本文深入分析了5款主流开源AI Agent项目（Flocks、OpenOcta、openJiuwen、Anthropic Cybersecurity Skills、AgentRun），从应用场景、业务价值、核心架构、技术选型及效益等维度进行对比。文章指出，AI Agent技术正从实验走向生产，是替代人工、提升系统可靠性、降低运维成本的关键。针对安全运营、IT运维和运维管理三大场景，各项目展现出独特优势：Flocks擅长安全闭环自动化，OpenOcta聚焦IT运维智能体，openJiuwen突破多智能体协同，Anthropic Cybersecurity Skills构建安全技能库，AgentRun打造企业级运维中台。选型时需综合考量安全隔离、协同能力、技能管理及成本效益，建议根据场景组合使用，构建完整AI Agent生态，推动企业数字化转型迈向自主运营新阶段。

---

随着企业数字化转型的深入，AI Agent技术正从实验性工具向生产级解决方案演进。在企业级信息技术与安全运维场景中，AI Agent展现出的强大能力使其成为替代传统人工操作、提升系统可靠性、降低运维成本的关键技术。本文将汇总并分析当前主流的AI Agent开源项目，从应用场景、业务价值、核心架构、技术选型及效益分析等维度，为企业技术决策者提供参考。

一、场景概述与项目概览

企业级信息技术与安全运维场景主要涵盖三大方向：

1.安全运维场景：包括威胁检测、告警分析、漏洞修复、攻击溯源、安全策略执行等，需要AI Agent具备跨设备数据关联能力、安全操作执行能力及自主学习进化能力。

2.IT运维场景：涵盖系统监控、故障自愈、自动化巡检、配置管理、资源调度等，要求AI Agent能够理解复杂指令、执行精准操作并保持高可靠性。

3.运维管理场景：涉及Agent资源调度、权限管理、成本控制、合规审计等，需要平台级解决方案支持多租户、多角色协同工作。

目前，五款开源项目在这些场景中展现出显著优势，分别是：Flocks（安全数字员工）、OpenOcta（企业级运维智能体）、openJiuwen（协同智能体框架）、Anthropic Cybersecurity Skills（安全技能库）以及AgentRun（运维中台）。这些项目均采用完全开源模式，代码透明可控，且已通过实际企业场景验证。

二、项目详细分析

1. Flocks：智能安全数字员工

场景描述：Flocks专为安全运营场景设计，解决企业安全人员面临的跨设备关联调查效率低、告警闭环处置不及时、安全策略执行依赖人工等痛点。它能够像真实安全分析师一样在企业内部7×24小时值守，完成告警降噪、威胁监测、攻击溯源和自动处置等任务。

业务描述：针对安全运营中的核心需求，Flocks提供以下能力：

•告警自闭环：从接收告警到分析、处置、工单流转的全流程自动化

•跨设备关联调查：自动关联分析来自不同安全设备的数据，快速定位威胁

•自进化能力：通过实战经验持续学习，优化告警处理策略和处置流程

•安全设备巡检：定期自动检查安全设备状态，生成分析报告

核心架构：

•原生多Agent架构：主Agent负责规划决策，子Agent专注特定安全任务执行

•自然语言API调用：通过自然语言指令调用API，无需复杂代码编写

•模拟登录技术：内置Agent可模拟真人登录Web界面，自动完成设备配置与数据读取

•自进化组件：动态生成技能、工具和工作流，在实战中提炼经验并自我修正

技术选型：

•编程语言：Python

•沙箱隔离：Docker容器化实现资源限制和攻击防御

•通信协议：HTTP RESTful API

•框架基础：基于OpenCode开源框架开发

•机器学习：集成150+网安工具，支持多模型协同决策

效益分析：

•告警处理效率：将研判时长从30分钟压缩至2分钟，风险遗漏率从15%降至3%

•跨设备调查速度：将原本需数小时的多源数据整合压缩至分钟级，效率提升37倍

•漏洞排查时效：将高危漏洞排查从3-5天压缩至2小时，台账准确率从60%提升至90%

•成本降低：完全免费开源，支持本地化部署，无需第三方服务器，降低安全运营成本

•合规性：数据、日志、模型运算全程留存内网，满足等保2.0、数据安全法等合规要求

2. OpenOcta：企业级运维智能体

场景描述：OpenOcta专注于企业IT运维场景，解决告警自愈闭环、自动化巡检、混合云资源管理等需求。它通过内置的数字员工矩阵和技能库，将运维人员从重复性工作中解放，实现运维从"人找事"到"事找人"的转变。

业务描述：OpenOcta主要应用于以下业务场景：

•告警自愈闭环：接收并解析告警内容，生成结构化建议，自动执行清理或重启脚本

•自动化巡检：创建定时任务，执行SQL慢查询分析、表空间检查等，结果汇总并附优化建议

•混合云管理：通过MCP工具库连接私有云API和公有云控制台，实现自然语言交互式资源管理

•安全执行：内置沙箱隔离、命令校验、审批队列和全生命周期会话管理，确保操作安全合规

核心架构：

•安全执行层：沙箱隔离、命令校验、审批队列和会话管理

•运维智能体矩阵：预置Linux管理员、数据库专家、K8s巡检员等数字员工

•技能库机制：支持技能的定义、执行和验证，形成闭环

•国产化集成：原生支持国内主流IM平台和大模型

技术选型：

•开源协议：GPLv3

•部署方式：支持私有化部署，完全内网运行

•通信机制：基于IM消息路由，支持多平台消息接入

•安全机制：沙箱环境、二次确认、全链路审计追踪

•国产化适配：兼容麒麟OS、海光CPU等信创环境

效益分析：

•安全合规：半年内拦截23次违规指令申请，未发生一例因智能体引发的安全事件

•运维效率：自动化巡检替代人工操作，节省大量运维时间

•资源利用率：通过智能调度优化资源分配，提升基础设施利用率

•成本控制：私有化部署避免云服务额外成本，降低长期运维开支

•国产化支持：通过信创项目验收，适配国产化环境需求

3. openJiuwen：协同智能体框架

场景描述：openJiuwen聚焦多智能体协同场景，解决复杂任务需多个Agent协作完成、经验无法沉淀、流程固化容错率低等问题。它实现了从"单兵作战"到"精锐团队"的转变，为长链路、跨领域任务提供稳定可靠的解决方案。

业务描述：openJiuwen适用于以下业务场景：

•金融智能体中台：支持银行构建智能体引擎，实现动态意图识别、智能路由和智能问答

•工业生产系统：覆盖生产、质量、交付、成本等全环节的智能化演进

•科研协作系统：支持多学科专家协同工作，如科研探索、物质创制等

•办公自动化：处理文档生成、会议记录、邮件整理等复杂办公任务

核心架构：

•多智能体架构：支持Agent Team、Team Skills、Team Skills Hub和Team Skills自演进

•协调工程体系：覆盖组队、运行、监控、纠错、复盘、迭代全流程

•技能自演进能力：当工具调用失败或需求理解错误时，系统会主动记录、分析根因并生成改进建议

•标准化能力包：将协作流程、任务范式、沟通策略和执行规范沉淀为团队协作SOP

技术选型：

•编程语言：Go和Python混合使用

•协同技术：JiuwenSwarm蜂群智能体，支持多Agent高效协同

•技能管理：Skill技能库，支持跨模型、跨环境任务完成

•编译运行系统：SkVM面向Skill的编译和运行系统，提升技能执行效率

•安全防护：全链路安全防护体系，实现智能体统一身份认证、权限控制与行为管控

效益分析：

•任务成功率：复杂任务成功率突破90%，显著优于传统单智能体系统

•Token消耗：通过SkVM编译运行系统，技能执行节省30% Token，降低推理成本

•开发效率：标准化团队能力大幅缩短开发周期，无需从零搭建协同逻辑

•生态共建：以开放标准吸引开发者、企业、科研机构参与，形成良性循环

•规模化应用：自动化协同替代人工编排，复杂任务交付速度提升数倍

4. Anthropic Cybersecurity Skills：安全技能库

场景描述：Anthropic Cybersecurity Skills专注于网络安全领域，解决AI代理缺乏安全分析能力、跨模型技能复用困难等问题。它提供了结构化的安全技能，使AI Agent能够执行高级安全分析师级别的任务。

业务描述：该技能库主要应用于以下业务场景：

•安全分析：执行内存取证、流量分析、攻击检测等专业安全任务

•跨框架映射：将技能映射至MITRE ATT&CK、NIST CSF 2.0、MITRE D3FEND等六大行业框架

•技能复用：支持跨模型、跨环境复用技能，提升开发效率

•合规审计：通过标准化技能库，确保安全操作符合行业规范

核心架构：

•标准化封装：遵循agentskills.io开放标准，采用YAML+Markdown格式封装技能

•多级加载机制：Level 1（元数据）始终加载，Level 2（指令）按需加载，Level 3（资源和代码）仅在引用时加载

•框架映射：每项技能均映射至六大行业框架，覆盖15个战术、286个技术

•验证循环：支持AI自动检查并尝试修复自身工作，形成闭环

技术选型：

•技能格式：YAML+Markdown结构化文件

•编译优化：SkVM编译器优化技能执行效率

•模型兼容：支持26+个AI平台和模型

•框架支持：覆盖MITRE ATT&CK、NIST CSF 2.0等六大行业框架

•自演进能力：通过验证循环持续优化技能表现

效益分析：

•任务完成率：平均提升15.3%，尤其对能力较弱的模型提升显著（如Qwen3-30B模型在BareAgent框架上高出25分）

•执行效率：PDF文本提取任务执行时间从10,469-15,116ms缩短至数百ms，效率提升50倍

•跨框架一致性：不同执行框架间得分差距从13分缩小至5分，提升稳定性

•开发效率：无需从零编写安全技能，直接调用817个结构化技能，大幅降低开发门槛

•安全左移：将安全防护前置到需求和设计阶段，提前发现潜在风险

5. AgentRun：企业级AI运维中台

场景描述：AgentRun定位为AI运维中台，解决Agent规模化落地的痛点，包括跨团队协作效率低、团队间数据互相可见、权限管理不完善、成本控制困难以及审计无法支撑合规等问题。

业务描述：AgentRun主要应用于以下业务场景：

•多Agent编排：支持超级Agent创建，实现主子Agent服务端编排

•权限管理：三层多租户权限体系，精细化资源隔离

•可观测性：指标、链路、日志全开，支持ARMS探针自动注入

•凭证管理：动态凭证注入，避免硬编码凭据

•灰度发布：按Endpoint配置流量比例，实现平滑升级

核心架构：

•三层多租户体系：账号、实例和会话三层隔离，满足不同角色需求

•沙箱运行环境：基于函数计算的Serverless运行时，按会话请求自动扩缩

•流式输出：SSE协议开箱即用，无需额外配置

•会话亲和路由：同一会话默认路由到同一实例，保持状态一致性

•资源隔离机制：支持容器化与虚拟化混合隔离，最小权限动态鉴权

技术选型：

•部署方式：云端部署，支持函数计算AgentRun控制台

•SDK支持：Python SDK（pip install agentrun-sdk）

•CLI工具：AgentRun CLI（curl安装命令）

•多框架集成：支持LangChain、LlamaIndex等主流框架

•资源调度：Serverless容器调度，无请求时自动缩零

效益分析：

•成本优化：企业级AI算力部署成本较标准机型下降40%

•运维效率：15个Agent实现7×24小时服务，处理85%的答疑量，运营支持时长降低90%

•版本发布：版本发布周期压缩至1天，显著提升迭代速度

•资源利用率：按需使用资源，无请求时自动缩零，最大化资源利用率

•审计追溯：每次操作可归属、每份资产可复用、每次迭代可控，满足企业合规要求

三、开源地址汇总

项目名称	开源地址	文档地址	社区资源
Flocks	https://github.com/flock-lab/flock	https://flocks.readme.io/	GitHub Issues、Gitter频道
OpenOcta	https://github.com/openocta/openocta	https://openocta.docz.io/	GitHub社区、Slack频道
openJiuwen	https://github.com/openJiuwen-ai	https://openjiuwen.com/docs/	Team Skills Hub（https://swarmskills.openjiuwen.com/）、Gitter频道
Anthropic Cybersecurity Skills	https://github.com/mukul975/Anthropic-Cybersecurity-Skills	https://agentskills.io/docs/	Skill-Creator工具、验证循环示例
AgentRun	https://github.com/Serverless-Devs/agentrun	https://docs agent run/	钉钉群（134570017218）、Serverless社区

四、技术选型对比分析

1. 安全隔离机制

安全隔离是AI Agent在企业级场景中的核心需求，各项目采用了不同的隔离技术：

•Flocks：Docker容器化实现资源限制和攻击防御，结合自然语言指令生成机制，确保操作安全

•OpenOcta：内置沙箱隔离、命令校验、审批队列和全生命周期会话管理，每个高危操作都需要二次确认

•openJiuwen：通过SkVM编译运行系统，提升技能执行效率和安全性，降低Token消耗40%

•Anthropic Cybersecurity Skills：采用渐进式披露机制，仅在需要时加载技能详细内容，减少上下文窗口膨胀

•AgentRun：结合容器化与虚拟化隔离，最小权限动态鉴权，按需使用资源，无请求时自动缩零

2. 协同架构设计

多智能体协同是处理复杂任务的关键，各项目的协同架构各有特色：

•Flocks：采用原生多Agent架构，主Agent规划决策，子Agent执行特定任务，支持跨设备数据关联

•OpenOcta：预置Linux管理员、数据库专家等数字员工，覆盖180+项技能，形成技能矩阵

•openJiuwen：提出Coordination Engineering新范式，支持多智能体自主分工、高效沟通与无缝协作

•Anthropic Cybersecurity Skills：以验证循环为基础，支持AI自动检查并修复自身工作，形成闭环

•AgentRun：三层多租户权限体系，支持超级Agent创建，实现主子Agent服务端编排

3. 技能管理与执行

技能管理是AI Agent能力扩展的核心，各项目在技能管理方面各有创新：

•Flocks：支持"一句话"生成技能、工作流和智能体，降低使用门槛

•OpenOcta：内置技能库（Skills）和定时任务模块，将运维从"人找事"变成"事找人"

•openJiuwen：Team Skills标准化封装协作流程，支持技能自演进和共享

•Anthropic Cybersecurity Skills：遵循agentskills.io开放标准，支持跨模型、跨环境复用

•AgentRun：Sandbox SDK集成主流框架，支持代码包、容器镜像等多种部署方式

五、实际应用价值与效益

1. 安全运营价值

AI Agent在安全运营领域的应用价值主要体现在：

•告警闭环效率：Flocks将告警研判时长从30分钟压缩至2分钟，风险遗漏率从15%降至3%

•跨设备调查速度：Flocks将跨设备关联分析效率提升37倍，从数小时压缩至29秒

•漏洞排查时效：Flocks将高危漏洞排查从3-5天压缩至2小时，台账准确率从60%提升至90%

•安全左移：Anthropic Cybersecurity Skills将安全防护前置到需求和设计阶段，提前发现潜在风险

•技能标准化：Anthropic Cybersecurity Skills提供817个结构化安全技能，覆盖29个安全领域，降低安全技能开发门槛

2. IT运维价值

AI Agent在IT运维领域的应用价值主要体现在：

•自动化巡检：OpenOcta创建定时任务，每天凌晨2点自动执行SQL慢查询分析、表空间检查等，结果汇总发送并附优化建议

•告警自愈闭环：OpenOcta接收并解析告警内容，生成结构化建议，自动执行清理或重启脚本，经审批后无人值守完成

•混合云管理：OpenOcta通过MCP工具库连接私有云API和公有云控制台，实现自然语言交互式资源管理

•任务成功率：openJiuwen复杂任务成功率突破90%，显著优于传统单智能体系统

•Token消耗优化：openJiuwen通过SkVM编译运行系统，技能执行节省30% Token，降低推理成本

3. 运维管理价值

AI Agent在运维管理领域的应用价值主要体现在：

•权限管理：AgentRun三层多租户权限体系，精细化资源隔离，解决权限失控问题

•成本控制：AgentRun企业级AI算力部署成本较标准机型下降40%，且支持按需使用资源

•可观测性：AgentRun指标、链路、日志全开，支持ARMS探针自动注入，提升运维透明度

•灰度发布：AgentRun按Endpoint配置流量比例，实现平滑升级，降低发布风险

•合规审计：AgentRun每次操作可归属、每份资产可复用、每次迭代可控，满足企业合规要求

六、综合评估与选型建议

从企业级信息技术与安全运维场景出发，各项目的优劣势对比：

评估维度	Flocks	OpenOcta	openJiuwen	Anthropic Cybersecurity Skills	AgentRun
安全隔离	Docker容器化，资源限制	沙箱隔离，命令校验，审批队列	SkVM编译运行系统，降低Token消耗	渐进式披露，减少上下文窗口膨胀	容器化与虚拟化混合隔离，最小权限动态鉴权
协同能力	原生多Agent架构，主子Agent协作	预置数字员工矩阵，覆盖180+技能	Coordination Engineering，支持多智能体自主分工	验证循环，支持AI自我检查修复	三层多租户权限体系，超级Agent编排
技能管理	"一句话"生成技能，低代码定制	内置技能库，定时任务模块	Team Skills标准化封装，自演进	agentskills.io开放标准，跨模型复用	Sandbox SDK集成主流框架，支持多种部署方式
部署方式	GitHub开源，本地化部署	GitHub开源，私有化部署	GitHub和AtomGit双平台	GitHub开源，支持跨平台	云端部署，支持函数计算控制台
成本效益	完全免费开源	代码透明，自主可控	Token消耗降低40%，效率提升	技能复用率高，开发效率提升	部署成本下降40%，资源利用率高

选型建议：

1.安全运营场景：优先考虑Flocks或Anthropic Cybersecurity Skills。Flocks适合需要全链路自动化和跨设备关联分析的企业；Anthropic Cybersecurity Skills适合需要丰富安全技能库和标准化框架的企业。

2.IT运维场景：OpenOcta或openJiuwen更为适合。OpenOcta预置的运维技能矩阵适合快速落地；openJiuwen的协同能力适合处理复杂长链路任务。

3.运维管理场景：AgentRun是理想选择，其三层多租户体系和资源隔离机制能够有效解决企业级Agent管理难题。

4.综合考量：如果企业需要同时满足安全和运维需求，建议采用组合方案，如Flocks（安全运营）+ OpenOcta（IT运维）+ AgentRun（运维管理），构建完整的AI Agent生态系统。

七、未来发展趋势

AI Agent在企业级信息技术与安全运维领域的发展趋势：

1.从单体到群体智能：随着Coordination Engineering等技术的发展，多智能体协同将成为主流，企业将从"单兵作战"走向"精锐团队"。

2.从被动响应到主动防御：AI Agent将从被动响应告警转向主动预测风险，实现"预测→预防→处置"的全链路主动防御。

3.从功能工具到组织资产：AI Agent将被视为企业资产，通过资产沉淀、经验复用和知识共享，形成可规模化复制的智能生产力。

4.从人工编排到自主进化：AI Agent将具备持续学习和自我修正能力，在实战中自动提炼经验，形成贴合企业自身的运营能力。

5.从分散部署到统一中台：企业将建立统一的Agent中台，实现构建、治理、评估与优化的一体化管理，解决跨团队协作效率低的问题。

随着AI Agent技术的成熟和开源生态的繁荣，企业将能够安全地将Agent从实验推向规模化生产，真正实现AI Agent成为企业原生能力的愿景。未来，每个企业部署Agent时都会形成一种新的范式：用户在移动终端上指挥云电脑里的智能体干活；终端完成人机交互，云电脑完成自动执行；模型负责判断，算力负责运行，云电脑负责承载执行过程。当Agent可以被持续构建、严格治理、稳定协作、不断进化，企业获得的就不只是效率提升，而是一套可规模化复制的智能生产力。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、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。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(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。

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】