本文深入剖析AI Agent的核心运作模式强调其本质是推理→行动→观察→重复的循环。通过分析四种Agent模式One-Shot、Tool Use、ReAct、Planning及终极形态Ralph模式揭示AI Agent如何通过工具调用和系统提示实现自动化任务。文章强调Agent开发本质是应用成熟的软件工程实践并辅以真实世界案例证明其巨大生产力价值鼓励读者从简单模式入手逐步构建自主AI Agent。Agent 的魔法不在模型在循环你打开 Claude Code描述一个任务“把所有测试从 Jest 迁移到 Vitest。”Agent 读取 47 个测试文件重写它们运行测试套件发现 12 个失败逐个修复更新package.json移除旧依赖再跑一次测试——全部通过。提交变更。你什么都没做。Agent 自己搞定了。这感觉像魔法。但它不是魔法。它是一个模式。一个惊人简单的模式。Agent 的核心一个循环整个 Agent 的模式可以概括为一句话推理 → 行动 → 观察 → 重复当你调用 LLM 时你提供上下文指令、提示、历史。LLM 以两种方式之一响应“我知道答案给你。”“我需要更多信息。我看到你有个工具——能运行它并告诉我结果吗”这个简单模式让 LLM 在循环中自主运行直到它解决问题。whileTrue# 1. 构建上下文 # 2. 调用 LLM # 3. 检查是否有工具调用 if # 4. 执行工具更新上下文回到步骤 2 else # 完成返回最终文本 return这就是大多数编码 Agent 的核心执行循环。大约 50 行代码你就有了一个可工作的 Agent。工具Agent 的手脚工具不是魔法。它们只是你暴露给 LLM 的函数read_file# 读取文件内容 write_file # 写入文件 run_command # 执行 shell 命令 search # 搜索代码库给 LLM 几个这样的工具看着它变成一个开发者。模型不会在 API 调用之间记住任何东西。每次调用都包含完整对话。这就是为什么 Agent 能跨多步推理——它每次都看到完整历史。系统提示行为的 DNA循环是骨架提示编码行为。每个生产级 Agent 都附带精心调优的系统提示塑造模型如何推理。这不是你是一个有帮助的助手——而是操作性指导•策略— 何时规划 vs. 立即行动•护栏— 哪些操作需要确认•恢复行为— 如何处理重复失败•风格— 简洁还是详细谨慎还是激进两个使用相同工具和相同模型的 Agent会因提示不同而表现完全不同。Claude Code 和 GitHub Copilot 使用不同的系统提示针对各自的用例优化。调试 Agent 行为时先检查提示。循环通常没问题指令通常是问题所在。四种 Agent 模式从简单到自主模式 1One-Shot单次调用你问它答。没有工具没有迭代。适合快速问题、文本生成、解释。局限模型写了从没运行过的代码。这是赌博——没有反馈没有迭代。模式 2Tool Use工具调用模型可以触碰外部世界——但只有一次。适合需要当前数据、简单计算、单次外部调用。局限如果搜索失败或代码有 bug它就卡住了。模式 3ReAct 循环推理行动突破来自 2022 年 Princeton 和 Google 的 ReAct 论文让模型在循环中使用工具。问题埃菲尔铁塔所在城市的天气如何 思考 → 我需要找到埃菲尔铁塔所在城市 行动 → search(埃菲尔铁塔位置) 观察 → 巴黎法国 思考 → 现在查巴黎天气 行动 → get_weather(Paris, France) 观察 → 22°C晴 思考 → 我有答案了 回答 → 巴黎目前 22°C晴天。模型把行动链在一起。每个观察信息通知下一个思考。对代码生成这是革命性的推理 → 需要添加限流 行动 → 读取 routes.py 观察 → 文件内容... 推理 → 在第 45 行添加限流中间件 行动 → 编辑文件 观察 → 写入成功 推理 → 测试一下 行动 → 运行 pytest 观察 → 3 个失败 推理 → 分析失败原因... 行动 → 修复测试 观察 → 全部通过 返回 → 限流已添加测试全部通过关键让模型看到发生了什么然后决定下一步尝试什么。模式 4Planning规划模式ReAct 是反应式的——逐步搞清楚。但对于复杂任务你需要规划。规划模式先把工作拆分为步骤任务构建带认证的 REST API 规划 1. 设计数据库 schema 2. 创建用户模型 3. 实现认证端点 4. 添加 JWT token 处理 5. 编写测试 6. 部署 然后执行每个步骤每步使用 ReAct 循环。何时用规划• 多文件变更需要协调• 编码前需要架构决策• 任务有明确依赖必须先做 A 再做 B• 大型重构需要全局视图何时用 ReAct• 单文件编辑或小改动• Bug 修复需要探索问题• 响应运行时错误• 需求在工作中逐步明确真实 Agent 通常组合两者用规划拆分架构用 ReAct 处理每个步骤的细节和错误。Ralph 模式自主的终极形态Ralph由 Geoffrey Huntley 提出在 Agent 循环模式之上增加了一个外循环。不是一个 Agent 会话而是反复运行 Agent直到整个项目完成。外循环开始 → 内循环Agent 处理一个原子任务 → 验证检查是否完成 → 如果未完成重置上下文保留文件状态 → 下一次迭代 外循环结束关键洞察Agent 上下文每次迭代重置没有 token 限制问题但状态通过文件持久化。“可预测地失败胜过不可预测地成功。” — Geoffrey HuntleyRalph 接受 Agent 会犯错。问题不是如何防止错误——而是如何让错误可见且可恢复。每次迭代增加信息循环向成功收敛。跨迭代的记忆•progress.txt— 迭代间的进度笔记•AGENTS.md— 永久模式和约定• Git 历史 — 尝试了什么和为什么• 修改的文件 — 累积变更适合• 大型重构100 文件• 有明确需求的功能实现• 代码库范围内的模式迁移• 现有代码的测试覆盖不适合• 模糊需求“让它更好”• 架构决策• 创意/主观性工作真实世界的 Agent 战绩这些模式不是理论——已经在生产中产出巨大价值•Anthropic / Claude Code90-95% 的 Claude Code 自身代码由 Claude Code 编写•OpenAI 内部产品~100 万行代码1,500 个 PR零手写代码约 1/10 预估人工时间•Goldman Sachs / Devin文件迁移 3-4 小时 vs. 人工工程师 30-40 小时•Google 内部迁移39 次迁移中 93,574 处编辑74% 由 AI 编写工程师报告 50% 时间节省•Ramp / Devin一个月移除 150 个功能开关每月节省 10,000 工程小时•YC 黑客松一夜之间 6 个仓库$297 API 成本Agent 不是新学科是好的工程实践一旦理解了核心模式ReAct、规划、Ralph其他都是软件工程。循环是简单的让它达到生产级才是真正的工作。生产级关注点关注点对应分布式系统概念上下文窗口管理内存管理、缓存淘汰工具设计API 设计、schema 验证成本控制预算追踪、提前退出、缓存速率限制API 配额、指数退避错误处理重试、熔断器、优雅降级可观测性日志、追踪、重放调试安全和沙箱权限控制、执行限制验证测试、lint、完成定义关卡你注意到这些了吗这些都是你已经在分布式系统、微服务和流处理管线中解决的问题。你不是在学习一个新学科——你是在将好的工程实践应用到一个新的运行时。模式选择指南任务复杂度推荐模式示例快速问答One-Shot“解释这个函数”单次外部调用Tool Use“查今天的天气”多步问题ReAct“修复这个 bug”多文件协调规划 ReAct“添加认证模块”大规模自动化Ralph“迁移 100 文件”这不是替换模式——是增加选项。从简单开始按需添加。50 行代码开始这不需要花哨的框架。只需一个 LLM API、几个工具和一个循环。这个周末就能搭建一个。你会比读 100 篇博客文章更懂 Agent。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】
50行代码揭秘AI Agent的“魔法循环“：从简单到自主的四大模式解析
本文深入剖析AI Agent的核心运作模式强调其本质是推理→行动→观察→重复的循环。通过分析四种Agent模式One-Shot、Tool Use、ReAct、Planning及终极形态Ralph模式揭示AI Agent如何通过工具调用和系统提示实现自动化任务。文章强调Agent开发本质是应用成熟的软件工程实践并辅以真实世界案例证明其巨大生产力价值鼓励读者从简单模式入手逐步构建自主AI Agent。Agent 的魔法不在模型在循环你打开 Claude Code描述一个任务“把所有测试从 Jest 迁移到 Vitest。”Agent 读取 47 个测试文件重写它们运行测试套件发现 12 个失败逐个修复更新package.json移除旧依赖再跑一次测试——全部通过。提交变更。你什么都没做。Agent 自己搞定了。这感觉像魔法。但它不是魔法。它是一个模式。一个惊人简单的模式。Agent 的核心一个循环整个 Agent 的模式可以概括为一句话推理 → 行动 → 观察 → 重复当你调用 LLM 时你提供上下文指令、提示、历史。LLM 以两种方式之一响应“我知道答案给你。”“我需要更多信息。我看到你有个工具——能运行它并告诉我结果吗”这个简单模式让 LLM 在循环中自主运行直到它解决问题。whileTrue# 1. 构建上下文 # 2. 调用 LLM # 3. 检查是否有工具调用 if # 4. 执行工具更新上下文回到步骤 2 else # 完成返回最终文本 return这就是大多数编码 Agent 的核心执行循环。大约 50 行代码你就有了一个可工作的 Agent。工具Agent 的手脚工具不是魔法。它们只是你暴露给 LLM 的函数read_file# 读取文件内容 write_file # 写入文件 run_command # 执行 shell 命令 search # 搜索代码库给 LLM 几个这样的工具看着它变成一个开发者。模型不会在 API 调用之间记住任何东西。每次调用都包含完整对话。这就是为什么 Agent 能跨多步推理——它每次都看到完整历史。系统提示行为的 DNA循环是骨架提示编码行为。每个生产级 Agent 都附带精心调优的系统提示塑造模型如何推理。这不是你是一个有帮助的助手——而是操作性指导•策略— 何时规划 vs. 立即行动•护栏— 哪些操作需要确认•恢复行为— 如何处理重复失败•风格— 简洁还是详细谨慎还是激进两个使用相同工具和相同模型的 Agent会因提示不同而表现完全不同。Claude Code 和 GitHub Copilot 使用不同的系统提示针对各自的用例优化。调试 Agent 行为时先检查提示。循环通常没问题指令通常是问题所在。四种 Agent 模式从简单到自主模式 1One-Shot单次调用你问它答。没有工具没有迭代。适合快速问题、文本生成、解释。局限模型写了从没运行过的代码。这是赌博——没有反馈没有迭代。模式 2Tool Use工具调用模型可以触碰外部世界——但只有一次。适合需要当前数据、简单计算、单次外部调用。局限如果搜索失败或代码有 bug它就卡住了。模式 3ReAct 循环推理行动突破来自 2022 年 Princeton 和 Google 的 ReAct 论文让模型在循环中使用工具。问题埃菲尔铁塔所在城市的天气如何 思考 → 我需要找到埃菲尔铁塔所在城市 行动 → search(埃菲尔铁塔位置) 观察 → 巴黎法国 思考 → 现在查巴黎天气 行动 → get_weather(Paris, France) 观察 → 22°C晴 思考 → 我有答案了 回答 → 巴黎目前 22°C晴天。模型把行动链在一起。每个观察信息通知下一个思考。对代码生成这是革命性的推理 → 需要添加限流 行动 → 读取 routes.py 观察 → 文件内容... 推理 → 在第 45 行添加限流中间件 行动 → 编辑文件 观察 → 写入成功 推理 → 测试一下 行动 → 运行 pytest 观察 → 3 个失败 推理 → 分析失败原因... 行动 → 修复测试 观察 → 全部通过 返回 → 限流已添加测试全部通过关键让模型看到发生了什么然后决定下一步尝试什么。模式 4Planning规划模式ReAct 是反应式的——逐步搞清楚。但对于复杂任务你需要规划。规划模式先把工作拆分为步骤任务构建带认证的 REST API 规划 1. 设计数据库 schema 2. 创建用户模型 3. 实现认证端点 4. 添加 JWT token 处理 5. 编写测试 6. 部署 然后执行每个步骤每步使用 ReAct 循环。何时用规划• 多文件变更需要协调• 编码前需要架构决策• 任务有明确依赖必须先做 A 再做 B• 大型重构需要全局视图何时用 ReAct• 单文件编辑或小改动• Bug 修复需要探索问题• 响应运行时错误• 需求在工作中逐步明确真实 Agent 通常组合两者用规划拆分架构用 ReAct 处理每个步骤的细节和错误。Ralph 模式自主的终极形态Ralph由 Geoffrey Huntley 提出在 Agent 循环模式之上增加了一个外循环。不是一个 Agent 会话而是反复运行 Agent直到整个项目完成。外循环开始 → 内循环Agent 处理一个原子任务 → 验证检查是否完成 → 如果未完成重置上下文保留文件状态 → 下一次迭代 外循环结束关键洞察Agent 上下文每次迭代重置没有 token 限制问题但状态通过文件持久化。“可预测地失败胜过不可预测地成功。” — Geoffrey HuntleyRalph 接受 Agent 会犯错。问题不是如何防止错误——而是如何让错误可见且可恢复。每次迭代增加信息循环向成功收敛。跨迭代的记忆•progress.txt— 迭代间的进度笔记•AGENTS.md— 永久模式和约定• Git 历史 — 尝试了什么和为什么• 修改的文件 — 累积变更适合• 大型重构100 文件• 有明确需求的功能实现• 代码库范围内的模式迁移• 现有代码的测试覆盖不适合• 模糊需求“让它更好”• 架构决策• 创意/主观性工作真实世界的 Agent 战绩这些模式不是理论——已经在生产中产出巨大价值•Anthropic / Claude Code90-95% 的 Claude Code 自身代码由 Claude Code 编写•OpenAI 内部产品~100 万行代码1,500 个 PR零手写代码约 1/10 预估人工时间•Goldman Sachs / Devin文件迁移 3-4 小时 vs. 人工工程师 30-40 小时•Google 内部迁移39 次迁移中 93,574 处编辑74% 由 AI 编写工程师报告 50% 时间节省•Ramp / Devin一个月移除 150 个功能开关每月节省 10,000 工程小时•YC 黑客松一夜之间 6 个仓库$297 API 成本Agent 不是新学科是好的工程实践一旦理解了核心模式ReAct、规划、Ralph其他都是软件工程。循环是简单的让它达到生产级才是真正的工作。生产级关注点关注点对应分布式系统概念上下文窗口管理内存管理、缓存淘汰工具设计API 设计、schema 验证成本控制预算追踪、提前退出、缓存速率限制API 配额、指数退避错误处理重试、熔断器、优雅降级可观测性日志、追踪、重放调试安全和沙箱权限控制、执行限制验证测试、lint、完成定义关卡你注意到这些了吗这些都是你已经在分布式系统、微服务和流处理管线中解决的问题。你不是在学习一个新学科——你是在将好的工程实践应用到一个新的运行时。模式选择指南任务复杂度推荐模式示例快速问答One-Shot“解释这个函数”单次外部调用Tool Use“查今天的天气”多步问题ReAct“修复这个 bug”多文件协调规划 ReAct“添加认证模块”大规模自动化Ralph“迁移 100 文件”这不是替换模式——是增加选项。从简单开始按需添加。50 行代码开始这不需要花哨的框架。只需一个 LLM API、几个工具和一个循环。这个周末就能搭建一个。你会比读 100 篇博客文章更懂 Agent。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】
