大模型时代：Agent架构优化指南-二趣网

本文探讨了随着大模型能力的提升，架构师在设计和部署Agent时应如何调整策略。文章核心观点是，在某些场景下，将路由器、规划器和领域Subagent合并到主Agent的执行循环中，配合按需加载的Skills和Tools，可以改善任务质量，降低执行成本和延迟。然而，Subagent在并行任务、上下文隔离、结果验证和权限模块化等场景中仍然具有重要价值。文章建议通过渐进式披露按需提供能力，并强调模型能力提升会影响Agent架构，提出了Single Agent Loop的设计思路，同时指出Subagent并未过时，应在必要时保留。最后，文章提供了逐步迁移的具体建议和工具推荐，强调持续评估的重要性。

架构师们需要做的思考：当大模型越来越擅长自主规划和调用工具，我们是否还需要为每项任务都创建一个独立的 Agent？
友情提示：文章较长建议收藏慢慢看，或者速览子标题了解主要观点！

Anthropic近日发布了一篇文章：<<Building agents: When to fold subagents into your main agent loop>>分享了团队在企业级 Agent 部署中的观察：在一些场景下，将路由器、规划器和领域 Subagent 合并到主 Agent 的执行循环中，配合按需加载的 Skills 和 Tools，可以改善任务质量，并降低执行成本和延迟。但这并不意味着 Subagent 已经过时。Anthropic 同时指出，Subagent 在并行任务、上下文隔离、结果验证和权限模块化等场景中仍然具有重要价值。

整体上官方这篇文章讨论的问题是：随着模型能力提升，我们应该如何重新划分模型、Agent、Tools 和 Harness 之间的职责？

一、为什么 Anthropic 开始重新审视 Subagent？

在当前的 Agent 工程实践中，Multi-Agent 是一种常见的架构选择。

开发者通常会将复杂任务拆分为多个子任务，再交给不同的 Agent 执行。例如，由一个 Agent 负责规划，其他 Agent 负责研究、执行或验证，最后由主 Agent 汇总结果。

这种架构有明确的优势。Anthropic 也在自己的 Agent 系统中使用 Subagent，尤其是在研究、并行执行和验证等任务中。

但在企业级应用中，Anthropic 的 Applied AI 团队观察到，另一种模式在部分部署中表现得更好：

将部分路由器、规划器和领域 Subagent 收回主 Agent Loop，通过 Skills 和按需加载的 Tools 提供相应能力。

Anthropic 提到，在他们对多个企业部署进行的比较中，使用 Skills 的单 Agent 方案经常在任务质量上优于两类方案：

将所有规则和能力放进一个超长 Prompt 的方案。
使用多个 Subagent 的方案。

在这些对比中，单 Agent 方案的单任务成本和延迟也往往更低。

这里有两个需要注意的限定：

第一，这是 Anthropic 在多个企业部署中的观察，并不意味着所有单 Agent 系统都优于多 Agent 系统。

第二，单 Agent 方案并不是简单地把所有规则和工具都塞进一个上下文窗口。文章强调的关键技术之一，是通过渐进式披露按需提供上下文和工具。

一个真实的企业案例

原文提到，一家企业在面向客户的 Agent 中设置了十几个专业 Subagent。

这种设计使企业难以维持一致的品牌表达，同时增加了系统延迟，影响用户体验。

Anthropic 还观察到一些常见的架构演进路径：

意图分类器、固定的多步推理流程、用户分组、独立推荐分支，最后再叠加一个多 Agent 编排器。

在一些这样的系统中，团队反馈发现，其中相当一部分固定结构已经不再是模型完成任务所必需的。

在这些场景下，一个清晰的系统提示词、4～5 个轻量级数据工具，以及明确的输出约束，就可能覆盖大部分需求。

这不是说复杂编排没有价值，而是提醒开发者：

不要因为过去需要通过代码实现某项能力，就假定现在仍然必须使用同样的架构。

二、企业级 Multi-Agent 系统的五类问题

Anthropic 将大型组织构建 Agent 时遇到的问题归纳为几个方面。

1. 上下文管理：多次交接可能丢失细节

每个 Subagent 都有自己的上下文窗口、工具和指令。

当主 Agent 把任务交给子 Agent，再接收结果时，需要决定传递哪些上下文，以及子 Agent 应该返回什么内容。

如果任务经过多个 Agent，信息可能在多次交接中丢失。

原文将这种现象比喻为“Telephone Game”，即类似传话游戏：信息在不同参与者之间反复传递时，保真度可能逐渐下降。

相比之下，如果一个较长的任务由同一个 Agent 在主上下文中持续执行，它就能够直接利用此前步骤的结果，而不必完全依赖其他 Agent 返回的摘要。

2. Subagent 不断膨胀

在大型企业中，不同团队通常拥有各自的业务能力。

一种常见的做法是，让每个团队开发自己的 Agent，再由中央平台团队建立一个编排器，将这些 Agent 连接起来。

随着业务扩展，系统可能出现大量功能重叠的 Subagent，却缺少统一的开发规范和明确的维护负责人。

Anthropic 将这种现象称为 Subagent sprawl，即 Subagent 不断扩张。

文章还指出，当 Agent 架构逐渐变成组织架构的复制品时，康威定律所描述的组织结构与系统设计之间的关系也会体现出来。

3. 系统提示词变得臃肿

当不同团队都向同一份系统提示词添加规则时，系统可能出现指令冲突和表达风格不一致的问题。

原文将这种不断拼接的系统提示词称为The Frankenprompt。

它反映的并不只是提示词长度问题，还包括多个团队缺少统一的规则管理和质量控制机制。

4. 评估体系过于局部化

不同团队可能分别建立自己的评估集，并针对各自负责的子任务进行优化。

但这些局部评估未必能反映整个 Agent 的端到端表现。

例如，每个子 Agent 都能很好地完成自己的任务，并不代表多个 Agent 串联起来之后，整个系统仍然能够正确完成用户请求。

如果没有统一的端到端评估集，团队就可能依据局部指标做出不合理的架构决策。

5. 多 Agent 架构增加延迟

多 Agent 系统可能涉及额外的路由、任务交接和嵌套模型调用。

原文提到，一家客户将自己的多 Agent Harness 与单 Agent Loop 进行了对比，发现后者的运行速度约为前者的两倍。

需要强调：这仅是一个客户评估结果，并不是 Anthropic 对所有 Agent 系统作出的性能保证。

这五类问题共同指向一个值得思考的方向：有些系统的复杂性来自任务本身，有些则可能来自我们过去为模型设计的固定执行结构。

三、核心技术：通过 Progressive Disclosure 按需提供能力

如果不再为每项业务能力都创建一个独立 Agent，应该如何组织上下文、工具和专业知识？

Anthropic 在文章中重点介绍了 Progressive Disclosure，即渐进式披露。

其基本思路是：先向模型提供简短的能力描述，只有在需要时，才加载相应的详细指令或工具定义。

原文重点讨论了 Skills 和 Tools 的渐进式加载。

1. Skills：将专业工作方法按需提供给模型

Skills 适用于需要模型掌握某个团队如何开展工作的场景。例如，某个专业 Subagent 的提示词中可能包含一套工作流程、判断规则和操作规范。在迁移时，可以将这些内容整理成 Skill，让主 Agent 在相关任务出现时加载。这样，专业知识和工作方法仍然能够保留，但不一定需要由一个独立的 Subagent 来承载。

2. Tools：通过工具执行操作、获取数据

原文认为，当 Agent 需要执行操作、读取系统实时数据，或者返回具有固定结构的结果时，Tools 是合适的承载方式。例如，Agent 可以通过工具查询业务系统、读取实时数据，或者执行某项操作。Anthropic 建议，工具应该按照用户意图进行组织，而不是简单地为每一个底层 API 创建一个独立工具。当系统提示词中的工具定义超过约 30～50 个时，工具选择表现往往会下降。这是一项工程经验，而不是适用于所有模型的固定阈值。为此，原文建议使用 Tool Search 和延迟加载机制，避免一开始就向模型暴露过多工具定义。

3. Knowledge Base：将参考资料放在需要时可以查询的地方

原文还讨论了知识库的作用。对于模型只在部分任务中需要的参考材料，例如政策、指标定义和产品规格，可以将其放在知识库中，通过搜索或查询工具按需获取，也可以将相关参考文件放在 Skill 中。Anthropic 不建议仅仅为了提供参考资料，就通过代码将大量上下文检索出来并直接拼接到提示词中。这意味着，知识库不必成为每轮推理都需要加载的大量固定上下文。

三者如何配合？

可以用下面的表格概括原文的设计思路。

能力载体	适合承载的内容	何时使用
Skills	工作流程、规则、判断方法	模型需要遵循某种专业工作方式时
Tools	操作、实时数据读取、结构化结果	模型需要执行动作或访问系统时
Knowledge Base	政策、指标定义、产品规格等参考材料	模型需要查阅相关事实时

一个值得关注的数据：系统提示词缩减超过 80%

原文提到，Anthropic 将面向更先进模型的 Claude Code 系统提示词缩减了 80% 以上，其中包括与 Skills 和 Tools 渐进式披露有关的精简。这一数据说明，在特定系统中，重新组织上下文加载方式能够显著减少常驻提示词的规模。但它并不意味着所有 Agent 都可以缩减 80% 的提示词，也不意味着提示词越短，系统效果就一定越好。

真正值得借鉴的是：不要默认所有规则、工具和参考材料都必须在任务开始时一次性加载。

四、为什么模型能力提升会影响 Agent 架构？

这是原文另一个重要观点。

Anthropic 提到，从 Opus 4.5 开始，模型已经能够在单个执行循环中处理比许多团队预期更多的工作。其提到Opus 5.5 和 Fable 5.1，并指出，新模型越来越能够在执行过程中说明进展、检查自己的工作。随着模型能力增强，一些原本由 Harness 承担的工作，可能不再需要以固定的代码流程实现。

例如，在某些架构中，开发者会预先编写代码，根据规则目录重写或调整模型计划。

而在单 Agent Loop 中，可以由模型直接根据当前结果决定下一步，并在执行过程中修改计划。这并不意味着模型已经可以可靠地完成所有规划和验证工作，而是说明：模型能力的变化，会改变哪些控制逻辑必须写死在 Harness 中，哪些决策可以交由模型动态完成。

五、Single Agent Loop 是怎样工作的？

理解了渐进式披露，再来看 Anthropic 建议逐步迁移到的执行模式。

原文将这种设计概括为：一个模型、一个上下文窗口，以及一个开放式工具调用循环。

这套设计有几个重要特征。

第一，规划与执行由同一个模型完成

模型在上下文中写下计划，并随着执行结果的到来不断调整计划。

与传统的规划器加多个专业 Agent 的模式不同，制定计划的模型也是实际执行任务的模型。

因此，它可以根据中间结果改变原有计划，而不必完全依赖预先写好的固定步骤。

第二，工具调用可以并行

模型每轮可以发出一批工具调用。

Harness 负责执行这些调用，并将原始结果返回给同一个模型，由模型决定下一步行动。

这里的并行是指同一轮中可以同时执行多个工具调用，并不意味着所有任务都可以并行。如果一个工具依赖另一个工具的输出，仍然需要按顺序执行。

第三，执行循环仍然有明确的限制

原文强调，单 Agent Loop 并不意味着放弃控制。

Harness 仍然负责设置执行轮次预算、成本预算和写入控制机制。

模型可以继续执行、向用户提出问题，或者返回答案。当模型完成回答或触及预算限制时，循环停止。回答之后，还可以选择执行目标检查或验证器检查。

第四，工作流程和硬性约束采用不同的承载方式

原文对不同类型的逻辑进行了区分：

工作顺序和领域操作流程，可以放进 Skills。
验证、审批等硬性限制，以及对话中出现的记忆查询等需求，可以通过 Tools 处理。
对于成本低且几乎总是需要的步骤，例如实体解析，仍然可以使用代码提前执行。
工具内部的参数构造、流式数据解析、澄清流程恢复等机械性工作，也仍然可以由代码完成。

因此，Single Agent Loop 并不是用模型取代所有代码，而是重新划分模型与工程代码的职责。

六、Anthropic 并没有建议全面取消 Subagent

这一点必须明确。

原文指出，Subagent 仍然适用于多个场景。

场景一：并行执行独立任务

如果多个任务可以独立完成，并且每项任务都需要较新的上下文，那么使用 Subagent 可以让这些任务并行执行。

任务结束后，相应的上下文也可以被丢弃。

原文提到的典型情况包括独立研究路径、具有清晰接口的不同组件，以及黑盒验证。

场景二：主 Agent 的上下文膨胀已经影响性能

如果单 Agent Loop 的上下文不断增长，并且已经造成可测量的性能下降，那么独立的 Subagent 可能更合适。

这里的关键是可测量的性能影响，而不是仅仅因为上下文看起来比较长，就认定必须拆分 Agent。

场景三：工具选择困难或指令冲突

如果单 Agent 难以选择适当的工具，或者系统提示词中存在相互冲突的指令，那么将部分工作交给独立 Subagent 可能有助于改善表现。

此外，Subagent 还可以用于验证任务和模块化权限管理。

原文明确提到，Subagent 是 Agent 设计中的重要组成部分，Anthropic 自己也在一些 Agent 系统中使用它们。

因此，更准确的理解是：

应该减少没有必要的 Subagent，而不是为了追求单 Agent 架构而取消所有 Subagent。

七、如何逐步迁移？Anthropic 给出了哪些具体建议？

对于已经在生产环境中运行的多 Agent 系统，原文建议逐步迁移，而不是一次性重写整个系统。

第一步：建立端到端评估集

在进行第一次合并之前，先建立一个能够覆盖真实任务的评估集。

Anthropic 建议采用两层评估结构：

由中央团队维护一个共享的端到端评估集。
各团队为自己维护的 Skill 配套较小的评估集。

原文指出，即使只有 10 个精心挑选的 Golden Examples，也足以开始评估。

评估可以从按照评分标准检查 Agent 最终回答的质量开始。

如果当前系统还在使用 Orchestrator，则需要跟踪路由准确率，例如是否选择了正确的 Subagent。

当某个 Subagent 被合并之后，则需要检查 Agent 是否加载了正确的 Skill，或者调用了正确的 Tool。

最终，评估应当逐步从局部任务表现转向端到端任务完成情况。

对于难以重放内部系统操作、难以模拟用户交互的环境，原文还介绍了一种做法：记录重要事件发生的时间戳，以便之后重放这些事件并开展针对性评估。

第二步：优先合并高度耦合的 Subagent

Anthropic 建议优先考虑那些经常一起使用、相互依赖，或者处理相同数据的 Subagent。

例如，如果生产环境中的大量请求总是先调用某个专业 Agent，再调用另一个专业 Agent，那么这两个 Agent 就可能是适合合并的候选对象。

这种合并方式的依据是共享上下文，而不是简单地按照业务名称或组织部门划分。

第三步：可以先把 Subagent 当作 Tool 调用

如果某个 Subagent 仍然有保留的必要，原文建议考虑让主 Agent 通过 Tool 调用它。

这样，主 Agent 仍然能够持续掌握与用户的对话。

Anthropic 只建议在 Subagent 需要直接与用户沟通时，才进行完整的对话交接。

这种方式还有一个好处：不需要立即重写原有 Subagent，就可以先建立新的执行模式，并获得后续比较所需的基准评估结果。

不过，这种过渡方案并没有消除所有问题。被调用的 Subagent 仍然拥有独立提示词和上下文，仍然需要单独维护，并且每次调用都会产生额外的模型循环和延迟。

第四步：一次只合并一个 Subagent

当团队决定将某个 Subagent 合并进主 Agent 时，原文建议：

将其提示词整理为 Skill。
将其 API 调用转换为 MCP Tools。
比较保留 Subagent 与合并后的评估结果。
根据评估决定保留哪种方案。

这里最值得注意的是，Anthropic 并不建议只比较最终得分。

团队还应该检查哪些任务在迁移前后发生了变化，尤其是哪些原本成功的任务在迁移后失败了。

一个值得关注的失败案例

原文提到，在测试一个客服 Agent 时，合并 Subagent 降低了延迟，却破坏了原本能够正常通过的业务流程。

主 Agent 已经拥有订单查询工具，但在查询订单之后，它直接自行回答，没有继续询问负责配送信息的专业 Agent，因此遗漏了交付日期。

这个案例说明，减少 Agent 数量可能改善部分指标，却同时破坏原有的业务规则。

Anthropic 因此建议，在每次修改之前，确保评估集覆盖生产环境中实际运行的每一条 Agent 调用链，以及所有不能违反的规则。

而且，每个任务应该运行多次，因为这个失败案例只在两次运行中的一次出现。

架构迁移不能只看平均性能，还必须检查具体失败任务，以及这些失败是否违反了业务要求。

八、多个团队如何共同维护一个 Agent？

企业级 Agent 通常由多个团队共同建设。如果减少独立 Subagent，原有团队的职责应该如何调整？Anthropic 建议，可以将领域推理能力转移到知识库、Skills 和 MCP Tools 中，由各个团队继续负责自己擅长的领域。

与此同时，由一个规模较小的中央团队负责系统提示词和端到端质量，并在新的 Skills、Tools 和评估集发布之前进行审核。

原文分别讨论了三类能力的维护方式。

MCP Tools：按照用户意图组织工具

Tools 适合执行操作、读取实时数据，以及返回固定格式的结果。

原文建议使用延迟加载，减少初始工具定义数量。

如果某个工具依赖另一个工具的输出，可以将必要的前置条件检查放到工具内部，由工具返回模型能够理解和处理的提示。

权限管理也可以采用类似方式：每个工具检查调用者允许查看或执行的操作，并在权限不足时返回明确的拒绝结果。

这样，一个 Agent Loop 就可以服务不同权限的用户，而不必仅仅为了权限差异创建独立 Agent。

Skills：让专业团队维护自己的工作方法

Skills 适合承载专业 Subagent 提示词中包含的工作步骤、规则和判断方法。

Anthropic 建议将 Skill 的维护工作交给实际编写和使用它们的团队。

为了避免 Skill 数量不断膨胀，各团队应当为自己的 Skills 指定明确负责人，确保它们内容清晰、彼此区分，并配套适当的评估。

原文还介绍了两个用于 Skill 管理的工具：

/skill-creator：帮助创建结构良好的 Skills，并审查已有 Skills，进行精简、去重和重组。
/skill-doctor：检查 Skill 库的成本和实际使用频率，帮助识别并清理不再需要的内容。

Knowledge Bases：按需检索参考材料

知识库适合保存模型只在部分任务中需要的参考信息。

例如，政策、指标定义和产品规格，可以通过搜索工具或查询工具访问，也可以作为参考文件放在相关 Skill 中。

这里的重点仍然是按需提供信息，而不是将所有参考材料预先塞进主 Agent 的提示词。

九、Anthropic 提供了哪些迁移工具？

文章不仅讨论架构理念，还介绍了 Anthropic 发布的 Claude API Skills 和 Migration Kit。

Migration Kit 将多个 Skills 串联成一个引导式工作流，帮助团队评估现有的多 Agent 系统，并逐步迁移到单 Agent Loop。

它还包含一个可以在模拟系统上先行尝试的 Demo。

原文列出了以下几个工具：

工具	原文描述的主要用途
`/claude-api build-eval`	创建端到端评估集，或者为各团队的 Skills 建立小型评估集
`/claude-api prompt-audit`	检查提示词、Skills 和 Tool 描述中是否存在针对旧模型编写的指令，并提出修改建议
`/claude-api hillclimb`	基于现有评估集迭代改进应用，用于比较合并前后的表现
`/claude-api cost-optimize`	分析模型调用成本，并逐项评估提示词缓存、输入输出 Token、推理投入和模型选择等优化方向

其中，prompt-audit的思路尤其值得关注。

当模型能力提升之后，原有提示词中可能仍然保留着针对旧模型设计的规则。这些规则可能使 Agent 执行得更慢，或者限制模型的自主决策。

通过审查这些规则，团队可以识别哪些约束仍然必要，哪些可以重新评估。

需要注意的是，以上工具名称和用途来自原文介绍。实际使用时，应以对应工具的官方文档、当前版本和可用性为准。

十、总结：比选择单 Agent 还是多 Agent 更重要的，是持续评估

Anthropic 这篇文章的核心观点，并不是宣告 Multi-Agent 时代结束。

它提出的是一种随着模型能力变化而重新审视 Agent 架构的方法。

过去，开发者经常通过固定路由、规划器和专业 Subagent，将复杂任务拆分成多个步骤。现在，随着模型在规划、工具调用和执行过程中自我检查等方面的能力增强，一部分固定编排可能不再必要。

通过渐进式披露，模型可以在需要时加载 Skills 和 Tools，在同一个上下文中持续执行任务。但对于需要独立上下文、并行执行、黑盒验证或模块化权限管理的任务，Subagent 仍然有价值。因此，Anthropic 给出的迁移思路很明确：

建立端到端评估集，一次只合并一个 Subagent，比较迁移前后的结果，并保留那些在合并后表现更差的 Subagent。

文章最后强调，随着模型不断进步，具体架构的重要性可能低于背后的原则：

先测量，再一次改变一个因素，最后保留经过验证有效的方案。

这也是这篇文章对 Agent 工程最有价值的提醒：不要因为某种架构已经成为习惯，就停止重新评估它是否仍然适合当前的模型和任务。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

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
…

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

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
…

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

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
…

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

传统后端 / Java / 前端开发，想转型 AI 应用
大学生、应届生，想拿更好的 offer
产品经理、运营，想武装职业竞争力
技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、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。