在之前几篇文章中，Chaiys同学设计了一个高考信息查询智能助手AI Agent业务场景，分别使用手写代码、LangChain框架、QwenAgent框架、AgentScope框架实现了一次，学习了几大框架如何开发智能体。

在此基础上作者进一步对比它们在业务逻辑编排、大模型调用、工具调用、上下文记忆、多智能体协作等方面的差异，看看框架是否确实能方便我们进行智能体开发。

业务逻辑编排对比

首先回顾一下我们的业务流程：

接下来分别使用手写代码和几种框架来实现这个业务流程逻辑，看看差异所在。

1、手写代码

纯编码时，我们直接根据业务逻辑来串联工作流：

# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    if not table:        print(f"未匹配到字段")        return Result.error()    table_struct = [t["table_info"] for t in table]    prompt = f"""            你是一个MySQL专家。根据以下表结构信息：            {table_struct}            历史问答（仅供参考）："{mm.get_messages(session_id)}"                        用户查询："{user_query}"            生成标准MYSQL查询语句。            要求：            1. 只输出MYSQL语句，不要额外解释            2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须            3. 给生成的字段取一个简短的中文名称            输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1 from dual]        """    print(f"SQL AGENT PROMPT={prompt}")    # 2. 大模型生成SQL    str1 = analysisService.analysis(prompt)    sql = re.search(r'\[(.*?)\]', str1, re.DOTALL).group(1).strip()    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()    resultSet = queryService.query_with_column(sql)    if not resultSet:        print("\nSQL查询失败")        return Result.error()    return Result.success(data={ "tableStruct": table_struct, "resultSet": resultSet, "sql": sql })# analysis agentdef analysis_agent(user_query, data):    # 基础分析    prompt = f"""                根据以下表结构信息：                {data['tableStruct']}                                查询SQL：                {data['sql']}                                和以下数据信息：                {data['resultSet']}                历史问答（仅供参考）："{mm.get_messages(session_id)}"                                用户查询："{user_query}"                生成一段简要分析，加上一些预测总结的内容            """    print(f"ANALYSIS AGENT PROMPT={prompt}")    return Result.success(analysisService.analysis(prompt))def workflow(user_input):    # 1 - SQL Agent    result = sql_agent(user_input)    if not result.success:        returnNone    # 2 - Analysis Agent    return analysis_agent(user_input, result.data)

2、LangChain框架

使用LangChain框架的Chain模式时，可以手动串联业务流程逻辑：

# 构建顺序链overall_chain = SequentialChain(    chains=[        TransformChain(            input_variables=["user_query"],            output_variables=["table_schema"],            transform=get_table_schema        ),        TransformChain(            input_variables=["user_query", "table_schema"],            output_variables=["sql_result", "generated_sql"],            transform=execute_sql        ),        analysis_chain    ],    input_variables=["user_query"],    output_variables=["analysis_result"],    verbose=True)

LangChain 已经发展出丰富的 Chain 类型，用于构建复杂、模块化的 LLM 应用，这里就不一一介绍了。

LangChain框架除了提供Chain模式外，还可以使用的Agent模式来实现，通过提示词来指定业务流程逻辑，然后直接调用工具，如下：

# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate")def chat(user_query):    print("执行方法chat")    # 更明确的指令    enhanced_query = f"""    问题：{user_query}    请特别注意：这个问题可能需要从多个表中查询数据。    1. 首先确定需要查询哪些数据    2. 使用match_metadata工具分别匹配包含这些数据的表结构    3. 对每个表生成相应的SQL查询语句    4. 执行查询并汇总结果    5. 最后计算并给出答案    请确保逐步执行，不要跳过任何步骤。    """    try:        result = agent.run(enhanced_query)        print(f"\n最终结果: {result}")    except Exception as e:        print(f"执行过程中出错: {str(e)}")        # 这里可以添加重试或更详细的错误处理逻辑

3、QwenAgent框架

QwenAgent框架则只能通过提示词方式指定业务流程逻辑，然后直接调用Assistant等待用户输入：

# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    system_message="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    function_list=[MatchMetadataTool(), ExecuteSQLTool()],)

4、AgentScope框架

AgentScope框架中支持单体Agent模式，将工具提供给框架，再通过提示词来指定业务流程逻辑：

async def interactive_react_agent() -> None:    """创建一个支持多轮对话的ReAct智能体。"""    # 准备工具    toolkit = Toolkit()    toolkit.register_tool_function(match_metadata)    toolkit.register_tool_function(execute_sql)    jarvis = ReActAgent(        name="Jarvis",        sys_prompt="""            你是一个数据分析助手，负责帮助用户查询数据库信息。            请特别注意：用户的问题可能需要从多个表中查询数据。            1. 首先确定需要查询哪些数据            2. 使用match_metadata工具分别匹配包含这些数据的表结构            3. 对每个表生成相应的SQL查询语句            4. 执行查询并汇总结果            5. 最后计算并给出答案            请确保逐步执行，不要跳过任何步骤。        """,        model=OllamaChatModel(            model_name="qwen3:32b",  # 指定模型名称            stream=True,  # 根据需要设置是否流式输出            enable_thinking=True,  # 为Qwen3启用思考功能（可选）            # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定        ),        formatter=OllamaChatFormatter(),        toolkit=toolkit,        memory=InMemoryMemory(),    )

小结

手写代码需人工串联各个步骤，灵活但开发成本高，维护复杂。各框架则提供了丰富的链（Chain）或Agent模式，支持流程模块化、工具调用自动化，极大提升开发效率和可维护性。

模型调用对比

接下来看看手写代码和使用开发框架，都是如何调用大模型的，如何处理大模型的流式输出的。

1、手写代码

通过HTTP方式调用外部大模型示例：

import requests# Analysis APIclass AnalysisService:    def __init__(self):        self.ollama_host = "http://localhost:11434/api/chat"    def analysis(self, prompt, model="deepseek-r1:32b", messages=None):        # 发送POST请求        if messages isNone:            messages = []        str = ""        newMessages = messages[:]        newMessages.append({"role": "user", "content": prompt})        # 请求数据        data = {            "model": model,            "messages": newMessages,            "stream": True        }        isThinking = False        with requests.post(self.ollama_host, json=data, stream=True) as response:            # 处理流式响应            for line in response.iter_lines():                if line:                    decoded_line = line.decode('utf-8')                    try:                        # 解析JSON数据                        chunk = json.loads(decoded_line)                        content = chunk['message']['content']                        if"<think>"in content:                            isThinking = True                        if"</think>"in content:                            isThinking = False                        ifnot isThinking and"</think>"notin content:                            str += chunk['message']['content']                        # 打印消息内容                        print(chunk['message']['content'], end='', flush=True)                    except json.JSONDecodeError:                        print(f"无法解析JSON: {decoded_line}")        return str

使用官方或社区封装的 Python 包（如 ollama 包）调用示例：

import ollama# 调用模型生成回复，流式输出for chunk in ollama.chat(    model='deepseek-r1:32b',    messages=[{'role': 'user', 'content': '讲一个笑话'}],    stream=True):    print(chunk['message']['content'], end='', flush=True)

2、LangChain框架

LangChain内部集成支持多种类型的模型调用，以下列举部分：

3、QwenAgent框架

QwenAgent内部集成支持通用HTTP方式调用大模型：

...# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    ...

4、AgentScope框架

AgentScope内部集成多模型支持：

小结

手写代码通常直接调用HTTP接口或使用官方SDK，需自行处理流式输出的循环响应和异常。而几种开发框架都内置对多种模型的统一封装，只要简单配置即可，简化了调用过程，提升了稳定性和扩展性。

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

工具调用对比

现在AI Agent中调用工具Tools已经是典型场景了，所以接下来对这块做个对比分析。

1、手写代码

需要手动调用外部工具：

...# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    ...    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()        resultSet = queryService.query_with_column(sql)    ...

2、LangChain框架

Agent模式初始化传入tools即可：

# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate",    memory=memory)

3、QwenAgent框架

Agent模式初始化传入tools即可：

# 创建Agent实例agent = Assistant(    name='ai_agent_assistant',    llm={        'model': 'qwen3:32b',        'model_server': 'http://localhost:11434/v1',    },    system_message="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    function_list=[MatchMetadataTool(), ExecuteSQLTool()],)

需要处理一下流式输出结果，获取文本内容：

def read_steam_response(response_generator):    # 处理生成器响应    full_response = ''    start = 0    end = 0    for response in response_generator:        # 检查响应类型并适当处理        if isinstance(response, list):            # 如果是列表，提取内容            for item in response:                ifisinstance(item, dict) and'content'in item:                    full_response = item['content']                    end = full_response.__len__()                elifisinstance(item, str):                    full_response = item                    end = full_response.__len__()        elif isinstance(response, dict) and'content'in response:            full_response = response['content']            end = full_response.__len__()        elif isinstance(response, str):            full_response = response            end = full_response.__len__()        print(f"{full_response[start:end]}", end="")        start = end    return full_response

4、AgentScope框架

Agent模式初始化传入tools即可：

# 准备工具toolkit = Toolkit()toolkit.register_tool_function(match_metadata)toolkit.register_tool_function(execute_sql)jarvis = ReActAgent(    name="Jarvis",    sys_prompt="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    model=OllamaChatModel(        model_name="qwen3:32b",  # 指定模型名称        stream=True,  # 根据需要设置是否流式输出        enable_thinking=True,  # 为Qwen3启用思考功能（可选）        # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定    ),    formatter=OllamaChatFormatter(),    toolkit=toolkit,    memory=InMemoryMemory(),)

小结

手写开发中需显式调用语义检索、SQL查询等工具，几种框架都支持通过工具注册机制自动完成调用与路由，降低耦合并增强复用。

上下文记忆对比

在AI Agent实践过程中，如果需要实现多轮对话，就会碰到上下文记忆的处理，所以接下来对这块做个对比。

1、手写代码

这种模式需要手写代码来管理上下文消息：

import threadingfrom dataclasses import dataclassfrom typing importList, Dict, Any@dataclassclass Message:    role: str# "system", "user", "assistant"    content: str    def to_dict(self) -> Dict[str, str]:        return {"role": self.role, "content": self.content}class MessageManager:    def __init__(self, max_history: int = 10):        """        初始化消息管理器        :param max_history: 每个 session 最多保留的历史消息数量（不包括 system 消息）        """        self.max_history = max_history        self._sessions: Dict[str, Dict[str, Any]] = {}        self._lock = threading.Lock()  # 保证线程安全    def set_system_message(self, session_id: str, content: str) -> None:        """为指定 session 设置 system 消息（会覆盖旧的）"""        with self._lock:            if session_id notinself._sessions:                self._sessions[session_id] = {                    "system": None,                    "history": []  # 只存 user/assistant 对话                }            self._sessions[session_id]["system"] = Message(role="system", content=content)    def add_user_message(self, session_id: str, content: str) -> None:        """添加用户消息"""        self._add_message(session_id, "user", content)    def add_assistant_message(self, session_id: str, content: str) -> None:        """添加助手回复"""        self._add_message(session_id, "assistant", content)    def _add_message(self, session_id: str, role: str, content: str) -> None:        with self._lock:            if session_id notin self._sessions:                self._sessions[session_id] = {                    "system": None,                    "history": []                }            history = self._sessions[session_id]["history"]            history.append(Message(role=role, content=content))            # 限制历史长度（只保留最近的 max_history 条 user/assistant 消息）            if len(history) > self.max_history * 2:  # 每轮对话含 user + assistant                # 保留最后 max_history * 2 条                self._sessions[session_id]["history"] = history[-(self.max_history * 2):]    def get_messages(self, session_id: str) -> List[Dict[str, str]]:        """获取可用于 Ollama /api/chat 的 messages 列表"""        with self._lock:            session = self._sessions.get(session_id)            if not session:                return []            messages = []            # 添加 system 消息（如果有）            if session["system"]:                messages.append(session["system"].to_dict())            # 添加历史对话            for msg in session["history"]:                messages.append(msg.to_dict())            return messages    def clear_session(self, session_id: str) -> None:        """清除指定 session 的所有消息"""        with self._lock:            self._sessions.pop(session_id, None)    def list_sessions(self) -> List[str]:        """列出所有 session ID"""        with self._lock:            returnlist(self._sessions.keys())    def delete_session(self, session_id: str) -> bool:        """删除 session，返回是否删除成功"""        with self._lock:            if session_id inself._sessions:                del self._sessions[session_id]                return True            return False

调用时手动传入：

# sql agentdef sql_agent(user_query):    # 1. 语义匹配    table = semanticService.hybrid_search(user_query, 1)    if not table:        print(f"未匹配到字段")        return Result.error()    table_struct = [t["table_info"] for t in table]    prompt = f"""            你是一个MySQL专家。根据以下表结构信息：            {table_struct}            历史问答（仅供参考）："{mm.get_messages(session_id)}"                        用户查询："{user_query}"            生成标准MYSQL查询语句。            要求：            1. 只输出MYSQL语句，不要额外解释            2. 根据语义和字段类型，使用COUNT/SUM/AVG等聚合函数进行计算，非必须            3. 给生成的字段取一个简短的中文名称            输出格式：使用[]包含sql文本即可，不需要其他输出，便于解析，例如:[select 1 from dual]        """    print(f"SQL AGENT PROMPT={prompt}")    # 2. 大模型生成SQL    str1 = analysisService.analysis(prompt)    sql = re.search(r'\[(.*?)\]', str1, re.DOTALL).group(1).strip()    # 3. 执行查询    if not sql:        print("\nSQL生成失败")        return Result.error()    resultSet = queryService.query_with_column(sql)    if not resultSet:        print("\nSQL查询失败")        return Result.error()    return Result.success(data={ "tableStruct": table_struct, "resultSet": resultSet, "sql": sql })# analysis agentdef analysis_agent(user_query, data):    # 基础分析    prompt = f"""                根据以下表结构信息：                {data['tableStruct']}                                查询SQL：                {data['sql']}                                和以下数据信息：                {data['resultSet']}                历史问答（仅供参考）："{mm.get_messages(session_id)}"                                用户查询："{user_query}"                生成一段简要分析，加上一些预测总结的内容            """    print(f"ANALYSIS AGENT PROMPT={prompt}")    return Result.success(analysisService.analysis(prompt))

2、LangChain框架

Agent模式指定：

# 记忆memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)# 初始化Agentagent = initialize_agent(    tools=[semantic_tool, sql_tool],    llm=llm,    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,    verbose=True,    handle_parsing_errors=True,    max_iterations=10,  # 增加最大迭代次数以支持多步查询    early_stopping_method="generate",    memory=memory)

除了上面用到的 ConversationBufferMemory，LangChain还提供了多种Memory组件，以适应不同场景的需求。可以根据具体情况选择：

注意确认Agent类型兼容性：在选用Memory前，请确认你使用的AgentType 支持Memory功能。例如，ZERO_SHOT_REACT_DESCRIPTION 默认不支持记忆，而CONVERSATIONAL_REACT_DESCRIPTION则专为多轮对话设计。

注意上下文长度：为Agent添加记忆会占用模型的上下文窗口。如果对话很长，考虑使用Conversation Summary Memory或Conversation Buffer Window Memory来避免超出限制。

调试工具：将 verbose 参数设为 True，可以在控制台看到详细的决策过程，有助于观察Memory是否正常工作。

3、QwenAgent框架

Agent模式的Assistant类不支持，需要手动管理：

def analysis(user_query):    try:        # 运行Agent        messages = mm.get_messages(session_id) + [{'role': 'user', 'content': user_query}]        response_generator = agent.run(messages=messages)        # 处理生成器响应        full_response = ''        start = 0        end = 0        for response in response_generator:            # 检查响应类型并适当处理            ifisinstance(response, list):                # 如果是列表，提取内容                for item in response:                    ifisinstance(item, dict) and'content'in item:                        full_response = item['content']                        end = full_response.__len__()                    elifisinstance(item, str):                        full_response = item                        end = full_response.__len__()            elifisinstance(response, dict) and'content'in response:                full_response = response['content']                end = full_response.__len__()            elifisinstance(response, str):                full_response = response                end = full_response.__len__()            print(f"{full_response[start:end]}", end="")            start = end        print(f"最终结果: {full_response}")        # 缓存历史对话        if full_response:            mm.add_user_message(session_id, user_query)            mm.add_assistant_message(session_id, full_response)        return full_response    except Exception as e:        print(f"执行过程中出错: {str(e)}")        # 这里可以添加重试或更详细的错误处理逻辑        return f"错误: {str(e)}"

4、AgentScope框架

Agent初始化指定对应类型即可：

jarvis = ReActAgent(    name="Jarvis",    sys_prompt="""        你是一个数据分析助手，负责帮助用户查询数据库信息。        请特别注意：用户的问题可能需要从多个表中查询数据。        1. 首先确定需要查询哪些数据        2. 使用match_metadata工具分别匹配包含这些数据的表结构        3. 对每个表生成相应的SQL查询语句        4. 执行查询并汇总结果        5. 最后计算并给出答案        请确保逐步执行，不要跳过任何步骤。    """,    model=OllamaChatModel(        model_name="qwen3:32b",  # 指定模型名称        stream=True,  # 根据需要设置是否流式输出        enable_thinking=True,  # 为Qwen3启用思考功能（可选）        # host="http://localhost:11434" # 如果Ollama不在默认地址，需指定    ),    formatter=OllamaChatFormatter(),    toolkit=toolkit,    memory=InMemoryMemory(),)

小结

手写代码需自行实现消息管理和上下文传递，工作量大且需要手动维护。框架提供多样化记忆组件，支持对话上下文的灵活管理，适配不同对话场景，有效提升对话质量。

1. 多智能体协作对比

自从Google提出A2A协议，多智能体协作已经成为业界实践过程的热点，为进一步对比手写代码和开发框架在多Agent协作上的区别，我们将本案例的程序设计拆分为以下两个Agent：

1、SQL Agent

• 调用外部语义检索(RAG)API匹配元数据
• 调用大模型根据元数据和用户提问生成查数SQL
• 调用查数API查询数据

2、Analysis Agent

• 调用大模型分析数据回答问题

1、手写代码

需要手动串联多个Agent调用，消息格式自定义传递：

...def workflow(user_input):    # 1 - SQL Agent    result = sql_agent(user_input)    if not result.success:        return None    # 2 - Analysis Agent    return analysis_agent(user_input, result.data)    ...

2、LangChain框架

原生仅支持单体Agent，多Agent需要手动串联，实现类似手写代码。

3、QwenAgent框架

原生仅支持单体Agent，多Agent需要手动串联，实现类似同手写代码。

4、AgentScope框架

基于AgentScope框架，我们可以把 SQLAgent 和 AnalysisAgent 封装为 两个智能体（均继承 AgentBase），然后两个智能体的协作使用顺序管道sequential_pipeline来串联，实现“多智能体任务流转”。

AgentScope 中的主要管道类型包括：

这几种管道协作模式，具体实践敬请期待下篇文章分享。

小结

手写代码多为线性调用，缺乏并行和复杂调度能力。AgentScope框架支持多Agent并行、条件分支、消息广播等复杂管道模式，适合构建复杂的多智能体协作系统。其他框架都需要手动组合实现。

1. 对比总结

通过以上对比来看，在日常智能体开发中，尤其是需要多轮对话、实现多工具调用和多智能体协作时，几种开发框架确实提供了极大的便利和扩展能力，大幅降低开发门槛和维护成本，而手写代码则适合高度定制化需求，灵活性最高。

选型建议

🔹 LangChain：适合你搭建任何单体智能体系统（RAG、SQL、工具调用）。

🔹 Qwen-Agent：适合快速构建“基于 Qwen 模型”的问答或助手。

🔹 AgentScope：适合研究或实现多智能体协作系统（Planner、Coder、Critic 等角色联动）。

🔹 手写代码：高度定制化开发，当我们的手写代码逐步抽象完善，使用的频率多了，就成了框架！

本文总结：本文通过设计高考信息查询智能助手的业务场景，分别采用手写代码和主流智能体框架（LangChain、QwenAgent、AgentScope）进行了实现与比较。我们从业务流程编排、模型调用、工具集成、上下文记忆管理以及多智能体协作等多个维度进行深入分析，对比手写代码与框架调用的异同。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​