很多 LangGraph 示例能说明START - node - END是怎么工作的但一旦进入稍微真实一点的业务场景问题很快就会出现请求不只有一种意图有些动作要调工具有些不需要有些动作有业务风险不能让模型直接执行前端需要知道系统现在卡在哪一步用户偏好需要跨会话保留下来这篇文章不想停留在“图能不能跑起来”而是想把一个更接近系统形态的客服 Agent 拆开讲清楚请求如何进入服务、LangGraph 如何编排节点、审批如何中断与恢复、状态如何分层以及为什么这套设计比一个简单的 tool calling loop 更适合继续扩展。如果用 Web 后端的语言类比这个项目不是“模型回一句话”而是把一次聊天请求组织成一条可路由、可暂停、可恢复、可观测的业务工作流。这套 Demo 解决什么问题这个客服 Agent 当前支持几类典型能力闲聊产品咨询订单查询投诉建单转人工客服长期偏好写入跨会话记忆召回对应的目标不是“能力越多越好”而是把一条完整链路里的关键环节串起来HTTP 接口要能直接调用LangGraph 负责编排状态和节点流转高风险动作要先审批再执行审批后要能从断点恢复前端要能看到流式执行过程同一个用户在新会话里还能召回长期偏好从作品集或工程练习的角度看这种项目比单纯的 CLI Demo 更有价值因为它更接近真实系统会面对的问题。项目结构核心文件很少链路也比较清晰customer_service_server.pyHTTP 服务入口负责接请求、做 JSON/NDJSON 边界转换advanced_qa_agent.pyLangGraph 状态定义、节点、工具、审批与恢复逻辑的核心实现web/app.js浏览器端聊天、审批恢复、流式事件展示web/index.html调试台页面web/styles.css前端样式可以把它理解成一条很典型的调用链Browser - HTTP Server - LangGraph Graph - Tool / Review / Response - NDJSON Stream - BrowserAgent 流程图一次请求是怎么跑的这里不先讲抽象概念直接按代码路径走一遍。假设用户输入我要投诉昨天收到的 HomeHub Mini 外壳有裂痕。1. 浏览器发起请求前端入口在web/app.js。页面会向服务端发送POST /api/chat/stream请求体里最关键的字段有 3 个user_idthread_idmessage它们分别承担不同职责message是本轮用户输入thread_id用来标识这条工作流后续恢复执行靠它user_id用来标识这个用户跨会话记忆靠它2. 服务端接住 HTTP 边界服务端入口是customer_service_server.py。这个文件的职责比较像一个薄 API 层校验请求体区分/api/chat、/api/chat/stream、/api/review、/api/review/stream把 HTTP 请求转换成图执行所需的 payload把图执行结果编码成 JSON 或 NDJSON 返回给浏览器如果是流式聊天请求最终会进入stream_customer_turn(...)如果是审批后的恢复执行请求最终会进入stream_resume_turn(...)3. LangGraph 开始执行图真正的工作流定义在advanced_qa_agent.py。核心节点可以概括成load_memory_node - planner_node - human_review_node / tool_node / assistant其中最重要的 4 个节点分别承担不同职责。load_memory_node这个节点先根据user_id从InMemoryStore读取长期偏好。比如用户上一次说过以后默认用中文回复。那么这条偏好不会只留在当前消息历史里而是会在新thread_id的会话中再次被取出。planner_node这是整条链路里最像“请求路由器”的地方。它不急着回答而是先判断当前意图是什么是否需要调用工具是否属于高风险动作是否需要写入长期记忆如果模型可用planner_node会优先用 LLM 做结构化决策如果没有 API Key 或代理异常它会回退到启发式规则逻辑。这个设计的价值在于系统不会因为少了一个外部依赖就整体失效Demo 的可运行性会稳定很多。human_review_node当动作属于以下类型时投诉建单转人工写入长期记忆流程不会直接执行工具而是先调用interrupt(...)暂停。可以把这个节点理解成一个“人工事务边界”图在这里停止待审批载荷返回给前端前端展示审批卡片用户或审核人选择批准或拒绝服务端再用Command(resume...)恢复图执行这比“先执行再补救”更贴近真实业务流程。tool_node当动作不需要审批或者审批已经通过后流程才会真正进入工具执行。当前这套 Demo 里的工具主要有产品知识查询订单查询创建投诉工单创建人工接入工单保存长期记忆工具执行完成后并不是直接结束而是把结果以ToolMessage再交回planner_node由它统一生成最终回复。如果用后端分层类比这个设计相当于planner_node像控制层里的路由与编排逻辑tool_node像领域服务层最终回复像上层统一组装的响应对象这套设计为什么比简单的 tool calling loop 更像系统1. 路由与回答被明确拆开很多入门示例会让模型同时做三件事判断意图决定是否调用工具生成最终答案这样虽然省代码但后面很难插入审批、回退、重试或恢复逻辑。这里把控制流拆开后系统边界会清楚很多planner_node负责决定下一步怎么走tool_node负责执行具体能力回复由 planner 统一收口这种设计在后续扩展时更稳定。2. 审批是工作流节点不是补丁逻辑真实客服场景里投诉建单、人工转接、长期偏好写入都可能带来业务后果。如果把审批写成零散的if/else很快就会让流程变得难以维护而interrupt/resume的好处是把审批本身提升为图上的一等节点。这样做有两个直接收益审批前后的状态天然可追踪恢复执行不需要重新跑完整条链路3.thread_id和user_id被明确分层很多刚接触 Agent 工作流的人容易把“当前会话状态”和“用户长期画像”混在一起。这里把两者拆开以后职责就非常明确thread_id对应当前这条图的断点与恢复user_id对应跨会话的用户偏好与画像这和 Web 系统里把“请求上下文”和“用户主数据”分开管理其实是同一个工程思路。4. 流式事件让系统可观测前端不是只等最终回复而是实时接收图执行过程里的节点更新。因此页面不仅能显示“答案是什么”还能显示现在执行到哪个节点是否进入了审批态调用了哪个工具最终是completed还是needs_review对学习 LangGraph 来说这类可观测性非常重要因为它能直接暴露问题到底发生在路由、工具还是审批环节。5. 回退逻辑让 Demo 更容易复现项目里有一个很实用的设计即使外部模型不可用系统依然能工作。例如没有 API Key 时planner 会回退到规则路由模型链路异常时系统会给出明确降级结果这意味着项目不是“只能在作者电脑上跑通的一次性脚本”而是一个更容易被别人拉下来演示和理解的样例。这套实现里最值得复用的设计如果把这个项目当作一个模板我认为下面 3 个点最值得带走。1. 先把图包成 HTTP 服务一旦有了 HTTP 边界整个项目的定位就变了。它不再只是一个脚本而是一个可调用的服务。这样后续接 Web UI、BFF、企业 IM、后台运营系统都会自然很多。2. 把高风险动作集中到审批节点这个模式几乎可以平移到很多业务里发邮件前先审批扣费前先审批写数据库前先审批对外发送敏感内容前先审批本质上interrupt提供的是一个通用的人工干预边界。3. 把记忆拆成“工作流状态”和“长期画像”不要把所有状态都塞进一条消息历史里。至少应该区分两类状态当前这轮执行要依赖的上下文用户跨会话持续存在的偏好或画像这次用MemorySaver InMemoryStore分别承接两层职责代码会清晰很多。当前边界这套 Demo 已经适合学习、演示和作品集展示但它还不是生产系统。目前的边界主要在这里数据都在内存里进程重启后会丢失订单、知识库、工单数据都是 mock 数据没有鉴权、限流、审计和权限控制当前服务形态更适合单机演示不适合直接做多实例部署这些边界并不影响它作为一个工程练习项目的价值反而让它保持在“复杂度足够展示、但仍然能被完整讲清”的范围内。后续可以怎么继续演进如果要往更完整的系统继续推进比较自然的方向包括把InMemoryStore替换成 Redis、Postgres 或业务数据库给tool_node接入真实 CRM、订单系统、工单系统把审批链路接入企业 IM 或运营后台给前端增加历史回放、trace 视图和会话列表在单 Agent 工作流稳定之后再继续升级到多 Agent 协作这里有一个很重要的顺序先把单 Agent 工作流做完整再谈多 Agent。因为只有在单条链路里的状态、边界、恢复、工具组织都想清楚之后多 Agent 才不是“多画几个节点”这么简单。最后LangGraph 真正有价值的地方不只是“可以画一张图”而是它逼着系统设计者把下面这些问题提前想清楚状态放在哪里哪些动作需要人工介入流程中断后如何恢复工具执行后如何回到统一编排层前端如何看到执行过程一旦这些边界被设计清楚Agent 就不再只是一个会调用模型的黑盒而更像一个可以被解释、被调试、被演进的后端系统。如果目标是做一个真正能展示工程能力的 Agent 项目这种“HTTP 服务 可观测工作流 审批恢复 状态分层”的组合会比单纯堆模型调用更有说服力。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
用 LangGraph 搭一个支持审批与恢复执行的客服 Agent
很多 LangGraph 示例能说明START - node - END是怎么工作的但一旦进入稍微真实一点的业务场景问题很快就会出现请求不只有一种意图有些动作要调工具有些不需要有些动作有业务风险不能让模型直接执行前端需要知道系统现在卡在哪一步用户偏好需要跨会话保留下来这篇文章不想停留在“图能不能跑起来”而是想把一个更接近系统形态的客服 Agent 拆开讲清楚请求如何进入服务、LangGraph 如何编排节点、审批如何中断与恢复、状态如何分层以及为什么这套设计比一个简单的 tool calling loop 更适合继续扩展。如果用 Web 后端的语言类比这个项目不是“模型回一句话”而是把一次聊天请求组织成一条可路由、可暂停、可恢复、可观测的业务工作流。这套 Demo 解决什么问题这个客服 Agent 当前支持几类典型能力闲聊产品咨询订单查询投诉建单转人工客服长期偏好写入跨会话记忆召回对应的目标不是“能力越多越好”而是把一条完整链路里的关键环节串起来HTTP 接口要能直接调用LangGraph 负责编排状态和节点流转高风险动作要先审批再执行审批后要能从断点恢复前端要能看到流式执行过程同一个用户在新会话里还能召回长期偏好从作品集或工程练习的角度看这种项目比单纯的 CLI Demo 更有价值因为它更接近真实系统会面对的问题。项目结构核心文件很少链路也比较清晰customer_service_server.pyHTTP 服务入口负责接请求、做 JSON/NDJSON 边界转换advanced_qa_agent.pyLangGraph 状态定义、节点、工具、审批与恢复逻辑的核心实现web/app.js浏览器端聊天、审批恢复、流式事件展示web/index.html调试台页面web/styles.css前端样式可以把它理解成一条很典型的调用链Browser - HTTP Server - LangGraph Graph - Tool / Review / Response - NDJSON Stream - BrowserAgent 流程图一次请求是怎么跑的这里不先讲抽象概念直接按代码路径走一遍。假设用户输入我要投诉昨天收到的 HomeHub Mini 外壳有裂痕。1. 浏览器发起请求前端入口在web/app.js。页面会向服务端发送POST /api/chat/stream请求体里最关键的字段有 3 个user_idthread_idmessage它们分别承担不同职责message是本轮用户输入thread_id用来标识这条工作流后续恢复执行靠它user_id用来标识这个用户跨会话记忆靠它2. 服务端接住 HTTP 边界服务端入口是customer_service_server.py。这个文件的职责比较像一个薄 API 层校验请求体区分/api/chat、/api/chat/stream、/api/review、/api/review/stream把 HTTP 请求转换成图执行所需的 payload把图执行结果编码成 JSON 或 NDJSON 返回给浏览器如果是流式聊天请求最终会进入stream_customer_turn(...)如果是审批后的恢复执行请求最终会进入stream_resume_turn(...)3. LangGraph 开始执行图真正的工作流定义在advanced_qa_agent.py。核心节点可以概括成load_memory_node - planner_node - human_review_node / tool_node / assistant其中最重要的 4 个节点分别承担不同职责。load_memory_node这个节点先根据user_id从InMemoryStore读取长期偏好。比如用户上一次说过以后默认用中文回复。那么这条偏好不会只留在当前消息历史里而是会在新thread_id的会话中再次被取出。planner_node这是整条链路里最像“请求路由器”的地方。它不急着回答而是先判断当前意图是什么是否需要调用工具是否属于高风险动作是否需要写入长期记忆如果模型可用planner_node会优先用 LLM 做结构化决策如果没有 API Key 或代理异常它会回退到启发式规则逻辑。这个设计的价值在于系统不会因为少了一个外部依赖就整体失效Demo 的可运行性会稳定很多。human_review_node当动作属于以下类型时投诉建单转人工写入长期记忆流程不会直接执行工具而是先调用interrupt(...)暂停。可以把这个节点理解成一个“人工事务边界”图在这里停止待审批载荷返回给前端前端展示审批卡片用户或审核人选择批准或拒绝服务端再用Command(resume...)恢复图执行这比“先执行再补救”更贴近真实业务流程。tool_node当动作不需要审批或者审批已经通过后流程才会真正进入工具执行。当前这套 Demo 里的工具主要有产品知识查询订单查询创建投诉工单创建人工接入工单保存长期记忆工具执行完成后并不是直接结束而是把结果以ToolMessage再交回planner_node由它统一生成最终回复。如果用后端分层类比这个设计相当于planner_node像控制层里的路由与编排逻辑tool_node像领域服务层最终回复像上层统一组装的响应对象这套设计为什么比简单的 tool calling loop 更像系统1. 路由与回答被明确拆开很多入门示例会让模型同时做三件事判断意图决定是否调用工具生成最终答案这样虽然省代码但后面很难插入审批、回退、重试或恢复逻辑。这里把控制流拆开后系统边界会清楚很多planner_node负责决定下一步怎么走tool_node负责执行具体能力回复由 planner 统一收口这种设计在后续扩展时更稳定。2. 审批是工作流节点不是补丁逻辑真实客服场景里投诉建单、人工转接、长期偏好写入都可能带来业务后果。如果把审批写成零散的if/else很快就会让流程变得难以维护而interrupt/resume的好处是把审批本身提升为图上的一等节点。这样做有两个直接收益审批前后的状态天然可追踪恢复执行不需要重新跑完整条链路3.thread_id和user_id被明确分层很多刚接触 Agent 工作流的人容易把“当前会话状态”和“用户长期画像”混在一起。这里把两者拆开以后职责就非常明确thread_id对应当前这条图的断点与恢复user_id对应跨会话的用户偏好与画像这和 Web 系统里把“请求上下文”和“用户主数据”分开管理其实是同一个工程思路。4. 流式事件让系统可观测前端不是只等最终回复而是实时接收图执行过程里的节点更新。因此页面不仅能显示“答案是什么”还能显示现在执行到哪个节点是否进入了审批态调用了哪个工具最终是completed还是needs_review对学习 LangGraph 来说这类可观测性非常重要因为它能直接暴露问题到底发生在路由、工具还是审批环节。5. 回退逻辑让 Demo 更容易复现项目里有一个很实用的设计即使外部模型不可用系统依然能工作。例如没有 API Key 时planner 会回退到规则路由模型链路异常时系统会给出明确降级结果这意味着项目不是“只能在作者电脑上跑通的一次性脚本”而是一个更容易被别人拉下来演示和理解的样例。这套实现里最值得复用的设计如果把这个项目当作一个模板我认为下面 3 个点最值得带走。1. 先把图包成 HTTP 服务一旦有了 HTTP 边界整个项目的定位就变了。它不再只是一个脚本而是一个可调用的服务。这样后续接 Web UI、BFF、企业 IM、后台运营系统都会自然很多。2. 把高风险动作集中到审批节点这个模式几乎可以平移到很多业务里发邮件前先审批扣费前先审批写数据库前先审批对外发送敏感内容前先审批本质上interrupt提供的是一个通用的人工干预边界。3. 把记忆拆成“工作流状态”和“长期画像”不要把所有状态都塞进一条消息历史里。至少应该区分两类状态当前这轮执行要依赖的上下文用户跨会话持续存在的偏好或画像这次用MemorySaver InMemoryStore分别承接两层职责代码会清晰很多。当前边界这套 Demo 已经适合学习、演示和作品集展示但它还不是生产系统。目前的边界主要在这里数据都在内存里进程重启后会丢失订单、知识库、工单数据都是 mock 数据没有鉴权、限流、审计和权限控制当前服务形态更适合单机演示不适合直接做多实例部署这些边界并不影响它作为一个工程练习项目的价值反而让它保持在“复杂度足够展示、但仍然能被完整讲清”的范围内。后续可以怎么继续演进如果要往更完整的系统继续推进比较自然的方向包括把InMemoryStore替换成 Redis、Postgres 或业务数据库给tool_node接入真实 CRM、订单系统、工单系统把审批链路接入企业 IM 或运营后台给前端增加历史回放、trace 视图和会话列表在单 Agent 工作流稳定之后再继续升级到多 Agent 协作这里有一个很重要的顺序先把单 Agent 工作流做完整再谈多 Agent。因为只有在单条链路里的状态、边界、恢复、工具组织都想清楚之后多 Agent 才不是“多画几个节点”这么简单。最后LangGraph 真正有价值的地方不只是“可以画一张图”而是它逼着系统设计者把下面这些问题提前想清楚状态放在哪里哪些动作需要人工介入流程中断后如何恢复工具执行后如何回到统一编排层前端如何看到执行过程一旦这些边界被设计清楚Agent 就不再只是一个会调用模型的黑盒而更像一个可以被解释、被调试、被演进的后端系统。如果目标是做一个真正能展示工程能力的 Agent 项目这种“HTTP 服务 可观测工作流 审批恢复 状态分层”的组合会比单纯堆模型调用更有说服力。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
