文章探讨了通用人工智能（AGI）中，大语言模型（LLM）从静态对话向动态代理的跃迁，以及由此引发的N×M集成危机。为应对此危机，行业内出现了三种核心技术框架与协议：模型上下文协议（MCP）、智能体技能标准（Agent Skills）和智能体对智能体协议（A2A）。MCP通过标准化接口解决模型与工具/数据的连接；Agent Skills封装领域专业知识为可移植指令集；A2A构建跨厂商、跨框架的代理协作网络。三者协同构建了分层协议策略，实现从协作大脑、专业逻辑到执行末梢的完整体系。文章还强调了安全、隐私与治理的重要性，并展望了AI基础设施标准化浪潮及企业实施策略。

---

在通用人工智能（AGI）的演化路径中，大语言模型（LLM）正经历从“静态对话（Chat）”向“动态代理（Agency）”的本质跃迁。早期的人工智能应用主要局限于文本的输入与输出，其知识边界受限于训练数据的截止日期，无法与实时变化的数字环境进行深度交互。然而，随着企业对自动化、实时数据访问及跨系统协作需求的激增，人工智能必须具备操纵数字工具、查询动态数据库及编排复杂工作流的能力。这一转型引发了严重的N×M集成危机：当组织试图将不断增加的模型数量（N）连接到多样化的企业数据源和工具（M）时，生态系统陷入了碎片化。

在传统模式下，开发者必须为每一种模型与每一个外部工具的组合编写定制化的连接器。例如，将 GPT-4 连接到 PostgreSQL 数据库所需的逻辑，可能与将 Claude 3.5 连接到同一数据库的逻辑完全不同。这种缺乏标准化的现状导致了系统架构的脆弱性与不可扩展性，使得数据依然处于孤岛状态，而 AI 代理则因为缺乏必要的上下文而显得能力受限。为了应对这一基础设施危机，行业内涌现出了三种核心的技术框架与协议：由 Anthropic 推动并随后开源的模型上下文协议（Model Context Protocol, MCP）、旨在标准化任务执行逻辑的智能体技能标准（Agent Skills），以及由 Google 牵头并捐赠给 Linux 基金会的智能体对智能体协议（Agent-to-Agent Protocol, A2A）。

这三种协议虽然在宏观目标上具有一致性，即旨在提升人工智能的连通性、准确度与自动化程度，但在具体的功能定位、技术实现路径及生态位角色上存在显著差异。MCP 专注于解决模型与工具/数据之间的“最后一公里”连接；Agent Skills 致力于将领域专业知识封装为可移植的指令集；而 A2A 则旨在构建一个跨厂商、跨框架的代理协作网络。理解这三者之间的关系，对于构建下一代企业级、可扩展且安全的智能体生态系统至关重要。

Model Context Protocol (MCP)：AI 时代的通用串行总线

定位与核心架构逻辑

模型上下文协议（MCP）被广泛比喻为 AI 应用的“USB-C 接口” 。它是一种开放标准，旨在为大语言模型应用提供一个标准化的“语言”，使其能够以统一的方式与外部资料、应用程序和服务进行沟通。MCP 的核心价值在于它解耦了模型的智能逻辑与具体的数据访问实现。通过 MCP，开发者只需要为某种工具或数据源编写一次服务器端代码，即可让支持 MCP 的所有模型客户端（如 Claude Desktop、Cursor、IDE 等）无缝调用 。

MCP 采用了典型的客户端-服务器（Client-Server）架构，其中包含三个关键角色：MCP Host（主机）、MCP Client（客户端）和 MCP Server（服务器）。MCP Host 是用户直接交互的应用程序，它管理着一个或多个 MCP Client。MCP Client 是嵌入在主机内的协议代理，负责维护与服务器之间的 1:1 连接并获取上下文。MCP Server 则是为模型提供具体能力、数据和上下文的外部程序，它可以运行在本地机器上，也可以部署在远程云端。

技术原语与通信机制

MCP 的通信基础建立在轻量级的 JSON-RPC 2.0 消息格式之上，支持有状态的连接与能力协商。这种设计灵感来源于语言服务器协议（Language Server Protocol, LSP），但在 LSP 的反应式机制基础上进行了扩展，以支持代理的自主工作流 。

MCP 定义了三类核心技术原语，这些原语构成了服务器向模型暴露能力的标准方式：

原语类型 (Primitive)	定义与功能	典型应用场景
Resources (资源)	供模型读取的静态或动态数据，通常是只读的。	读取本地日志文件、抓取网页内容、检索数据库 Schema。
Tools (工具)	模型可调用的函数，允许代理采取行动并对外部系统产生影响。	发送电子邮件、在 Jira 中创建任务、执行本地代码、更新 CRM 记录。
Prompts (提示)	预定义的模板化消息和工作流说明，用于指导模型如何处理特定任务。	引导模型进行代码审查、提供法律文件分析模板。

此外，MCP 还支持高级的采样（Sampling）能力，允许 MCP 服务器请求主机提供大语言模型的完成结果。这意味着服务器可以作为自主代理启动递归的 AI 交互，而无需自身集成复杂的 AI SDK 。在传输层方面，MCP 支持标准输入输出（stdio）用于低延迟的本地集成，以及 HTTP 配合服务器发送事件（SSE）用于远程连接。

性能优化与“代码执行模式”

随着集成工具数量的增加，传统的将所有工具定义预加载到上下文窗口的做法会导致 Token 消耗剧增和成本上升。为了解决这一问题，业界引入了“代码执行（Code Execution）”模式。在这种模式下，MCP 服务器不再被视为单纯的工具调用端点，而是被视为代码 API。代理可以通过编写代码来与 MCP 服务器交互，这种方式允许代理仅加载当前任务所需的工具定义，并在执行环境中过滤中间数据 。根据测试，这种渐进式披露的方法可以将上下文 Token 使用量从 150,000 个减少到 2,000 个，成本和时间节省效率高达 98.7% 。

在处理高并发请求时，MCP 表现出了极强的扩展性。通过分布式缓存、并行查询路由和无状态请求处理，MCP 系统能够每秒处理超过 5,000 次上下文操作，同时将响应时间控制在 100 毫秒以内。这种高性能表现使其成为企业级高吞吐量人工智能应用的理想选择。

Agent Skills：结构化智能体技能的执行蓝图

定位与核心价值

如果说 MCP 定义了 AI 的“感官”和“四肢”，使其能触碰外部世界，那么 Agent Skills 则定义了 AI 的“技能书”或“作业指导书” 。Agent Skills 是一套开放标准，旨在教导 AI 代理如何高效且可重复地完成特定领域的专业任务。它超越了简单的提示词工程（Prompt Engineering），将复杂的任务逻辑、脚本、参考文档和资源文件打包成一个可移植的、受版本控制的包。

Agent Skills 的核心意义在于“专业化”与“复用性”。它允许开发者为模型提供特定领域的深层工作流，例如法律文件审计、财务对比分析或复杂的软件测试流程。这种封装确保了无论在哪种支持 Skills 的应用（如 GitHub Copilot, Claude Code）中使用，AI 的执行质量都能保持一致。

SKILL.md 与渐进式披露机制

Agent Skills 的物理形态通常表现为一个包含SKILL.md文件的目录。这个 Markdown 文件使用 YAML 前言（Frontmatter）来定义技能的元数据和激活逻辑。这种格式的设计理念是“渐进式披露（Progressive Disclosure）”，旨在最大限度地节省上下文资源 。

下表详细列出了SKILL.md中核心元数据字段的功能及其对代理行为的影响：

字段名称 (Metadata Field)	约束与类型	详细功能解析
name	必须 (Required)	唯一标识符，必须全小写并使用连字符。它必须与存储该技能的文件夹名称完全一致，用于在系统中精准索引。
description	必须 (Required)	核心语义触发器。描述技能的具体用途及适用场景。AI 模型通过语义匹配此字段来决定是否需要加载该技能。
user-invokable	可选 (Boolean)	控制可见性。决定技能是否出现在聊天界面的斜杠命令（/）菜单中。若设为 false，则该技能仅作为后台背景知识。
disable-model-invocation	可选 (Boolean)	控制自主性。若设为 true，则模型不会自动识别并加载该技能，必须由用户通过斜杠命令手动激活。

技能的加载过程分为多个能级：

能级 1：元数据加载。系统启动时仅加载名称和描述（约 100 Token），用于发现 。

能级 2：指令加载。当触发匹配时，加载 SKILL.md 正文中的详细指令（通常在 5k Token 以内）。

能级 3：资源与代码执行。根据指令需求，代理可以动态读取目录下的脚本（如 Python, JS）或参考文档，这些内容在执行时才被消耗，不会预先占用宝贵的上下文空间 。

技能的应用与分布模型

Agent Skills 的分布具有极强的灵活性，支持多种存储范围。开发者可以将技能存储在项目代码库（.github/skills/）中以供团队共享，也可以存储在用户根目录（~/.agents/skills/）作为个人的跨项目通用工具。

目前，市场上已经涌现出大量的技能库。Anthropic 提供了生产级的文档编辑技能（如处理 PDF, PPTX, XLSX），使模型能够精确生成复杂格式的文件。社区层面，awesome-agent-skills 仓库汇集了从 AWS 开发到网络取证等 50 多个经过验证的专业技能，显示出技能标准在各行业深度集成的巨大潜力。

Agent-to-Agent (A2A) 协议：构建智能体协作的“外交协议”

起源、愿景与标准化努力

Agent-to-Agent (A2A) 协议由 Google 于 2025 年 4 月推出，现已成为 Linux 基金会旗下的开源项目。A2A 协议的出现是为了解决智能体领域的“巴别塔困境”：不同的厂商、不同的技术框架（如 LangChain, CrewAI）构建的代理，由于通信格式不一，难以进行跨系统的协作。A2A 被定位为 AI 智能体之间的“通用语言”或“外交协议”，旨在实现跨框架、跨云环境的互操作性。

A2A 并非要取代现有的编排框架，而是作为一个消息传输层存在。它允许一个 Google 的代理与一个 IBM 或开源框架构建的代理进行对话、任务委派和结果共享。这种标准化使得企业可以构建异构的智能体生态系统，将内部自研代理与第三方商业代理无缝集成。

架构组件与核心概念

A2A 协议采用了明确的客户端-服务器模型。发起请求的实体被称为 A2A Client（客户端智能体），而接收并执行任务的实体被称为 A2A Server（远程智能体）。

协议的运行依托于以下核心构建块：

Agent Card (智能体卡片)：这是 A2A 的核心发现机制。它是一个公开的 JSON 元数据文件（通常位于 /.well-known/agent.json），充当智能体的“名片”或“简历”。卡片详细描述了代理的名称、功能、支持的数据模式以及身份验证要求，允许其他代理在网络中自动发现并识别其协作价值。

Task (任务)：A2A 通信的基本工作单元。每一个任务都有唯一的 ID 和定义明确的状态生命周期（submitted -> working -> input-required -> completed/failed）。这种状态化设计特别适用于需要数小时或数天才能完成的长时运行任务。

Message (消息)：对话中的单次交换。消息可以包含多个Part (部件)，支持文本（TextPart）、文件（FilePart）和结构化 JSON 数据（DataPart），天然支持多模态交互。

Artifact (工件)：任务执行完成后产生的最终产物，如生成的分析报告、图像或代码文件。

通信流程与技术特性

A2A 工作流遵循三个严格的步骤：发现 (Discovery)、身份验证 (Authentication)和通信 (Communication)。在通信阶段，A2A 使用 HTTPS 作为安全传输层，并采用 JSON-RPC 2.0 作为数据交换格式。

为了支持实时性与异步性，A2A 引入了两项关键技术：

Server-Sent Events (SSE)：用于实现实时的流式传输，允许远程代理在任务执行过程中不断地向客户端推送状态更新或中间结果。

Push Notifications (推送通知)：当任务执行时间极长或客户端掉线时，远程代理可以通过客户端提供的安全 Webhook 发送异步通知，确保协作链条不会中断。

定位、对比与维度的深度解析

通过对上述三项协议的详细剖析，可以发现它们分别针对了智能体集成链条中的不同环节。下表通过多维度的参数对比，揭示了它们在现代 AI 架构中的独特地位：

对比维度	Model Context Protocol (MCP)	Agent Skills	Agent-to-Agent (A2A)
核心定位	能力/数据集成层：解决 AI 如何连接外界。	指令/逻辑封装层：解决 AI 如何执行专业任务。	代理协作/网络层：解决 AI 之间如何对话与分工。
推动主体	Anthropic (现由 Linux 基金会托管)	Anthropic / Microsoft / GitHub	Google (现由 Linux 基金会托管)
主要解决的问题	N x M 集成成本与工具碎片化	任务的可复用性、准确性与指令上下文效率	代理孤岛、厂商锁定与跨平台互操作性
核心机制	Client-Server, 基于 JSON-RPC 2.0	物理目录结构,SKILL.md指令文件	客户端-远程代理模型, 任务生命周期管理
透明度模型	白盒式：模型能感知并直接通过 Host 调用具体工具。	模块式：模型作为系统 Prompt 的动态扩展来加载。	黑盒式 (Opaque)：各代理保持独立，不暴露内部逻辑或记忆。
发现机制	手动配置/显式指向服务器	基于SKILL.md描述的语义匹配发现	基于 Agent Card 的动态网络发现
主要技术栈	stdio, HTTP+SSE, JSON-RPC	Markdown, YAML, Shell/Python/JS 脚本	HTTPS, SSE, JSON-RPC 2.0, Webhooks

深刻见解：从“单体智能”到“社会化协作”的范式转移

这三项协议的并行演进反映了人工智能系统设计哲学的根本转变。MCP 的成功标志着“单体代理”能力的爆发，它让每一个代理都能拥有强大的感官和操纵现实世界的能力。就像为每一位工程师配备了一套完整的工具箱，MCP 赋予了代理数据库、邮件、计算器等全方位的资源。

Agent Skills 则引入了“专业化分工”的概念。它意识到，即便有了工具，如果没有正确的方法论指导，代理依然无法处理极其复杂的行业任务。Skills 标准将这些方法论代码化、包化，使得专业知识可以像软件补丁一样安装在代理上。

而 A2A 的崛起则预示着“智能体社会”的到来。在 A2A 的视角下，一个极其复杂的任务不应该由一个臃肿的全能代理完成，而应该由一群轻量、专业、分布式的代理协作完成。A2A 关注的是代理之间的边界与契约，它允许每个代理保持自己的自治权、私有记忆和特定框架，通过标准化的“外交辞令”达成共识。这种黑盒协作机制是保护企业数据隐私、实现安全治理的关键。

协同关系：构建三位一体的智能体层次架构

在实际的大规模企业级部署中，MCP、Agent Skills 与 A2A 并非互斥关系，而是层层递进、互补增强的协同关系。一种被广泛认可的架构模式是“分层协议策略（Layered Protocol Strategy）”。

架构层级的垂直整合

通过将这三种标准垂直整合，可以构建出一个具备“协作大脑”、“专业逻辑”与“执行末梢”的完整体系：

总线层 (The Communication Bus - A2A)：A2A 协议作为顶层的沟通总线。它负责在不同的代理（如财务代理、物流代理、法务代理）之间传递任务。编排者代理（Orchestrator）不需要了解这些专家的内部实现，只需要识别它们的 Agent Card 即可委派任务。A2A 确保了即使这些代理托管在不同的云平台上，也能保持状态同步。

方法论层 (The Instruction Layer - Agent Skills)：每一个专家代理在接收到 A2A 任务后，会根据任务类型加载相应的 Agent Skill。技能书指导代理如何分解任务、调用哪些特定工具，并提供行业案例参考。Skills 确保了代理在执行任务时遵循特定的 SOP（标准作业程序）。

能力集成层 (The Capability Layer - MCP)：在具体执行技能中定义的每一个子步骤时，代理会调用底层的 MCP 服务器。MCP 负责具体的 SQL 执行、API 调用或文件读取。它为代理提供了对物理系统和数据源的标准化访问权限。

协同应用案例：医疗保健多代理系统

在一个复杂的医疗场景中，这种三协议协同的优势体现得淋漓尽致：

初始处理 (MCP 阶段)：一个保险单据处理代理收到报销申请。它首先通过MCP调用 OCR 工具识别单据内容，并调用医疗数据库 API 获取病历详情。

跨代理协作 (A2A 阶段)：该代理发现单据中涉及高额复杂赔付，于是使用A2A协议发起一个协作请求，将任务委托给专门的“风险评估代理（Risk Assessment Agent）”和“合规代理（Compliance Agent）”。这些代理可能运行在完全不同的安全域中。

专家执行 (Skills 阶段)：风险评估代理加载了“慢性病赔付审计技能（Chronic Disease Skill）”。这套技能包含了一套复杂的检查清单和计算模型。在Skill指导下，该代理完成评估并将结构化的 Artifact（工件）通过A2A返回给主代理。

最终结案：主代理汇总所有 A2A 协作结果，通过MCP调用支付系统的 API 完成转账，并向用户发送通知。

在这种架构下，系统的灵活性和健壮性得到了极大提升。如果医疗法规发生变化，企业只需要更新相关的Agent Skill文件，而无需重写通信逻辑（A2A）或底层数据库接口（MCP）。

安全、隐私与治理的深度权衡

随着 AI 代理获得更多的自主权和对系统资源的访问权，安全成为了协议设计的重中之重。MCP 与 A2A 分别从不同的信任边界出发，提供了多层防御机制。

资源控制与数据隐私

MCP 的核心优势在于“本地化与资源隔离”。通过 MCP 架构，企业可以将敏感数据保留在本地服务器内。服务器作为资源的掌控者，不需要将 API 密钥或原始敏感信息提供给 LLM 供应商。主机在访问任何资源或执行任何工具之前，必须获得用户的明确同意。此外，MCP 的数据最小化原则鼓励仅传输回答特定查询所需的绝对最小数据集，进一步降低了泄露风险。

身份治理与信任体系

A2A 协议则引入了“信任注册表”和“身份验证网关”的概念。由于 A2A 涉及跨系统协作，防止代理冒充（Agent Impersonation）至关重要。A2A 支持企业级的角色访问控制（RBAC）和 TLS 1.2 以上的加密传输。远程代理在接受任务前，会通过 JWT (JSON Web Token) 和 JWKS (JSON Web Key Set) 机制对请求发起者进行严格的身份验签。这种“黑盒式”协作确保了代理之间只交换必要的结果信息，而不共享内部的专有逻辑或原始内存数据。

协议层面的脆弱性与增强建议

尽管协议本身设计精巧，但研究表明仍存在协议级的脆弱性。例如，MCP 的某些实现可能存在能力证明（Capability Attestation）缺失的问题，导致服务器可以声明虚假的权限。针对这些风险，业界提出了AttestMCP等扩展协议，通过添加消息认证码来显著降低攻击成功率。而在 A2A 方面，研究者强调必须实施严格的 Token 生命周期管理，避免泄露的凭证被长时间恶意利用。

下表总结了针对这些协议的安全威胁及其防御策略：

威胁类型	协议角色与缓解措施	核心技术点
提示词注入 (Prompt Injection)	MCP 作为漏斗点，支持安全工具进行提示级过滤与重写。	语义分析、关键词阻断、上下文一致性检查。
数据脱出 (Data Exfiltration)	MCP 的细粒度权限控制与“代码执行”环境数据隔离。	属性级权限检查、代码沙箱化、中间结果保留。
代理冒充 (Agent Impersonation)	A2A 的身份验证机制与信任注册表集成。	JWT 验签、OAuth 2.0、持续身份验证。
权限提升 (Privilege Escalation)	A2A 与 MCP 的审计日志提供端到端的来源追踪。	事件采集、行为基线分析、实时合规监控。

未来展望：迈向“智能体经济”的通用基础设施

随着 Anthropic、Google、微软、亚马逊以及国内大模型巨头（如阿里、百度、腾讯、字节等）相继接入或推动这些协议，我们正见证着 AI 基础设施的标准化浪潮。

生态系统的成熟与标准化竞争

目前，MCP 在企业集成领域由于其结构的确定性和与现有 API 架构的对齐而展现出更快的采用速度。而 A2A 则代表了多代理协作的未来前沿，虽然目前仍处于演进初期，但其在跨领域自动化和韧性流程编排方面的潜力巨大。

未来，我们可能会看到这几项协议的深度融合甚至趋同。例如，Google 在推动 A2A 的同时，也积极参与了 MCP 社区的建设，强调 A2A 与 MCP 是互补关系。这种“竞合”关系有助于避免平台锁定，促进一个开放、灵活且去中心化的 AI 生态系统。

企业实施战略建议

对于寻求从 AI 中获取真实业务价值的企业，建议采取以下分阶段实施策略：

短期策略：工具标准化。优先采用 MCP 协议来改造内部的数据接口和常用的业务工具。通过建立私有的 MCP Server 仓库，消除 N x M 的集成冗余，提升单个 AI 助手或 IDE 插件的能力。

中期策略：逻辑资产化。通过 Agent Skills 标准将关键业务流程和专家经验进行封装。建立企业的“技能资产库”，确保这些专业逻辑可以在不同的 AI 代理之间平滑迁移和复用。

长期策略：生态协作化。基于 A2A 协议构建跨部门、跨组织的智能体网络。通过动态的代理发现机制，实现复杂业务流程的自动调度与协作，减少人工干预，最终实现真正的“群体智能”。

总而言之，MCP、Skills 与 A2A 不仅仅是技术上的规范，它们是构建未来智能化社会的基础设施。MCP 提供了坚实的连接底座，Skills 提供了专业的执行逻辑，而 A2A 则提供了广阔的协作空间。三者的有机结合，将使 AI 代理从孤立的任务处理器进化为能够理解上下文、具备专业技能且善于团队协作的数字劳动力，彻底重塑现代企业的运营范式。

如何系统的学习大模型 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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.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（数据来源：BOSS直聘报告）

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！

02.大模型 AI 学习和面试资料

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】