本文是一篇关于如何构建一个极简ReAct Agent的实践教程，使用Java语言实现。文章通过一个200行代码的示例，帮助读者深入理解ReAct模式中的“思考 - 行动 - 观察”循环机制，并借助实际场景（如补货计划单审批）演示了Agent的工作流程。此外，作者还分享了代码运行方式、核心思路及具体的执行过程，便于读者动手实践与调试。

01.前言

之前听说过ReAct Agent，也看过它的原理图，但Thought、Action、Observation到底代表什么，以及它们是如何实现的，并没有深入理解过。今天我们就来动手实践下，一步步弄清ReAct的核心思想和关键实现。

02.核心思想

ReAct核心就是“思考(Thought) - 行动(Action) - 观察(Observation)”的循环，用伪代码表示：

while (true) {  // 1、（Thought）大模型调用，根据大模型输出，判断是否需要工具调用，调用哪个工具，入参是什么    if(无需工具调用) {    break;  }
    // 2、（Action）工具调用
    // 3、（Observation）拿到工具调用的执行结果，追加到prompt中，回到1，进行下一轮LLM调用}

03.代码实现

核心代码

public class ReActAgent {
    private static final String AGENT_ACTION_TEMPLATE = "工具名称，必须是[{0}]中的一个";
        // 在AI平台（如百炼、coze等）上，需要先注册工具，然后创建agent时关联工具，这样系统会自动帮你拼接到Prompt中了    // 此次作为demo，手写写死    private static final List<Tool> TOOLS = Arrays.asList(            // 工具1：查询补货计划单详情            Tool.builder()                    .name("查询补货计划单详情")                    .desc("根据补货计划单号查询补货计划单详情")                    .parameters(Collections.singletonList(                            Tool.Parameter.builder()                                    .name("orderCode")                                    .desc("补货计划单号")                                    .type("string")                                    .required(true)                                    .build()                    ))                    .build(),            // 工具2：审批补货计划单            Tool.builder()                    .name("审批补货计划单")                    .desc("根据补货计划单号审批补货计划单")                    .parameters(Collections.singletonList(                            Tool.Parameter.builder()                                    .name("orderCode")                                    .desc("补货计划单号")                                    .type("string")                                    .required(true)                                    .build()                    ))                    .build()    );

这份完整版的大模型 AI 学习和面试资料已经上传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】

    private static final String USER_PROMPT =            "# 角色设定\n" +                    "你是一位经验丰富的供应链智能助理，专注于补货计划单的审批，具备如下技能：\n" +                    "\n" +                    "## 技能1：从上下文提取补货计划单号\n" +                    "1. 识别用户提供的文本中的补货计划单号；\n" +                    "\n" +                    "## 技能2：查询补货计划单详情并审批\n" +                    "1. 根据提取到的单号查询补货计划单的状态；\n" +                    "2. 如果是待审批状态，则调用审批工具进行审批；\n" +                    "3. 如果不是待审批状态，则告知用户该状态无法进行审批。\n" +                    "\n" +                    "## 行为准则\n" +                    "- 只讨论与供应链管理和补货计划单审批相关的话题；\n" +                    "- 回复时根据内容选择最合适的展现方式；"            ;
    public static void main(String[] args) {        if (args.length != 1) {            System.out.println("ak未配置，结束!");            return;        }
        // LLM的AK，注意不要泄露，不要泄露，不要泄露        String ak = args[0];
        // 创建 Scanner 对象用于接收用户输入        Scanner scanner = new Scanner(System.in);                // 多轮会话的记忆        Memory memory = new Memory();                System.out.println("请提问，开始和AI的对话吧");                // 循环逻辑        while (true) {            // 接收用户输入            String input = scanner.nextLine();            System.out.println("用户输入：" + input);                        // 判断是否满足退出条件            if ("exit".equalsIgnoreCase(input)) {                System.out.println("检测到退出指令，对话结束！");                break; // 满足条件时退出循环            }                        // reAct            StringBuilder latestInput = new StringBuilder(input);            String output = reAct(ak, memory, latestInput);            System.out.println("AI输出: " + output);                        memory.add(new Memory.ChatMsg(Memory.ChatMsg.USER, input));            memory.add(new Memory.ChatMsg(Memory.ChatMsg.AI, output));                        // 开始下一轮对话        }                // 关闭 Scanner        scanner.close();    }        private static String reAct(String ak, Memory memory, StringBuilder latestInput) {        while (true) {            String prompt = prompt(USER_PROMPT, TOOLS, memory, latestInput);            String llmResult = LLM.llm(prompt, ak);                        /**             * 可能的结果             *             * Thought: 已收到补货计划单号，现需查询补货计划单详情。             * Action: 查询补货计划单详情             * Action Input: {"orderCode": "BH002"}             *             * Thought: 当前补货计划单处于待审批状态，可以进行审批操作。             * Action: 审批补货计划单             * Action Input: {"orderCode": "BH002"}             *             * 1、通过Action，可以判断要调用哪个工具             * 2、通过Action Input，知道工具入参是什么             *             * 此处仅做示例，因此：             * 1、大模型返回比较玄学，正确解析是个麻烦事，demo中Action解析逻辑写的比较简单，Action Input就不解析了             * 2、工具调用用本地函数做示例，真实场景会调用RPC接口（如Dubbo等）、HTTP等             */            // llm判断要调用工具：查询补货计划单详情            if (isQueryPlanOrderAction(llmResult)) {                String toolResult = JSON.toJSONString(queryPlanOrder(null));                // 所谓的observation就是观察工具执行的结果，最终会追加到下一次llm调用的Prompt中                String observataion = toolResult;                latestInput.append("\n").append(llmResult)                        .append("\n").append("Observation: ").append(observataion);            }            // llm判断要调用工具：审批补货计划单            else if (isAuditPlanOrderAction(llmResult)) {                String toolResult = JSON.toJSONString(auditPlanOrder(null));                // 所谓的observation就是观察工具执行的结果，最终会追加到下一次llm调用的Prompt中                String observataion = toolResult;                latestInput.append("\n").append(llmResult)                        .append("\n").append("Observation: ").append(observataion);            }            // 无需工具调用，本轮对话结束，回复用户            else {                return llmResult;            }        }    }        private static String prompt(String userPrompt, List<Tool> tools, Memory memory, StringBuilder latestInput) {        String prompt =                "${{user_prompt}}\n" +                        "---------------------\n" +                        "# 工具列表\n" +                        "${{tool_definitions}}\n" +                        "\n" +                        "使用如下格式：\n" +                        "Thought: 思考并确定下一步的最佳行动方案\n" +                        "Action: ${{agent_action}}\n" +                        "Action Input: 工具参数，必须是 JSON 对象\n" +                        "Observation: 工具执行结果\n" +                        "... (Thought/Action/Action Input/Observation 可以重复N次)\n" +                        "\n" +                        "注意：\n" +                        "- 不使用工具时，回复中不要出现 Thought、Action、Action Input；\n" +                        "- 使用工具前，先检查是否缺少必要参数，缺少必要参数时直接向用户提问，不要出现 Thought、Action、Action Input；\n" +                        "- 工具执行遇到问题时，向用户寻求帮助；\n" +                        "- 需要执行同一个工具多次时，Action Input 可以出现多次；\n" +                        "\n" +                        "---------------------\n" +                        "# 对话记录\n" +                        "${{history_record}}\n" +                        "\n" +                        "# 最新输入\n" +                        "${{latest_input}}";                prompt = prompt.replace("${{user_prompt}}", userPrompt);        prompt = prompt.replace("${{tool_definitions}}", JSON.toJSONString(tools));        prompt = prompt.replace("${{agent_action}}", MessageFormat.format(AGENT_ACTION_TEMPLATE, TOOLS.stream().map(Tool::getName).collect(Collectors.joining(","))));        prompt = prompt.replace("${{history_record}}", memory.getAll());        prompt = prompt.replace("${{latest_input}}", latestInput.toString());                return prompt;    }        /**     * 工具1：查询补货计划单详情      * 一般对应我们的RPC接口（如Dubbo等），需要提前在AI平台上注册成工具。会通过泛化调用过去     */    private static PlanOrder queryPlanOrder(String orderCode) {        PlanOrder order = new PlanOrder();        order.setOrderCode(orderCode);        // 可审批的状态        order.setStatus("待审批");        return order;    }        /**     * 工具2：审批补货计划单      * 一般对应我们的RPC接口（如Dubbo等），需要提前在AI平台上注册成工具。会通过泛化调用过去     */    private static AuditResult auditPlanOrder(String orderCode) {        return new AuditResult("审批成功", true);    }        private static boolean isQueryPlanOrderAction(String llmResult) {        return llmResult.contains("Action") && llmResult.contains("查询补货计划单详情");    }        private static boolean isAuditPlanOrderAction(String llmResult) {        return llmResult.contains("Action") && llmResult.contains("审批补货计划单");    }}

其他

// 工具@Data@Builderpublic class Tool {    private String name;    private String desc;    private List<Parameter> parameters;        @Data    @Builder    public static class Parameter {        private String name;        private String desc;        private String type;        private Boolean required;        private List<Parameter> properties;    }}
// 记忆@Datapublic class Memory {    private List<ChatMsg> memories = new ArrayList<>();        public void add(ChatMsg chatMsg) {        memories.add(chatMsg);    }        public String getAll() {        StringBuilder sb = new StringBuilder();        for (ChatMsg chatMsg : memories) {            sb.append(chatMsg.getRole()).append(": \n").append(chatMsg.getMsg()).append("\n");        }        return sb.toString();    }        @Data    public static class ChatMsg {        public static final String USER = "用户";        public static final String AI = "AI";                public String role;        public String msg;                public ChatMsg(String role, String msg) {            this.role = role;            this.msg = msg;        }    }}
// 大模型调用，这里可替换成千问、OpenAI等的调用public class LLM {        private static final String model = "你的模型名称";        @Data    static class GearsAIResult {        private List<GearsAIChoice> choices;        // 省略usage    }        @Data    static class GearsAIChoice {        private GearsAIMessage message;        private Integer index;        @JSONField(name = "finish_reason")        private String finish_reason;    }        @Data    static class GearsAIMessage {        private String role;        private String content;    }        public static String llm(String prompt, String ak) {                OkHttpClient.Builder builder = new OkHttpClient.Builder();        builder.connectTimeout(60, TimeUnit.SECONDS);   // 设置连接超时时间为60秒        builder.readTimeout(120, TimeUnit.SECONDS);     // 设置读取超时时间为120秒        builder.writeTimeout(60, TimeUnit.SECONDS);     // 设置写入超时时间为60秒        OkHttpClient client = builder.build();                MediaType mediaType = MediaType.parse("application/json; charset=utf-8");        JSONObject reqData = new JSONObject();        reqData.put("model", model);                JSONObject reqBody = new JSONObject();        reqBody.put("role", "user");        reqBody.put("content", prompt);        reqData.put("messages", Collections.singletonList(reqBody));                RequestBody body = RequestBody.create(mediaType, reqData.toJSONString());                // 创建请求        Request request = new Request.Builder()                .url("https://你的API地址/api/openai/v1/chat/completions")                .header("Authorization", "Bearer " + ak) // 增加请求头属性                .post(body) // 添加请求体                .build();                // 同步请求，demo没用流式        try {            Response response = client.newCall(request).execute();            if (!response.isSuccessful()) {                throw new RuntimeException("req llm exception, res : " + response.toString());            }                        String res = response.body().string();            GearsAIResult gearsAIResult = JSON.parseObject(res, GearsAIResult.class);                        return Optional.ofNullable(gearsAIResult)                    .map(GearsAIResult::getChoices)                    .map(e -> e.get(0))                    .map(GearsAIChoice::getMessage)                    .map(GearsAIMessage::getContent)                    .orElseThrow(() -> new RuntimeException("调用llm异常"));                } catch (Exception e) {            throw new RuntimeException(e);        }    }}
// 补货计划单模型@Datapublic class PlanOrder {    private String orderCode;    private String status;}
// 审批结果@Datapublic class AuditResult {    private String data;    private Boolean success;        public AuditResult(String data, Boolean success) {        this.data = data;        this.success = success;    }}

04.示例场景

以补货计划单催审场景为例，商家创建了一个补货计划单，来催小二审批。小二通过某些决策判断能不能审批通过。现在AI变成了小二的角色，商家找AI催审。

我们将这个场景进行简化，变成demo中的样子：

工具：

• 查询补货计划单详情

• 审批补货计划单

05.执行过程

执行效果

第1轮对话（1次LLM调用）

用户输入：

帮我审批下补货计划单

对应的prompt：​​​​​​​

# 角色设定你是一位经验丰富的供应链智能助理，专注于补货计划单的审批，具备如下技能：
## 技能1：从上下文提取补货计划单号1. 识别用户提供的文本中的补货计划单号；
## 技能2：查询补货计划单详情并审批1. 根据提取到的单号查询补货计划单的状态；2. 如果是待审批状态，则调用审批工具进行审批；3. 如果不是待审批状态，则告知用户该状态无法进行审批。
## 行为准则- 只讨论与供应链管理和补货计划单审批相关的话题；- 回复时根据内容选择最合适的展现方式；---------------------# 工具列表[{"desc":"根据补货计划单号查询补货计划单详情","name":"查询补货计划单详情","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]},{"desc":"根据补货计划单号审批补货计划单","name":"审批补货计划单","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]}]
使用如下格式：Thought: 思考并确定下一步的最佳行动方案Action: 工具名称，必须是[查询补货计划单详情,审批补货计划单]中的一个Action Input: 工具参数，必须是 JSON 对象Observation: 工具执行结果... (Thought/Action/Action Input/Observation 可以重复N次)
注意：- 不使用工具时，回复中不要出现 Thought、Action、Action Input；- 使用工具前，先检查是否缺少必要参数，缺少必要参数时直接向用户提问，不要出现 Thought、Action、Action Input；- 工具执行遇到问题时，向用户寻求帮助；- 需要执行同一个工具多次时，Action Input 可以出现多次；
---------------------# 对话记录

# 最新输入帮我审批下补货计划单

大模型输出：

对不起，由于我还没有接收到具体的补货计划单号，无法执行审批。请您告诉我具体的补货计划单号，并确保其状态为待审批下。

由于大模型判断不需要调用工具，因此直接把这句话返回给用户。

Agent输出：

对不起，由于我还没有接收到具体的补货计划单号，无法执行审批。请您告诉我具体的补货计划单号，并确保其状态为待审批下。

第2轮对话（3次LLM调用）

用户输入：

单号是：BH001

对应prompt：​​​​​​​

# 角色设定你是一位经验丰富的供应链智能助理，专注于补货计划单的审批，具备如下技能：
## 技能1：从上下文提取补货计划单号1. 识别用户提供的文本中的补货计划单号；
## 技能2：查询补货计划单详情并审批1. 根据提取到的单号查询补货计划单的状态；2. 如果是待审批状态，则调用审批工具进行审批；3. 如果不是待审批状态，则告知用户该状态无法进行审批。
## 行为准则- 只讨论与供应链管理和补货计划单审批相关的话题；- 回复时根据内容选择最合适的展现方式；---------------------# 工具列表[{"desc":"根据补货计划单号查询补货计划单详情","name":"查询补货计划单详情","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]},{"desc":"根据补货计划单号审批补货计划单","name":"审批补货计划单","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]}]
使用如下格式：Thought: 思考并确定下一步的最佳行动方案Action: 工具名称，必须是[查询补货计划单详情,审批补货计划单]中的一个Action Input: 工具参数，必须是 JSON 对象Observation: 工具执行结果... (Thought/Action/Action Input/Observation 可以重复N次)
注意：- 不使用工具时，回复中不要出现 Thought、Action、Action Input；- 使用工具前，先检查是否缺少必要参数，缺少必要参数时直接向用户提问，不要出现 Thought、Action、Action Input；- 工具执行遇到问题时，向用户寻求帮助；- 需要执行同一个工具多次时，Action Input 可以出现多次；
---------------------# 对话记录用户: 帮我审批下补货计划单AI: 对不起，由于我还没有接收到具体的补货计划单号，无法执行审批。请您告诉我具体的补货计划单号，并确保其状态为待审批下。

# 最新输入单号是：BH001

大模型输出：​​​​​​​

Thought: 用户提供了补货计划单号，我应该先查询该单号的补货计划单详情，看看该单的状态是否可以进行审批。Action: 查询补货计划单详情Action Input: {"orderCode": "BH001"}

经过用户的2次输入，大模型提取到了补货计划单号。并思考出了下一步该调用【查询补货计划单详情】这个工具，且入参是：{"orderCode": "BH001"}。这个过程就是Thought。

我们自己调用这个工具，工具输出：

{"status":"待审批"}

这个步骤就是Action。

现在，在prompt中加入工具调用的结果，这就是Observation。然后进入下一轮大模型调用，对应prompt:​​​​​​​

# 角色设定你是一位经验丰富的供应链智能助理，专注于补货计划单的审批，具备如下技能：
## 技能1：从上下文提取补货计划单号1. 识别用户提供的文本中的补货计划单号；
## 技能2：查询补货计划单详情并审批1. 根据提取到的单号查询补货计划单的状态；2. 如果是待审批状态，则调用审批工具进行审批；3. 如果不是待审批状态，则告知用户该状态无法进行审批。
## 行为准则- 只讨论与供应链管理和补货计划单审批相关的话题；- 回复时根据内容选择最合适的展现方式；---------------------# 工具列表[{"desc":"根据补货计划单号查询补货计划单详情","name":"查询补货计划单详情","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]},{"desc":"根据补货计划单号审批补货计划单","name":"审批补货计划单","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]}]
使用如下格式：Thought: 思考并确定下一步的最佳行动方案Action: 工具名称，必须是[查询补货计划单详情,审批补货计划单]中的一个Action Input: 工具参数，必须是 JSON 对象Observation: 工具执行结果... (Thought/Action/Action Input/Observation 可以重复N次)
注意：- 不使用工具时，回复中不要出现 Thought、Action、Action Input；- 使用工具前，先检查是否缺少必要参数，缺少必要参数时直接向用户提问，不要出现 Thought、Action、Action Input；- 工具执行遇到问题时，向用户寻求帮助；- 需要执行同一个工具多次时，Action Input 可以出现多次；
---------------------# 对话记录用户: 帮我审批下补货计划单AI: 对不起，由于我还没有接收到具体的补货计划单号，无法执行审批。请您告诉我具体的补货计划单号，并确保其状态为待审批下。

# 最新输入单号是：BH001Thought: 用户提供了补货计划单号，我应该先查询该单号的补货计划单详情，看看该单的状态是否可以进行审批。Action: 查询补货计划单详情Action Input: {"orderCode": "BH001"}Observation: {"status":"待审批"}

大模型输出​​​​​​​

Thought: 根据查询结果，该补货计划单当前是待审批状态，可以进行审批。Action: 审批补货计划单Action Input: {"orderCode": "BH001"}

这次调用【审批补货计划单】的工具，工具输出：

{"data":"审批成功","success":true}

在下一轮大模型调用，此时的prompt中加入了2次工具调用的结果作为Observation，且每次的思考过程也加入了进去，对应prompt：​​​​​​​

# 角色设定你是一位经验丰富的供应链智能助理，专注于补货计划单的审批，具备如下技能：
## 技能1：从上下文提取补货计划单号1. 识别用户提供的文本中的补货计划单号；
## 技能2：查询补货计划单详情并审批1. 根据提取到的单号查询补货计划单的状态；2. 如果是待审批状态，则调用审批工具进行审批；3. 如果不是待审批状态，则告知用户该状态无法进行审批。
## 行为准则- 只讨论与供应链管理和补货计划单审批相关的话题；- 回复时根据内容选择最合适的展现方式；---------------------# 工具列表[{"desc":"根据补货计划单号查询补货计划单详情","name":"查询补货计划单详情","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]},{"desc":"根据补货计划单号审批补货计划单","name":"审批补货计划单","parameters":[{"desc":"补货计划单号","name":"orderCode","required":true,"type":"string"}]}]
使用如下格式：Thought: 思考并确定下一步的最佳行动方案Action: 工具名称，必须是[查询补货计划单详情,审批补货计划单]中的一个Action Input: 工具参数，必须是 JSON 对象Observation: 工具执行结果... (Thought/Action/Action Input/Observation 可以重复N次)
注意：- 不使用工具时，回复中不要出现 Thought、Action、Action Input；- 使用工具前，先检查是否缺少必要参数，缺少必要参数时直接向用户提问，不要出现 Thought、Action、Action Input；- 工具执行遇到问题时，向用户寻求帮助；- 需要执行同一个工具多次时，Action Input 可以出现多次；
---------------------# 对话记录用户: 帮我审批下补货计划单AI: 对不起，由于我还没有接收到具体的补货计划单号，无法执行审批。请您告诉我具体的补货计划单号，并确保其状态为待审批下。

# 最新输入单号是：BH001Thought: 用户提供了补货计划单号，我应该先查询该单号的补货计划单详情，看看该单的状态是否可以进行审批。Action: 查询补货计划单详情Action Input: {"orderCode": "BH001"}Observation: {"status":"待审批"}Thought: 根据查询结果，该补货计划单当前是待审批状态，可以进行审批。Action: 审批补货计划单Action Input: {"orderCode": "BH001"}Observation: {"data":"审批成功","success":true}

大模型输出：

补货计划单BH001已成功审批。有其他补货计划单需要我帮助审批吗？

Agent输出：

补货计划单BH001已成功审批。有其他补货计划单需要我帮助审批吗？

小结：在上述例子中，用户一共说了2句话，Agent回复了2句话，但大模型分别调用了1次、3次。这些数字差异正体现了ReAct的核心原理所在。除了代码debug，大家还可以直接将prompt复制到LLM中去执行，体验一下效果~

06.总结

通过一步步的实现和推演，我们终于认识了 ReAct 的核心——“思考 (Thought) - 行动 (Action) - 观察 (Observation)”循环的真正含义，同时也对 ReAct 的关键实现有了更深入的理解。需要注意的是，作为一个 demo，该实现省略了一些异常处理、工程设计和细节。如果大家感兴趣，可以进一步探索和学习更复杂的实用场景！

07团队介绍

本文作者慕轶，来自淘天集团-供应链技术团队。本团队面向淘天自营业务、中小企业及产业带商家，专注于以技术驱动的供应链创新，致力于打造端到端的智能供应链生态，支撑了诸如天猫超市、天猫国际等全部淘天自营业务。依托淘宝APP亿级流量入口的核心购物场景，通过持续的技术突破与前沿AI科技深度融合，沉淀出GearsAI、供应链数字分身等AI时代研发与运营基础设施，让商家、小二实现更高效、低成本的经营。

08. 如何学习AI大模型？

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。

这份完整版的大模型 AI 学习和面试资料已经上传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】

 

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉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】🆓