前阵子刷到一篇图解AI三大核心技术：RAG、大模型、智能体的文章，但是原图都是都是英文的，很多人看不懂。粉丝还把文章还转发给了我，所以我就硬着头皮用 AI 辅助翻译，并加了一些自己的理解，用中文给大家再普及一下AI三大核心技术：RAG、大模型、智能体的区别。（本文比较长，大家可以先收藏，后续遇到的时候再看）

大模型中的Transformer与混合专家（MoE）

我用中文生成了差异点，做不到原图的效果，将就着看一下区别：

左侧 - Transformer架构：

• 输入经过位置编码(Positional embedding)

• 通过多个解码器块(Decoder block)处理

• 每个解码器块包含：层归一化(Layer norm)、掩码自注意力(Masked self-attention)、前馈网络(Feed forward network)

• 所有参数在处理每个token时都被激活使用

右侧 - Mixture of Experts架构：

• 同样的输入和位置编码

• 解码器块结构类似，但前馈网络被替换为专家混合系统

• 包含路由器(Router)来选择激活哪些专家

• 只有部分专家(selected experts)被激活处理特定输入

• 这样可以扩大模型容量而不成比例增加计算成本 这种架构设计让MoE模型能够在保持相对较低计算成本的同时，拥有更大的参数规模和更强的表达能力。

5种大模型微调技术

翻译后的图

🚗 把大模型想象成一辆豪华汽车：

• LoRA - 像给车加装小配件（导航、音响）

原装引擎不动，只加小部件，成本低，效果好

• LoRA-FA - 像只换轮胎不换轮毂

比LoRA更省钱，只调一半部件，效果稍微差一点但够用

• VeRA - 像只调音响的音量旋钮

共用的喇叭设备，只调几个按钮，最省钱的方法

• Delta-LoRA - 分步骤渐进式改装

今天换个零件，明天再换个零件，循序渐进，更稳定

• LoRA+ - 智能调速改装

不同零件用不同的安装速度，训练更快，效果更好

传统RAG和智能体RAG

原图

翻译后的图

简单来说，传统RAG和智能体RAG的区别就像：

 🔍 传统RAG（像图书管理员）：

你问问题 → AI去数据库找相关信息 → 基于找到的内容回答 流程固定，一次性完成 有时可能找不到最佳答案

🤖 智能体RAG（像私人智能助理）：

你问问题 → AI先思考需要什么信息 → 智能选择使用哪些工具 → 根据结果判断是否需要更多信息 → 不断优化直到给出满意答案 流程灵活，可以多轮迭代 能够主动判断和决策，回答更准确全面

核心优势： 智能体RAG就像给AI装上了"大脑"，不仅会搜索，还会思考、判断、规划，能够根据具体情况灵活调整策略，提供更智能、更准确的回答。 这就是为什么智能体RAG被认为是下一代AI问答系统的发展方向！

5种AI智能体设计模式

原图

翻译后的图

5种AI智能体设计模式解释

1. 反思模式 (Reflection Pattern)

像是"自我检查"的AI AI生成答案后，会反思自己的回答是否正确 如果发现问题，就重新生成更好的答案 就像学生做完题后检查一遍，发现错误就重做

1. 工具使用模式 (Tool Use Pattern)

AI像个多才多艺的助手 遇到问题时，知道调用合适的工具来解决 比如需要计算时调用计算器，需要搜索时调用搜索引擎 就像工人根据不同任务选择不同工具

1. 反应模式 (ReAct Pattern)

结合了"思考-行动-观察"的循环 AI会推理问题，采取行动，观察结果，然后继续 是一个持续的思考和行动过程 像侦探破案：分析线索→采取行动→观察结果→继续推理

1. 规划模式 (Planning Pattern)

AI像个项目经理 先制定计划，把大任务分解成小步骤 然后逐步执行每个步骤 就像做饭前先列清单，按步骤来

1. 多智能体模式 (Multi-agent Pattern)

多个AI专家协作工作 每个AI有自己的专长领域 它们互相配合完成复杂任务 像一个团队，每人负责自己擅长的部分

5大文本分块策略

原图

翻译后的图

📖 原图解释（用生活例子说明） 想象你要整理一本厚厚的百科全书，让别人更容易查找信息：

• 固定大小分块 = 用尺子量着切

每10页切一刀，不管内容是什么 优点：简单快速 缺点：可能把一个故事切断

• 语义分块 = 按话题分类

把讲同一个话题的内容放在一起 优点：内容更有逻辑 缺点：需要理解每页在讲什么

• 递归分块 = 先粗分再细分

先按章节分，太厚再按小节分，还是太厚再按段落分 优点：灵活适应 缺点：步骤有点复杂

• 结构分块 = 按目录分章节

直接按照书的目录来分：第一章、第二章... 优点：最符合阅读习惯 缺点：需要书有清晰的目录结构

• LLM智能分块 = 请专家帮忙整理

让AI读完整本书，然后智能地帮你分类 优点：分得最好最智能 缺点：请专家很贵，而且慢

智能体系统的5个等级

原图

翻译后的图

1. 基础响应器 

   最简单的形式，用户提问后直接由大语言模型回答，就像普通的ChatGPT对话。

2. 路由模式 

   添加了一个"路由器"来判断问题类型，根据不同问题分配给不同的专门模型处理，比如技术问题给技术模型，创意问题给创意模型。

3. 工具调用 

   AI可以主动调用外部工具，比如搜索引擎、计算器、API接口等，获取实时信息后再回答用户。

4. 多智能体模式 

   由一个管理员智能体协调多个专业智能体合作完成任务，每个智能体负责不同领域，类似团队协作。

5. 自主模式 

   最高级形式，有生成器智能体负责创造内容，验证器智能体负责检查质量，形成自我完善的闭环系统。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

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。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

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。

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】