超详细解析Loop Engineering，小白也能轻松入门大模型， Harness让Agent行动更可靠！

本文详细介绍了Loop Engineering的概念及其在大模型中的应用，强调设计能够自动行动、观察结果、调整策略的循环系统。文章指出，循环本身并不保证可靠性，需要结合Harness来实现。Harness负责保证单次任务的边界和可靠性，而Loop则负责调度和反馈。文章还深入探讨了上下文工程、工具工程、状态管理、验证与恢复等关键要素，并通过GitHub的评测案例说明了Harness的重要性。最后，文章提出企业评估Agent时应关注任务完成率、成本、时延、波动和错误影响等指标，并建议从最小闭环开始建设自己的Harness。

最近，Loop Engineering开始频繁出现在Agent讨论里。它强调的不是继续手工写下一条Prompt，而是设计一个能够围绕目标自动行动、观察结果、调整策略并继续工作的循环。听起来很像Agent终于可以自己把事情做完了。

但循环本身并不会自动带来可靠性。如果Agent读错文件、调用错工具、忘记前一步结论，或者没有明确停止条件，让它再跑十轮，只会把一次小偏差变成一条更长、更贵、影响范围更大的错误轨迹。

这也是为什么，Loop Engineering越热，Harness反而越值得讲清楚。模型像发动机，Harness像底盘、刹车、仪表盘和安全规则；Loop更像让车辆自动反复出发的调度系统。调度可以减少人守在方向盘旁边的时间，但它不能替代刹车。

01｜Loop Engineering来了，Harness过时了吗？

IBM把Loop Engineering定义为设计能够迭代引导Agent完成目标的工作流：Agent围绕目标采取行动、观察环境、根据反馈调整，再进入下一轮，直到满足明确的完成条件。查看IBM的完整定义。IBM同时把它称为一种仍在形成中的Agent工程实践，而不是已经统一定型的标准。

Loop和Harness有大量交集，因为循环仍然需要上下文、工具、状态、验证和权限。但它们关注的尺度不同：Harness首先保证一次运行有手有脚、知道边界、能够验收；Loop再决定什么时候启动下一次运行、上一轮结果怎样进入下一轮，以及什么时候必须停止。

1. Prompt工程

解决这一轮应该怎样告诉模型。

2. Context工程

解决这一轮应该让模型看到哪些资料。

3. Harness工程

解决单次任务能用什么工具、如何保存状态、怎样验证、失败后怎样恢复。

4. Loop工程

解决怎样让Harness根据目标和反馈持续运行，并在正确时间停止或转人工。

Prompt告诉模型做什么；Context准备它看到什么；Harness保证这一轮怎样做；Loop决定下一轮是否继续。

先说结论：Loop Engineering不是Harness的替代品，更像是位于Harness之上的调度与反馈层。一次运行都不稳定，循环不会神奇地把它修好；只有当单次任务已经可控、可验、可恢复，持续运行才真正产生复利。因此，Loop是放大器。Harness扎实，它放大交付能力；Harness松动，它放大错误、成本和失控范围。

02｜Agent Harness到底是什么？

如果把大模型单独放在API后面，它能接收文字、推理并输出结果。但一个能真正做事的Agent，还必须知道去哪里找信息、什么时候调用工具、怎样保存进度、哪些动作需要审批，以及如何判断任务到底完成没有。负责这些工作的那一整套外部系统，就是本文所说的Harness。

它不一定是一款独立产品，也不一定有醒目的界面。很多时候，它分散在系统提示词、检索服务、工具描述、工作流引擎、权限平台、日志系统、评测集和人工审批流程里。用户看到的是一个Agent，工程团队维护的却是一组相互咬合的齿轮。

Agent的实际能力 = 模型原始能力 × 上下文质量 × 工具可用性 × 工作流可靠性 × 验证与恢复能力

这里用乘法不是为了做精确计算，而是强调一个工程事实：任何一项接近零，最终交付能力都会被拖下去。模型再强，如果拿到的是错误上下文，或者工具权限配置错误，它只会更快、更有说服力地走向错误答案。

模型只是中心计算单元；上下文、工具、工作流、状态与记忆、权限边界、可观测性、评测与恢复共同组成Agent Harness。

这不是只有概念上的推演。GitHub在其公开架构中，把同一套Agentic Harness放在模型和CLI、App、IDE、SDK应用之间，并把模型路由、工具路由、上下文与记忆、限制与恢复、遥测与评测都归入Harness层。它是GitHub的产品架构，不是行业统一标准，但很直观地说明：模型只是系统中的一个可替换部件。

GitHub官方架构图：同一套Agentic Harness通过Copilot SDK支撑CLI、App、其他IDE及SDK应用；图中Harness包含模型路由、工具路由、上下文与记忆、限制与恢复、遥测与评测。

03｜第一层差距：模型看到了什么

很多Agent问题，表面看像推理能力不足，实际上是上下文没有准备好。它可能拿到了过期文档、无关代码、截断日志，或者在几十万字材料里没有找到真正决定任务成败的那几行。

上下文工程不是把更多内容塞进窗口，而是像给医生准备病历：既要把关键检查结果放在最前面，也要说明信息的时间、来源和可信度，还要避免把另一个患者的记录混进来。资料越多不一定越好，噪声会占用注意力，也会增加Token、时延和判断成本。

好的上下文系统至少要解决四件事

1. 相关性

任务真正需要哪些文件、日志、规则和历史记录？

2. 新鲜度

当前配置与文档是否已经被更新？

3. 优先级

冲突信息出现时，哪一份规则具有更高权威？

4. 可追溯性

模型的判断最终依据了哪些证据？

上下文不是仓库搬家，高质量Harness做的是筛选、排序和标注，而不是把整个知识库一次性倒进模型窗口。

04｜第二层差距：工具不是越多越好

Agent之所以不同于普通聊天机器人，是因为它能调用搜索、终端、数据库、浏览器、内部系统和MCP服务。但工具数量增加，也会带来新的选择成本：什么时候用、该用哪一个、参数怎么填、失败后要不要换工具。

可以把它想成给维修工准备工具箱。只有一把螺丝刀，很多活确实干不了；但如果把三百件工具不分类地堆在地上，维修工可能光找扳手就浪费半天。更麻烦的是，两件工具名称相似、权限不同，Agent很容易拿错。

因此，成熟Harness会对工具做分组、延迟加载和动态选择，只在当前任务需要时暴露相应工具；同时给出清楚的输入参数、返回结构、错误码和使用边界。工具描述写得含糊，等于在每个按钮上都贴着“试试看”。

这里有个常见误区，就是把工具调用成功当成任务成功。数据库返回了结果、测试命令跑完了、PR已经创建，都只能说明一个动作结束；它们不自动证明业务目标已经完成。

05｜第三层差距：长任务最怕丢状态

短问答可以一次生成，真实任务往往需要几十步甚至数小时。Agent可能先调查问题，再修改文件、运行测试、等待外部系统、处理失败，然后重新规划。此时最重要的不是记住所有对话，而是维护一个可靠的任务状态。

状态应该回答：目标是什么，已经完成什么，哪些假设被否定，产生了哪些文件，下一步依赖什么，以及哪些动作还在等待审批。没有这张“施工进度表”，模型每次恢复工作都像新来的工人，只能重新巡查工地。

长期记忆也不能简单理解为保存所有历史。真正有价值的是把已验证的偏好、规则、解决方案和失败经验沉淀为可检索资产，并且允许更新和撤销。错误记忆一旦被反复调用，就像把一张画错的地图复印给整个车队。

06｜真正拉开距离的是验证与恢复

演示里的Agent通常走一条顺畅路线：理解任务、调用工具、输出结果。生产环境却更像真实交通：接口会超时、权限会过期、文件会被别人修改、测试会随机失败，用户的要求也可能互相冲突。

因此，Harness必须设计“怎么知道做对了”和“做错以后怎么办”。验证可以来自自动测试、规则检查、第二模型审阅、数据库约束或人工签字；恢复则包括重试、换工具、回滚、读取检查点、降级处理和请求人工帮助。

最新论文《Agents in the Wild》把验证流水线、回退机制和人工介入列为Agent从研究走向生产时的重要设计模式。这背后的逻辑很朴素：可靠系统不是从不出错，而是能尽早发现错误，把影响控制住，并在可接受成本内恢复。

Anthropic官方示意图：Agent围绕环境执行“行动—反馈”循环，必要时与人交互，同时保留停止条件。它把Agent最基本的运行机制画得很克制：行动必须接收环境反馈，循环也必须能够停止。

这张图没有画复杂编排，却点出了Harness最重要的三件事：让动作真正进入环境、把结果作为下一步依据，以及在达到目标或触发限制时停止。真正的工程复杂度，往往就藏在这三个看起来很简单的箭头里。

任务从定义、检索、规划和执行进入验证；失败时恢复或转人工，完成后交付，并持续观察成功率、成本、时延和波动。

Benchmark像在考场里做题；生产环境更像夜里值班。真正的考验不是有没有遇到错误，而是错误出现时系统知不知道停下来。

07｜GitHub的对照评测说明了什么

GitHub在一组Agentic Harness评测中，尽量固定了模型、任务、上下文窗口、推理强度、工具选择和MCP条件，再比较不同Harness。官方报告称，在多项编程任务配置中，其Harness的任务完成率与模型厂商工具大体处于同一水平，同时多数配置消耗更少Token。查看GitHub完整方法与结果。

这个结论最有价值的地方，不是证明某个产品一定更好，而是把变量拆开了：同一个模型换一套上下文处理、工具编排和执行策略，成本、完成率和运行波动都可能变化。模型能力是共同底座，系统设计仍然能够明显改变最终表现。

但也要保持克制。这是GitHub对自家产品的评测，包含公开与内部基准；小型基准采用多次运行并报告最佳结果，部分基础设施异常也按方法说明处理。它适合说明Harness值得单独评估，却不能直接推出所有企业场景都能获得同样优势。

GitHub官方TerminalBench 2.0图：纵轴为任务通过率，横轴为平均单任务成本；每个点是一组Agent与模型配置，阴影椭圆表示五次运行的±1σ波动，越靠左上越好。

这张图最值得注意的，不只是哪个点更靠左上，而是每个点周围都有一片椭圆。同一套Agent与模型重复运行，完成率和成本仍然会摆动。也就是说，企业评估Agent时不能只跑一次，更不能只截取最好的一次；波动本身就是Harness质量的一部分。

更合理的解读，不要只问“哪一个模型分数最高”，还要问“模型在我们的Harness里，完成一项真实任务需要多少成本、多少时间，以及结果有多稳定”。

08｜企业案例为什么比代码生成更值得看

OpenAI与NTT DATA公布的案例中，Codex已扩展至约9000名活跃用户；一项原本需要五名资深工程师三天完成的复杂事故分析，被压缩到30分钟。查看案例原文。这仍是厂商与客户联合材料，不是独立实验，但它揭示了Agent价值从“写一段代码”向“完成一条调查链路”迁移。

事故分析需要读取日志、定位时间窗口、搜索代码、对照配置、形成假设、执行验证，再把证据整理成报告。模型只是调查员的大脑；日志入口、代码权限、沙箱环境、检查规则、报告模板和人工复核共同构成办案系统。

NTT DATA同时强调了安全指南、网络管理、沙箱模式、自动化级别和人工复核。这些内容看起来不如“30分钟”吸睛，却恰恰是企业能否把一次成功演示扩展到数千人的关键。

09｜实战分享：把故障排查做成可交付任务

NTT DATA公开案例提供了结果和治理原则，但没有披露内部实现细节。下面不去猜测它的系统，而是用一个可复现的工程演练，展示Harness怎样把“帮我看看为什么报错”改造成一条可验证的故障排查流程。

案例边界：以下payment-api场景是用于讲解方法的脱敏工程演练，不对应任何企业的真实生产事故，也不复刻NTT DATA内部实现。时间点用于说明检查点，不构成性能承诺。

第一步：先写任务契约，不要先写长Prompt

演练设定很简单：payment-api在一次发布后错误率上升。值班人员提交服务名、告警编号、排查时间窗和发布版本，希望Agent给出根因判断与处置建议。真正决定任务质量的第一步，不是润色Prompt，而是把交付标准写清楚。

1. 输入

服务名、告警编号、时间窗口、发布版本，以及允许访问的数据范围。

2. 必须交付

根因假设、证据链、已排除项、不确定性、处置建议和回滚方案。

3. 验收条件

关键结论至少得到日志、代码差异、指标或沙箱复现中的两类证据支持。

4. 权限边界

只读访问生产日志和指标；允许在沙箱运行命令；禁止直接修改生产配置。

5. 停止条件

证据足够、预算或时间耗尽、关键数据缺失，或者需要高风险操作时转人工。

任务不是“找到一个听起来合理的原因”，而是“提交一份能够复核的证据化判断”。

第二步：为这一个任务装配Harness

这一版没有一次性开放所有企业系统，只给Agent六类能力：读取监控指标、检索日志、查看发布差异、搜索代码和运行手册、在沙箱执行复现命令，以及写入调查报告。每个工具都有明确参数、超时、返回结构和错误码。

1. 上下文

按告警时间窗取样日志，同时带上发布前基线、变更记录和对应运行手册，所有证据保留来源与时间。

2. 工具

日志和监控只读；代码搜索限定仓库；命令只能在隔离沙箱执行；报告工具不能触发生产动作。

3. 状态

持续保存当前假设、支持证据、反证、已完成步骤和待确认事项，避免重启后重复调查。

4. 权限

凭证短期有效，生产写入默认关闭；发现需要回滚时只生成变更建议，由值班人员审批。

5. 验证

每个根因结论必须经过证据一致性检查；工具返回成功但数据为空，仍然按失败处理。

这里最容易被忽略的是“工具成功”和“证据有效”的区别。一次日志查询返回HTTP 200，不代表它覆盖了正确时间段；测试命令退出码为0，也不代表它复现了生产症状。Harness需要检查结果的语义，而不仅是接口状态。

第三步：一条标准演练轨迹怎样记录

1. T+0分钟

解析任务契约，锁定payment-api、告警时间窗和只读权限，建立调查检查点。

2. T+3分钟

对比发布前后错误码与延迟分布，确认异常从新版本发布后开始，而不是全天背景噪声。

3. T+8分钟

读取发布差异，发现上游请求超时配置被缩短；把它登记为候选假设，而不是直接宣布根因。

4. T+12分钟

在沙箱用同类请求复现超时，并检查数据库连接、证书和限流指标，记录被排除的竞争性假设。

5. T+18分钟

形成证据表：异常时间、配置差异、复现结果和反证；标明仍未验证的流量边界条件。

6. T+22分钟

生成回滚与修复建议，提交人工复核；Agent不直接执行生产变更。

结论：新版本缩短上游超时配置，与错误率上升高度相关。证据：发布时间吻合、配置差异明确、沙箱能够复现。已排除：数据库连接耗尽、证书异常、限流触发。风险：高峰流量尚未完全复现。建议：先回滚配置，再观察15分钟，并补充高峰压测。

这份输出之所以比一句“可能是超时”有价值，是因为下一位值班人员能沿着证据继续检查，也能看到哪些判断仍有不确定性。Harness不是让模型说得更像专家，而是强迫调查过程留下可复核的脚印。

第四步：把一次排查升级成Loop

到这里，Harness已经能完成一次受控排查。要把它升级成Loop，不是简单在脚本外面加一个while true，而是增加触发、反馈、持久状态、独立判断和明确终止条件。否则系统只是会重复，并不是真正会闭环。

1. 触发器

新告警或关键指标连续越过阈值时启动；同一事件在冷却时间内合并，避免重复调查。

2. 行动

调用已经验证过的Harness完成一轮取证、假设、复现和报告，不在Loop层重新发明工具权限。

3. 观察

读取最新错误率、延迟、发布状态和人工反馈，把环境变化作为下一轮输入。

4. 持久状态

保存事件编号、证据表、已排除假设、累计成本和当前检查点，下一轮只处理增量变化。

5. 独立评估

由单独的规则或检查器判断证据是否充分、结果是否改善，而不是只让生成结论的Agent给自己打分。

6. 停止与转人工

指标恢复、根因证据充分、达到最大轮数或预算、连续两轮没有新信息，以及需要生产写操作时停止。

一个可用的Loop = 触发器 + 受控Harness + 环境反馈 + 持久状态 + 终止条件

在这个案例里，Loop可以每隔五分钟重新读取关键指标，但不必每轮都从头搜索全部日志。上一轮的证据和排除项进入持久状态，新一轮只验证指标是否恢复、是否出现反证，以及处置建议是否需要调整。这样循环带来的是连续观察，而不是重复烧Token。

Loop不是无限自治，成熟Loop的标志不是永远不找人，而是知道什么时候继续、什么时候停，以及什么时候必须把证据交给人做决定。

第五步：故意制造失败，才能知道系统是否可靠

演练不能只跑顺风局。我们还应该主动制造四类故障：日志接口超时、返回空数据、任务中途重启，以及模型
适合需要深度定制业务逻辑、数据边界和审批流程的团队，但上下文、工具、评测和运维都要自己负责。

2. 使用Agent SDK

适合希望保留产品控制权，又不想从零实现会话、工具调用、流式输出和基础编排的团队。

3. 购买成熟Agent产品

适合任务已经落在现成工作场景中，例如代码仓库、客服或办公系统，重点是更快获得完整工作流。

Token价格只相当于电费。自己搭Harness，则还要计算上下文服务、工具维护、评测、权限、日志、故障恢复和工程人力；购买成品则要考虑订阅成本、平台绑定和可定制范围。真正应该比较的是每个成功任务的总成本，而不是每百万Token便宜了多少。

11｜企业评估Agent，至少看这五组指标

如果只统计对话次数、Token数量和生成代码行数，很容易把“机器很忙”误当成“工作完成得很好”。一台打印机每天吐出一万张纸，不代表公司交付了一万项任务。

1. 任务完成率

定义清楚什么算真正完成，并由测试、业务规则或人工验收确认。

2. 成功任务成本

把模型、工具、重试、失败任务和人工复核全部算进去。

3. 端到端时延

从用户提出任务到可交付结果，而不是只看模型首字响应。

4. 运行波动

同一任务重复执行时，结果、成本和时间会不会大幅摆动。

5. 错误影响半径

一次错误最多能改多少数据、触发多少系统，以及是否能够回滚。

成功任务总成本 = 模型与工具调用 + 失败重试 + 人工复核 + 维护与治理成本，再除以通过验收的任务数

12｜怎样开始建设自己的Harness

不必一开始就搭建庞大的Agent平台。更稳妥的方法，是选择一条边界明确、结果可验证、失败可回滚的真实流程，从最小闭环开始。

1. 先定义交付

把“帮我处理一下”改成能够验收的结果和约束。

2. 限制上下文

只提供必要资料，并记录来源、时间和优先级。

3. 缩小工具集

先开放少数高价值工具，给出清楚参数和错误反馈。

4. 默认低权限

读取与写入分开，高风险动作设置确认点和短期凭证。

5. 保存检查点

让长任务可以恢复，而不是失败后从第一步重来。

6. 建立真实评测

从自己的工单、代码库和业务流程抽取代表性任务。

7. 记录完整轨迹

保留检索、工具、决策、成本和人工介入信息，便于复盘。

8. 最后再加Loop

先让人工触发的单次任务稳定，再加入调度、增量反馈、独立评估和终止条件。

不要过早追求完全自治，先让Agent在明确边界内稳定完成一小类任务，再逐步扩大工具、权限、Loop频率和持续运行时间。自治范围应该随验证与恢复能力一起增长。

结语｜Loop让Agent持续行动，Harness让行动可靠

大模型还会继续变强，Loop也会让Agent越来越少地等待人类输入。但当模型能力和调度能力逐渐普及，企业之间更难复制的部分，仍然是数据如何准备、工具如何组织、权限如何控制、失败如何恢复，以及什么才算任务真正完成。

同一个模型、同一种Loop，可以在一套系统里持续积累证据和进展，也可以在另一套系统里重复读取错误资料、反复调用昂贵工具并把偏差越滚越大。差距并不神秘，它藏在每一轮循环下面那套不太显眼的Harness里。

所以，Loop Engineering不是让Harness退出舞台，而是把Harness从“单次任务体验”升级为“长期运行基础设施”。先把每一次运行做得可控、可验、可恢复，再谈无人值守，才是一条更稳的工程路线。

模型提供智力，Harness提供工作方式，Loop提供持续性。真正可靠的Agent，三者缺一不可。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 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

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 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
• …

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 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
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、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。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、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。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。