文科怎么学AI，可以先在B站自学python, LLM.

然后再自学Agent课程：

上海交大大模型智能体课程：https://www.bilibili.com/video/BV1UgvYBtEaa/

0基础学习，主要是先了解一些概念，这些概念其实并不难。尤其相比于文科一些晦涩难懂的理论来说，AI/Agent的一些基础概念只是更陌生罢了。

• 概念1：LLM=Large Language Models。比如常见的GPT DEEPSEEK
• 概念2: Transformer。这个就是LLM背后的一个关键架构，就是它把传统的技术架构进行了改革，仅依赖注意力机制来建模序列中元素（如单词之间的全局依赖关系，实现了高效的并行计算。
• 概念3: Token。词汇表中的最小单位。
• 概念4: temperature。温度越高，生成结果的多样性越高。

AI 大模型和 AI Agent的区别是什么呢？就像一辆车，人是驾驶员， AI Agent是一辆车，而AI 大模型是车的引擎，自然语言是车的方向盘。我们人类通过输入自然语言——发动车的引擎——驾驶一辆车——达到目的地。车搭建的好不好，车开的好不好，关键在于人。

智能体（Agent）这一概念，最早源自对“让机器像人一样思考和行动”的追求。20 世纪 50 年代，计算机科学家提出了“人工智能”（AI）这一宏大目标，并通过专家系统、规则引擎尝试让程序在受限环境中执行决策。进入 90 年代，随着互联网和分布式计算的发展，“软件代理”（Software Agent）应运而生：它们能在网络中自动搜集信息、完成交易或过滤邮件，具备了一定的“主动性”。21 世纪以来，强化学习、多智能体系统，以及深度学习的突破，让机器人在物理世界中自主导航、协作；与此同时，大型语言模型（LLM）的出现，将自然语言理解和生成能力注入智能体，使得它们不仅能“看”与“听”，还能“说”与“写”，真正迈向通用智能代理的时代。

大模型智能体（Large Model Agent）是指基于大规模预训练模型（如GPT-4、Claude、PaLM等）构建的、具备复杂任务处理能力的智能系统。它不仅能理解和生成自然语言，还能通过工具调用（Tools）、环境交互（如API、数据库）以及多轮推理（Reasoning）完成实际任务，表现出一定程度的自主性和适应性。

• 核心特征

1. 大模型基座

依赖千亿级参数的大语言模型（LLM），拥有强大的语言理解、知识存储和逻辑推理能力。

2. 任务导向性

不同于单纯聊天的AI，智能体被设计为解决问题（如数据分析、编程、客服），并能拆解复杂任务为子步骤。

3. 工具使用能力

可通过调用外部工具（如搜索引擎、计算器、代码执行器）弥补纯文本生成的局限，例如：查询实时天气 → 调用天气API - 解数学题 → 使用计算工具

4. 记忆与状态管理

能维护对话历史（短期记忆）或通过外部存储（如向量数据库）实现长期记忆，保证交互连贯性。

5. 自主决策

根据目标动态选择行动路径（如“先搜索再分析”），甚至能自我反思修正错误（ReAct框架）。

基于 LLM 的智能体可以胜任多种复杂任务类型，例如：

• 问答与知识检索：

  从开放域百科到行业文档，迅速找到并组织答案；

• 指令执行与自动化：

  根据用户口述或书面指令，自动填写表单、发送邮件、调度日程；

• 多步推理与规划：

  如旅行行程规划，从预算约束到交通衔接，一次性给出可行方案；

• 交互式教学与辅导：

  充当语言学习伙伴或编程助教，实时纠错并提供示例；

• 创意与内容生成：

  撰写文章大纲、生成营销文案、构思故事情节；

• 代码生成与调试：

  根据功能描述，输出可运行的代码片段，并能解读、修改已有代码；

• 数据分析与报告：

  从原始表格或日志中提炼洞见，生成图表解读与文字总结；

• 复杂工具链调用：

  在同一会话中，综合调用搜索引擎、翻译服务、地图 API 等多种外部资源。

通过将 LLM 与智能体框架深度结合，我们不仅让程序“会说话”，更让它们拥有“会思考、会规划、会执行”的完整智能闭环。

下面是 AI Agent的工作过程，了解下即可。

这下面是一些技术/机器学习的理论概念，了解即可。

其实我们应该学会，怎么引导AI一步步推理。而不仅仅是简单的对话。

React架构，涉及到prompt

HuggingGPT架构

AutoGPT框架

下面是一些常用的智能体开发框架，想了解都可以上网查一下，自学。

这个技术展望，让我不禁反思，这真的是文明的进步吗，还是倒退？人类从学会使用工具那天起，是为了让工具彻底统治人类行动和思想吗？

下面是一些AIAgent 落地应用👇

习题 1：智能体的核心能力是什么？

参考回答： 智能体的核心能力包括感知、思考和执行：

• 感知：智能体通过传感器收集外部环境的数据，为决策提供依据。例如，获取图像输入，接收语音指令，感知可用的工具集等。
• 思考：智能体根据感知的数据进行分析、推理，并制定最优的行动计划。这一环节包括决策和策略的制定。
• 执行：智能体将决策转化为实际的动作，并在完成任务后进行反馈。例如，机器人驱动电机移动，智能体生成文本响应。

习题 2：请讨论大模型智能体与传统规则智能体的主要区别。

参考回答： 大模型智能体与传统规则AI的区别体现在以下几个方面：

• 灵活性：大模型智能体具有自适应新任务的能力，能够根据不同的情况做出灵活调整；传统规则AI依赖预设的规则，灵活性较差。
• 可解释性：传统规则AI的逻辑透明，可以清楚地理解决策过程；而大模型智能体往往是黑箱模型，决策过程不易解释。
• 开发成本：传统AI系统需要手动编写大量规则，开发成本较高；而大模型智能体基于预训练模型直接开发或微调，成本较低。 以及其余特性可开放回答，言之有理即可。

扩展习题 3：当前的智能体应用仍然面临不少挑战，这些挑战影响了智能体的准确性、稳定性和安全性。包括幻觉问题、安全风险、长程依赖问题、复杂任务的推理与规划等方面的挑战，请在自行搜索并了解这些挑战后，回答下面的子问题：

• 什么是智能体中的“幻觉问题”？请解释该问题如何影响智能体的决策，并举一个实际应用中可能出现幻觉问题的例子。
• 在智能体应用中，如何防范安全风险？请列举两种常见的安全风险，并说明智能体如何应对这些风险以避免滥用或错误行为。
• 长程依赖问题在多轮任务中如何影响智能体的表现？请举例说明在没有良好记忆管理的情况下，智能体如何丢失重要信息并导致决策错误。
• 智能体在执行复杂任务时面临推理与规划的挑战，尤其在长时间、多步骤的任务中。请简述智能体在多步推理和任务拆解中的策略，并说明如何提升其推理能力。

参考回答：

• 幻觉问题：

  幻觉问题指的是智能体生成的内容看似合理但实际上是错误的。这种问题可能会影响智能体提供的信息质量，导致错误决策。例如，智能体在回答医疗问题时可能会生成一个看似准确的答案，但实际上没有根据真实医学知识，进而影响用户健康决策。

• 安全风险：

  常见的安全风险包括：1. 智能体滥用，即智能体可能被恶意使用，如自动化生成恶意代码、传播虚假信息等；2. 错误行为，智能体可能在没有足够数据的情况下做出不当决策，并且这些决策导致的错误后果难以消除。为了应对这些风险，可以引入安全性约束和行为审计机制，实时监控智能体的行为，避免产生不良结果。

• 长程依赖问题：

  长程依赖问题指的是智能体在执行复杂任务时，可能会丢失早期的关键信息，导致无法正确推断后续步骤。举个例子，如果智能体在回答多轮对话时没有有效的记忆管理，它可能在后续的问答中忘记之前用户提供的关键信息，导致无法准确完成任务。

• 复杂任务的推理与规划：

  智能体在面对复杂任务时需要进行多步推理与规划。这包括将一个大任务拆解为多个子任务，并在执行过程中根据环境反馈调整决策。提升推理能力的策略包括利用强化学习（RL）优化决策过程，结合世界模型增强长期规划能力，并通过动态调整策略应对不确定性。

今天是datawhale的冬令营第一天，打卡计划如下。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！