小白程序员必看：收藏这份大模型记忆术，让你的Agent从“一次性工具”变身“长期协作者”！-拓冰建站

本文深入探讨了Agent Memory的重要性，指出其不仅是简单的存储和检索，更是一个分层系统，涉及工作记忆、情景记忆、语义记忆和程序性记忆。文章强调RAG并非Memory，Memory的核心在于治理过去如何进入现在。同时，文章还介绍了Memory的生命周期、遗忘的重要性、Skills的固化以及多Agent记忆共享等关键概念，最后提出Memory的高级形态是时间中的状态治理，其终点是“会了”。

一句话判断：如果你的 Agent Memory 只做到了“存聊天记录 + 向量检索”，那它拥有的不是记忆，只是一个带搜索功能的垃圾箱。

最近写了不少“深度”文章，那这次就“浅谈”一下它们都会涉及的核心：Memory。尤其是最近很火的 Hermes Agent[1] 开源项目，更是将自主学习作为核心卖点，以取代 OpenClaw[2]。

引言

没有 Memory 的 Agent，就像一个永远从第一天开始上班的实习生：再聪明，也积累不了经验。它可以完成一次任务，却无法在时间里形成稳定的协作关系。它有能力，但没有历史；没有历史，也就没有真正意义上的成长。

而一旦 Agent 拥有了 Memory，事情的性质就变了。它不再只是按次响应的工具，而开始在连续互动中沉淀偏好、修正错误、适应个体，甚至把反复验证过的方法固化成可复用的技能。所以 Memory 不是锦上添花的增强项，而是 Agent 从“一次性工具”转向“长期协作者”的分水岭。

过去一年多里，这个方向明显加速升温。相关论文、系统和产品化探索快速涌现，越来越多实践开始把 Memory 当作 Agent 的核心系统层，而不再只是一个附属模块。

但也正因为如此，Memory 的难度被严重低估了。它从来不是存储问题，也不只是检索问题。它真正处理的，是一个系统如何在时间中维持连续性、更新自我理解、并且不被自己的过去拖死。

换句话说，Memory 的核心不是“把过去留下来”，而是治理过去如何进入现在。

认知科学根基

Agent Memory 的很多分类，并不是工程世界凭空发明出来的。CoALA（Cognitive Architectures for Language Agents[3]）借用了经典认知架构里关于记忆的划分方式，把 Agent 的记忆系统放回到一个更稳的认知框架里来理解：工作记忆、情景记忆、语义记忆、程序性记忆。

这套分法之所以重要，不是因为名字齐整，而是因为它让我们第一次比较清楚地回答：Agent 到底“记住了什么”，以及这些东西分别如何影响行为。

工作记忆：对应 Agent 当下可直接参与推理的上下文。无论外部记忆系统多复杂，最后真正影响这一次回答和行动的，仍然只有被成功送入工作记忆的那一小块内容。它是所有记忆最终必须通过的瓶颈，也是 Agent 当下意识真正能够触碰到的部分。

情景记忆：是带时间属性的经历记录——一次对话、一系列工具调用、一场失败的尝试。它保留的是“事情是怎么发生的”，而不只是“发生了什么”。Generative Agents[4] 是这一方向极具标志性的工作：系统通过“记忆流”存储感知事件（也就是 AI 虚拟小镇事件），并用近因性 × 重要性 × 相关性来加权检索；当累积的重要性达到阈值时，再触发反思，把离散经历提炼成更高阶的理解。它的意义不只是做出了一个会“记事”的系统，而是让人们第一次直观看到：情景记忆一旦能被回溯、筛选和反思，就可能催生涌现行为。

语义记忆：是从大量经历中蒸馏出的稳定知识：用户偏好、实体关系、长期约束。它比情景记忆更紧凑、更结构化，但代价是失去原始语境——你知道了“用户喜欢简洁回答”，却未必保留“这个偏好是在什么情境下形成的”。像 HippoRAG[5] 这样的工作，试图用知识图谱索引和图传播机制去模拟这种从经历到结构化知识的迁移过程，在多跳与关联检索任务上展示了很强的效果。

程序性记忆：是最容易被低估的一层。人类骑车、打字、做菜，都不是每次现想一遍规则，而是把规则内化为行动模式。Agent 里的 Skills、SOP、可复用操作套路，本质上都属于这一类。

这四类记忆不是四种简单的数据标签，而是四种不同的时间残留物。工作记忆决定当下能想什么，情景记忆决定过去能否被回溯，语义记忆决定经验能否被压缩成稳定知识，程序性记忆则决定这些知识最终能否变成能力。

也正因为如此，Memory 从一开始就不是一个单层容器，而是一个分层系统。真正的问题，从来都不是“有没有存下来”，而是：经历是否能被转化，转化是否还能回溯，回溯之后又能否重新进入行动。

RAG 不是 Memory

在进入技术架构之前，必须先澄清一个常见的混淆。

RAG（Retrieval-Augmented Generation）的本质，是把外部知识源中相关的内容检索出来，再注入当前上下文。它解决的是“模型不知道，但资料库里有”的问题。它擅长的是访问静态知识，而不是积累持续经验。

Memory 处理的则是另一件事：系统如何把互动中形成的偏好、事实变化、错误教训、长期约束，组织为能持续影响未来行为的状态。

Letta[6]（原名 MemGPT）一直强调一个关键判断：RAG is not Agent Memory。这个判断的重点，不是说二者毫无关系，而是说它们处理的问题层级不同。RAG 在 Agent 的运行时视角里，主要体现为“读”；而 Memory 必须覆盖写入、更新、替代、失效、删除的完整生命周期。

当用户说“今天是我的生日”，RAG 只会去搜索“生日”这个语义；Memory 则可能已经组织好了用户的重要信息，知道你之前提到过的偏好、禁忌、习惯和上下文变化，并把它们带进当前回应。

RAG 更像图书馆，Memory 更像对你的理解。前者处理知识覆盖范围，后者处理个体关系和行为演进。真正成熟的生产系统两者都需要，但它们不是一回事。

这个区分之所以重要，是因为一旦把 Memory 误解成“更聪明的检索”，后面的架构几乎都会做偏。你会以为问题在召回率，实际上问题在连续性；你会以为只要把历史搜回来就够了，实际上系统还必须知道哪些该保留、哪些该更新、哪些已经失效、哪些不该再浮上来。

所以 RAG 和 Memory 的差别，不是一种实现技巧的差别，而是一个系统有没有开始拥有历史的差别。

Memory 生命周期

一旦承认 Memory 不是检索的别名，就必须继续往下问：它到底是怎么运作的？

答案不是一个存储动作，而是一条生命周期管线。它至少包含三个阶段——写入、整理、读取——而且每一个阶段都会造成信息损失、语义偏移和选择性偏见。

也就是说，Memory 从一开始就不是“存下来”，而是“不断做有损重建”。

写入：决定什么值得记

Memory 的第一个困难不是“能不能存”，而是“该不该记”。因为过去发生的事情很多，但未来有用的事情很少——而系统在当下往往根本不知道哪一条会在未来变得关键。

写入至少要完成三个动作：

提取候选记忆：从对话、工具调用、环境观察中识别出可能值得长期保留的内容。
写入门控：短暂寒暄、瞬时状态、低价值噪声不应无差别进入记忆。越来越多系统开始在写入阶段加入显式的 gate、质量判断或自我提问机制，目的不是“多记一点”，而是“尽量别记错”。
元数据标注：一条没有类型、来源、时间、置信度的记忆，只是文本碎片。只有当它带上这些元信息，它才真正进入了一个可治理的系统，而不只是被丢进了某个存储桶里。

很多系统最终失败，不是因为不会检索，而是因为在写入时就已经把噪声、猜测、过时状态和真正有价值的信息混在了一起。

Memory 的第一道败局，通常不是读错，而是写脏。

整理：压缩、合并、让旧信息退场

整理是最接近“真正记忆工作”的阶段。一个只会累积而不会整理的系统，早晚会被自己的过去压垮。

整理的核心操作包括：合并去重、冲突调解、版本替换、衰减归档、标记失效。关键不在某个具体阈值，而在于系统是否把记忆看成有生命周期的状态对象，而不是一堆永远平铺、永不失效的文本条目。

真正成熟的系统不只问“记住了吗”，而会继续追问：这条记忆现在还成立吗？它和后来的信息是否冲突？它应该被更新、替代，还是保留为历史证据？

Memory 真正难的地方，从来不是“留下来”，而是让旧版本以正确的方式退场。不会整理的系统，不是在积累智慧，而是在积累误解。

读取：为当下临时组装个关于过去的工作假说

检索出来的东西，不是“系统记住的事实”，而只是系统这一次判断“可能有用”的过去片段。

成熟的读取不是一次向量搜索，而更像一条管线：混合召回、重排序、过滤、预算裁剪、上下文组装。系统不是在“还原过去”，而是在“为当前任务重构一个可行动的过去版本”。

这也是为什么 Memory 不是事实仓库，而更像一个不断重建过去意义的机制。它不是机械回放，而是一次有条件、有预算、有偏向的再组织。

所以写入、整理、读取三步连起来，真正揭示的是一件事：Memory 从来不是对过去的保存，而是对过去的持续再解释。

“破电话”效应：原始 vs 派生

一旦 Memory 开始“持续再解释过去”，下一个根本问题就出现了：系统到底应该更信任原始材料，还是更信任派生材料？

几乎所有 Memory 系统最后都会撞上这个问题。

原始材料（Raw）忠实于事实——完整会话记录、工具调用轨迹、环境观察。优点是保真，缺点是太散、太碎、太贵，缺乏可操作的意义。“那把上下文窗口做到很大，全塞进去不就行了？” 不行。更多上下文不等于更好的理解。窗口一长，成本暴涨，注意力分散，模型对中间内容的感知也会显著下降。大上下文只是把 Raw 路线推到了极致，它不是终点。

派生材料（Derived）紧凑可用——摘要、画像、偏好标签、关系图谱。优点是可索引、可注入、可决策。缺点在于：它们已经经过解释和压缩，不再是“发生了什么”，而是“系统认为发生了什么”。

问题就在这里：原始材料太重，派生材料会漂。前者保存了事实，却难以直接形成意义；后者形成了意义，却会一步步远离事实。

更危险的是，派生材料会继续喂养新的派生材料。关于这一点，近年的研究已经反复说明：一段内容只要被反复改写、反复总结、反复拿来生成新的总结，信息就会开始系统性漂移。最开始丢掉的是语气，然后是语境，再然后是边界条件、例外项和时间限定。最后，系统留下来的可能不再是真相，而是一个越来越顺口、却越来越不可靠的版本。

对 Memory 系统来说，这比单纯“记不住”更致命。记不住最多是缺失；记错了还以为自己记得很清楚，才是真正的污染。

所以一个严肃的 Memory 系统，必须同时持有原始材料和派生材料，并在两者之间建立一条可回溯、可校验、可重构的路径。每次压缩都应尽可能回到证据层校验。否则，派生层就会慢慢脱离原始来源，开始独立繁殖，最后形成一套越来越像“自我理解”、却越来越偏离事实的内部叙事。

如果没有证据层，系统会漂。如果没有派生层，系统会钝。真正高质量的架构，不是二选一，而是让两者彼此牵制。

遗忘的重要性

当系统同时持有 Raw 和 Derived 之后，问题还没有结束。因为就算检索得再好、压缩得再漂亮，只要旧信息无法退出，Memory 还是会慢慢坏掉。

这就是为什么真正难的不是“怎么记”，而是“怎么忘”。

删除从来不是一键清空。你删掉原始消息，不等于删掉摘要；删掉摘要，不等于删掉由它提取的偏好；删掉偏好，不等于删掉早已被它影响过的行为提示和策略选择。所以 Forget 不是 Delete，它更像一场谱系清算——追溯这条信息去过哪里、变成过什么、影响过哪些派生物。

一个不会记的系统，最多只是笨。一个不会忘的系统，则会越来越被旧版本困住——用失效的理解解释现在，用过期的偏好指导未来，用不成立的关系结构组织检索和行动。表面上“记得很多”，实际上在不断积累错误的自我理解。

所以好的 Memory 从来不是“永不遗忘”。恰恰相反，它必须拥有一种高质量遗忘能力：让重要的东西留下，让失效的东西退场，让历史可以被审计，但不再统治现在。

真正成熟的遗忘，不是粗暴擦除，而是带有版本意识、时间意识和依赖传播意识的退场机制。它删的不是一条文本，而是一条影响链。它管理的也不是消失，而是失效之后仍然可追溯、但不再继续支配当前行为。

Skills：将记忆固化为能力

到这里，一个更关键的问题就浮出来了：如果 Memory 不只是保存过去，而是在持续重组过去，那它最终会走向哪里？

答案之一，就是 Skills（不排除未来会有更好的概念出现）。

Skills 和 Memory 到底什么关系？经验算不算一种固化的记忆？答案很明确：Skills 是程序性记忆的外化形式，代表了记忆从“保存过去”走向“塑造未来行为”的成熟产物。

人类学会骑车，不是因为每次上车前回忆一遍物理公式。熟练写某种代码，也不是因为每行都重新推理风格指南。真正的技能，是被实践反复验证后内化为稳定行动模式的东西。Agent 里的 Skills 也是如此——不是“更长的 prompt”，也不是一堆脚本/工具组合，而是系统把过去有效的经验压缩成可复用的行为结构。

这条路径已经有清晰的学术脉络。像 Reflexion[7]、ExpeL[8]、ReMe[9] 这一类工作，实际上都在回答同一个问题：经历如何不只是被保存，而是被提炼成下一次行动时可直接调用的能力。其中一个非常关键的发现是：高质量的程序性记忆，不只是提升成功率，它甚至在某些场景下可以部分替代模型规模本身的不足。

工业实践里，也已经出现了把 Skills 当作核心机制的系统（如 Hermes Agent）：执行任务，评估结果，提取模式，沉淀成 Skill，下次相似任务直接加载，再在使用中不断修正。这里真正重要的不是某个框架名，而是一个越来越清晰的方向：Memory 的终点不是档案，而是能力。

这也意味着，经验当然是记忆——只是它不是最终形态。

经验最开始只是“发生过”；
被反思之后，它开始变成“总结过”；
被反复验证之后，它最终才变成“会做了”。

Memory 走到这里，才完成了最重要的一次跃迁：从“记得”变成“会了”。

MemGPT：操作系统隐喻

如果说有一种思想真正改变了行业理解 Memory 的方式，那“操作系统隐喻”一定是最关键的线索。

MemGPT[10] 的核心直觉是：把 LLM 的上下文窗口视为 RAM，把外部存储视为磁盘。Memory 的问题就不再只是“怎么检索”，而变成“如何在有限工作区和外部长时存储之间建立有效调度”。

这个隐喻的价值，不在于它多像计算机操作系统，而在于它一下子把很多混乱的问题重新组织起来了：为什么窗口再大也不等于长期记忆？为什么 Memory 必须分层？为什么系统要主动决定什么进入主上下文？为什么上下文窗口只是前台，而真正的 Memory 是后台的调度系统？

一旦从这个角度看，你就会发现：Memory 不是简单地“把过去塞回来”，而是在有限注意力预算下，持续进行换入、换出、保留、压缩、回溯和重组。

上下文窗口只是展示面。真正的 Memory，是后台的调度能力。

这个比喻真正改变人的地方在于，它把“记忆”从一个内容问题，重新改写成了一个资源问题。不是过去在不在，而是过去何时被调入、以什么形态被调入、又在什么时候被换出。这才是它像操作系统的地方。

五种架构哲学

把产品名和框架名先放到一边，今天的 Agent Memory 大致可以归纳为五种更本质的架构哲学。

文件驱动：把记忆写成可见、可编辑、可审计的外部文本。这条路线强调透明性、可干预性和可迁移性。它的优势是你能清楚看到系统到底“记住了什么”；代价则是它更接近显式知识管理，不天然擅长自动演化。

图谱驱动：把记忆组织成随时间变化的关系网络。它的重点不在存文本，而在组织实体、关系、状态变化和时间有效性。它特别适合处理“同一个对象在不同时期状态不同”这类问题，但实现复杂度也更高。

混合存储驱动：用向量、图、KV 或其他结构联合承载不同性质的记忆。这条路线的直觉是：没有一种单一存储结构能同时兼顾召回、关系推理、时间变化和快速注入，所以必须分工。

策略学习驱动：让系统直接学习记忆管理策略。重点不再是“怎么存”，而是“何时记、记什么、何时忘、如何改写”。这意味着手工启发式规则，正在慢慢被可学习的管理策略替代。

技能蒸馏驱动：把记忆的终点设为可复用能力。这条路线最激进，也最有上限。它不满足于让系统“记得过去”，而是希望系统从过去里长出技能。但它也最危险，因为一旦蒸馏出错，系统固化下来的就不是能力，而是高效率地重复错误。补充一句，这个已经被社区玩烂了，比如最近出现的各种名人、同事蒸馏…

实现不同对应的信念也就不同，比如：

你相信记忆首先应该被看见，还是首先应该被组织；
所以真正成熟的 Memory，不只是“能记住”，而是“知道自己记住的是什么、记错了什么、该删掉什么、什么不该越界”。

Memory 的高级形态，不是更会存，而是更会治理。

多 Agent 记忆共享

当多个 Agent 协作时，难度再上一个量级。问题不再只是“记住什么”，而是：谁能看到什么？谁能修改什么？谁知道谁知道什么？一个 Agent 的误记忆会不会污染整个协作网络？

这已经很像分布式系统的经典问题。多 Agent 时代的 Memory，不只是“大家共用一个库”，而更像一套社会性安排：谁拥有经验，谁拥有解释权，谁对哪部分过去负责。Memory 不再只是个体连续性的基础，也变成了组织协调能力的基础。

真正难的，不是共享，而是在共享中维持边界、追溯和一致性。

一旦边界不清，记忆会互相污染；
一旦追溯不清，错误会失去责任主体；
一旦一致性崩坏，系统拥有的就不再是共享历史，而只是彼此冲突的叙事碎片。

所以多 Agent 记忆的难点，不是把东西放到同一个地方，而是让不同主体对同一段过去形成可以协商、可以隔离、可以追责的访问结构。

评估

Memory 很容易让人产生错觉——系统偶尔表现出“记得我”，我们就误以为它具备了长期稳定性。真正严肃的评估远比这复杂。评估一个 Memory 系统，至少要问几件事：

它能不能在很长时间跨度上稳定找回真正相关的信息？
它能不能分辨“曾经成立”和“现在仍然成立”？
它会不会把旧偏好、旧事实、旧约束错误带到当前场景？
它能不能处理冲突、替代、版本变化和例外条件？
它会不会在多次摘要后逐渐漂移？
它有没有选择性遗忘能力，而不是一味堆积？
当系统说“我记得”时，它到底是在召回原始证据，还是在召回自己以前的总结？

所以 Memory 的评估，不应只测“能否想起”，还要测：能否记对，能否记稳，能否有边界地记，更重要的是，能否在该忘的时候忘掉。

这也是为什么很多系统在 demo 里看起来很聪明，在长期协作里却很快露怯。短时“记得你一句话”很容易；长期在变化、冲突、例外和失效中仍然保持一致，才是真正的难点。

结语

过去几年，Agent Memory 大致经历了三种演进：从上下文压缩与历史保存，到外部存储与检索增强，再到对记忆策略本身的显式建模和学习。

但走到最后，真正重要的判断其实只有一个：长上下文不是记忆，检索增强不是记忆，聊天历史也不是记忆。

真正的 Memory，处理的不是“怎么保存过去”，而是过去如何进入现在，并且不毁掉未来。

所以它最难的，从来不是容量，而是判断：留下什么，删掉什么，相信什么，又允许什么继续影响现在。

记忆不是存档，是时间中的状态治理。它的终点，也不是“记得”，而是会了。

如果再进一步，可能就是会自我进化的系统了，大概长这样：

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

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、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

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👇👇

7、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】