我靠, ai 赛道直接大结局了!这什么项目让 ai 圈的大佬都在看?原来是国内顶尖高校上海交大开源了一套动手学 ai 的 实操教程。这套教程没有任何水分,全是硬核干货,完整学下来,就能在自己电脑上部署专属于自己的大模型,不用依赖外网, 隐私安全更有保障。该教程由张卓胜教授主导,凝聚了多位业内专家的智慧结晶,非常适合入门新手学习。从最简单的 api 调用,一步步深入到模型部署与微调, 甚至连模型安全防御以及自动化智能体开发都交给你了。这套教程属于是直接把知识喂到你嘴里。知道大家懒得去网上找,我已经把配套资源和学习路线整理好了,照着学就行,留下学习直接抱走吧!
粉丝5.5万获赞144.2万

嗨圈也是遇上自己的活菩萨了。起因是上海交大下场开元,一套动手学大模型实操教程,直接在 get 号拿下四十三 k 星标。你没看错,九八五名校官方出品,主讲是张卓胜教授,也是不花钱直接唱响大师课了。不是那种装个环境跑两行拍档就结束的水货, 而是从最基础 api 调用讲起,一路杀到模型微调、部署上线、安全防御,就连智能体开发也给你端上来了,绝玩!你就能在自己的电脑本地部署大模型,不用联网,不用把数据传到任何服务器,隐私保护直接拉满。再看团队配置,十四位上海交大硕博生拿出科研精神,真刀真枪干出来的。 这个含金量不用我多说吧,直接从基础理论到育训练,从大模型核心概念到延伸方向,再到垂直领域模型、多模态机座、 r a g a 阵开发,一整条全工业级学习路径全讲透,直接把知识点嚼碎了喂到你嘴里。配套资料和对应的学习路线我已经整理好了,来个学习双手奉上。

我的天呐, ar 圈最近又炸锅了!是什么项目能让 ar 圈的大佬们都在看?原来是国内顶尖高校上海交大在 get 汉堡上开源了一套动手学 ar 的 实操教程。这套教程没有任何水分,全中文代码注示也是中文,连报错弹窗都是中文,正儿八经,听得懂看得懂, 完整学习下来,就能在自己的电脑上,不属于专属自己的大模型,不用依赖外网,隐私安全更有保障。 该教程呢,由张卓胜教授主导,联合了多位业内行业专家共同去打造,非常适合新手小白入门学习。 从最简单的 a k 钓用到模型的部署与微调,甚至连模型安全防御以及自动化智能体开发都交给你了。 相当于啊,把知识直接嚼碎喂进你嘴巴里了!知道大家懒得去网上找,我已经把配套的资源和学习路线都整理好了,照着学就行。只需要关注了我的粉丝评论区,留下 ai 学习,直接抱走吧!

我靠, ai 赛道直接大结局了!这什么项目拉 ai 圈的大佬都在看,原来是国内顶尖高校上海交大开源了一套动手去 ai 的 实操教程。这套教程没有任何水分,全是硬核干货,完整学下来就能在自己电脑上部署专属于自己的大模型,不用依赖外网, 隐私安全更有保障。该教程由张卓胜教授主导,凝聚了多位业内专家的智慧结晶,非常适合入门新手学习,用最简单的 api 调用,一步步深入到模型部署与微调,甚至连模型安全防御 以及自动化智能体开发都交给你了。这套教程属于是直接把知识喂到你嘴里,直到大家懒得去网上找。我已经把配套资源和学习路线整理好了,照着学就行,留下学习直接抱走吧。今天我们来学习制作全类目的产品种草口播视频。 我们只需要上传你的产品图,输入产品的卖点,最后他就可以给我们制作出像这样子的口播种草视频。 那我们来看一下这几个案例。天呐,这件藏青色 t 恤居然这么显白,面料摸起来软乎乎的,贴身穿超舒服,藏紫色真的很衬肤色,黄黑皮姐妹也能充, 喜欢的姐妹赶紧下单!这个粉色手镯也太绝了,你看这粉调衬的皮肤特别白皙透亮,而且它的做工超细腻,完全不硌手,戴一整天都舒服得很, 喜欢的赶紧充!我们可以看到这几个效果还是非常可以的,不管是产品还是人物的一致性保持的都非常的好。那么话不多说,我们开始从零到一,去搭建这样一个视频工作流。 首先我们先要去创建一个工作流,那我们这里需要填写一下工作流的名称,还有他的描述,那这里的话我们就用拼音来代替,因为他不能写中文,对吧? 但是工作流的描述我们就是可以用中文的,然后我们写完以后点击确认, ok, 那 这里就是来到了工作流搭建的页面,他默认开始是只有一个开始节点,还有一个结束节点的,那这里是他的一个搭建步骤,我们给他复制过来,那我们按照这个步骤一步一步的去搭建,那我们粘贴上去, 我们来看一下输入项,这里的输入项我们需要上传我们的卖点,产品图还有产品名称,那么输入项就是我们在开始节点这里进行配置的,我们点击它变量名称,我们给他改一下,就叫做卖点,那这里我也是用拼音来代替啊, 他的变量类型我们用字母串类型就 ok 了,那这里必须要给他勾选一下,点击这里的小加号,我们 现在再来看一下,现在需要上传产品图,这里我们就用 image 给它代替,这里的变量类型,我们就不可以去使用字母串了,那我们点击它一下,选择 file 里面的 image, 把这个图标变成图片的,就是这个图标变成图片我们就可以去使用了, 然后我们再点击这个加号,我们现在需要去上传产品名称,我们可以用内容来代替,产品名称的话,我们是可以用默认的字母串类型就 ok 了。那我们先关掉 开始节点,这里配置好之后,我们现在就可以正式去搭建我们这一个工作流了,那我们将它的变量名称先给它复制一下,我们拉出来一个节点,找到大模型,就是这个现在需要去生成口播文案的脚本,那这里重命名一下,把我们刚刚节点的名称给它粘贴过来, 这一步是为了防止我们后续就是节点变多了,还能更精准的找到我们所需要的这个口播文案脚本节点,我们点击它, 那这里的模型我们都是可以自己去选择的,像智普啊豆包还有下面的 dbic 都可以去使用,那这里的话我们就用默认的它就是够用了,我们就不需要再对它进行更改。我们现在来配置一下它这里的一个输入,我们先将这个节点给它删掉,我们添加一个 选择开始节点的这个卖点,再添加一个选择开始节点的 name 我 们的名称,那我们在这里要注意了,它这里是有一个视觉理解的,因为我们在前面上传的是不是有一个产品的图片,对吧?所以我们需要在这个视觉里面给它输入一下选择开始节点的 amg。 还有一点需要跟大家说一下,因为我们这里是有一个视觉理解,所以说我们在选择模型的时候也要带有这种图片理解的, 像这个字谱这里它就是没有我们的图片理解,还有我们这个 deepsea 它也是没有的,所以大家选择的时候一定要选择下面的工具,它是有一个图片理解,我们看一下看到没有,它这里是有一个图片理解的。 ok, 当我们的输入项给它配置好之后,我们来到关键的一部分, 那就是系统提示词,这个提示词就相当于我们这个大模型下达了一些任务,让它按照我们的规定的任务去帮我们生成我们想要的一个文案脚本。如果这里我们不输入的话,那这个豆包大模型它是识别不到我们具体想要什么,所以这里我们是一定需要配置的, 那在这里的话,我们可以直接复制过来粘贴上去,那这里我已经是写好这个系统提示词的,所以大家就不需要自己去写 我们这个用户提示词,需要输入一下,点击 shift 加括号,我们把它引用进来,如果我们没有将这个用户提示词输入进来,那么它是识别不到我们上传上来的数据的,所以大家这里一定要进行一个配置。 还有这里我们必须要改成蓝色,他才是引用成功的,那在这个输出的变量名这里,我们可以给他稍微更改一下,就叫做提示词,将他的超时时间更改为六百秒,让他多思考一点时间,那这样子我们配置就是没有问题的,我们可以来对他进行一个小小的测试 啊,我们点击上面这里,我们来看一下这个测试该节点,这里是有一个这样的符号的,我们点击它一下,那么它这里就需要我们去上传对应的数据,那我这里就随便先上传一个产品,给大家先做一个测试, 那我这里数据已经是上传成功了,我们来看一下这里的话,我就上传了像这样一个拖鞋啊,这里上传了它的卖点, 那这里的卖点我写的比较简单,它的名称就是一个奶黄色猫猫拖鞋,我们点击试运来看一下它最后给我们输出的一个口播文案脚本,它到底是不是我们需要的,如果不是,那么我们还需要对它的系统条词做相对应的一些更改。 好,那这里就是我们运行成功了,我们一定要打开这个运行成功,来看一下它给我们输出的内容,我们来点击这个预览一下, 他这里给我的描述是非常清楚的,十五秒口播种草视频的描述词,全程无字幕,没有文字的浮层,那前三秒是干什么?中间十秒干什么?结尾两秒是干什么的,他都给我们说的非常的清楚,那么像他这样一个脚本就是我们所需要的,都给我们说的非常清楚, 当这个脚本描述的越清楚,我们的视频做的就越好。 ok, 那 这个就是我们所需要的,我们先给他折叠一下这个口播文案的脚本,他生成是没有问题的,那我们就可以进行下一步的操作了。我们第二步是需要将图片转化为数组, 来,我们给他拖过来,那这里的话,我们可以先点击这个紫色的插件,在这里搜索一个叫做剪映小助手的, 找到这个,我们找到这个对,点击它,我们往下找,需要找到这样一个小插件,复制转列表,列表就是我们的宿主,添加它。 ok, 我 们还是需要给他们节点名称更改一下,这里重命名,点击它,这里我们需要转化为宿主的图片,是开始节点的产品图 啊,关掉,那这一步做好之后,我们就可以去做第三步了,生成视频任务,因为我们现在已经有了口播文案的脚本,是可以直接去生成我们的视频了,拿出来我们在这个插件里面搜索一个叫做 me video, 这里我们是可以选择快速版的,我们找到这个点击它,那这里的话我们还是将它的节点名称给改一下来,重命名,点击它,然后我们点击将这个 key 给它输进来 它这里的提示词,我们需要选择生成口播文案脚本里面的提示词,它这里的描述 它这里的秒数,我们就填十五秒,这个是需要我们的参考图,我们在这里就要选择图片转数组里面的 inforce, 它这里的模型我们需要选择这个 me video, 它的画面比例大家可以根据自己的需求选择,那这里的话我就填九比十六了。那还有一点,如果大家要保持我们视频里面的人物一致性的话,我们还可以在开始节点这里添加一个模特图, 它的变量类型我们改为 file 里面的 image, ok, 那 么在这一步我们添加好了模特图之后,我们这一步是不需要的,我们给它删掉,然后拉出来,我们找到大模型, 我们也是给它命名为转数组,点击它,那这里的话我们就用 mini 版,它这个生成的速度是非常快的,那这里输入的话,我们需要选择开始节点的模特,再添加一个选择开始节点的产品图, ok, 这个系统提示词也是非常简单的,那我们找到,我们直接把它插进来,我们给它更改一下 image, 它这个是 e, ok, 大家直接在系统提示词里面输入这一段内容, 接收上游给进来的所有图片的 image image 一 并将所有的图片以数组的形式进行输出。那我之前是存了我的提示词库的,如果大家没有存提示词库的话,直接输上来就可以了,就用我这里的,那这里我们的用户提示词就按住 shift 加花括号,给它引用进来, 它这里的变量类型我们需要更改为数组里面的字母串。好,那这里没有问题了吧? 那转完数组之后,我们还需要对这个提示词进行一个规定,拉出来一个节点,我们找到文本处理,我点击它,那这里的话我们需要选择生成口播文案的提示词,我们需要给他规定一下人物, 那这是艾特图片一,产品图,还有这个艾特图片二, ok, 我 们有了这样一个规定之后,他就会去帮我们识别我们的一个人物图,还有产品图。那这里的话我们还需要点击 shift 加括号, 将我们刚刚这一段口播文案给他引用进来,引用完之后,他最后给我们输出的不是这一段结束词,对不对?他是在前面会加上这样一句话,人物图是艾特图片一,产品图是艾特图片二,因为我们这里给的顺序就是图片一是模特图,图片二是产品图, 他最后会按照这个顺序给我们输出,那 ok, 这一步弄好之后,我们再连接上去,那这一步操作是为了保证我们的人物一致性,也是非常简单的, 点击它,我们在这里提示词的话,我们就需要给它更改为文本处理里面的 output, 它这个参考图我们先给它关掉,然后选择转数组里面的 output, 这样子它就直接给我们引用到了我们转化为数组的这两个图片,那这一步没有问题之后,我们现在就需要去循环查询我们的一个任务结果,对,它最后给我们输出的是一个任务的 id, 对 吧?我们拿过来,我们选择循环,点击它 这里的循环类型需要更改为无限循环,中间变量选择生成视频任务里面的任务 id, 那 这里配置好之后,我们现在就需要去配置循环体,我们给他拉出来一个节点, 我们选择快速版的任务查询,因为我们这里就是刚刚用的,也是快速版,如果大家用的是其他版本的,那我们就需要去其他版本里面去找到它的任务 id, 任务查询节点,然后点击它, 那这里给它重命名一下,就叫做任务查询。点击它这里的 id, 我 们需要选择循环里面的这个 id, 关掉, ok, 它查询完之后,它就会给我们返回这个 url, 我 们需要去判断一下,拿出来一个节点,找到选择器,点击它,我们需要判断查询任务里面的 url 它是否为空, 他如果为空的话,我们还需要让他进行下一次循环,直到我们给他的视频链接给我们查询出来,但是我们不能让他直接去查询,我们需要让他等待一个时间,那我们在这里搜索一个定时器, 选择他点击他之后,这里这里的话,我们要改看一下他等待的时间,他只能在零点零一秒到六十秒之间进行等待,我们在这里输入一个最大值六十秒,然后回调 他在这里等待完六十秒之后,再进行下一次的查询,我们再给他拉出来,我们找到继续循环,我们可以看到他旁边是不是有一个用于停止当前循环,进行下一次循环的, ok, 这里他一条分支是用于我们的视频链接,他就是没有查询出来,没有生成出来,所以我们让他去继续循环。 如果说我们这个视频链接它生成出来了,那我们就是不需要去循环的,所以我们就要跳出这个循环,执行下一步的操作。我们找到这一个中指循环,就用于立即停止当前所有的循环,直接跳出我们的一个循环体,直接点击它就 ok 了。 那这里的循环体我们需要选择查询任务里面的 url, ok, 那 这一步做完之后,我们来看一下第五步需要做什么? 提取我们的一个视频链接,对吧?因为我们在这里查询任务的时候,他每次查询一次,他都会返出来一个值, 如果这个视频链接他没有生成出来,他都会返一个空值,以此类推。如果他前面查询都没有查询出来我们的视频链接,那他返回的全都是空值,是不是对我们最后拿视频是非常不方便的? 那如果我们想要直接拿到这个视频的链接,我们就需要去除它里面所有的空数据,我们在这里点击一个插件,我们搜索常用代码, 我们就选这个,找到这个看到没有数组列表去除空数据,它的作用就是帮我们去除空的数据,提取我们的视频链接, ok, 给它重命名一下,点击它,我们需要选择循环里面的 out, 关掉。 ok, 那 么整个工作流我们就已经搭建完成了, 搭建完成之后,我们是不是要测试一下这个工作流是否能正常的运行?点击下面这个绿色的视频播放器,我们在这里给他上传一种数据,来看一下他最后给我们输出的视频他是什么样子的。那我这里是上传一个拖鞋,然后这里输入他的卖点,还有一张模特图, 这个拖鞋的话是他的名称,我们可以点击试运来看一下。那他现在已经是在运行了,那这个估计啊运行的时间会比较久,我们等一会就来看一下生成的结果。好,那他现在是给我们去生成口播文案了,那我们就稍微等一小会。 ok, 这个视频已经是给我们生成出来了,我们看一下它最后给我们生成出来的一个效果,谁懂啊?这拖鞋软到离谱,奶乎乎的猫猫拖,踩上去像踩棉花一样,柔软舒适,特殊透气材料,夏天穿也不臭脚,居家出门都好穿, 喜欢的赶紧充。那这个视频我们生成出来的效果也是非常不错的,不管是人物模特还是场景,他说话的语气都是非常好的,还有他手上这个拖鞋啊,柔软度也是表现的非常好。 那这个工作流大家搭建完成之后,还可以自己进行一个迭代升级,也是没问题的。那本期视频我们就学到这里,我们下一期再见。

开你,谁还把我当小孩教啊!上海交大国内顶尖学府直接在 guitar 上开源了一套动手学 ai 教程,不跟你玩虚的,实打实教你从零上手,整套跟玩,你就能在自己电脑上跑起一个属于你自己的大模型,不用翻墙,不用依赖外网,数据安全,完全自己掌控。这套教程由张卓胜教授主导,汇聚了多位行业大佬的心血,专为新手设, 从最简单的接口调用开始,逐步深入到大模型本地部署配置,甚至还教你怎么应对 ai 越狱攻击,怎么开发自动化智能体。怎么说呢,这波属于直接把饭喂到你嘴边了,还帮你把嘴掰开了。知道大家都懒得一个个去找我把全套教程加学习路线整理好了,评论扣学习直接发你!

我的天呐, ar 赛到这就直接大结局了吗?是什么项目能让 ar 圈的大佬们都在看?原来是国内顶尖高校上海交大开源了一套动手学 ar 的 实操教程。这套教程全都是中文代码,注示也是中文,连报错弹窗还是中文,正儿八经的听得懂看得懂,没有任何水分。 完整学下来,就能在自己电脑上部署专属于自己的大模型,它不用去依赖外网,隐私安全更有保障。 该教程呢,由张卓生教授主导,凝聚了多位业内行业的智慧结晶,非常适合新手小白去学。从最简单的 a p i 调用到模型的部署与微调,甚至连模型安全防御以及自动化智能体的开发都交给你了。 这套教程啊,属于说直接把知识喂到你嘴巴里了。知道大家懒得去网上找,我已经把配套的资源和学习路线都整理好了,照着学就行。只需要关注了我的粉丝评论区,留下 a r 学习,直接抱走吧!

国内顶尖学府上海交通大学在 gig hop 上重磅发布了大模型教学教程,这个男人让无数 ai 学习者沸腾了。上海交通大学教授张卓胜在队 为学习者提供大模型入门编程的实用参考,通过简单易懂的实践操作,帮助同学们迅速掌握大模型基础。包含了从域训练、模型微调与部署、大模型的 api 调用与推理、语言模型的编辑方法和工具,到语言模型的文本水印、粤语工 多模态模型等多个方面。跟着教程一步步操作,小白鸟变 ai 达人。教程资料已经打包好了,需要的宝子拿去试试。今天围绕五个开源记忆框架来讲, text to mem、 mem 零、 leta raymi 和 mem u。 做 agent 的 时候,很多人会遇到一个现象,当前这轮聊得挺顺,但过几轮之后,他就像没记住前面发生过什么。 所以今天我们不从提示词技巧讲,也不从模型参数讲,我们直接看一个更底层的问题, agent 的 记忆层怎么设计?这次要讲的五个开源记忆框架都和 agent memory 有 关,但关注点不一样,有的偏协议,有的偏中间件,有的偏状态管理,有的强调可维护,有的面向长期在线 agent。 我 们先看整体,这五个框架可以理解成五种不同的记忆路线。 text to mem 更偏操作协议,它关注的是记忆的创建、读取、更新、 删除,这些动作能不能被抽象成统一表达。 miami 零更像通用记忆层,也就是记忆中间键,它更关注怎么让应用和 agent 比较方便地接入长期记忆能力。 leta 的 思路是把 agent 当成有状态系统,不是一次性问答,而是长期运行,持续管理状态。 rainy 强调透明记忆,也就是说,记忆不只是给机器解锁,也要让人能看见、能理解、能修改。 manuel 更偏持续在线场景,关注 agent 的 长期运行时,记忆怎么被主动整理和沉淀,所以它们不是简单地替代关系,而是站在不同层级解决问题。 那一个 agent 的 记忆框架通常要回答哪几个问题?可以拆成四步,写入、存储、解锁、维护。先说写入什么内容值得记,这一步很关键,因为不是所有对话都应该进入长期记忆, 如果什么都记,后面解锁出来的信息可能会变得很杂。第二是存储记忆应该放在哪里?是项链库、数据库?还是文件?不同存储方式 会影响后面的解锁和维护。第三是解锁什么时候把记忆取回来。 agent 不 需要每次读取所有历史,而是要根据当前任务找回相关信息。第四是维护记忆会不会过期?会不会冲突?用户偏好会不会变化?所以记忆系统不能只会存,还要会合并、修正和清理。接下来我们看这五个框架各自偏向解决哪一类问题。 先看 text to mem。 text to mem 可以 理解成给记忆系统定义一套操作语言,它更偏底层抽象,关注的不是记忆具体存在什么地方,而是记忆操作应该怎么表达。比如 agent 要创建一条记忆、读取一条记忆,更新一条记忆、删除一条记忆,这些动作能不能用统一方式描述?为什么这件事儿重要? 因为如果没有统一抽象上层, agent 很 容易和某种具体存储方式绑死,今天用向量库,明天换数据库,后天接文件,系统上层逻辑可能都要跟着改。 text to mem 的 价值就是降低上层 agent 和底层存储之间的藕合, 所以它适合被理解成记忆层的指令级。它重点不是告诉你一定要存在哪里,而是帮助你思考记忆动作本身应该怎么标准化。如果你在研究记忆系统抽象或者想设计自己的 memory api, 那 么 text to mem 这个方向就很值得参考。 接下来是 mem 零。 mem 零更偏工程落地,可以理解成一个可接入的记忆中间件。什么叫中间件?简单说就是你已经有一个 ai 应用,或者已经有一个 agent, 现在希望它具备长期记忆能力,比如记住用户偏好、历史上下文个性化信息,那 mem 零就是面向这个场景来的。它的核心思路是提供一个通用记忆层,让 agent 可以 比较方便地存储和解锁长期信息。 比如用户喜欢什么表达风格,之前做过什么任务,某些历史事实是什么,这些都可以成为长期记忆。从工程角度看,麦木林关注的是接入体验、后端适配以及记忆生命周期管理,所以它适合已有应用,希望补充长期记忆能力的项目。 这里要注意,麦木林主要聚焦在记忆层本身,尤其是用户偏好、历史事实、长期交互记录这些内容的存取。一句话概括, m 零是把记忆能力做成一个工程上可接入的基础层。 再来看 letter 的 思路和前面不太一样,它不是只把记忆看成一个存储模块,而是把 agent 当成一个有状态系统来管理。我们可以先想一下 agent 到底应该是什么。如果只是一次性问答,那它每次回答完就结束了,下一次再开始。历史状态不一定稳定存在, 但如果我们希望 agent 能长期写作,比如长期陪伴、长期处理任务,长期理解某个用户,那它就不能只是无状态的问答器,它需要有状态。 这里的状态不只是记忆,还包括工具、上下文、身份、任务进展以及长期运行中形成的信息。 leta 的 关键点就在这里。记忆是 agent 状态的一部分,而不是孤立存在的数据库。所以 leta 更适合长期陪伴、持续协助个人助理或者复杂任务型 agent。 一 句话概括, leta 不是 只关心记忆存取, 而是把记忆放进 agent 的 长期状态管理里。第四个是 remi。 remi 的 重点是记忆要看得见,改得动。很多记忆系统都会遇到一个问题,记忆存在向量库里之后,人其实很难直接理解它到底记了什么。 如果 agent 回答出错,你可能不知道是模型问题,是剪索问题,还是记忆本身就写错了。 remi 关注的就是这个问题,它把文件型记忆和向量型记忆结合起来。 文件型记忆的好处是可读性更好,人可以打开看,知道系统记住了哪些内容,也可以手动修改。向量型记忆的好处是适合语义解锁, agent 可以 根据当前上下文,从历史内容里找回相关信息。 所以 remi 的 重点是既要让机器能解锁,也要让人能维护,这对实际项目很有帮助,因为真实场景里,记忆内容经常需要调整,比如记错了、偏好、保留了过期信息,或者某些内容不应该继续使用。一句话概括 remi, 让记忆不仅能被机器读,也能被人管。 第五个是 memui。 memui 更偏长期在线 agent 的 场景。我们可以想象一种 agent, 他 不是用户问一句,他答一句,然后就结束了。他可能是一个长期运行的助手,会持续接收信息, 持续跟踪任务变化,持续积累用户习惯和历史事件。这种场景下,记忆系统面对的问题会更复杂,因为信息是连续进入的,如果只是被动把历史都堆起来,记忆很快就会变得很乱。所以 memui 更关注主动整理。 也就是说,记忆不是被动堆历史,而是要对输入进行提炼、归类、压缩和组织。比如一段对话里可能有很多临时信息,但真正值得沉淀的可能只有几条,用户长期偏好稳定、事实、重要任务进展 或者后续需要跟踪的事项。 memo you 的 思路就是把碎片信息转成更稳定的长期记忆,所以它适合持续在线助手长期陪伴、持续任务跟踪、个人知识型 agent 这类场景。一句话概括, memo you 更像是在为长期在线 agent 做后台记忆维护。 现在我们从架构视角把这五个框架放在一起看。 textmem 更像协议层,它关注记忆操作怎么抽象,比如创建、读取、更新、 删除,这些动作怎么统一表达。 mem 零更像服务层或中间建层,它关注应用怎么接入记忆能力,怎么让 agent 拥有长期记忆。 leta 更像 agent 运行平台,他关注的不只是单条记忆,而是 agent 的 长期状态,包括工具、身份、上下文和任务进展。 remi 更像透明维护层,他关注记忆是否可读、可改、可审查。 menu 更像主动长期记忆层,他面向持续运行的 agent, 重点是长期输入下如何整理、沉淀和附用。所以选行时不要只问哪个框架好,而要先问我的系统现在缺的是哪一层能力。 我们再用一张表快速对比。 text to mem 的 核心定位是记忆操作协议,它关注标准化、抽象和跨后端,适合框架设计者或者正在设计 memory api 的 开发者。 mem 零的定位是记忆中间键,它关注接入、存取和个性化,适合应用开发者, 尤其是已有产品想补充长期记忆能力。 leta 是 有状态 agent 平台,它关注长期状态和连续运行,适合做长期任务和复杂交互的 agent 系统。 remi 是 透明记忆管理,它关注可读、可改、可审查, 适合需要调试和维护记忆内容的团队。 memo 是 主动长期记忆,他关注长期在线和持续整理,适合常驻型 agent 项目,所以可以这样记, text memo 解决怎么表达记忆操作, memo 零解决怎么接入记忆能力, letta 解决长期状态怎么管理, remy 解决记忆怎么可控。 memo 解决长期在线时怎么持续沉淀。 再看能力测重点。 text to mem 的 重心在抽象程度,他更关注记忆操作本身如何标准化。 mem 零的重心在工程接入,他更关注怎么把记忆能力加到已有应用里。 leta 的 重心在长期状态,他会把 agent 放在长期运行的视脚下看,不只是记忆,而是完整状态系统。 人命的重心在透明维护,他希望记忆不是黑河,而是能被人理解和干预。 memu 的 重心在主动整理,他 面向持续输入、长期在线的 agent, 所以 更关注记忆如何沉淀和组织。这里要注意,不要只看功能多少,实际项目里更重要的是看你当前缺什么,缺统一抽象,看协议层,缺快速接入,看中间件,缺长期状态,看 agent 平台缺可控维护,看透明记忆,缺长期在线能力,看主动记忆, 最后把选行路径收一下。如果你是研究记忆层设计,优先看 text memo, 它能帮助你理解记忆操作怎么抽象。如果你是快速给产品加记忆,优先看 memo 零,它更适合把记忆作为中间键接入。如果你要做长期运行 agent, 优先看 let, 因为长期运行不只是记忆,还设计状态管理。 如果你希望记忆可控,优先看 remi, 特别是团队项目里,记忆内容需要查看、修改、审查和调试。如果你做的是持续在线助手,优先看 miu, 因为持续输入下,如果没有主动整理,记忆会越来越乱。 当然,复杂项目也可以组合使用。协议层中间建状态平台可维护记忆,并不一定互斥。真正做系统时经常是按层组合。 总结一下 agent 记忆框架的差异,本质上是系统设计路线的差异。 text to mem 定义操作, mem 零,提供中间键 let 管理状态。 remy 强调透明。 memu 面向长期在线,所以做 agent 的 记忆层时,不要只问要不要加记忆,而是要进一步问我的 agent 需要哪种记忆能力是操作抽象,是工程接入, 是长期状态,是可读可改还是主动维护?把这个问题想清楚,记忆层的架构就会清晰很多。

我靠, ai 赛道直接大结局了!是什么项目让 ai 圈的大佬都在看?起因是上海交大教授团队发布了一整套 ai 的 学习路线,引起了全球技术宅的学习热潮。这估计是近几年 ai 圈最具诚意的 ai 的 入门教程,实战性直接吊打市面上百分之九十九的教程。 只要你不是三分钟热度,一个月的时间就能从新手进阶成 ai 领域的工程师。第一阶段,先吃透 a 战士四大核心, l l m 规划模块、记忆机制、工具调用,这是你后续实战的地基。第二阶段,掌握经典工作范式 react cut, 学会让 a 战士自主拆解复杂任务。第三阶段,进阶突破多智能体协助,让多个 a 战士分工配合, prompt 调优,输出更稳定更精准。第四阶段,实战闭环, 新手跑通两到三个小项目,比如智能客服、个人知识库,掌握这些足以胜任百分之九十的 ai 应用岗。值得一提的是,央视曾多次报道,预计到二零三零年,我国 ai 人才缺口将达到五百万。如果你还不知道从何开始,全套 a 阵子学习路线以及配套视频教程已经整理好了,留个谢谢,直接带走。

ai 圈最近有点大破防了, ai 不 再是只有博士生才能玩的高端局,起因是上海交大教授团队在 getup 上发布了一套 ai 学习教程,引起了全球技术宅的学习热情。这套教程不跟你玩虚的,实打实教会你东西,实战性直接打市面上百分之九十九的教程,只要你不是三分钟热度, 三个月时间就能从新手进阶成 ai 领域的工程师。第一段,先持手 ai 四大核心, l i m 底座规划模块记忆机制、工具调用,这是后续的地基。第二阶段,掌握经典工作范式 react q t, 学会让 a 阵自主拆解复杂任务。第三阶段,进阶突破,深入了解多智能体系组,让多个 a 阵分工配合,通过 party 调优,让输出更稳定、更精准。第四阶段,实战闭环,新手跑通两到三个小项目,如智能客服、个人知识库, 掌握这些足以胜任百分之九十的 ai 应用岗。我已经把完整的 a 阵及大模型学习路线配套视频校准整理好了,留下学习直接抱走。今天给大家分享一下如何用 ai 组建一个高效的内容团队。 做自媒体,简单来说就是信息收集、选择题筛选、内容汇总、素材整理,最后做剪辑、包装以及多平台的内容分发。我们完全可以根据这套标准的工作流程搭建一个 ai 自媒体项目组。 想做一个 ai 博主,首先就是信息的收集与选择题的筛选,如果靠我们每天自己刷平台,效率低还不说,还容易被抓错重点, 那我们现在可以直接点击创建一个 a 键的,这边就有很多成熟的职业模板可以选择,比如说我们选择调研分析师,它是自带了麦肯锡行业洞察、竞品调研以及数据分析技能等。我们可以选择下一步,它能直接将我们想要分析的全部分析出来,通过痛点的拆解, 爆款的选择题以及每个选择题的口播及评分,全部都可以分析出来,就不需要我们自己再一个一个去搜索了。第二步,内容的归纳与文案的创作,在这边我们可以新建一个 a g 的, 这边可以选择自媒体运营达人,它就包含了文案的创作,文章的拆解以及违禁词的查询等 等等。我们也可以给他一个评分系统,让他根据这个评分系统来进行打分,并且给出合适的选题参考。第三步,素材的整理与收集。我们在剪辑的时候找素材是非常耗时间的,那我们现在也可以专门创建一个素材整理与收集的 a 帧, 只需要给他一句话,比如收集耳机广告相关的产品图,帮我找到可以用来剪辑的素材,就能够自动汇总全网可以用来剪辑的优质素材链接和图片。我们还可以创建一个 a i g c a 视频创作大师,他可以在你剪辑视频的时候一边剪一边跟他对话,让他根据分镜实时生成专业的提示词。把这四个 a 镜头全部搭完之后, 我们就可以点击创建一个项目,把刚刚创建的这几个特种兵全部拖拽到项目里面来。现在我们就成立了一个项目组, 只需要在项目组里面去艾特一下对应的成员,比如说艾特一下调研分析师,让他分析本周的 ai 热点选择题,那他就会给我们去分析对应的选择题。接着再来艾特自媒体运营达人,让他给我们根据选择题写出脚本,再接着艾特素材整理,让他给我们收集图片,最后 再艾特视频生成大师,给我们生成提示词,这样我们四个 agent 就 会在组里面自动去扭转配合完成。当然呢,视频做好了之后,我们还需要多平台的排版大师添加一下, 这样的话我们就可以让他直接帮我们生成图文,我们可以直接把内容传给他,接着让他直接给我们排版,将整篇文案全部排版。好,扣子三点零,主要就是打破你对 ai 的 传统认知,他不再是你问一句,他答一句,而是一个内容团队,我们只需要把繁琐重复的动作全部交给 agent 等,我们要做的只有决策以及审。

离开你,谁还把我当小孩教啊!最近,国内顶尖高校上海交大在 get up 上公布了一套动手学 ai 的 学习教程。这套教程没有任何水分,全是硬核干货。整套学完,你就能在自己的电脑上装专属大模型,不用依赖外网数据,隐私安全有保障。该项目由张珠圣教授主导,凝聚了多位行业大佬的心血,非常适合新手学习。 从简单的 a、 p i 调用,逐步深挖到大模型配置,甚至还教你怎么应对 ai 越狱攻击,怎么开发自动化智能体。这波教程属于是直接把饭喂到你嘴里,知道大家都懒得找我,直接整理好了全套教程加学习路线,留下学习直接暴走!

我嘞个豆,最近 ai 圈子都要炸开了锅了,是什么项目吸引了不少 ai 大 佬都在看,原来是上海交大开源了一套动手学 ai 的 实操教程。这一套教程啊,没有任何的水分,全部都是硬核干货,跟着系统学完,就能够在自己的电脑上 部署专属于自己的大模型,不用依赖于外网,隐私安全啊,会更可控。这个教程啊,由张卓胜教授主导, 联合了多位业类专家共同打造的,很适合新手小白入门学习。从最简单的 a、 p i 调用,一步步深入到模型部署与微调,甚至啊,连模型安全防御以及自动化智能体开发都交给你了,相当于把知识直接喂到你嘴里了。 我知道,大家都懒得去网上找,我把配套的资源和学习路线全部都整理好了,照着学就可以了,只需要给我点个小关小注,在评论区留下 ai 学习,直接抱走吧!

ai 圈最近有点大破防了,不是因为什么大事,而是上海交大做了一件让人闭嘴的事,直接开源了一套动手学大模型的实操教程。 deepop 四十三 k star 你 没听错,九八五顶尖高校官方出品,主讲是张卓胜教授。最离谱的是, 这份教程完全免费,没有任何水分,它不是那种教你装环境配 python 跑两行的入门水货,是真刀真枪。从最简单的 api 调用开始, 一路杀到模型微调,模型部署,模型安全防御,最后连 a 阵智能体开发都给你安排了,学完你能干什么?在自己电脑上部署一个专属于自己的大模型,不用依赖外网,不用把数据传到任何服务器,隐私安全拉满 团队阵容也值得。说到十四位上海交大硕博士跟着张教授干这事,导师亲自下场带学生,这种师生组合做出来的东西,质量比市面上那些几万元的 ai 课扎实的多。整套课程结构非常清晰, 从基础到御训练,从大模型到概念延伸,从垂直大模型多模态基座到 r a g 和 a g, 开发一条完整的工业级学习路径。掰开揉碎给你看。最狠的一句总结,这套教程属于是把芝士嚼碎了直接喂到你嘴里。想知道怎么领?评论区扣个六六六,我把 guitar 地址和学习路线整理成文档发你。

ai 产品经理圈也是遇上自己的活菩萨了,起因是上海交大直接下场开源了一套动手学大模型实操教程,在 get up 上直接拿下四十三 k 新标。没错,九八五名校官方出品,主讲是张卓胜教授,真的是学起大师课了, 这不是那种装个环境跑两行,截个图就结束了水货教程,而是从最基础的 api 调用讲起,到模型微调部署上线,安全防御,就连智能体搭建也给你端上来了。学完你就能在自己的电脑上本地部署大模型,不用联网,不用把数据传到任何服务器,隐私保护直接拉满。再看团队配置, 十四位上海交大硕博生顶级配置,真刀真枪干出来的含金量直接拉满!从基础理论到预训练,从大模型核心概念到延伸方向,再到垂直领域模型多模态,二 a j agent 开发。如果你也打算转行入局 ai 产品经理, 我整理了完整 ai 产品经理学习路线,分阶段学习内容,适配工具、大场面式题库和练手实战项目,想要的朋友评论学习,我发给你。

上交待一出手,直接引爆全网!到底是什么项目让 ai 圈大佬们集体围观?起因其实就是上海交通大学张卓胜教授和他的团队在 tiktok 上开源了一套动手学大模型开源教程。可以说,这是 ai 圈迄今为止最具诚意的开源项目。 从模型微调到 a p i 接口,从文本水印到多模态应用搭建,每一步都配有详细的操作指南,还有权威资料供参考。 最最牛皮的是,这套教程完全免费开放,无论你是零基础的纯小白,还是卡在瓶颈期寻求突破转型的程序员,都能跟着教程一步步实操,把大模型真正玩明白。教程全套资料以及大模型学习路线我都已全部打包,留六六六赶紧上车,我陪你把一个能真正落地的 a 诊项目从头到尾搭一遍。 不是那种接个模型、塞断提示词,再挂两个工具就完事的教程,而是按真实团队的做法,从需求定义、项目规范、目录架构,一路讲,到 agent tools、 skills, 再到 context memory prompt 管理、测试评估和上线监控。如果你已经会调模型接口,也写过几个 demo, 可一进入正经项目就发蒙文件夹怎么建,模块怎么切,哪一步该写死流程,哪一步该让模型自己拿主意。 这里还给大家梳理了一份大模型 agent 系统学习路线及配套教程,包含 python 基础、 reg 系统、 agent 框架、工程部署等工程落地实战技巧。只要是我粉丝,留六六六打包带走!第一站,先想清楚再动手!写代码之前,得先回答一个问题,你的 agent 到底替谁解决什么麻烦? 不少人上来就想造一个什么都会的助手,能查资料、能写稿、能做表格,还能剪片子,听着虎人。实际上,这种项目,十个有九个会烂尾。原因很简单,任务没有边界。所以动手前先把五件事落在纸上,目标是什么? 用户会输入什么系统要交付什么、哪些环节允许 agent 自作主张,以及做到什么程度算成功。拿我自己做的 ai 科普视频助手举例,用户丢进来一个选择题,他先去搜资料,再交叉比对官方文档、官网和新闻报道, 甄别哪些信息靠得住,然后提炼观点,写出口博稿,最后生成分镜表。注意,这里还必须画一条红线。搜索整理这类动作他可以自己来,但涉及对外发布、删改文件、调用任何会产生费用的接口,一律停下来等人点头。 为什么这一步不能省?因为目标一旦含糊,后面工具会越堆越多,记忆会越塞越杂。过俩月,你自己都说不清某个模块是干嘛的。记住第一条铁律,先定义任务,再设计系统。第二站,把项目的家规写好, 目标清楚了,接下来建仓库、 readme、 get 环境变量。这些常规操作不用多说,我重点提一个很多人还没用起来的习惯。 如果你的日常开发会用到 codex、 cloud code 这类编程助手,强烈建议在跟目录放一份 agents, 点 m d, 这是个开放的规范格式,说白了就是一份专门写给 ai 看的项目说明书。目录怎么组织代码放哪个文件夹, 哪些文件是禁区不能碰,加完功能必须跑哪些测试允不允许自动装依赖,提交代码前要过哪些检查,全部提前写清楚, 这样以后让 ai 帮你改项目。它不用每次都靠猜来理解你的规矩,反公会少很多。另外,密钥管理是老生常谈,但必须讲 api key, 绝对不要硬编码进原码,真实密钥放进 emv 文件,同时提供一份 emv 点 example, 让协作者知道项目需要哪些变量,但看不到真值。而 emv 本身必须写进 getnor, 这一步跟 agent 本身没什么关系,但它决定了你的项目半年后是井井有条还是一团乱麻。先立规矩,再让 ai 写代码,顺序不能反。 第三站,目录架构,把 workflow 和 agent 分 清楚。一个打算长期维护的 agent 项目,我一般会至少画出这么几块, agents tools, skills、 workflows, prompts, context memory tests 和 evos。 这里面最容易被忽视也最容易搞混的是 workflow。 很多人把 workflow 和 agent 当成一个词,其实是两码事。 workflow 管的是事情按什么顺序走, agent 管的是碰到没把握的情况该怎么判断。这个划分和 ansorepic 在 building effective agents 里给出的官方定义一致, workflow 沿着预先写好的代码路径执行, agent 则由模行动态决定自己的流程和工具使用。还是拿视频项目说,调研 agent 负责找资料,文稿 agent 负责写口播分镜, agent 负责出画面脚本。 但调研没找到足够可靠的信源,是继续挖还是硬着头皮进下一环节?文稿连续两轮评估不合格,是重新生成还是打回去补资料?这些路由和兜底逻辑属于 workflow 层,别把这些全丢给一个超级 agent 自己权衡, 前期看着挺聪明,等业务一复杂,你会发现自己根本解释不清他为什么走了这一步,失败后又为什么跳到了那里。更稳的做法是,确定性的流程用代码写死,真正需要临场判断的节点才交给模型, 这样将来你想换一个 agent 替换某一步的模型,都不用把整条链路推倒重来。还有一句提醒,架构不是目录,拆得越碎越显专业。每个文件夹都应该对应一个真实存在的职责项目,小的时候完全可以粗一点, 等任务链变复杂了,再把 workflow、 evil memory 单独拆出去。真正要防的是所有业务逻辑最后全糊在一个 agent 文件里。 第四站,定义 agent。 五项缺一不可,架构搭好才轮到定义 agent 个体。每个 agent 我 建议至少写清五样东西,如 go、 instructions、 tools、 output schema。 比如调研 agent 出 ro 是 ai 技术研究员, go 是 拿到可靠资料, instructions 里写明优先采信官网和一手信源,遇到互相矛盾的信息要单独标记,拿不准的内容不许当事使用。 tools 配上网页搜索 网页,抓取 github 解锁。最后 output schema 固定为五栏核心结论、关键事实来源列表、争议信息待确认项。 output schema 为什么关键?因为它下游还有文稿 agent 等着消费这份结果。 如果调研 agent 每次都是自由发挥,今天先给结论,明天先甩链接,后天把猜测混在正文里,下一层根本没法稳定解析。很多项目后来变稳了,往往不是因为换了更强的模型,而是因为每个 agent 的 边界更清晰, 输入输出更规范。第五站, tools agent 的 手和脚搜索网页、读写文件、查数据库、做计算,调接口,这些都算 tools。 这层有一条我很坚持的原则,一个工具只干一件明确的事,搜索就只管搜索,抓取就只管抓取,存盘就只管存盘。千万别做一个全能工具,里面又能搜又能写又能查库模型。在挑选工具时,本身就要靠描述来理解每个工具的用途,工具越臃肿,描述越难写,调错的概率就越高。 其次,工具的输入输出要规整,比如网页搜索输入一个 query, 返回标题摘要 url 这样的结构化子段,而不是甩回来一段格式随缘的自然语言。最后,每个工具都应该能脱离 agent 单独测试, 这样系统出问题时,你才能快速定位是工具本身坏了,还是 a 整选错了工具。第六站, skills 比工具更值钱的积累 tools 和 skills 这两个概念特别容易被混为一谈。给你一句好记的话, tools 是 能力, skills 是 打法, 抓网页是 tool, 存文件也是 tool。 但完整调研一款 ai 新产品可以是一个 skill。 因为这个 skill 里固化了一套验证过的方法论, 先查官网,再翻官方文档和 get up 仓库,然后补充新闻与社区讨论,多元交叉比对冲突信息,单独取舍,最后汇总成研究报告。换句话说, to 回答的是这件事,我能不能做 skill 回答的是这件事,怎么做才稳定,好处显而易见。下次换个选择题, agent 不 用从零摸索调研套路,直接附用这个 skill。 所以 一个项目跑久了,真正值得积累的资产不是越来越多的工具, 而是越来越多经过实战检验的 skills。 第七战, context 和 memory 别一上来就上向量库。很多人做 agent 有 个执念,必须带长期记忆,必须上向量数据库,必须加 reg。 先别急, 一个项目首先要回答的问题是,眼前这一次任务模型需要知道什么?用户刚给的选择题,调研 agent 拿回的资料工具,返回的数据文稿, agent 已经写过的版本,当前流程,走到第几步?这些都是 context 服务于当下。 然后才是第二个问题,任务结束后,哪些信息真的值得留到下一次?比如用户长期偏好的文案风格,哪些小题已经做过,某个项目有哪些固定规则,这些才有资格进 memory? 反过来,某次搜索抓到的临时网页已经失效的中间结果一次性的报错信息就没必要长期保存。 所以 context 和 memory 要分开设计项目早期用 json 甚至普通文本文件就够了,等真的出现大规模跨任务解锁的需求,再考虑向量数据库不迟。 记住,不是记得越多就越聪明,把错误的东西记牢了,后面的任务只会越来越难。纠篇第八站, prompt 要拆开管理,还要进版本控制真实项目里,我不建议把所有规则对进一段巨大的 system, prompt 可以拆成五块, system 负责决策设定和长期规则。 task 描述当前任务, constraints 写明哪些事绝对不能做 examples 给模型示范什么叫好 output? schema 锁定输出结构。 拆开的好处是,改的时候你知道自己改了什么,出问题也知道是哪条规则带偏了结果。比如你发现调研 agent 总把没核实的信息写成事实,那就去改 constraints 那 一段,而不是把整个 prompt 推倒重写。还有一点很重要, prompt 应该纳入 get 版本管理,它本质上不是聊天时随手敲的一段话,而是 agent 程序逻辑的一部分。这一层恰恰是 demo 和正经项目的分水岭之一。第九站, test 保证能跑, excel 保证做得好,传统测试该做的一样不能少。 函数能不能运行,接口会不会报错,工具返回的数据对不对?但 agent 项目有个特殊的坑,代码全率不等于任务合格。调研 agent 顺利产出一篇两千字报告,没抛任何异常单元,测试全部通过, 可里面引用的可能是过时信息,甚至把预测写成了事实。工程角度看,它成功了,业务角度看,它其实砸了。所以 test 之外必须有 eel, 准备一批固定的真实任务,专门评估事实准确率、幻觉率、工具选择是否正确, 任务完成率、输出结构成本和耗时。比如攒五十个真实选择题,输入固定下来之后,每次换模型改 prompt 加 skill 都完整重跑一遍。 如果方案 a 的 任务成功率是百分之八十二,方案 b 提升到百分之九十一,同时平均成本还降了,你才能有把握的说。这次改动是真的变好了,否则我感觉他聪明了一点,在工程上毫无意义。 医保的测试机本身也要固定并纳入版本管理。如果每次评估用的题目都不一样,两个版本的分数根本没有可比性, 你甚至可以把线上真实翻过车的案例脱敏之后加进 evo 数据集,让系统在真实错误里不断扩充自己的考卷。一句话总结,能不能跑,看 test 做得好不好看。 evo 第十站上线不是终点,可观测性才是迭代的起点。 项目可以跑在本地 docker 或者云环境,但上线之后还有一层特别重要的东西, observability。 你 至少要能看到用户给了什么,任务流程走到了哪一步, agent 做了什么决策,调了哪个工具,工具的入餐和返回是什么? 最终交付了什么?同时记录 token 消耗耗时、成本、错误率和任务成功率。为什么非机不可?因为 agent 不是 传统的确定性程序,同一个任务模型状态上下文,工具返回稍有不同,结果就可能不一样。 用户反馈说结果错了,你调出 trace 一 看,发现 agent 的 判断逻辑没毛病,是搜索工具返回了一个过期网页。那你要修的是工具和数据源,而不是继续折腾 prompt。 没有 trace、 日制和 email, 你 很容易陷入一出问题就改 prompt 的 怪圈,越改越乱。 agent 产品真正的开发循环是运行记录、评估、修改再评估。上线不是结束,是迭代的开始。最后串一遍整条链路,先定义需求和成功标准, 再立项目规范和目录架构。流程归 workflow, 判断归 agent tools, 提供基础能力 skills 沉淀验证过的方法 context 服务当下任务 memory 只留真正值得长期保存的信息。 prompt 分 层约束行为,并进版本管理 test 保证代码能跑。 evo 判断活干得好不好,最后靠部署 trace 和监控持续打磨,当这一整套真正立起来,你的 agent 才会从一个可维护可扩展,敢交给别人用的产品。 说到底, agent 工程要解决的核心问题从来不是怎么让模型调一次工具,而是怎么让一个天生不确定的 ai 长期稳定地完成确定的业务任务。以上是个人实战经验的分享,具体方案还要结合你自己的业务场景来定。

ai 圈最近又又又又大破防了, agent 不 再是只有博士生才能玩的高端局,起因是上海交大教授团队发布了一整套 agent 的 学习路线,引起了全球技术宅的学习热情。这估计是近几年 ai 圈最具诚意的 agent 入门教程。实战 先吊打市面上百分之九十九的教程,只要你不是三分钟热度,一个月的时间就能从新手蜕变成 ai 领域的工程师。第一阶段,构建认知,别一上来就学技术,而是先建立对大模型的底层认知框架,吃透大模型原理和提示词工程。第二阶段,深入剖析 r a g agent, 这是 ai 大 模型的两大核心,在工具上可以学 lanjin 和 lemon decks。 第三阶段,搞定模型微调与私有化部署,同时搭配上企业级项目实战才算过关。最后记一下这些大场面视题 offer 直接手到擒来。我也把以上各个阶段所用到的配套视频素材资源准备好了,留下学习双手奉上。

我靠, ai 赛道直接大结局了!这什么项目让 ai 圈的大佬都在看?原来是国内顶尖高校上海交大开源了一套动手学 ai 的 实操教程。该教程由张卓胜教授主导,凝聚了多位业内专家的智慧结晶。这套教程没有任何水分,全是硬核干货, 非常适合入门新手学习。从最简单的 api 调用,一步步深入到模型部署与微调,甚至连模型安全防御以及自动化智能体开发都 教给你了。完整学下来,就能在自己电脑上部署专属于自己的大模型,不用依赖外网,隐私安全更有保障。这套教程属于是直接把知识喂到你嘴里,知道大家懒得去网上找,我已经把配套资源和学习路线整理好了,照着学就行,留下学习直接抱走吧!