如果只是调用一次大模型代码通常并不复杂准备 Prompt发送给模型再拿到返回结果。但当需求变成“先判断问题再查询数据根据结果继续执行必要时调用多个工具并记住前面的信息”单次 LLM 调用就不够了。开发者需要管理模型、工具、上下文、执行状态、异常处理以及整个调用循环。这正是 AI Agent 要解决的问题。LangChain 的作用可以理解为把这些能力组织成一套统一的 Agent 开发框架。理解它不需要先记大量 API先掌握Model、System Prompt、Tools、Agent Loop、State / Memory、Middleware、Structured Output这 7 个概念就能建立完整的认识。一、整体结构AI Agent 可以简单理解为由大模型负责判断下一步做什么并能够使用外部工具持续执行任务的程序。普通 LLM 调用通常是用户输入 → 模型 → 返回结果而 Agent 更接近用户输入 ↓模型判断 ↓是否需要工具 ↓调用工具 ↓获得结果 ↓再次交给模型判断 ↓…… ↓最终答案也就是说两者最大的区别不是有没有 Prompt而是有没有一个持续运行的决策—执行循环。LangChain 当前通过create_agent()提供 Agent 的高层入口。它负责把模型、工具、状态、中间件等组件组装起来底层则使用 LangGraph 的图运行时执行整个 Agent 循环。因此可以把相关层级大致理解为应用程序 ↓LangChain Agent ↓Model / Tools / Middleware / Memory ↓LangGraph RuntimeLangChain 更关注“怎样方便地搭建 Agent”LangGraph 则提供更底层的状态、节点、边和执行能力。理解这个关系之后再看下面 7 个概念就会清楚很多。二、模型与提示词第一个概念是模型Model。模型是 Agent 的决策中心。它负责阅读当前上下文理解用户目标并决定是直接回答还是调用某个工具。LangChain 对不同模型提供了统一接口。例如可以直接通过模型标识创建 Agentfrom langchain.agents import create_agent agent create_agent( modelopenai:gpt-5.5, tools[])也可以先创建具体模型对象再交给 Agent。这样更方便配置温度、超时、Token 数量等参数。和 Model 紧密相关的是第二个概念系统提示词System Prompt。模型决定“怎么思考”System Prompt 则规定“应该按照什么规则工作”。例如agent create_agent( modelopenai:gpt-5.5, tools[], system_prompt你是一个库存管理助手。回答库存问题时必须以系统查询结果为准不得自行猜测库存数量。)这里真正解决的问题不是让 Prompt 写得更长而是明确 Agent 的行为边界。实际项目中模型看到的不只有 System Prompt还包括消息历史、可用工具、当前状态以及输出格式等。这些内容共同构成模型每一次调用时的上下文。LangChain 将这部分工作归入 Context Engineering也就是上下文工程。三、工具与调用第三个概念是工具Tool。LLM 本身主要负责语言理解和生成并不能访问你的数据库、内部 API 或业务系统。如果希望 Agent 查询库存就需要把查询库存的能力包装成 Tool。from langchain.tools import tool tooldef get_stock(product: str) - int: 查询指定商品当前库存数量。 stocks { 机械键盘: 12, 无线鼠标: 5, } return stocks.get(product, 0)这里的函数并不是由开发者直接决定什么时候调用。LangChain 会把工具的名称、参数和描述提供给模型。模型结合用户问题判断是否需要调用以及应该传入什么参数。工具执行后的结果又会重新放回 Agent 上下文让模型继续判断下一步。于是“机械键盘还有库存吗”可能被转换为调用 get_stock(product机械键盘)得到12模型再根据这个结果生成最终回答。这也是 Tool Calling 与普通函数调用的重要区别函数由程序流程决定调用Agent Tool 通常由模型根据当前任务决定是否调用。四、Agent循环第四个概念是Agent Loop。如果只理解 Tool而没有理解 Agent Loop很容易把 Agent 看成“会自动调用函数的聊天机器人”。实际上Agent 最重要的机制是循环执行。一次任务可能经历Model ↓Tool ↓Model ↓Tool ↓Model ↓Final Answer例如用户提出查询机械键盘库存如果超过 10 件告诉我是否可以接一个 8 件的订单。模型第一次并不知道库存因此调用get_stock()。工具返回 12。结果重新进入模型后模型发现12 10同时12 8于是停止工具调用给出最终答案。LangChain 的create_agent()会自动建立这种循环。当模型继续产生 Tool Call 时Agent 执行工具当模型不再要求调用工具并产生最终输出时循环结束。底层执行过程由 LangGraph 管理。这一步实际上把开发者从大量手写流程代码中解放了出来。否则你需要自己处理while True: response call_model() if response.has_tool_call: result execute_tool() append_result(result) else: break而真实项目还会涉及多工具、失败重试、状态保存、调用限制等问题循环很快就会变复杂。五、状态与记忆第五个概念是状态State与记忆Memory。Agent 在执行过程中需要不断保存数据。例如用户说了什么模型返回了什么调用了哪个工具工具返回了什么当前执行到哪一步这些数据构成 Agent 的 State。LangChain Agent 默认会维护消息状态因此同一次执行过程中模型可以看到前面的 Tool Message 和对话消息。但如果希望第二次调用还能记住第一次的信息就需要持久化。LangChain 的短期记忆以线程为范围可以通过 Checkpointer 保存 Agent State。例如from langgraph.checkpoint.memory import InMemorySaver checkpointer InMemorySaver() agent create_agent( modelopenai:gpt-5.5, tools[get_stock], checkpointercheckpointer)调用时指定同一个thread_idconfig { configurable: { thread_id: user-001 }}同一个线程后续执行时就可以继续读取之前的状态。需要注意State 不等于长期记忆。短期记忆通常服务于当前会话线程如果希望跨会话保存用户偏好、档案或长期知识LangChain 还提供基于 Store 的长期记忆机制。可以简单记成State / Checkpointer→ 当前会话发生了什么 Store→ 跨会话长期保存什么六、中间件机制第六个概念是中间件Middleware。当 Agent 从演示代码进入真实项目后很快会出现新的需求模型失败时自动重试工具调用失败时统一处理调用危险工具前需要审批对敏感信息进行过滤限制最大模型调用次数上下文太长时自动摘要根据任务动态选择模型或工具如果把这些逻辑全部塞进 Tool 或 PromptAgent 会越来越难维护。Middleware 的作用就是在 Agent 生命周期的关键位置插入控制逻辑而不需要改写整个 Agent Loop。例如可以在模型调用前处理上下文在工具执行前检查权限在模型返回后验证结果。LangChain 还提供了多种内置 Middleware包括摘要、Human-in-the-loop、模型调用限制、工具调用限制、重试、PII 检测等。因此可以把它理解成Agent Loop │ ├── before model ├── model ├── after model ├── before / wrap tool ├── tool └── after toolMiddleware 并不是另一个 Agent也不是独立 Runtime而是嵌入 Agent 执行过程中的扩展机制。七、结构化输出第七个概念是结构化输出Structured Output。很多 Agent 教程最后只打印一段自然语言机械键盘目前库存 12 件可以接受 8 件订单。但真实系统往往不能只依赖这句话。前端、数据库或后续业务逻辑可能更希望得到{ product: 机械键盘, stock: 12, can_accept_order: true}这就是 Structured Output 要解决的问题。LangChain 可以通过response_format指定 Pydantic Model、Dataclass、TypedDict 或 JSON Schema让 Agent 最终返回可验证的数据结构。结果会保存在 Agent State 的structured_response中。例如from pydantic import BaseModel class StockDecision(BaseModel): product: str stock: int can_accept_order: bool创建 Agent 时agent create_agent( modelopenai:gpt-5.5, tools[get_stock], response_formatStockDecision)这样 Agent 的最终结果就不再只是供人阅读的文本还能直接参与程序逻辑。这也是开发 Agent 时很容易被忽略的一点自然语言适合人与 Agent 交流结构化数据更适合 Agent 与系统交流。八、完整示例把前面的概念组合起来可以得到一个很小但完整的 Agent。先安装依赖pip install -U langchain langchain-openaiLangChain 当前要求 Python 3.10 及以上不同模型提供商的集成通常安装在独立 Provider Package 中例如 OpenAI 使用langchain-openai。下面实现一个库存 Agentfrom pydantic import BaseModelfrom langchain.agents import create_agentfrom langchain.tools import toolfrom langgraph.checkpoint.memory import InMemorySaver tooldef get_stock(product: str) - int: 查询指定商品当前库存数量。 stocks { 机械键盘: 12, 无线鼠标: 5, } return stocks.get(product, 0) class StockDecision(BaseModel): product: str stock: int can_accept_order: bool agent create_agent( modelopenai:gpt-5.5, tools[get_stock], system_prompt你是库存管理助手。判断是否能够接单时必须先查询实际库存。只有库存数量大于等于订单数量时才能接单。, response_formatStockDecision, checkpointerInMemorySaver(),) result agent.invoke( { messages: [ { role: user, content: 客户想订购 8 个机械键盘可以接单吗 } ] }, { configurable: { thread_id: order-001 } }) print(result[structured_response])运行结果示例输出如下product机械键盘 stock12 can_accept_orderTrue从这个结果可以看到代码本身并没有写get_stock(机械键盘)真正的执行过程是用户提出订单需求↓模型理解任务↓决定调用 get_stock↓Tool 返回 12↓结果写回 Agent State↓模型继续判断↓生成 StockDecision↓Agent Loop 结束Model 负责判断System Prompt 规定规则Tool 获取外部数据Agent Loop 负责持续执行State 保存过程信息Structured Output 则把最终结果转换成程序可直接使用的数据。这几部分组合起来才形成一个完整的 Agent。九、使用边界理解 LangChain 之后还需要避免另一个误区并不是所有 LLM 应用都需要 Agent。如果业务流程完全确定例如读取文件→ 提取文本→ 调用模型总结→ 保存数据库这种流程用普通代码或固定 Workflow 往往更合适。因为每一步都已经由开发者确定没有必要让模型判断下一步。Agent 更适合那些执行路径无法在开发时完全确定的任务例如根据问题决定查询哪个数据源根据搜索结果决定是否继续搜索根据用户意图选择不同工具根据执行结果动态调整下一步如果只需要模型生成文本直接调用 Model 就够了。如果需要模型在有限工具之间自主决策可以使用 LangChain Agent。如果工作流包含大量明确的分支、并行节点、循环和人工审批而且希望精确控制每一步则可以进一步使用更底层的 LangGraph。这种选择比单纯比较哪个框架“更强”更有意义。十、总结本文介绍的 7 个概念我们可以用一条执行链将这些概念串起来System Prompt State ↓ Model ↓决定是否调用 Tool ↓ Tool Result ↓更新 State / Memory ↓Middleware 控制执行过程 ↓继续 Agent Loop ↓Structured Output由此可以看出LangChain 并不是简单地给大模型增加几个工具而是把模型决策、工具执行、上下文状态和运行控制组织成一个持续执行的 Agent 系统。实际学习时可以先从“一个模型 一个 Tool create_agent()”开始观察模型为什么调用工具、工具结果怎样重新进入模型。理解这条最小 Agent Loop 之后再逐步加入 Memory、Middleware 和 Structured Output会比一开始研究复杂多 Agent 架构更容易建立清晰认识。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】
如果只是调用一次大模型代码通常并不复杂准备 Prompt发送给模型再拿到返回结果。但当需求变成“先判断问题再查询数据根据结果继续执行必要时调用多个工具并记住前面的信息”单次 LLM 调用就不够了。开发者需要管理模型、工具、上下文、执行状态、异常处理以及整个调用循环。这正是 AI Agent 要解决的问题。LangChain 的作用可以理解为把这些能力组织成一套统一的 Agent 开发框架。理解它不需要先记大量 API先掌握Model、System Prompt、Tools、Agent Loop、State / Memory、Middleware、Structured Output这 7 个概念就能建立完整的认识。一、整体结构AI Agent 可以简单理解为由大模型负责判断下一步做什么并能够使用外部工具持续执行任务的程序。普通 LLM 调用通常是用户输入 → 模型 → 返回结果而 Agent 更接近用户输入 ↓模型判断 ↓是否需要工具 ↓调用工具 ↓获得结果 ↓再次交给模型判断 ↓…… ↓最终答案也就是说两者最大的区别不是有没有 Prompt而是有没有一个持续运行的决策—执行循环。LangChain 当前通过create_agent()提供 Agent 的高层入口。它负责把模型、工具、状态、中间件等组件组装起来底层则使用 LangGraph 的图运行时执行整个 Agent 循环。因此可以把相关层级大致理解为应用程序 ↓LangChain Agent ↓Model / Tools / Middleware / Memory ↓LangGraph RuntimeLangChain 更关注“怎样方便地搭建 Agent”LangGraph 则提供更底层的状态、节点、边和执行能力。理解这个关系之后再看下面 7 个概念就会清楚很多。二、模型与提示词第一个概念是模型Model。模型是 Agent 的决策中心。它负责阅读当前上下文理解用户目标并决定是直接回答还是调用某个工具。LangChain 对不同模型提供了统一接口。例如可以直接通过模型标识创建 Agentfrom langchain.agents import create_agent agent create_agent( modelopenai:gpt-5.5, tools[])也可以先创建具体模型对象再交给 Agent。这样更方便配置温度、超时、Token 数量等参数。和 Model 紧密相关的是第二个概念系统提示词System Prompt。模型决定“怎么思考”System Prompt 则规定“应该按照什么规则工作”。例如agent create_agent( modelopenai:gpt-5.5, tools[], system_prompt你是一个库存管理助手。回答库存问题时必须以系统查询结果为准不得自行猜测库存数量。)这里真正解决的问题不是让 Prompt 写得更长而是明确 Agent 的行为边界。实际项目中模型看到的不只有 System Prompt还包括消息历史、可用工具、当前状态以及输出格式等。这些内容共同构成模型每一次调用时的上下文。LangChain 将这部分工作归入 Context Engineering也就是上下文工程。三、工具与调用第三个概念是工具Tool。LLM 本身主要负责语言理解和生成并不能访问你的数据库、内部 API 或业务系统。如果希望 Agent 查询库存就需要把查询库存的能力包装成 Tool。from langchain.tools import tool tooldef get_stock(product: str) - int: 查询指定商品当前库存数量。 stocks { 机械键盘: 12, 无线鼠标: 5, } return stocks.get(product, 0)这里的函数并不是由开发者直接决定什么时候调用。LangChain 会把工具的名称、参数和描述提供给模型。模型结合用户问题判断是否需要调用以及应该传入什么参数。工具执行后的结果又会重新放回 Agent 上下文让模型继续判断下一步。于是“机械键盘还有库存吗”可能被转换为调用 get_stock(product机械键盘)得到12模型再根据这个结果生成最终回答。这也是 Tool Calling 与普通函数调用的重要区别函数由程序流程决定调用Agent Tool 通常由模型根据当前任务决定是否调用。四、Agent循环第四个概念是Agent Loop。如果只理解 Tool而没有理解 Agent Loop很容易把 Agent 看成“会自动调用函数的聊天机器人”。实际上Agent 最重要的机制是循环执行。一次任务可能经历Model ↓Tool ↓Model ↓Tool ↓Model ↓Final Answer例如用户提出查询机械键盘库存如果超过 10 件告诉我是否可以接一个 8 件的订单。模型第一次并不知道库存因此调用get_stock()。工具返回 12。结果重新进入模型后模型发现12 10同时12 8于是停止工具调用给出最终答案。LangChain 的create_agent()会自动建立这种循环。当模型继续产生 Tool Call 时Agent 执行工具当模型不再要求调用工具并产生最终输出时循环结束。底层执行过程由 LangGraph 管理。这一步实际上把开发者从大量手写流程代码中解放了出来。否则你需要自己处理while True: response call_model() if response.has_tool_call: result execute_tool() append_result(result) else: break而真实项目还会涉及多工具、失败重试、状态保存、调用限制等问题循环很快就会变复杂。五、状态与记忆第五个概念是状态State与记忆Memory。Agent 在执行过程中需要不断保存数据。例如用户说了什么模型返回了什么调用了哪个工具工具返回了什么当前执行到哪一步这些数据构成 Agent 的 State。LangChain Agent 默认会维护消息状态因此同一次执行过程中模型可以看到前面的 Tool Message 和对话消息。但如果希望第二次调用还能记住第一次的信息就需要持久化。LangChain 的短期记忆以线程为范围可以通过 Checkpointer 保存 Agent State。例如from langgraph.checkpoint.memory import InMemorySaver checkpointer InMemorySaver() agent create_agent( modelopenai:gpt-5.5, tools[get_stock], checkpointercheckpointer)调用时指定同一个thread_idconfig { configurable: { thread_id: user-001 }}同一个线程后续执行时就可以继续读取之前的状态。需要注意State 不等于长期记忆。短期记忆通常服务于当前会话线程如果希望跨会话保存用户偏好、档案或长期知识LangChain 还提供基于 Store 的长期记忆机制。可以简单记成State / Checkpointer→ 当前会话发生了什么 Store→ 跨会话长期保存什么六、中间件机制第六个概念是中间件Middleware。当 Agent 从演示代码进入真实项目后很快会出现新的需求模型失败时自动重试工具调用失败时统一处理调用危险工具前需要审批对敏感信息进行过滤限制最大模型调用次数上下文太长时自动摘要根据任务动态选择模型或工具如果把这些逻辑全部塞进 Tool 或 PromptAgent 会越来越难维护。Middleware 的作用就是在 Agent 生命周期的关键位置插入控制逻辑而不需要改写整个 Agent Loop。例如可以在模型调用前处理上下文在工具执行前检查权限在模型返回后验证结果。LangChain 还提供了多种内置 Middleware包括摘要、Human-in-the-loop、模型调用限制、工具调用限制、重试、PII 检测等。因此可以把它理解成Agent Loop │ ├── before model ├── model ├── after model ├── before / wrap tool ├── tool └── after toolMiddleware 并不是另一个 Agent也不是独立 Runtime而是嵌入 Agent 执行过程中的扩展机制。七、结构化输出第七个概念是结构化输出Structured Output。很多 Agent 教程最后只打印一段自然语言机械键盘目前库存 12 件可以接受 8 件订单。但真实系统往往不能只依赖这句话。前端、数据库或后续业务逻辑可能更希望得到{ product: 机械键盘, stock: 12, can_accept_order: true}这就是 Structured Output 要解决的问题。LangChain 可以通过response_format指定 Pydantic Model、Dataclass、TypedDict 或 JSON Schema让 Agent 最终返回可验证的数据结构。结果会保存在 Agent State 的structured_response中。例如from pydantic import BaseModel class StockDecision(BaseModel): product: str stock: int can_accept_order: bool创建 Agent 时agent create_agent( modelopenai:gpt-5.5, tools[get_stock], response_formatStockDecision)这样 Agent 的最终结果就不再只是供人阅读的文本还能直接参与程序逻辑。这也是开发 Agent 时很容易被忽略的一点自然语言适合人与 Agent 交流结构化数据更适合 Agent 与系统交流。八、完整示例把前面的概念组合起来可以得到一个很小但完整的 Agent。先安装依赖pip install -U langchain langchain-openaiLangChain 当前要求 Python 3.10 及以上不同模型提供商的集成通常安装在独立 Provider Package 中例如 OpenAI 使用langchain-openai。下面实现一个库存 Agentfrom pydantic import BaseModelfrom langchain.agents import create_agentfrom langchain.tools import toolfrom langgraph.checkpoint.memory import InMemorySaver tooldef get_stock(product: str) - int: 查询指定商品当前库存数量。 stocks { 机械键盘: 12, 无线鼠标: 5, } return stocks.get(product, 0) class StockDecision(BaseModel): product: str stock: int can_accept_order: bool agent create_agent( modelopenai:gpt-5.5, tools[get_stock], system_prompt你是库存管理助手。判断是否能够接单时必须先查询实际库存。只有库存数量大于等于订单数量时才能接单。, response_formatStockDecision, checkpointerInMemorySaver(),) result agent.invoke( { messages: [ { role: user, content: 客户想订购 8 个机械键盘可以接单吗 } ] }, { configurable: { thread_id: order-001 } }) print(result[structured_response])运行结果示例输出如下product机械键盘 stock12 can_accept_orderTrue从这个结果可以看到代码本身并没有写get_stock(机械键盘)真正的执行过程是用户提出订单需求↓模型理解任务↓决定调用 get_stock↓Tool 返回 12↓结果写回 Agent State↓模型继续判断↓生成 StockDecision↓Agent Loop 结束Model 负责判断System Prompt 规定规则Tool 获取外部数据Agent Loop 负责持续执行State 保存过程信息Structured Output 则把最终结果转换成程序可直接使用的数据。这几部分组合起来才形成一个完整的 Agent。九、使用边界理解 LangChain 之后还需要避免另一个误区并不是所有 LLM 应用都需要 Agent。如果业务流程完全确定例如读取文件→ 提取文本→ 调用模型总结→ 保存数据库这种流程用普通代码或固定 Workflow 往往更合适。因为每一步都已经由开发者确定没有必要让模型判断下一步。Agent 更适合那些执行路径无法在开发时完全确定的任务例如根据问题决定查询哪个数据源根据搜索结果决定是否继续搜索根据用户意图选择不同工具根据执行结果动态调整下一步如果只需要模型生成文本直接调用 Model 就够了。如果需要模型在有限工具之间自主决策可以使用 LangChain Agent。如果工作流包含大量明确的分支、并行节点、循环和人工审批而且希望精确控制每一步则可以进一步使用更底层的 LangGraph。这种选择比单纯比较哪个框架“更强”更有意义。十、总结本文介绍的 7 个概念我们可以用一条执行链将这些概念串起来System Prompt State ↓ Model ↓决定是否调用 Tool ↓ Tool Result ↓更新 State / Memory ↓Middleware 控制执行过程 ↓继续 Agent Loop ↓Structured Output由此可以看出LangChain 并不是简单地给大模型增加几个工具而是把模型决策、工具执行、上下文状态和运行控制组织成一个持续执行的 Agent 系统。实际学习时可以先从“一个模型 一个 Tool create_agent()”开始观察模型为什么调用工具、工具结果怎样重新进入模型。理解这条最小 Agent Loop 之后再逐步加入 Memory、Middleware 和 Structured Output会比一开始研究复杂多 Agent 架构更容易建立清晰认识。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】
