目前通用的Agent还没有持续学习能力。没有达到我之前提的一个标准：已经学习的内容不能损害未来的学习能力。

而本文试图从人类的一些本能行为中来讨论实现这种能力的一种思路。

1、人类的“复盘”本能

绝大多数的人都有2个不由自主的思考活动：

• 一个人在事后，反刍回顾之前发生的事情（往往是他相对重视的），思考自己是否做错了什么，或者有什么其他的选择等等。（实际上这个特点并非人所独有，有实验发现即使对于老鼠，也能做这种反事实复盘）
• 一个人会对他所接触到的一些事实/信息寻求一些合理化的解释，实现万物“皆有原因”，而且是他自己能理解的逻辑。（并非数学上严格的逻辑推理）

这个本能行为是如此的“顽固”，即使它们可能已经不是面对当下纷繁复杂世界的最优方式，一个人也很难抑制自己的这种本能。很明显，这是一种写在基因里的行为。

这很像是一种复盘，但它并不理性，也没有任何方式保证让事后找到的解释是真实的原因，而且它还有很明显的偏向于简单化解释、符合自己认知习惯的解释等等的问题。要说这其中有很多人类认知的误区也不为过。

那么人类为什么要演化出这种本能呢？也许，这就是人类高效适应环境的一种方式。

除此之外，我认为“好奇心”本能，也是一种自然选择出的有效适应新环境的方式。

相关阅读：

• 《The Enigma of Reason》 – Hugo Mercier & Dan Sperber
• 《The Seven Sins of Memory: How the Mind Forgets and Remembers》 – Daniel Schacter
• 《Mindwandering: How Your Constant Mental Drift Can Improve Your Mood and Boost Your Creativity》 – Moshe Bar
• 《The Wandering Mind: What the Brain Does When You’re Not Looking》 – Michael C. Corballis
• 《Rumination Remedies: A Workbook to Free Your Mind From Worry, Regret, and Racing Thoughts》 – Sheri McGregor

2、从技术实现的角度

如果我们有无限的算力，无限好的Reward，那么各种RL算法就已经可以解决一切。但这两者我们都没有，人脑也没有。那么人脑的工作方式就值得我们来学习了。

当然人脑只有一部分工作是在意识层面完成的。我们不能观测并不代表潜意识中没有发生类似的过程，但这已经偏离了本文的主题。

在意识层面的复盘过程其实很有点类似于让LLM去做了一些复盘分析，然后把归因记录下来，并进行强化。

如何通过少量归因分析之后的经验和其推理路径进行有效学习是一个独立的问题，但这个意识层面的复盘推理和分析过程似乎是值得学习的。

以及再加上Rich Sutton最近的Options-based Agent的Agent策略架构范式，我们似乎看到了一些希望。

不过总的来说，如果没有模型层的支持光凭应用层来做，还是感觉ROI很低。模型层是否能自己RL出来一些类似Options-based的方案，是否能自己RL出来一些“有好奇心”的方案，是否能自己RL出来一些能主动复盘和反思的方案呢？感觉也比较难。

大概65%是模型，35%是Agent的架构设计，两者需要进行融合训练。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

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】