中间隔着很多个不好用。你可能一开始我从创建文件夹开始，到一个能够对话的 ai， 我 确实是有那么一点自豪感的，但是实际上你真正投到生产环境中使用的话，他可能就确实效果是不达标的。 嗯，最后因为各种错误啊，不稳定，效果不好，可能会这个慢慢的在弊端内部，这个业务会被砍掉， 你看起来很容易落地，但是落地他保不住，效果不好就会被立马砍掉。那弊端外部弊端，外部他其实和 c 端的营业模式差不多。首先第一点， 冰箱弊端有哪些缺点？冰箱弊端，首先他的推广成本很高，你需要这个地推，然后你还需要一些地方政策，包括一些行业的资源， 企业客户端试用之后发现这个效果不达标，他付费率太低了，甚至没有续费率，因为你一开始推广出去做活动，你一开始几乎是免费推出去的，结果人家一看免费的我都不用，因为太拉了。 其次是你每次调用有硬硬的那个掏客费用，你卖便宜了就是会员制，不可能回本的掏客一旦会员制就就绝对意味着赔钱，那你卖贵了，人家何必买你的？人家有大厂的为什么不用？对， 现在很多大款为了抢 a i 绿，他们都是去赔钱做的，你还想人家？人家大厂还在赔钱的时候，你还想在人家后面捡人家剩下的赚钱，可能吗？不可能，像弊端，听起来他的这个商业模式新颖有很多 可能，就小老板他们问我就说，哎，那个我能不能去做一下这个垂直类领域，你觉得能做吗？做不了，你推广是一个部分， 结果你会发现推出去之后根本就没有付费率。那其次就是像面向 c 段的，也就是他们最喜欢迎飞的方向，面向 c 段的更是拉完了。这个说都不用说，你一个掉接口了，一接口就把你卡死了。但凡是你在市面上能 调到的那些 api 接口，那里面的模型都是别人淘汰掉好几个版本的，知道吧？你看着是他们今天出了一个新的模型，但是这个模型人家已经淘汰掉了，淘汰掉之后才会公布的，你拿一个淘汰的很多 版本的老模型，你去跟人家正版的官方去抢市场，你能抢吗？你这个盗版模型效果差，付费率不是这个付费的。呃，还还要比他们正版的要高，结果人家正版更好用，或者说人家正版现在还做活动拉人呢，你跟人家去抢，那有人说 那我做这个垂直领域，我去剪一些他们边缘化的能力，想法挺好的，但是现实很残酷，你这个 被淘汰掉的模型胳膊没人家腿毛粗呢，跟人家抢市场你怎么抢？价格不是一个级别的东西，根本就没有任何能够，没有任何亮点能够去吸引别人付费，更不可能有什么续费率， 你有更贵的价格，更差的效果，去跟人家发福利的那种去抢，怎么可能抢到用户？然后包括现在很多大厂还在去入局这个 ai， 从以前的预三家，然后到现在的这个 mi mix， 到 kimi， 再到最近小米出来的， 像就是大厂出来一个岗位会干掉小厂一千个岗位。为什么这么讲？大厂一旦进攻一个领域，那这个领域的中小型公司全部会被赶死。也就是说大厂的一个岗位去顶中小型公司很多岗位的，他们可能只是增加了一个小部门，但是整个方向 所有的中小型公司全部被斩死，你没有任何的存货能力，你没法去跟人家起抢，因为人家有更好的效果，更低的价格，你有什么产业？ 你不是，你有什么这个亮点？你给人家打情怀，没人给你讲情怀对不对？所以最终所有这种 a 境的产品只会集中在大厂，你不可能说面向 b 端、 c 端去变现，那将来可能是 随着 ai 技术的泛滥，企业会去融入一些内部，进行一些工具，进行一些工具的制作，进行一些 简单的辅助决策。但是那就是以后，就目前而言， a 境和这个方向没什么市场，那就有人说那明明是有岗位去做，对，有岗位，但是结合着我刚才去讲的那些，这个岗位他不可能很长久， 现在只是老板还没做完，他赔钱赔的少。但是一旦他做完去测，去那个测试市场一看，没有这个付费率， 没有留存率，更没有续费率，那我做他干嘛？我做他亏，做慈善吗？对不对？做慈善都没人要，怎么可能会有很多岗位？其次，如果真的有，那也一定是集中在那些 就是老手上，他们本身有业务开发能力，再加上 ai 进他的业务能力，他们岗位会增加。但是随着这个慢慢的 产业落地，随着一些工资的转型倒闭，他的岗位还是会收缩，最终还是集中围绕着大厂的那一圈公司去做。那岗位的收缩就代表着 筛选的提高，比如说学历筛选，能力筛选，慢慢的其实很多像外围岗位他还是会去被取代，所以 ai 进的他就是属于那种还没火起来就结束的岗位， 你他的这个生命周期、商业周期都不足以支撑你一个新手去学会，那你学他去干嘛，对不对？所以现在大家还是要把这个传统开发能力为基本去学好，学好之后你再去想着我能不能去学学其他的岗位，对不对？ 最后结语就是说，先立身再追风， d i d 确实有风口，但是这个风口呢？不面向新手，新手也没必要去盲目的追逐，不是说别人说什么好的，他就一定好。我之前给大家讲过，什么是有效岗位，有效岗位就是一个真正的能符合你 预期的，就是你能够进入的行业，那才叫好的岗位。嗯，我建议大家还是去学一学这个什么传统的 java、 go， 然后包括 python 的 话也可以去学学，毕竟将来走 ai 方向， python 可能确实用的比较多一点，包括以后可能会去进行 慢慢的偏向那种服务，对不对？那大家都可以去学一学，只是这个 ai 进短期内尽量不要当做一个主体能力来提升。

今天聊一个最近 agent 的 开发领域，最火的概念叫 harness engineering。 如果你最近在关注 ai， agent 的 技术圈一定到处都能看到这个词， 但大部分人对它的理解停留在给 agent 加约束这个层面，这远远不够，今天我们把它彻底讲清楚。看完之后你会发现，业界一直以来对 agent 做的技术优化，本质上还是做同样的事情。 先从一个反直觉的事实说起， land chain the coding agent 在 terminal bench 排行榜上从三十名开外，一路冲到了前五。整个过程中，底层模型一行没换，始终是同一个模型，它们只动了三个东西，系统提示、工具配置和中间箭钩子。 这个结果直接挑战了 ai 开发中一个根深蒂固的假设，就是更好的性能，需要更大或更新的模型。 lincoln 用实际数据证明模型不变的前提下，光靠优化模型周围的系统就能带来数量级的提升。它们用的方法论就叫 harness engineering。 那 harness 到底是什么意思？这个词来自马距，比如江绳、马鞍等用来引导马匹朝正确方向走的装备。这个比喻是刻意的。马是 ai 模型，强大、快速，但它自己不知道该往哪走。骑手是人类工程师提供方向，而不是亲自跑。 harness 就是 骑手和马之间的那套控制系统。 这个词最早的定义非常简洁，每当你发现 agent 犯了一个错误，你就花时间设计一个解决方案，让 agent 永远不会再犯同样的错误。 lanchain 在 此基础上给出了一个更精炼的公式， agent 等于 model 加 harness， 模型包含智能 harness 让这个智能变得有用。 把模型想成引擎， agent 就是 整辆车，而 harness 就 好比方向盘和刹车，最好的引擎没有方向盘和刹车，去不了任何有用的地方。这里有一个关键区分，你可能听过另一个类似的概念，叫 context engineering， 上下文工程，它们是什么关系？ 一句话讲清楚， context engineering 问的是我们给 agent 看什么， harness engineering 问的是系统预防了什么，测量了什么，修复了什么。 更准确地说，上下文工程主要关注怎么管理 agent 的 上下文窗口，给他看什么信息不看什么信息什么时候看。而 harness engineering 的 范围更广，它还包括架构约束、自验证、循环商治理和系统的可研进行，两者之间互相包含。 好概念，讲清楚了，那 harness 具体包含什么？我用六个关键词来概括。第一个，上下文架构，前沿团队一致发现，给 agent 塞太多信息反而有害。有研究表明， agent 的 性能在上下文利用率超过大约百分之四十之后开始下降。 所以关键不是给 agent 的 一本百科全书，而是给他一张地图，让他按需查找。 open ai 的 做法是把 agent 的 d 文件控制在大约一百行，只充当目录，指向更深层的文档。 agent 需要什么信息自己去查，而不是一开始就全部塞进去。 anthropic skill 的 渐进式加载理念也是为了解决这个问题。 第二个，架构约束。大多数人靠 prompt 来约束 agent 的 行为。写，请遵循以下规则。但 prompt 里的规则本质上是建议模型可以听也可以不听。 前沿团队的做法是用确定性的工具来机械式执行约束，比如自定义的 linter 和结构化测试规则，一旦编码，就在所有 agent 的 绘画中同时生效，不依赖模型的自觉性。这里有一个反直觉的发现， virso 一 开始给 agent 提供了大量工具，什么都能用，结果 agent 反而变得困惑，做荣誉调用。 后来他们移除了百分之八十的工具，只留最必要的 agent 反而更快更可靠，约束解空间反而提高了产出。 第三个，自验证循环。 agent 有 两个常见的失败模式，一是陷入死循环，对同一个文件反复编辑十几次，但问题始终没解决。二是交付时跳过验证，第一个看起来合理的方案就直接输出了。 line chain 的 方案是用中间键钩子来解决，一个中间键跟踪每个文件的编辑次数，超过预值就提醒 agent 重新审视方案。另一个中间键在 agent 准备退出时拦截它，强制执行一轮完整验证。他们还发现了一个非常有价值的策略，叫推理三明治。 规划阶段用最高推理强度充分理解问题，执行阶段降到高等推理强度保证速度。验证阶段再拉回最高推理强度补货错误。全程最高推理强度反而成绩更差，因为会超时把蒜粒花在刀刃上，效果最好。 第四个，上下文隔离。当任务复杂到需要多个 agent 的 协助时，关键不是按角色分工什么前端 agent、 后端 agent， 而是把子 agent 当做上下文防火墙。 父 agent 只看到他给子 agent 的 指令和子 agent 的 最终结果，中间所有的工具调用和中间产物都被隔离掉了，这样每个执行单元的上下文都保持干净，不会被无关信息污染。第五个，商治理。 agent 持续运行的时间越长，系统的混乱度就越高。文档过时，架构漂移，知识库和代码不一致。 openai 的 方案是引入一个后台运行的文档，梳理 agent， 定期扫描过时的文档，并自动提交修复。为 agent 服务的文档由 agent 来维护，形成自维护的闭环。 第六个，可拆卸性。这是最高维度的一层，更好的模型会让某些 harness 组建变成瓶颈。二零二四年需要复杂流水线的任务，二零二六年可能一个 prompt 就 搞定了。 所以 harness 必须是模块化的、可拆卸的。 line chain 的 中间件架构是目前最好的参考，每个中间件独立添加特定能力，不需要的时候直接移除，不影响其他部分。最后说一个关于投资回报的关键认知， harness 的 投入是以复利形式生效的，你今天加一条 linter 规则之后，所有绘画中这个错误都被预防。你今天加一条验证中间件之后，所有任务的交付质量都提升。这意味着 harness engineering 的 投入越早累积收益越大。 但同时也要警惕过度工程化。有一个很务实的原则，只在 agent 确实犯过的错误上投入 harness， 不要预防性的去解决还没出现的问题。 一句话总结， harness engineering 的 核心主张是， agent 的 可信瓶颈不在模型，在模型周围的系统。模型是引擎， agent 是 整辆车。引擎再强，没有方向盘和刹车，到不了目的地，这就是 harness。

kimi 啊， deepsea 啊，就是一些顶尖的公司，他招那种 agent 的 工程师就基本上四十到七十，当然这是顶尖的水平，市面上的水平现在整体而言也非常的高，但最关键的就是 agent 的 这块，这个开发 明显是一个需求量非常非常大班里的学生现在来讲，说句大实话啊，就是即使把这些研究生海归九八五二幺幺都算上，走 agent 的 这个方向的学生大概能占到百分之八十以上，剩下的百分之二十 走所谓的一些什么大模型啊，算法呀。但是我仔细统计过，能走大模型算法那几个的，要么就是海外回来的也都是好学校，要么就是国内的这种九八五背景的，不是这种背景的 只能走 agent。 而且呢，现在只要是你在简历上有非常好的这种 agent 的 开发商，当然了，辅助一些你对于大模型的一些理解，那你这个简历投出就呼呼的喊面试，当然有的学生比如说他在这个面试的过程中吧，他也得打磨一些面试的技巧啊。网上也有那种学生直接来找我 整一些什么所谓的什么简历面试辅导，我一看那个那个简历写的，后来我说你为什么来找我，他都不是说面试面，不过他就简历投出去石沉大海，根本就不知道自己问题出在哪。你一看那个简历写的就全都是传统技术战，你没有这种非常好的学历背景的加持，或者说你之前那个公司就是好公司， 对吧？你平行跳一下，没有这两点的话，就是那种传统技术站投出去没人理，但是你只要是你的这个简历里边体现出跟 ai 的 一个联系，尤其是现在在 a 诊的这块市场真的特别火。

关于 a i a 证的岗位和 ai inforce 岗位哪个更好？事实上讲，这里边有一个重大的差异，就是工程师你的背景不一样，你选择的余地也不一样。所谓的 ai inforce， 小 赵是再次强调这个岗位，其实它原生的意思是一个非常高大上的岗位， 它是那些 ai 大 厂， ai 独角兽做基作模型的岗位，也就是 ai inforce。 它事实来讲搞的是什么架构？搞的是千卡万卡这种 gpu 集群， ok， 怎么去对大规模的 gpu 的 集群优化，这种训练的速度优化这种推理的速度，提升它整个的计算密度， 提升它的通讯密度，干的是这个活，这帮人事实来讲都是百八十个 w 的 年薪，那么在二零二五年，因为很多人的一个误区，或者说不懂，当然有网上一些无良的宣传，慢慢的把这个 ai inforce 又给意化出来了。一个岗位变成了什么呢？就是针对于 g p o 的 一个运维岗位， 这个岗位怎么说呢，你硬叫它 ai inforce 吧，也不是不行，有点广义的意思，但原则上来讲，他们就是之前做 docker， 做 k 八 s 的 那套。 那帮人呢，只不过是以前操纵的是 c p u 的 基层，现在呢，操纵的是 g p u 的 基层，然后呢，薪资因为跟 ai 紧密相关，也会有一个比较大的一个 提升。但是呢，经典的英菲尔，它对于学历的要求，背景要求非常高，运维的实施来讲，就扩大化了 ai a 阵的开发工程师，它的核心就是偏应用层， 整体上对于候选人的背景要求也不是那么的高，基本来讲理工科背景的本科生，所以说小赵是觉得如果你非要问我哪个好，那么对于高端的小伙伴来讲，肯定是 ai 英服好，它的上限明显更高。但是呢，对于更多的小伙伴， ai agent 呢，就业面广， 能够达到一个基础的这么一个 offer 薪资，小赵是觉得也是非常优质的一个选择。关注小赵师，学习最前沿的 ai 技术。

今天聊 agent 的 开发里，一个所有人都想做，但大部分人做错了的东西。记忆系统。如果你在构建 agent， 你 一定想过这个问题，怎么让 agent 在 多次对话之间保持连续性， 怎么让他记住用户的偏好、项目的背景？之前犯过的错误？大部分人的做法是搞一个文件，把所有需要记住的东西往里塞，用户偏好、项目规范、历史决策、代码架构、文件路径全部堆在一起，文件越来越大，偷看成本越来越高，而且大部分内容跟当前对话根本没关系。 cloud code 的 源码泄露之后，我们第一次看到了一个生产级 agent 的 记忆系统到底是怎么设计的？打开源码，你会发现一个反直觉的事实， 整个记忆系统里，工程量最大的部分不是怎么存，也不是怎么取，而是什么该存，什么不该存。 今天我们就来拆这个问题。这是 cloud code 源码系列的第五期，源码里定义了四种记忆类型，同时明确列出了五类绝对不该存的东西。我先讲四种该存的，再讲五种不该存的，你会发现，不该存的那部分，才是整个设计里最有启发性的第一种记忆类型。用户记忆记得是用户是谁， 角色、技术背景、工作习惯、知识水平。比如这个用户是数据科学家，目前在做日制系统的调研，或者这个用户写了十年够，但第一次碰前端。这种记忆的设计意图是让 agent 能调整沟通方式和工作策略。面对一个资身后端工程师， agent 不 需要解释基础概念，可以直接用技术术语。 面对一个初学者， agent 需要更耐心地铺垫。背景元码里对用户记忆有一条约束，不要记录对用户的负面评价，也不要记录跟工作无关的个人信息。记忆的目的是怎么更好地帮这个人，不是给这个人画像。第二种记忆类型，反馈记忆记的是用户纠正过 agent 的 什么，肯定过 agent 的 什么。 这是四种记忆里我认为设计最精细的一种。元码里对它有三个关键要求。第一个要求，每条反馈记忆必须包含三个部分，规则是什么？为什么有这个规则？什么时候该应用这个规则？举个例子，用户说测试不要 mock 数据库。上个季度我们就是因为 mock 测试通过了，但生产环境迁移失败才出的事故。 如果只记不要 mock 数据库， agent 在 所有测试里都不敢 mock， 包括那些跟数据库迁移完全无关的单元测试。但如果他知道原因是 mock 和生产环境行为不一致导致迁移失败，他就能判断集成测试不该 mock。 但纯逻辑的单元测试， mock 是 没问题的。 记原因是为了让 agent 能在新场景下做判断，而不是机械的执行规则。第二个要求，不要只记纠正，也要记肯定源码注示里说得很直白，如果你只记录用户说不要这样做的时刻， agent 会变得越来越保守，他只知道什么是错的，不知道什么是对的。 时间长了，他会回避一切不确定的做法，变得畏手畏脚。但肯定信号比纠正信号更难捕捉，用户说不要这样做。很明显，用户说对就是这样， 或者默默接受了一个不寻常的方案，这些信号很安静， agent 需要主动注意这些肯定信号。比如用户说对这次用一个大 pr 是 对的，拆开反而是无意义的工作量。 这条记忆的价值是下次遇到类似的重构场景， agent 知道这个用户倾向于合并提交，而不是拆成很多小 pr。 这不是纠正，是一个被验证过的判断。第三个要求，反馈记忆要区分个人偏好和个人偏好，只对这个用户有效。 集成测试必须用真实数据库，是项目规范，对所有协作者有效。元码里用 scop 来区分这两种个人偏好存在私有目录，项目规范存在团队共享目录。第三种记忆类型，项目记忆 记得是当前项目里正在发生什么，谁在做什么，为什么要做，截止日期是什么。比如本周四之后冻结所有非关键合并，移动端团队要切发不分支， 或者正在重写认证中建件原因是法务团队指出旧的 token 存储方式不符合合规要求，所以做决策的时候要优先考虑合规性，而不是技术优雅。项目记忆有一个很重要的处理规则，所有相对日期必须转换成绝对日期。 用户说，周四冻结记忆里存的是具体的年月日，因为记忆是跨绘画的，如果存周四，下周再看这条记忆，就不知道是哪个周四了。项目记忆还有一个特点，它衰减得很快， 一个月前的项目状态大概率已经过时了，所以原码要求项目记忆必须记录。为什么这样，即使事实过时了，背后的动机仍然有参考价值。 第四种记忆类型，引用记忆记得是外部资源在哪里， bug 在 哪个系统里追踪监控面板的地址是什么？设计文档在哪个平台，比如流水线相关的 bug 都在 linear 的 某个项目里追踪 或者 api 延迟的监控面板在某个内部地址。值班的时候看这个引用记忆是四种里最简单的，但也是最实用的，它本质上是一个去哪里找信息的缩影。四种记忆类型讲完了，现在讲更重要的部分，什么不该记。 源码里明确列出了五类不该存进记忆的东西。第一类，代码模式、架构、文件路径、项目结构。这是最反直觉的，很多人做记忆系统的第一件事就是让 agent 的 记住项目用了什么框架目录，怎么组织，哪个文件负责什么。 cloud code 说不要存这些， 为什么？因为这些信息可以直接从代码里读出来， agent 随时可以通过读代码和搜索来获取当前的项目结构。把这些存进记忆有两个问题，一是浪费空间，每次对话都要加载一堆本来可以实时查的信息。二是一旦代码改了，但记忆没更新， agent 就 会基于过时的信息做决策，而且你很难发现。 这背后的原则是，如果一个信息可以从当前项目状态推导出来，就不要存进记忆记忆，只存那些看代码看不出来的东西。第二类，版本管理历史，谁改了什么，最近的提交记录，这些用版本管理工具查就行了，是实时的、权威的，不需要记忆来存一份可能过时的副本。 第三类，调试方案和修复方法。修复已经在代码里了，提交信息里有上下文存怎么修的没有意义，因为代码本身就是最好的参考。 第四类，项目说明文件里已经写过的东西。如果你的配置文件里已经定义了编码规范，记忆系统不需要再存一份，重复存储不仅浪费空间，还会在两份内容不一致的时候制造混乱。第五类，临时性的任务细节，当前正在做什么？对话里的中间状态，这些是短期的，属于当前绘画的上下文，不该进入长期记忆 源码里还有一条规则特别值得注意，即使用户明确要求你记住某些东西，如果它属于上面五类，也不该记。如果用户说记住这周的 pr 列表， agent 应该反问，这些 pr 里有什么让你意外的或者不明显的那个部分才值得记。活动日制不是记忆，从活动中提炼出的洞察才是。回过头来看，这套分类体系 四种，该存的用户是谁？用户纠正和肯定过什么项目背后的动机和时间线，外部资源在哪里？ 五种不该存的代码能告诉你的一切，版本历史能告诉你的一切，提交记录能告诉你的一切，配置文件已经说过的一切。临时性的中间状态，你会发现一个清晰的分界线，该存的全部是关于人和上下文的信息，不该存的全部是关于代码和项目状态的信息。 代码是实时的、可查的、权威的人的偏好。纠正动机，外部资源指向这些藏在代码之外，不查记忆就无从得知。 这就是 cloud code 的 记忆系统的核心哲学。记忆是代码的补习，代码能回答的问题不要让记忆来回答，记忆只负责代码回答不了的那部分。如果你在给自己的 agent 做记忆系统，这个分类框架可以直接拿来用。 先问自己这条信息能不能从当前代码或工具里实时获取，如果能不存，如果不能，再看它属于哪种类型，用户反馈项目还是引用按对应的格式存。这样做的好处是，你的记忆文件会非常精简，每一条都是高价值的代码里找不到的信息 模型，每次加载记忆的时候，看到的全是有用的东西，没有噪声。下一期我们继续拆记忆系统的第二个关键设计， active recall， 也就是 cloud code。 怎么在几百条记忆里，每轮对话只挑出最相关的五条，注入上下文，先摘要后全书的两阶段检索，用便宜模型做选择，这个思路你马上就能。

张老师，没有 ar 背景也能做聚深智能 a 帧吗？ a 帧的构建实际上是基于这些大模型去做一些具体的工作，相当于给大模型加上了手和脚，加上了眼睛，是一个实际处理事物的东西。 懂不懂 ai 大 模型不是关键，因为 a 政策的工作过程中是在教用大模型，不需要懂大模型里面的东西，你只是把它当做一个教用的工具。所以开发 a 政策关键是你要对你要解决的问题的工作内容很熟悉。 你要定义 a 政策，它获取的是什么？它获得信息输入是什么，在定义它的输出应该是什么，并且 a 政策应该有一个反馈环节，等于是它输出是不是符合输入的定义，中间要有一个闭环的反馈，等定义好之后，你完全可以用 a i t 写代码来构建这政策。

最近呢，打开 boss 直聘猎聘，你有没有发现一个新变化啊，就除了加法后端的工程师，突然冒出来一个新的岗位，像一些像 ai 证的开发工程师，智能体呢，系统工程师，大模型呢，应用架构模式， 像这些大厂，阿里，腾讯，字节，包括呢，京东都在那抢这类，有些呢，芯子呢，能开到四十 k 以上都要求呢，有 a 证的开发经验， 很多人呢就慌了，这到底是啥岗位呢？我一个做后端的，我还能上车吗？大家呢，别被名字所吓到啊， a n 的 a 证的开发工程师啊，说白了就是呢，会造 a n 智能企的人， 以前呢，我们写代码服务人，现在呢，我们写代码让 a n 呢服务人。那具体呢，要学什么东西呢？作为呢，在大厂也落地过一两个 a 证的项目的工程师，我给你呢拆解一下啊，全是呢能直接用的干货啊。 第一块呢就是大模型的基础啊，这是地基，当你不需要去深耕钻研什么 transform 这个推导，但是呢，你必须呢掌握三个核心的能力。第一个呢就是提示词工程， promote 工程能力，怎么写指令呢？让 ai 呢？不胡说啊。 第二个呢就是 i 减缩增强神程，怎么让它呢，能够查你的数据库，你的知识库，而不是呢瞎编。第三个呢就是方程扣函数呢，调用啊， 怎么让 ai 呢，能够主动调用你的 api， 比如说查订单啊，发短信啊，能 pos 扣啊啊，这些不是玄学啊，呃，是 a 证它能干活的前提。 第二个呢就是 agent 的 一些框架，但这也是一个主。呃，目前呢，主流呢，其实就两个，第一个呢是 longchange， 第二个呢就是 lamb index 它们呢帮你呢能快速搭搭建呢，就像思考行动反思的智能题的一些流程嘛， 重点呢，不是死磕原码，而是呢，学会用托注册外部的一些能力，就比如能够连接 master， 要一些支付一些接口用 memory 呢管理呢对话的上下文嘛？再比如说呢，用 plan extract 拆解呢复杂的一些任务， 比如呢，像帮我分析一下上个月的订单的销量，然后呢拆成查数据啊，画图啊，写结龙等等等等这些啊。但第三块也是大厂呢，就是最看重的一块能力，就是有没有一种工程化的能力，当然这也是护城河啊， 大厂里呢，肯定不会要只会跑戴帽的人啊，你要你要能把它塞进呢生产系统，同时呢要能够扛住呢高病发，保障呢系统的稳定性。就比如啊，用 spring boot 加 dok 能把 agent 呢封装成微服务啊， 再用 radis 呢缓冲呢历史对话对吧，降低呢 a n 呢，半夜把第三方的 a p n 啊打崩掉啊。 同时呢，还有一套监控的策略监控呢， gp 九九的延迟啊，包括掏空的消耗啊，对吧，错误率像管道啊，像管理像普通服务呢一样呢去管理它啊。 所以呢，大家一定要记住啊，大厂招的不是会会调用呢拆拆的 g p 的 人啊，而是呢，能把 ai 呢做成可靠产品的人，对吧？ 如果你现在是一个三到五年的 java 后端或者全栈的工程师啊，或者呢是一个想从算法转向呢落地的工程师，其实我觉得啊，现在呢，其实就是比较好的一个窗口期， 我觉得呢，你不用从零呢开始学 ai 啊，只需要呢把你已有的工程能力啊叠加一层呢 a 正的一个思维， 未来五年呢都啊不会被淘汰的程序员。其实呢，他不是说写代码写程序最多的人，而是呢最会指挥呢 ai 干活的人。谢谢大家，我是呢青铜老徐。

好，然后进入到这个 a、 c p 学习的第二章，讲一下这个项目的背景，因为我们现在要开始去真正的去构建这个大模型问答系统了，所以这一章讲一下项目背景，这个项目背景你开始去做这个第一个项目了，现在呢，是在一个教育内容开发的公司工作，随着新员工的加入，那他答疑的需求就会比较多，被显著的导致这个时间和资源的成本的增加。 为了应对这个一个现象，整理了一个综合的文档库，包括公司的规章制度、写作规范、日常工具和指南。那新员工呢，可以自行去查找获取所相应的知识。 但是过了一段时间，发现新员工他工作并没有符合他要求的规章制度，工作品牌出错，就分析了，原来原来是这个文档扣的信息太多了，新员工没办法一下子把它全部阅读完消化掉，那所以就提出了一个问答系统，配置了高频问题，员工可以自己去在这个问答系统里面去进行提问。 那问答系统工作一段时间之后，发现这个出错的问题依然没有明显的下降，就意识到可能是现在的问答系统存在非常多的局限性，因为现在这个系统呢，是基于相固定的规则和相似度判断的机制，使得使用不同问法的时候，也就是每个人去问的问题的输入不一样的时候，系统可能没办法回答。另外员工去配置这个问答，对，就是问的问题 a， 他 应该回答什么？这个问答对工作量也很大，头产出比就很多， 比如说他随便问了一个问题，命名规范是什么？只要他问的问题跟你设置的这个配置的问题对不上，他就可能会回答不了，所以根据这个情况呢，要你去负责件事情解决这个问题。 然后你现在想要做的就是利用大模型的技术去构建一个智能问答的应用，基于大模型的这个智能应用可以理解人类的语言，无需就是不再需要配对这个问题。 a 对 应的答案是什么？而是让这个员工智能自动理解人类语言，基于当前的知识库来准确的回答问题，减少这个用户咨询量，提高这个工作效率，那这个就是整个项目的背景。

工业级的 a 阵的项目至少要具备这么几个特点。第一个特点，数据端你是怎么优化的？不是说你的这个数据来了之后，直接就能一股脑的往你所谓的这个数据库里边扔， 对吧？不管你这个数据库是什么 millis 啊， qsort， 甚至传统的 my sql 都无所谓，你是怎么去分析你的这个数据的？是有什么样的特点，你研究的有多深？第二，现在大家都是一个固定流程，我有召回，我有这个冲排序， 那你有没有深刻的去分析过或者测试过？你的这个招回，你是怎么去迭代优化的？你的这个所谓这个重排序，不重排序和有重排序或者重排序上线了之后，你是怎么对它优化的？这块有没有第三个 agent 的 项目？很重要的一点是所谓的评测，你的离线部分评测了多少， 你有多少指标，你跟这个大模型直接相关的，什么 m r r 呀， t t、 f t 啊，那些指标合不合格，压力测试是怎么测的？离线指标更要命的，现在很多项目最缺最缺的是所谓的在线评测的指标， 所以说从这个角度来讲，就是你这个项目你得扔上线，扔上线之后，只要有真实用户数据飞轮跑起来，所有的在线评测也好， 你的所谓的 bad case 的 分析也好，迭代优化，包括我们所谓的灰度测试，它的前提都是上了线，因为上了线之后，后边这些东西就顺理成章了。 然后呢，你会发现各种各样的问题，你之前觉得我这个切分已经很好了，数据很好之后发现我去你这个 age 呢？答不出来个东西，你是不就回去分析怎么回事了，对吧？用户一问，你之前觉得你能答这个问题，后来发现他答不了这个问题，这就是所谓的 bad case。 分 析 bad case 是 没有办法靠你这个工程师啊，自己在电脑光拍脑袋拍出来的，所有的 bad case 都是在线上服务，所以说从这个角度来讲就是数据飞轮跑起来 是我们现在 age 的 项目里边一个非常非常重要的一个卡点，把整个这一套流程给它跑下来，你出去面试那就绝对就是香饽饽里边的香饽饽。

面试官问，不同 agent 框架在开发中如何选择？哎，同学们，刚才面试官抛出的这个问题，可以说是二零二六年大模型应用开发领域最经典也是含金量最高的一个考点。咱们在座的各位如果现在还只知道在那调 prompt， 那 可能真的要掉队了。 更多 ai 大 模型学习物料可在这拿走。大家好，我是彭宇。来，大家看大屏幕，我特意为你们画了这张二零二六年三大主流 agent 生态架构图。 今天咱们不讲虚的，就拆解最核心的三个家伙， luncheon、 long graph 还有 mcp。 咱们先从这张图的最左边看起，也就是这个橘黄色的图标 luncheon。 有 些同学可能会问，现在都二零二六年了， luncheon 这种老古董还得学吗？哎，你可千万别小瞧它，虽然现在已经是一点几的稳定版了，但 luncheon 依然是整个生态里的胶水层和标准化鼻祖。 你想想看，如果你只是想接一个简单的 regular 问答，或者说你的任务流程是那种第一步干嘛，第二步干嘛的单向流水线，也就是咱们常说的 d a g 有 向无环图， 那这时候 long chain 依然是你的首选。为什么？因为它简单快啊，它内置了海量的标准化组件和 skma 校验，能让你在半小时内就搭出一个 mvp 原型。所以啊，它是咱们做基础大模型应用时最稳最快的基座。 但是，如果你的老板突然说，咱们这个 agent 不 能只会低头干活，他得学会反思，干错了得能重试，甚至还要几个 agent 互相打配合。 这时候 long chain 的 那种单项链式结构是不是就有点抓筋见肘了？那这时候该谁上场了？没错，请大家往屏幕中间看，就是这个绿色的 long graph。 在 二零二六年， long graph 一 点零已经成了生产级 agent 的 标准。 如果说 long chain 是 一条流水线，那 long graph 就是 一个带大脑的循环状态机。大家仔细看这张图里的循环状态这四个字。 long graph 最厉害的地方在于它支持循环执行和持久化状态。你想啊，复杂的任务往往需要 agent 停下来思考，或者等人类审批一下再继续。 long graph 的 checkpoints 机制能让 agent 哪怕断电了，重启后还能记得刚才干到哪儿了。所以在处理那种需要自我迭代、多智能体协助，或者需要人类介入的复杂闭环系统时， long graph 简直就是神一般的存在。讲到这， 肯定有聪明的同学发现了，不管是 long chain 还是 long graph， 它们其实都是在解决怎么控制 agent 逻辑的问题。但还有一个最头疼的事儿， agent 怎么去接外面的各种工具和数据呢？ 以前咱们得给每个 api 写一套对接代码，累不累？所以咱们必须得看图右边这个紫色的新面孔， mcp， 也就是模型上下文协议。这可是二零二六年很火的一个标准，它不是一个编排框架， 它是一套插座规范。以前咱们集成数据库、集成天气接口、集成企业内部系统，那叫一个费劲。现在有了 m c p， 所有的工具和数据源都统一封装成 m c p server。 不 管你上层用的是 lan chain 还是 lan graph， 只要插上这个标准插头，咔哒一下，直接就能用它彻底终结了咱们手动去写各种定制化集成代码的痛苦日子。那讲到这，咱们把这三者串起来看。大家看下面这个拓普图在二零二六年最成熟的架构方案通常是这样的， 用 long graph 做最顶层的指挥官，负责任务的循环和状态流转。在每一个具体的逻辑节点里，咱们附用 longchain 的 成熟代码块去处理数据，而 agent 需要的所有外部能力全部通过 mcp 协议去调用。 这就好比 long graph 是 指挥部的参谋长， longchain 是 前线干活的小组长，而 mcp 则是给全军提供弹药和情报的小组长，而 mcp 则是给全军提供弹药和情报的后勤部。这套组合拳打下来，你的 agent 架构才叫真正的生产级。 好了，最后咱们回到开头那个面试题，如果你在面试中遇到了，该怎么总结才能拿满分呢？你可以这样跟面试官说，记住这三个场景，第一，如果是单纯的限行任务或者 reg， 我 会选 land chain， 主打一个快速交付和标准化。 第二，如果是需要自我反思、容错重拾，或者是复杂的多 agent 协助，我选 long graph， 因为它基于状态图的持久化能力，在生产环境中更稳定。第三，对于所有的外部集成，我会坚持采用 m c p 协议， 因为它能让我的工具级实现解偶，实现一次开发，到处复用。同学们，这就是二零二六年 agent 选型的金标准。把这三张图三句话记住了，面试官绝对会对你刮目相看。好，今天的架构就先讲到这，大家对比着这张图再消化一下。

前端开发又能在一个月内拿下 agent， 到底得有多平？如果你的年龄不超过四十五岁，那么恭喜你，今天我将从我亲身经历出发，告诉你为什么咱们后端一定要转 ai 开发，并且告诉你一条最快的学习路线。首先，你的三大优势就注定了你的成功率极高。第一，代码底子厚，语法早就刻在脑子里了，不用像小白那样从头啃。第二，架构思维强，这才是大杀器。 agent 说白了就是 破了 ai 壳的后端服务等工装等数据，面试官眼里，这就叫降维打击。第三，落地经验足，做过完整项目，这就是老鸟和小白的天堑，根本不是一个量级。所以只需要在现有的基础上点亮这四个技能。一、基础的 agent 原理和 api 调用。二、 r a g 知识库，搞懂数据处理和向量检测，这是 agent 的 my c 库，数据库拓展，学习 react， c o t 等经典 agent 的 范式。 三，掌握 long chain 和 lambonix 框架，同时学会 prompt 的 调优技巧，好的 prompt 才能让你的 agent 输出更精准。四，结合前面所学知识，动手完成二到三个实战，比如智能客服、本地知识库等等，跟着这个节奏，一个月你就能把技术接入实际业务中。最后，完整版的学习路线和配套的视频教程我都给你整理好了，买单学习，抱回家一起卷，这次别说你没教程。

今天啊，我们探讨一下 agent 和这个 ai inforce 到底应该怎么选，那么这里呢，就拿 ai inforce 基础架构和 agent 的 应用这个方向做个对比啊。那么首先呢，就是来看一下 ai inforce， 它的岗位的技术门槛要高一点啊， 还有呢， agent 的 应用呢，它的技术门槛要低一点。那么另外呢，职场竞争力啊，职场竞争力呢？ ai inforce 要高，那么 agent 呢，技术壁垒要低一些。 再说说这个就业方向，就业方向呢， aiinfar 在 大厂啊，需求量比较大，那么再有 agent agent 的 这一块呢，这个就业面就要广很多，它除了大中小厂，以及各个传统家互联网的公司其实都有需求的啊。 然后再看看适合的人群， aiinfar 呢，适合小镇做题家，那么如果啊，你比较喜欢安稳的，那长期待在大厂的这样的 工作啊， ai 英孚可能更适合你。那么再看看 agent agent 呢，它适合，就是脑子它比较灵活一些的。然后呢，呃，创业想法比较多啊，未来呢，也有创业的打算，这部分人适合做 agent。 另外薪资呢，我们再做一个对比薪资， ai 英孚的薪资普遍要比 agent 要高。拿大厂二六届的学生做个对比啊，它呢薪资普遍在四十， 那他呢，薪资普遍在这个，具体要看部门啊，每个部门他的这个其实薪资还是不一样的。 接下来说一下我的观点，因为我经历了互联网从外客户端到 app， 然后热招的岗位呢，从 python 到 ios， 安卓，然后再到搜广推的算法等等啊，所以我们的职业发展，他不应该仅仅局限在最近一两年，什么火我就做什么，而是要看就说这个技术他能火几年， 否则呢？你中途换赛道，这个成本是非常高的。那有个规律啊，就是能做底层，你尽量做底层，因为当行情不好的时候，这个人员的需求量啊骤减，那么但是底层的人他可以做应用层的事，但是应用层他做不了底层。所以很多人啊，说大厂的 ai 音符啊，也有招购的时候， 这个话是没错的，但是随着底层的人员的大量的转岗，就是有的转去做应用层加底层，有的去传统企业做 leader 或者总监，有的去央国企，所以大厂永远缺人。 记得以前我做大数据的时候啊，大数据那会很火，大量的人做应用层，但是底层啊，仍然持续缺人数年，那么云计算火的时候也是同样的啊，底层永远缺，而且给到的价非常的高。 所以如果没有明显的偏好的情况下啊，根据自身的这个简历背景，我建议能做 excel 就 做 excel， 如果大家对选方向有困扰，或者是比如说你投出去的简历石沉大海，或者是缺少相关的项目经验啊，都可以找我聊聊。

hello， 朋友，晚上好！如果我告诉你有一个 ai agent， 你 用它用的越多，它就越聪明，它会自己学习新技能，自己改进工作流程，还能记住你是谁。你会不会觉得这是一个科幻片？ 不是，这个东西已经开源了，叫 hermes agent， 有 not three， 四十出品， it has 上线不到一年，将近四万个星标。它的口号是， the agent that grows with you， 与你一起成长的 agent。 今天咱们就来拆解一下它，看它与 cologold、 我 们 cologold 这些有什么不同。先说一下背景， nosir 的 设置是美国开源 ai 运动的核心玩家之一，它最出名的是 hermes 系列开源模型。如果你用过 openroot 或者 hackinface， 大 概率可能见过 hermes 这个名字。 它们的理念很激进， ai 模型应该完全开源，不受任何限制的使用。 hermes agent 就是 在这个理念下做出来的产品， 不只是一个开源模型，而是一整套开源的 agent 技术设施。 m i t 协议随便用，随便改。 geocode 和 omcoro 本质上其实是一个编程的 agent， 你 给他一个任务，他就写代码，跑测试，修 bug， 非常强。但场景三轮聚焦。 hermes agent 的 野心是不一样的， 他想做一个通用型个人 ai 助手，而且有三个根本性的差异。第一个是技能自动化，这是它的核心卖点。 官方说法是完成复杂任务后， agent 会把流程提炼成 skill， 下次使用 skill 时发现不够好使，会自动改进。听起来很科幻，对吧？稍后会泼一盆冷水，咱们先往下说。第二是跨平台无缝切换 一个 hermes agent 的 实力，同时连飞书、 discard 和命令行，你在飞书上跟他说一半的事，切换到另一半上可以继续执行， 他知道你在聊什么。对话上二维是跨平台连续的，第三是能跑在五美元的服务器上。 cologold 需要你 a p i 额度，欧盟需要装在你电脑上。 hermes agent 有 六种运行后端，本地、 doker s s h data security 和 model。 其中 data 和 model 是 serverize 模式， agent 空闲时就休眠，有事才唤醒，几乎不用花钱，你完全可以花很少的钱租一台 vps， 跑一个二十四小时在线的私人 ai 助理。 具体能力上， hermes agent 内置了四十多个工具，而且支持 m c p 服务，跟可拉酷的生态是一样的。模型方面，通过 hermes model 一 条命令能够切换 openroot 上两百多个模型随便选， 也支持 openai、 kimi、 mini max 制图等。还有一个很实用的功能，内置了定时任务调度器，你可以让它每天早上八点给你发一份新闻摘要到飞书上，每周五晚上自动备份项目， 每周生成一份数据分析报告，全部可以做到无人指手。另外，他还支持 sub agent， 碰到需要病情处理的任务，自动拆分成多个隔离的 sub agent 同时来跑。 ok， 刚才说了技能自行化时最大的卖点， 但我翻了一下原版，发现事情并没有那么神奇。所谓自动创建技能，实际上是系统提示词里写了一条规则，完成五次以上工具，调用了复杂任务后，把方法保存成一个 skill 文件。 agent 调用一个叫 skill manager 的 工具，写一个麻烦档文件到本地。所谓技能自我改进， 也是提示词里写了一条指令，使用现有 skill， 如果发现过时或不完整时，立刻去修改它。说白了，这不是什么记忆学习在自动优化，就是 properly 加了几条规则，让大魔星主动去写文件。改文件没有什么行动度量，没有改进，前后的对比 有反馈闭环，改的好不好，完全取决大模型当次的对话判断力。如果你用 colloquial 的 memory 系统，它也能在对话中写记忆文件。更新配置本质上是一回事。 readme 里写的是 autonomous skill， creation skills， self improve during race。 听起来像 a g i 前奏，原本告诉你这就是 prop engineering。 当然我不是说这个功能没有用啊，让 agent 的 主动记录和附用工作流程确实是好的设计思路在自动化这个词营销成分要大于基础设置。聊了这么多，你可能在想要不要去试一试。 我的建议很明确，如果你现在在用 opencode 或 opencode， 而且用的挺好，就不要着急去换 hermes agent 刚到零点八，版本有八百六十个 open， 一 数摆在那儿，还在快速迭代。而 opencode 和 opencode 的 编程能力是经过大量用户去验证的，稳定性和生态成熟度目前还是要高一截儿。 更重要的是，一个判断， ai agent 的 眼睛速度远比我们想象的要快。半年前 opencode 还不存在，现在它已经是最主流的编程 agent。 三个月前没人聊技能自动化，现在 hermes 已经做出来了，再过三个月可能有新的范式出来，这个赛道还远没有定型。今天你花大量的时间去迁移配置，适应一个新工具，三个月后，格局可能又变了， 与其追工具，不如去追认知，了解每一个 agent 的 设计哲学，知道他们在解决什么问题，比着急用哪一个更重要。等它成熟到真正比你现有工具好一个台阶的时候，再切换也不迟。 ok， 咱们来总结， 可乐扣的是追求极致的编程能力， hermes agent 是 追求持续自我净化两条路线，代表了 ai agent 发展的两个方向。但现在下决量还有点太早，这个领域三个月就是一个时代，保持关注，保持学习， 但不要为了新鲜感频繁的切换工具，选对方向比选的工具更重要。这也是同学如果喜欢我的视频，记得点赞双关注，下期再见！

hello， 大家好，我现在在给大家做这个 agent 创建的过程的一个演示，打开我们的 code 平台，然后看到这个是创建智能体的一个名称定义等等一系列的创建，而这个是脉动，是我自己创建的一个 agent， 大家可以点开来看一下， 这主要分为三列，第一列和第二列，第三列最左边这列就是你对你的 agent 这一个人设和回复的逻辑，如果大家不会设置的话，可以把你的想法告诉豆包，让他们帮你设计就好了。 然后最中间这一列的话是我们的编排，对于 agent 的 一个编排，它主要分为模型，选举插件、工作流、 知识库等等这些东西的一个选举核心心脏，你可以认认为多的话，根据个人的功能吧，选句适合的， 呃，模型就可以了。工作流，你根据你每个人的工作节点，工作内容，你想要定制什么样的工作流，然后把它设计成画布上设计出来就可以了，然后直接选举使用，然后做出你相应的结果。知识库就是你基于你自身的定制化和你自己的信息和资料进行上传就可以 啊。这个开场白就是我们对我们的对话框和你的 agent 呢进行一个你可以认为就是一个 ui 的 设计或者开场白的文案，就比如 say hello， 我是 谁谁？怎么一个简单介绍的一个文案就可以了，如果不太懂的话，也可以 不知道做什么，不要不知道该怎么做的话，我们就直接找豆包让他给你告诉他你要干什么，让他给你生成，生成完你暂时够用，然后你再做微调就可以了。然后下面这些都是呃比较浅显的一些表面的一些功能的一个设计，或者说一个主题上的设计。嗯， 这个我选的是豆包的二点零的迷你的模型，然后插件的话，根据你个人想要做什么内容，你的工作流有哪些工作节点，然后对应的去选举就行了。然后最上面他可以进行添加插件，你就是可以，反正根据你的工作需要吗？你就是 随便想，你想到什么你就往上写进行添加，说我想要什么类型的，比如说我是做产业政策的，那我就会在上面添加啊，政策取或政策咨询等等，这样 出来什么样的，你就看着这下面有个掉用量，你选的掉用量最多的那种，因为因为插件毕竟是别人生成的，在这上面进行使用的是免费的，它的稳定性不一定是完全足够的，所以大家选举使用， 然后工作流就根据个人的需要去设置，我给大家看这个是一个可塑化的一个工作流，嗯，进行生成，然后具体的怎么设计？这个时间比较长，回头再给大家出新的一个视频，然后这个生成模型这一块生成需要时间比较长，生成一个这样的可塑化分析报告， 进行一个决策的读区使用吧，然后行业趋势，关键洞察以及未来的预测等等都可以实现。 你想生成什么样的报告，你可以自己在关键词里边给你的 a 侦探去提示，让他给你去做到就行了。然后最右边就是我的 a 侦探生成完之后的那个对话框，就是我们跟千万或者跟豆包聊天那个对话框，你让他去做什么？比如说我让他生成合成生物的 分析报告，截止到哪一天，最晚哪一天，然后生成什么样的格式，他生成完之后我就把它创建成相应的文档复制一下， 比如说我让它生成 html 的 格式，然后我就把这个代码复制下来，然后在我电脑上，在这个对复制下来之后，在我电脑创建一个新的笔记本文档，然后把它设置为 html 格式，然后打开就可以看到一个 我想要到的一个嗯，格式，一个报告就这样就已经生成了。然后这个整体今天给大家讲的就是我如何创建了一个 agent， 在 agent 中我如何去生成了我想要的一个工作的 结果。大家会根据自己的每个人的工作内容不一样进行创建属于自己的 agent， 在 agent 里边设计属于自己的工作流，然后设计完粗矿的，设计完之后，然后再后续进行慢慢的一点点的微调就可以了。

现在传统的 java， 你 基本上一百份简历投出去之后，能有一到两个面试邀约就非常的不错，但是这个软件的里面我包含了 a 键的智能体，那这个时候你找工作就非常的好找，你一百份简历投出去之后，基本上都有这么十几个面试邀约，一周之内就能找到工作，非常的轻松。但是前提条件就是你要有一定的项目，这些项目你 一定要去写完。智能应用开发呢，它主要学两大模块，第一个是 java 开发传统的业务就是我用 java 把那个完整的项目去开发完，以一个电商的项目为例，对吧？我用 java 开发一些那种商品展示啊，商品推荐啊，购物车呀，高明发呀，优惠券啊等等等等这种传统的业务。然后呢，我用 python 去开发里面的智能化的模块，比如说像一些 ai 导购啊， ai 客服啊，智能商品推荐啊这些东西， 并且把传统项目跟这个智能化的模块去融合起来。就业的速度，就业的薪资，比你去干传统的方向要好得多，得多得多。现在线下班有八成都是应届生，你可以看到全是应届生的，学完之后今年直接参加秋招的都有。 然后这里面大家可以看到这个薪资的话，十二、十三、十四、十五、十六都有，有试学课学习路线，看看你现在到底学到哪了，离那个就业到底还差呢？只想学后面 ai 的 部分，也有那种训练营，直接带着你去做那个 ai 相关的那个项目的，这样的话你投传统的基本上也得问你这些东西。