本文详细解析了AI Agent的四大核心模块：感知模块(信息收集与处理)、记忆模块(短期与长期信息存储)、决策模块(目标拆解与策略选择)和工具调用模块(执行决策与外界交互)。每个模块都有独特功能和工作流程，共同构成Agent完整架构。文章从程序员视角提供Python实现示例，帮助读者从"使用Agent"升级为"开发Agent"，为实战开发奠定基础。

咱们终于进入核心技术篇啦！前面咱们搞懂了Agent的“是什么、能做啥、用什么工具开发”，现在是时候扒开Agent的“外衣”，看看它的内部构造了。

就像咱们学编程时，先知道“函数能实现某个功能”，再深入理解“函数的参数、返回值、内部逻辑”一样，开发Agent也得先搞懂它的核心模块。这一节咱们就把Agent拆成四个核心模块：感知模块、记忆模块、决策模块、工具调用模块，用程序员能秒懂的语言，把每个模块的作用、工作原理、实现思路讲清楚，让你从“用Agent”变成“懂Agent、能开发Agent”。

一、感知模块：Agent的“五官”——收集信息的“输入端”

咱们先从最基础的感知模块说起。感知模块是Agent的“五官”，核心作用就是收集外界信息，给Agent提供“决策的原材料”。如果没有感知模块，Agent就像一个“瞎子、聋子”，再强的决策能力也没用。

1. 感知模块要收集哪些信息？

感知模块收集的信息主要分两类，咱们用程序员的话来说就是“输入数据”：

• 用户直接输入的信息：比如你告诉代码助手“写一个Python函数批量读取Excel”，这是“明文输入”；还有你和Agent的对话历史，比如之前聊过“要用pandas库”，这也是感知模块要收集的信息；

• 环境中的关联信息：这是感知模块的核心价值，它会主动去“找”和当前任务相关的信息。比如智能客服感知到你说“快递没到”，会主动去查你的订单信息、物流轨迹；运维Agent感知到CPU飙升，会主动去查占用CPU的进程、服务器的内存使用情况。

简单说，感知模块的目标就是：把“用户说的话”和“隐藏在背后的相关数据”都收集起来，形成一个完整的“信息包”，交给后面的决策模块。

2. 感知模块的工作流程：从“信息收集”到“信息整理”

感知模块不是简单地“把信息堆在一起”，而是要做“预处理”，让决策模块能直接用。它的工作流程就像咱们写代码时的“数据清洗”：

1. 信息采集：通过各种“接口”收集信息，比如用户输入接口（对话框、API请求）、数据库查询接口（查订单、查服务器状态）、文件读取接口（读日志、读Excel）；

2. 信息筛选：过滤掉无关信息，比如用户问快递问题时，筛选掉用户的历史购物记录（没用），保留订单号、物流信息（有用）；

3. 信息结构化：把非结构化的信息变成结构化数据，比如把用户的自然语言“快递三天没到”，拆解成关键词【快递】【超时】【时长：3天】，方便决策模块解析；

4. 信息关联：把相关信息关联起来，比如把“用户ID”和“对应的订单信息”“物流信息”关联，形成一个完整的上下文。

3. 程序员视角：怎么实现一个简单的感知模块？

其实实现感知模块一点都不复杂，咱们用Python举个例子：

比如做一个“代码生成Agent”的感知模块，它要收集的信息是“用户需求+已导入的库+项目代码风格”：

1. 采集信息：从用户输入、项目文件中收集信息

def collect_information(user_input, project_path):
# 采集用户输入（明文需求）
demand = user_input
# 采集已导入的库（从项目的requirements.txt中读取）
with open(f"{project_path}/requirements.txt", “r”) as f:
imported_libs = f.read().splitlines()
# 采集项目代码风格（从已有的.py文件中提取命名规范）
code_style = analyze_code_style(project_path)
return {
“demand”: demand,
“imported_libs”: imported_libs,
“code_style”: code_style
}

2. 信息预处理：筛选、结构化、关联

def process_information(raw_info):
# 筛选：只保留和代码生成相关的库（比如过滤掉测试库pytest）
relevant_libs = [lib for lib in raw_info[“imported_libs”] if lib in [“pandas”, “requests”, “flask”]]
# 结构化：把自然语言需求拆成功能点
function_points = parse_demand(raw_info[“demand”])
# 关联：把功能点和相关库关联（比如“读取Excel”关联pandas）
associated_info = {
“function_points”: function_points,
“recommended_libs”: relevant_libs,
“code_style”: raw_info[“code_style”]
}
return associated_info

感知模块的入口：收集+预处理

def perception_module(user_input, project_path):
raw_info = collect_information(user_input, project_path)
processed_info = process_information(raw_info)
return processed_info

这个简单的感知模块，就完成了“收集信息→预处理”的全流程，输出的结构化信息可以直接交给决策模块使用。核心就是：明确要收集哪些信息，然后通过各种接口获取，再做简单的清洗和结构化。

二、记忆模块：Agent的“大脑存储区”——记住关键信息，避免“健忘”

如果Agent只有感知模块和决策模块，那它就是个“鱼的记忆”——每次交互都从零开始，比如你和智能客服聊了半天“快递问题”，转头问“那我的退款呢”，它还得让你重新说订单号，这体验就太差了。

记忆模块就是Agent的“大脑存储区”，核心作用是存储和管理关键信息，让Agent能“记住”之前的交互、执行过的步骤、收集到的信息，从而做出更智能的决策。

1. 记忆模块要记哪些东西？

Agent的记忆和咱们人类的记忆类似，分“短期记忆”和“长期记忆”，对应不同的使用场景：

•短期记忆（上下文记忆）：记“最近的信息”，比如和用户的对话历史、当前任务的执行步骤。比如你和代码助手聊“写一个读取Excel的函数”，然后追问“添加异常处理”，短期记忆会记住之前的需求，不用你重新说；

•长期记忆（知识库记忆）：记“长期有用的信息”，比如项目的业务规则（“用户密码必须加密存储”）、技术文档（“Spring Boot的接口开发规范”）、历史执行记录（“上次部署失败的原因是端口占用”）。这些信息不会随着任务结束而消失，会长期存储，供后续任务使用。

2. 记忆模块的工作流程：存储→检索→更新

记忆模块的工作流程就像咱们用“数据库+缓存”：

1. 存储：把感知模块处理后的信息、决策模块的执行结果、用户的反馈等，按“短期/长期”分类存储。短期记忆可以存在内存里（比如Python的字典），长期记忆可以存在数据库里（比如MySQL、向量数据库）；

2. 检索：当Agent处理新任务时，记忆模块会根据当前需求，检索相关的记忆。比如用户问“我的订单退款进度”，记忆模块会检索“用户的订单号”“之前的退款申请记录”；

3. 更新：当有新的信息产生时，记忆模块会更新记忆。比如用户提供了新的订单号，短期记忆会新增这条信息；Agent学到了新的业务规则，长期记忆会添加这条规则。

3. 程序员视角：怎么实现一个简单的记忆模块？

咱们还是用Python举例子，实现一个“短期记忆+长期记忆”的简单版本：

import json
import sqlite3

短期记忆：用字典存储，任务结束后清空

class ShortTermMemory:
def __init__(self):
self.memory = {} # 结构：{“对话历史”: [], “当前任务步骤”: []}

# 存储短期信息 def store(self, key, value): self.memory[key] = value # 检索短期信息 def retrieve(self, key): return self.memory.get(key, None) # 清空短期记忆（任务结束后调用） def clear(self): self.memory = {}

长期记忆：用SQLite存储，持久化

class LongTermMemory:
def __init__(self, db_path=“agent_memory.db”):
self.conn = sqlite3.connect(db_path)
self._create_table()

# 创建表：存储业务规则、技术文档等 def \_create\_table(self): cursor = self.conn.cursor() cursor.execute(''' CREATE TABLE IF NOT EXISTS knowledge ( id INTEGER PRIMARY KEY AUTOINCREMENT, type TEXT, # 类型：业务规则、技术文档、执行记录 content TEXT, # 内容 create\_time TIMESTAMP DEFAULT CURRENT\_TIMESTAMP ) ''') self.conn.commit() # 存储长期信息 def store(self, type\_, content): cursor = self.conn.cursor() cursor.execute(''' INSERT INTO knowledge (type, content) VALUES (?, ?) ''', (type\_, content)) self.conn.commit() # 检索长期信息（根据类型和关键词） def retrieve(self, type\_, keyword): cursor = self.conn.cursor() cursor.execute(''' SELECT content FROM knowledge WHERE type = ? AND content LIKE ? ''', (type\_, f"%{keyword}%")) return [row[0] for row in cursor.fetchall()]

记忆模块：整合短期和长期记忆

class MemoryModule:
def __init__(self):
self.short_term = ShortTermMemory()
self.long_term = LongTermMemory()

# 存储信息（自动判断短期/长期） def store(self, memory\_type, key\_or\_type, value=None): if memory\_type == "short": # 短期记忆：key是标识，value是内容 self.short\_term.store(key\_or\_type, value) elif memory\_type == "long": # 长期记忆：key\_or\_type是类型，value是内容 self.long\_term.store(key\_or\_type, value) # 检索信息 def retrieve(self, memory\_type, key\_or\_type, keyword=None): if memory\_type == "short": return self.short\_term.retrieve(key\_or\_type) elif memory\_type == "long": return self.long\_term.retrieve(key\_or\_type, keyword)

使用示例

if __name__ == “__main__”:
memory = MemoryModule()
# 存储短期记忆：对话历史
memory.store(“short”, “conversation_history”, [“用户：写一个Python读取Excel的函数”, “Agent：已生成函数”])
# 存储长期记忆：业务规则
memory.store(“long”, “业务规则”, “用户数据必须加密存储，禁止明文”)
# 检索短期记忆
print(memory.retrieve(“short”, “conversation_history”))
# 检索长期记忆：查找和“加密”相关的业务规则
print(memory.retrieve(“long”, “业务规则”, “加密”))

这个记忆模块虽然简单，但已经实现了核心功能：短期记忆存对话和任务状态，长期记忆存业务规则和知识库，检索时能快速找到需要的信息。实际开发中，你可以用Redis优化短期记忆的检索速度，用向量数据库（比如Milvus）优化长期记忆的语义检索（比如根据“读取Excel”找到相关的技术文档）。

三、决策模块：Agent的“大脑核心”——自主判断“该怎么做”

如果说感知模块是“收集原材料”，记忆模块是“存储原材料”，那决策模块就是Agent的“核心工厂”——它根据收集到的信息和记忆，自主判断“该怎么做”，是Agent智能的核心体现。

传统程序的“决策”是程序员写死的if-else，而Agent的决策模块是“动态的”——不用写死所有情况，它能根据具体场景自主拆分步骤、调整策略。

1. 决策模块要解决两个核心问题

决策模块的工作，本质上是解决两个问题：

•做什么：把用户的目标拆成可执行的小步骤。比如用户目标是“分析销售数据并生成报告”，决策模块会拆成“1. 读取销售数据文件；2. 清洗数据（处理缺失值）；3. 统计销售额、订单量；4. 生成可视化图表；5. 撰写分析报告”；

•怎么做：为每个步骤选择合适的执行方式。比如“读取销售数据文件”，决策模块会判断“文件是CSV格式，用pandas的read_csv函数”；如果文件是Excel格式，就决策“用pandas的read_excel函数”。

2. 决策模块的工作流程：目标解析→步骤拆分→策略选择→动态调整

决策模块的工作流程就像一个“项目经理”，接到一个大项目后，拆解任务、分配资源、监控进度、调整方案：

1. 目标解析：先理解用户的核心目标，比如用户说“我的快递没到”，核心目标是“查询快递状态并解决未送达问题”；

2. 步骤拆分：把核心目标拆成可执行的小步骤，比如“查询订单号→查询物流轨迹→判断物流状态→生成解决方案”；

3. 策略选择：为每个步骤选择策略，比如“如果物流显示滞留，策略是提交催单；如果物流显示已签收，策略是查询签收记录并联系快递员”；

4. 动态调整：根据执行结果调整策略，比如提交催单后，物流还是没动，决策模块会调整策略“联系人工客服跟进”。

3. 程序员视角：怎么实现一个简单的决策模块？

决策模块的实现难度相对高一些，因为需要结合大模型的语义理解能力。咱们用“大模型+规则”的混合方式，实现一个简单的决策模块：

from langchain.chat_models import ChatOpenAI

决策模块：结合大模型和规则，自主拆分步骤和选择策略

class DecisionModule:
def __init__(self, llm_api_key):
# 初始化大模型，用于语义理解和步骤拆分
self.llm = ChatOpenAI(model_name=“gpt-3.5-turbo”, api_key=llm_api_key)

# 核心方法：根据目标和上下文，生成决策（步骤+策略） def make\_decision(self, goal, context, memory): # 1. 构建提示词：告诉大模型要做什么（拆分步骤、选择策略） prompt = f""" 你是一个智能决策助手，需要帮Agent完成目标。请根据以下信息，做两件事： 1. 把目标拆成3-5个可执行的步骤（按顺序排列）； 2. 为每个步骤选择合适的执行策略（比如调用什么工具、执行什么操作）。 目标：{goal} 上下文信息：{context} 相关记忆：{memory} 输出格式： 步骤1：[步骤描述] 策略1：[执行策略] 步骤2：[步骤描述] 策略2：[执行策略] ... """ # 2. 调用大模型生成决策 decision\_result = self.llm.predict(prompt) # 3. 解析大模型的输出，变成结构化数据（方便后续执行） structured\_decision = self.\_parse\_decision(decision\_result) return structured\_decision # 解析大模型输出，变成字典格式 def \_parse\_decision(self, decision\_text): steps = [] strategies = [] lines = decision\_text.split("\n") for line in lines: line = line.strip() if line.startswith("步骤"): steps.append(line.split("：")[1].strip()) elif line.startswith("策略"): strategies.append(line.split("：")[1].strip()) # 组合成结构化数据 return [{"步骤": step, "策略": strategy} for step, strategy in zip(steps, strategies)]

使用示例

if __name__ == “__main__”:
# 初始化决策模块（替换成你的API密钥）
decision_module = DecisionModule(“你的大模型API密钥”)
# 目标：用户需求
goal = “帮我分析2024年3月的销售数据，生成可视化图表并写一份分析报告”
# 上下文信息：感知模块处理后的信息（比如数据文件路径、数据格式）
context = “数据文件路径：./sales_202403.csv，数据格式：CSV，包含字段：日期、产品类别、销售额、订单量”
# 相关记忆：从记忆模块检索到的信息（比如之前的分析规则）
memory = “记忆：销售数据分析需要统计Top5产品、月度销售额趋势、各品类占比”
# 生成决策
decision = decision_module.make_decision(goal, context, memory)
print(“生成的决策：”)
for item in decision:
print(f"步骤：{item[‘步骤’]}，策略：{item[‘策略’]}")

这个决策模块的核心逻辑是：用大模型的语义理解能力拆分步骤和选择策略，再把输出解析成结构化数据。实际开发中，你可以加入“规则校验”，比如限制步骤数量、指定必须调用的工具，避免大模型生成不合理的决策；还可以加入“反馈机制”，如果某个步骤执行失败，让决策模块重新调整策略。

四、工具调用模块：Agent的“手脚”——执行决策，和外界交互

决策模块生成了“步骤和策略”，但Agent不能只“想”不“做”——工具调用模块就是Agent的“手脚”，核心作用是执行决策模块的策略，和外界交互，比如调用工具、操作文件、访问API、和用户沟通。

没有工具调用模块，Agent就是一个“只会想不会做”的“空想家”；有了它，Agent才能把决策落地，真正解决问题。

1. 工具调用模块要调用哪些“工具”？

Agent能调用的工具非常多，本质上是“所有能帮它完成任务的程序、接口、服务”，常见的有：

•数据操作工具：数据库（MySQL、PostgreSQL）、文件系统（读/写文件）、Excel/CSV处理工具（pandas）；

•API接口工具：第三方API（天气API、物流API）、内部系统API（用户系统API、订单系统API）；

•开发工具：代码编译器、静态代码分析工具（SonarQube）、测试工具（pytest）；

•沟通工具：邮件服务、短信服务、聊天接口（Slack、钉钉）；

•自定义工具：你自己写的Python/Java函数，比如“数据清洗函数”“加密函数”。

2. 工具调用模块的工作流程：工具选择→参数解析→执行→结果返回

工具调用模块的工作流程就像咱们调用函数：

1. 工具选择：根据决策模块的策略，选择对应的工具。比如策略是“读取CSV文件”，就选择“pandas的read_csv函数”；策略是“查询物流信息”，就选择“物流API”；

2. 参数解析：解析执行工具需要的参数。比如调用read_csv需要“文件路径”“编码格式”；调用物流API需要“订单号”“用户ID”；

3. 执行调用：调用工具并执行，比如执行read_csv函数读取文件，发送HTTP请求调用物流API；

4. 结果处理：接收工具的执行结果，比如读取到的数据、API返回的物流信息，然后把结果返回给决策模块和记忆模块（存储执行结果）。

3. 程序员视角：怎么实现一个简单的工具调用模块？

咱们用Python实现一个支持“读取CSV文件”“生成图表”“写报告”的工具调用模块：

import pandas as pd
import matplotlib.pyplot as plt
from typing import Any

第一步：定义各种工具（函数形式）

class Tools:
# 工具1：读取CSV文件
@staticmethod
def read_csv(file_path: str, encoding: str = “utf-8”) -> pd.DataFrame:
try:
df = pd.read_csv(file_path, encoding=encoding)
return {“status”: “success”, “data”: df, “message”: “文件读取成功”}
except Exception as e:
return {“status”: “fail”, “data”: None, “message”: f"读取失败：{str(e)}"}

# 工具2：生成可视化图表 @staticmethod def generate\_chart(df: pd.DataFrame, chart\_type: str, save\_path: str) -> str: try: plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文显示问题 if chart\_type == "sales\_trend": # 销售额趋势图 df.plot(x="日期", y="销售额", kind="line") plt.title("月度销售额趋势") elif chart\_type == "category\_ratio": # 品类占比饼图 category\_sales = df.groupby("产品类别")["销售额"].sum() category\_sales.plot(kind="pie", autopct="%1.1f%%") plt.title("各品类销售额占比") plt.savefig(save\_path, dpi=300, bbox\_inches="tight") plt.close() return {"status": "success", "data": save\_path, "message": "图表生成成功"} except Exception as e: return {"status": "fail", "data": None, "message": f"图表生成失败：{str(e)}"} # 工具3：生成分析报告 @staticmethod def generate\_report(df: pd.DataFrame, report\_path: str) -> str: try: # 计算核心指标 total\_sales = df["销售额"].sum() total\_orders = df["订单量"].sum() top5\_products = df.groupby("产品类别")["销售额"].sum().nlargest(5) # 撰写报告 report = f""" 2024年3月销售数据分析报告 1. 整体业绩： - 总销售额：{total\_sales:.2f}元 - 总订单量：{total\_orders}单 2. Top5产品销售额： {top5\_products.to\_string()} 3. 趋势分析： - 销售额整体呈上升趋势（具体需结合图表） - 家电品类占比最高（具体需结合图表） """ with open(report\_path, "w", encoding="utf-8") as f: f.write(report) return {"status": "success", "data": report\_path, "message": "报告生成成功"} except Exception as e: return {"status": "fail", "data": None, "message": f"报告生成失败：{str(e)}"}

第二步：工具调用模块（管理工具、执行调用）

class ToolCallingModule:
def __init__(self):
self.tools = Tools() # 加载所有工具

# 核心方法：根据决策策略，调用对应的工具 def call\_tool(self, strategy: str, params: dict) -> dict: # 根据策略选择工具 if "读取CSV文件" in strategy: # 调用读取CSV工具 return self.tools.read\_csv( file\_path=params.get("file\_path"), encoding=params.get("encoding", "utf-8") ) elif "生成可视化图表" in strategy: # 调用生成图表工具 return self.tools.generate\_chart( df=params.get("df"), chart\_type=params.get("chart\_type"), save\_path=params.get("save\_path") ) elif "生成分析报告" in strategy: # 调用生成报告工具 return self.tools.generate\_report( df=params.get("df"), report\_path=params.get("report\_path") ) else: return {"status": "fail", "message": f"没有找到对应的工具：{strategy}"}

使用示例

if __name__ == “__main__”:
# 初始化工具调用模块
tool_module = ToolCallingModule()
# 1. 调用读取CSV工具
read_result = tool_module.call_tool(
strategy=“读取CSV文件”,
params={“file_path”: “./sales_202403.csv”}
)
if read_result[“status”] == “success”:
df = read_result[“data”]
print(“CSV文件读取成功”)
# 2. 调用生成图表工具
chart_result = tool_module.call_tool(
strategy=“生成可视化图表”,
params={“df”: df, “chart_type”: “sales_trend”, “save_path”: “./sales_trend.png”}
)
print(chart_result[“message”])
# 3. 调用生成报告工具
report_result = tool_module.call_tool(
strategy=“生成分析报告”,
params={“df”: df, “report_path”: “./sales_report.txt”}
)
print(report_result[“message”])

这个工具调用模块的核心是“策略→工具的映射”，根据决策模块的策略，找到对应的工具并传入参数执行。实际开发中，你可以用LangChain的Tool类来封装工具，支持自动参数解析和类型校验；还可以加入“工具优先级”，比如同一个任务有多个工具可用时，选择效率最高的工具。

五、总结：Agent的核心模块是“流水线”，环环相扣

聊完四个核心模块，咱们可以用一张“流水线”图来理解它们的关系：

用户目标 → 感知模块（收集+预处理信息） → 记忆模块（存储+检索相关记忆） → 决策模块（拆分步骤+选择策略） → 工具调用模块（执行策略+返回结果） → 结果反馈给用户和记忆模块 → 循环直到达成目标

每个模块都有自己的核心作用，缺一不可：

• 感知模块：保证“信息全”；

• 记忆模块：保证“不健忘”；

• 决策模块：保证“方向对”；

• 工具调用模块：保证“能落地”。

对咱们程序员来说，开发Agent的本质就是“搭建这四个模块，并让它们高效协作”——你可以用现成的框架（比如LangChain）来快速集成这些模块，也可以根据业务需求自定义每个模块的实现。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，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。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、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。

6. 大模型面试题

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，我们将提供精心整理的大模型面试题库，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。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(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。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】