企业对Agent的讨论已从“能否调用工具完成多步任务”转向“能否进入生产系统持续、可靠、可审计地完成真实工作”。互联网与制造业的Agent路径不同：互联网Agent通过LLM到Agent到API/数据库到数字业务执行；制造业Agent则通过LLM到Industrial Agent到MES/SCADA/PLC到Digital Twin到Edge/Robot到物理世界。两者共需模型、Context、工具、工作流、Eval、权限和可观测性，但设计理念、验证方法和运营规范因执行环境和错误容忍度不同而异。互联网Agent追求Speed、Automation、Scale和Cost；制造业Agent更强调Reliability、Determinism、Simulation、Safety和Traceability。未来Agent将从数字世界进入物理世界，成为企业新的执行基础设施，推动知识工作和数字业务流程重构，并最终实现人+Agent+Machine协同运行。
2024 到 2025 年，企业谈 Agent，更多是在讨论「能不能让大模型自己调用工具、完成多步任务」。到了 2026 年，问题已经明显变化：企业真正关心的不再是 Agent 会不会做 Demo，而是它能否进入生产系统，持续、可靠、可审计地完成真实工作。
但「生产系统」在互联网企业和制造业里，含义完全不同。对互联网企业来说，生产系统主要是代码、文档、数据库、SaaS、业务 API、运营后台和线上服务。对制造业来说，生产系统还包括 PLC、SCADA、MES、DCS、机器人、传感器、设备、产线，以及真实的物理环境。
因此，两类企业虽然都需要模型、Context、工具、工作流、Eval、权限和可观测性，但 Agent 真正进入业务后，会走向两条不同的路线：
互联网 Agent 的路径：LLM 到 Agent 到 API 或 SaaS 或数据库到数字业务执行。
制造业 Agent 的路径：LLM 到 Industrial Agent 到 MES 或 PLM 或 SCADA 或 PLC 到 Digital Twin 到 Edge 或 Robot 到物理世界。
一句话概括：互联网 Agent 的核心，是让 AI 获得数字系统的执行权；制造业 Agent 的核心，是让 AI 在可验证、可约束的前提下获得物理系统的决策权和有限执行权。
一、为什么同样叫 Agent，实际上是两种工程问题
从技术定义看，两者都属于 Agent：获取目标、感知 Context、规划任务、调用工具、执行动作、获取反馈、修正并继续执行。差异不在 Agent Loop 本身，而在于 Agent 所处环境的性质不同。
互联网 Agent vs 制造业 Agent 环境对比
工作对象： 互联网企业面对的是数字信息、代码、订单、内容和数据；制造业面对的是产品、设备、物料、产线、能源和质量。
执行对象： 互联网 Agent 调用 API、数据库、SaaS 和后台系统；制造业 Agent 需要连接 MES、PLM、SCADA、PLC、机器人和设备。
错误代价： 互联网 Agent 犯错，通常是数据错误、业务损失或用户体验下降；制造业 Agent 犯错，可能导致停线、设备损坏、质量事故甚至安全事故。
可回滚性： 互联网系统通常可以回滚；很多物理动作不可直接回滚——拧紧的螺丝、切削的零件、报废的批次。
反馈周期： 互联网 Agent 的反馈周期在秒到小时之间；制造业从毫秒级控制到数周级供应链都有。
所以，不能简单把一个互联网企业的 Agent Platform 平移到工厂。平台底座可以复用，但执行层、数据层、Eval、安全和 Runtime 必须重新设计。
一个直观的例子：互联网 Agent 调用的 API 返回的是 JSON 数据，格式标准化、文档齐全、错误码清晰。制造业 Agent 调用的可能是 OPC UA 接口，返回的是 PLC 寄存器值，含义取决于具体的设备配置和工艺上下文。同一个寄存器地址在不同工厂、不同产线、甚至同一产线的不同时间段，可能代表完全不同的物理量。这种「语义不透明」是制造业 Agent 工程复杂度的根本来源之一——Agent 不仅要读懂数据格式，还要理解数据背后的物理含义和工艺约束。
二、两类企业 Agent 落地的共同底座
如果暂时忽略行业差异，一个真正进入生产环境的企业 Agent，至少需要八层能力。
企业 Agent 八层架构
从底层到顶层依次是：
第一层模型： LLM、视觉语言模型、推理模型。
第二层 Context： 知识、数据、Memory、知识图谱。
第三层工具与技能： API、CLI、Connector、MCP。
第四层工作流与编排： 规划、Multi-Agent 协调。
第五层 Agent Runtime： 沙箱、Memory、State 管理。
第六层身份与权限： IAM、审计、审批。
第七层可观测性与评估： Trace、Eval、Judge。
第八层运营系统： 场景、Owner、ROI、治理。
这也是 2026 年企业 Agent 发展的一个明显变化：竞争焦点正从「大模型本身」向「大模型周围的生产系统」迁移。
OpenAI 在 2026 年 8 月发布的 Enterprise Signals 中，把领先企业与普通企业之间的差异概括为：领先企业正在更快地从 Assistance（辅助）走向 Delegation（委派），并给 Agent 更多企业 Context、Tools 和 Repeatable Workflows。数据显示，前沿企业（使用量前 10%）的人均产出 Token 是典型企业的 8.3 倍，比 1 月的 2.6 倍大幅扩大。McKinsey 在 2026 年全球 AI 调查中发现了一个关键数据：收入超过 10 亿美元的企业中，40%正在规模化 AI Agent，而 较小企业这个数字仅为 22%且过去一年没有变化。更值得注意的是，89%的受访者表示组织已在至少一个业务功能中常规使用 AI，但只有 37%将 EBIT 影响归因于 AI——McKinsey 称之为「生成式 AI 悖论」。这个悖论的核心原因正是：大量企业只部署了聊天工具，而没有建立让 Agent 真正进入生产流程所需的 Context、权限、连接和治理基础设施。
Microsoft 在 2026 年的判断也非常接近：企业真正需要的不是更多 AI Demo，而是一套能够让 Agent 在 Identity、Context、Policy、Governance 和 Human Oversight 下持续运行的系统。
因此，无论互联网还是制造业，最终都绕不开：Model 加 Context 加 Tools 加 Runtime 加 Eval 加 Permission 加 Governance。
三、为什么互联网企业通常更容易先实现 Agent 规模化
互联网企业天然更接近 Agent 所需要的运行环境。
企业本身已经高度软件化。 互联网公司的绝大多数业务对象本身就是数字化的：用户、商品、内容、广告、订单、商家、客服工单、代码、数据报表。这些对象通常已经存在于数据库和服务系统中。过去十几年 API 化、微服务化、SaaS 化和数据化建设，实际上提前为 Agent 建好了「手和脚」。Agent 只需要获得正确的 API 加 Permission 加 Context，就可以开始执行工作。
大量任务本身就是数字闭环。 从需求到查询数据到分析到生成方案到调用系统到修改配置到观察指标，整个过程都发生在数字世界。典型场景包括 Coding Agent、数据分析 Agent、客服 Agent、广告投放 Agent、商家运营 Agent、财务分析 Agent、HR Agent 和 IT Helpdesk Agent。这类任务非常适合当前 LLM 的能力结构：理解文本到推理到调用工具到生成内容到执行 API。
四、2026 年互联网企业 Agent 的关键实践
美团 CatPaw：从个人提效到组织 Agent Platform。 2026 年 7 月 27 日，美团正式发布全场景 AI Agent 平台 CatPaw。据美团官方披露，CatPaw 已在内部覆盖约 9 万名员工，搭建超过 3 万个 Agent，支持沙箱运行、权限管理、托管运行和全链路可观测。在研发场景中协助工程师阅读代码、审查修改、排查问题；在数据分析场景中通过自然语言完成取数、分析和报告整理。对有定制需求的企业，CatPaw 还提供 Agent 开发、部署和运行管理能力，企业可配置知识库、工具和权限，接入飞书、企业微信等协作平台。
互联网企业 Agent 演进路线
这说明企业内部 Agent 的管理单位正在变化：从「员工使用一个 AI 工具」变成「员工和团队创建多个 Agent 和 Skill，Agent 长期运行，企业统一管理」。Agent 开始成为一种新的企业数字资产。
连接能力正在变成核心竞争力。 腾讯云 2026 年的企业 Agent 实践特别强调：企业 Agent 从 POC 走向生产的核心问题，往往不是模型不会推理，而是「会想、不会动」。因此 Connector、MCP、API 和 CLI 会成为关键基础设施。Agent 需要访问项目管理系统、企业 IM、CRM、ERP、工单、数据库、知识库和监控系统。
从单 Agent 向 Agent Workforce 演进。 阿里巴巴 2026 年 3 月 17 日发布企业级 Agent 平台 Wukong，强调在统一界面中协调多个 Agent 完成复杂任务。Wukong 对钉钉底层代码进行了全面 CLI 化重构，将 IM、审批、日历等数千个功能分解为原子命令，让 AI 原生调用而非模拟点击图形界面。其多 Agent 协同架构将复杂任务分解为 Client Agent、Remote Agent、Audit Agent、Review Agent 和 Fix Agent 的协同工作流。背后的趋势非常明确：从 Chatbot 到 Copilot 到单 Agent 到多 Agent 工作流到 Agent Workforce。
值得注意的是，Wukong 的设计哲学中特别强调「职场准入机制」——通用 AI Agent 虽然技术能力强，但在企业部署中面临信息安全、权限越界和操作不可控等风险。Wukong 通过账户绑定验证、安全沙箱、数据隔离和技能审核四道防线，构建了 Agent 进入企业组织的安全边界。这种「先建立准入规则，再开放 Agent 能力」的思路，与制造业中「先建立安全边界，再开放 Agent 自主权」的逻辑异曲同工。
五、制造业为什么明显更难
制造业真正困难的地方不是「大模型能力不足」，而是 Agent 需要跨越：IT 世界到 OT 世界到物理世界。这是 Agent 工程复杂度的一次跃迁。
互联网 Agent 常见 Context 是文档、数据库、Wiki、邮件、聊天、代码和 API。制造业则还要加入 BOM、工艺路线、设备参数、CAD、PLM、MES、SCADA、PLC Tag、传感器数据、质量数据、维修记录、报警日志、视频、3D 模型和 Digital Twin。
而且很多数据具有明显的时序性、设备关联性、工艺关联性、空间关系和版本关系。所以制造业 Context Engineering 更接近：工业知识图谱加时序数据加工程模型加数字孪生。
制造业 IT/OT 断层与连接架构
IT/OT 断层是最大的工程差异之一。 互联网企业常见架构是 Agent 到 API Gateway 到微服务到数据库。工厂则可能是 Agent 到 MES 或 PLM 或 ERP 到 SCADA 到 OPC UA 或 Modbus 或私有协议到 PLC 到设备。很多设备使用十几年前的软件，没有标准 API，协议不同，数据模型不同，网络与办公网隔离。因此制造业 Agent 的工具层往往不是简单 MCP Server，而是需要 Industrial Connector 连接 OPC UA、MQTT 和 Edge Gateway 再到 PLC 和设备。
制造业 Agent 不能直接试错。 互联网产品可以 A/B 测试、灰度、回滚。但工业现场很多动作不能随便试。Agent 如果错误修改设备速度、温度、压力、机器人路径或工艺参数，可能直接导致产品报废、设备损坏、生产停线甚至安全事故。所以互联网常见的 Plan 到 Act 到 Observe 到 Retry 的循环，在制造业里通常需要增加：Plan 到 Simulate 到 Validate 到 Safety Check 到 Human Approval 到 Execute 到 Observe。
制造业 Agent 的核心不是「更自主」，而是「可验证的自主」。
六、Digital Twin：工业 Agent 的 Sandbox
互联网 Agent 可以在沙箱、测试环境或预发布环境里验证动作。制造业需要一个更加复杂的「物理沙箱」。这正是 Digital Twin 的价值。
Digital Twin 作为工业 Agent 仿真运行时
Agent 提出控制或优化方案后，先在 Digital Twin 中进行仿真，验证安全性、效率和质量，通过后再进入物理系统。2026 年 NVIDIA、Siemens 和 Dassault Systemes 的方向越来越一致：Digital Twin 正在从「可视化工具」变成 Industrial Agent 的 Simulation Runtime。
PepsiCo 案例： 2026 年 1 月 CES 上，PepsiCo 宣布与 Siemens 和 NVIDIA 合作，使用 Siemens Digital Twin Composer（基于 NVIDIA Omniverse）对工厂和仓储设施进行数字孪生。通过在虚拟环境中重现每台机器、传送带、托盘路径和操作员路径，AI Agent 可以模拟、测试和优化系统变更，在物理改造前识别高达 90%的潜在问题。初期部署已实现 20%的吞吐提升和 10 到 15%的资本支出减少。
Siemens 与 NVIDIA 的工业 AI 合作： Siemens 在 2026 年汉诺威工业博览会上发布了 Eigen Engineering Agent，这是第一个能自主规划和执行工业自动化工程任务的商用 AI 系统。它直接连接 TIA Portal，能理解项目结构、编写 PLC 代码、配置设备和 HMI 可视化，并通过多步推理和自我修正迭代到满足质量标准。在超过 100 家公司、19 个国家的试点中，任务执行速度比手动快 2 到 5 倍，解决方案质量提高最高 80%，工程效率提升 50%。6 月 VivaTech 上又新增 ECAD 集成和标准合规项目生成两项能力。
Simulate before Act 正在成为工业 Agent 的标准范式。
七、Real-Time 与分级自治：LLM 不能替代 PLC
LLM 推理通常需要 100 毫秒到几十秒。但很多工业控制需要 1 毫秒到 100 毫秒的响应。因此 LLM 不可能直接替代 PLC。
工业 Agent 认知控制层架构
更合理的架构是：LLM 或 Agent 负责策略、计划和参数建议，将结果传递给控制系统（PLC 或机器人控制器），由后者执行毫秒级动作。也就是说，Agent 更适合成为工业系统的「认知控制层」，而不是底层实时控制器。
制造业也不适合简单讨论「Agent 能不能 Autonomous」。更合理的问题是「Agent 可以自治到什么程度」。可以定义六级：
L0 只回答问题，L1 给建议，L2 生成操作方案人工确认，L3 低风险任务自动执行，L4 在安全边界内自动优化，L5 高度自治生产系统。 目前大多数真实工业 Agent 更适合处于 L1 到 L3。而互联网企业内部的大量数字工作流，已经有机会进入 L3 到 L4。
工业 Agent 的 Eval 也比互联网复杂一个数量级。互联网 Agent 常见评价包括任务成功率、准确率、延迟、成本和人工接受率。工业 Agent 还需要 Safety、工艺约束、工程标准、物理可行性、设备约束、质量影响、能耗影响和产量影响。因此工业 Agent 的 Eval 等于 LLM Eval 加工作流 Eval 加工程规则 Eval 加仿真 Eval 加安全 Eval。
八、2026 年工业 Agent 的标杆实践
NVIDIA FOX：多 Agent 工厂管理。 2026 年 5 月 31 日 GTC Taipei 上，NVIDIA 发布 Factory Operations Blueprint（FOX），这是一个构建自治工厂管理 Agent 的参考设计。Factory Manager Agent 持续监控实时工厂数据，推理并编排多个专业 Agent（质量、物料搬运、安全），通过标准 API 和 Agent Skills 连接工厂系统、机器和机器人。
NVIDIA FOX 多 Agent 工厂架构
Foxconn 使用 FOX 构建了 MoMClaw 制造运营多 Agent 系统，连接传感器、机器信号和数百个专业 Agent，预计根因分析时间改善 80%、人工生产力提升 15%、机器故障率降低 10%。Pegatron 使用 FOX 构建工厂管理 Agent，协调物料搬运、AI 检测和机器间协同，预计资产冗余成本降低 15%。Advantech 部署 AI Factory Brain 自治管理 HVAC 和照明，预计能耗降低 10%。
Pegatron：Agent 加 Digital Twin 的闭环。 Pegatron 的 PEGAVERSE 平台使用 NVIDIA Omniverse 构建数字孪生，已部署 6 个虚拟工厂与实体产线并行。其点胶机器人 Agent 根据胶水粘度和环境温度动态优化设备参数，在 PEGAVERSE 数据飞轮中微调直到能自主评估和优化。装配引导 Agent 使用 NVIDIA VSS Blueprint 实时验证装配流程，实现每条装配线 7%的人工成本降低和 67%的缺陷率下降。新工厂建设时间减少 40%。
Schneider Electric：Agentic Manufacturing。 2026 年 4 月汉诺威工业博览会上，Schneider Electric 展示了与 Microsoft Azure AI 结合的 Agentic Manufacturing 能力。核心是 EcoStruxure Automation Expert 平台，允许制造商一次性编写、仿真、验证和部署自动化逻辑。专业 AI Agent 由编排器协调，自动完成常规设计决策并在部署前验证逻辑。工程团队报告控制配置和文档任务时间减少最高 50%，过去需要数周的生产线变更现在数小时内完成。
九、两类企业的 ROI 口径也完全不同
互联网 Agent ROI 的常见公式是：节省人时价值加业务增量减去模型成本减去平台成本减去人工复核成本。指标包括节省人时、AI 完成率、Agent 成功率、人均 Agent 调用、Token 成本、转化率和客服解决率。互联网企业推进 Agent 适合场景驱动的方法：从岗位到任务到 Agent 机会点到 Skill 到使用量到节省人时到 ROI，优先寻找高频、高耗时、高重复、输入输出清晰、API 可连接且结果容易审核的任务。
制造业则应该从「流程节点」而不是「岗位」切入。制造业很多价值来自设备、工序、产线、工厂和供应链，而不是单纯来自某个岗位。更适合的路径是从价值流到流程到决策点到数据到 Agent 机会。例如设备报警到故障定位到维修方案到备件确认到工单，这里可以构建 Maintenance Agent——而不是先问「维修工程师有哪些工作」。这是制造业和互联网企业在 Agent 场景识别上的一个重要区别。
制造业 Agent ROI 应该加入：停线时间减少、良率提升、废品减少、OEE 改善、能耗节约、维护成本降低、工程周期缩短和库存减少。因此工业 Agent ROI 等于人工节约加产量增益加质量增益加停线减少加能耗节约减去 AI 成本减去集成成本减去安全和验证成本。
很多制造业场景中，减少一次停线带来的价值可能远大于节省几百小时人工。所以不能只使用「人效」衡量工业 Agent。McKinsey 研究表明，预测性维护通常能减少 30 到 50%的机器停机时间，延长 20 到 40%的设备寿命。BCG 2025 年 12 月的研究发现，AI 工具可降低最高 30%的成本、提升 25%的生产力，而随着 Agent 组件复用规模扩大，上市时间可缩短 50%。
制造业 Agent 的 ROI 还有一个独特维度：安全投资回报。在工业环境中，一次安全事故的代价可能超过数百次效率提升的收益。因此工业 Agent 的 ROI 计算必须纳入「风险规避价值」——即 Agent 通过提前预警、参数验证和安全检查所避免的潜在损失。这也是为什么制造业 Agent 的 Eval 必须包含安全维度，而互联网 Agent 通常不需要。
十、Agent 正从数字世界进入物理世界
Agent 的发展路径正在逐渐清晰：Chatbot 到 Copilot 到 Agent 到 Multi-Agent 到 Industrial Agent 到 Physical Agent 到自治系统。对应能力从 Generate 到 Reason 到 Use Tools 到 Execute Workflow 到 Control System 到 Interact with Physical World。
这也是为什么 2026 年 NVIDIA、Siemens、Microsoft、Schneider Electric 和 Dassault Systemes 都越来越强调 Industrial AI、Digital Twin、Agentic Manufacturing、Physical AI 和 Robotics。Deloitte 2025 年智能制造调查显示，42%的制造商至少有一个 AI Agent 试点在运行，18%已在产线或功能区级别部署，但仅 3%在直接影响机器控制的决策中使用 Agent 且无需人工签字。McKinsey 估算，工业 AI Agent 在全球制造业的潜在年增值在 0.5 到 1.5 万亿美元之间，主要来自规划成本、维护成本和供应链管理的优化。Gartner 预测，到 2028 年 33%的企业应用将包含 Agent 组件（2024 年不到 1%），到 2030 年 50%的跨职能供应链管理解决方案将使用智能 Agent 自主执行决策。
Agent 正逐渐从 Digital Worker 演进为 Digital 加 Physical Worker。
十一、真正的分水岭
很多人会认为两者最大的区别是「制造业数据更复杂」。这只是表面。
真正的区别是：互联网 Agent 操作的是可回滚的数字世界；工业 Agent 开始影响不可随意回滚的物理世界。
因此两类 Agent 的工程哲学不同。互联网 Agent 更关注 Speed、Automation、Scale 和 Cost。工业 Agent 则必须额外强调 Reliability、Determinism、Simulation、Safety 和 Traceability。两类 Agent 看似使用相同的大模型底座，但面向不同的执行环境和错误容忍度，最终形成了截然不同的系统设计理念、验证方法论和运营规范。
互联网 Agent 的目标，是把「人操作软件」变成「Agent 操作软件」；制造业 Agent 的终局，则是把「人管理机器」逐步演进为「人加 Agent 加 Machine 协同运行」。
而真正成熟的企业 Agent，也不会只是一个 LLM 加 Workflow。它最终会成为企业的一种新的执行基础设施：Enterprise Context 加 Agent Runtime 加 Tools 或 Machines 加 Evaluation 加 Governance 等于 AI-Native Operating System。
对于互联网企业，这套系统首先重构知识工作和数字业务流程。对于制造业，它最终会进一步进入设备、生产和物理世界。两者路径不同，但都指向同一个终局：让 AI 从回答问题的软件，变成持续完成工作的数字执行者。
这可能正是 AI Native 企业和 AI Native Factory 最本质的区别。未来真正值得关注的，也许已经不是「企业有没有 Agent」，而是：企业有多少真实业务流程已经可以被 Agent 安全地端到端运行。
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。
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】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025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。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
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。
