企业官网建设流程全解析

郑州网站建设网页设计,付费网站建设模板,wordpress登陆ip唯一,制作网页动态效果文章介绍了DeepSearcher开源项目#xff0c;这是一个基于Agentic RAG架构的企业级搜索工具。相比传统RAG#xff0c;它具有主动响应、多轮动态检索和自我修正能力#xff0c;适用于复杂推理和报告生成。DeepSearcher结合深度内容生成、超级搜索和研究助理功能#xff0c;通…文章介绍了DeepSearcher开源项目这是一个基于Agentic RAG架构的企业级搜索工具。相比传统RAG它具有主动响应、多轮动态检索和自我修正能力适用于复杂推理和报告生成。DeepSearcher结合深度内容生成、超级搜索和研究助理功能通过Milvus向量数据库支持本地数据接入并允许更换底层模型。文章通过实例展示了其在综述类和复杂推理类问题上的优势认为Agentic RAG是搜索AGI的发展方向。前言准备好迎接搜索3.0时代了吗随着这几年AI技术的革新“搜索应用”成为了AI应用层的第一个共识。从海外的OpenAI、微软Bing Copilot、Perplexity AI再到国内的豆包、Kimi都是这一共识下的代表产品。技术上从传统的关键词检索到RAG大家已经不满足于只是生成对应的简单回答而是期待大语言模型能够更好地应用于企业级场景产生更大的价值。不久前OpenAI推出了最新的深度内容生成神器“DeepResearch”用户只需一个特斯拉的合理市值是多少的提问DeepResearch就能生成一份包括企业财务、业务增长分析再到最后的市值推演的专业分析报告。而这也指明了搜索AGI的发展方向。在此背景下如何基于“DeepResearch”理念对其做定制化改造成为了近一个月来的市场热门话题。当然Zilliz也是其中非常幸运的一员。不久前我们推出了DeepSearcher开源项目 不到半个月在GitHub收获的star数量就已经超过3100感谢全球开发者和各位读者们的火热支持尝鲜链接https://github.com/zilliztech/deep-searcher建立在DeepResearch大模型超级搜索研究助理的三合一的基础上DeepSearcher还通过Milvus向量数据库引入本地数据并支持用户自由更换包括DeepSeek-R1在内的底层模型为用户带来了更符合企业级场景的全新RAG范式。1、从RAG到Agentic RAG更聪明的推理到底为RAG带来了什么如果要给DeepSearcher一个明确的定性那它应该属于一个非常典型的Agentic RAG架构。所谓Agentic RAG是一种融合智能代理Agent能力的RAG架构。通过动态规划、多步骤推理和自主决策机制Agentic RAG可以在复杂任务中实现闭环的检索-加工-验证-优化。其崛起主要受到大模型推理能力提升的影响。相比传统RAGAgentic RAG可以将我们的问题通过大模型的推理能力拆分成多个子问题并在多轮查询中不断的迭代与优化直到得到满意结果。相应的Agentic RAG相比传统RAG有着三大优势1被动响应变为主动响应2单次的关键词检索升级为多轮的动态调整检索并拥有自我修正能力3适用场景从最基础的简单事实问答升级为复杂推理、复杂报告生成等开放域任务。而基于以上能力的升级DeepSearcher能够像人类专家一样面对提问不仅给出答案更能给出推理过程、执行细节在内的一整套完整方案。在这一背景下**长期来看Agentic RAG必定会取代传统RAG。**一方面传统RAG对需求的响应还停留在非常基础的阶段另一方面现实中我们大部分的需求表达背后都是有隐含逻辑的并不能被一步检索到位必须通过推理-反思-迭代-优化来对其进行拆解与反馈。2、DeepSearcher 的架构设计一个通往搜索AGI的Agentic RAG应该如何设计从架构上看DeepSearcher 主要分为两大模块。一个是数据接入模块通过Milvus向量数据库来接入各种第三方的私有知识。这也是DeepSearcher相比OpenAI的原本DeepResearch做出的一大重大升级——更适合拥有独家数据的企业级场景。另外一部分是在线推理查询模块。这个模块包括了各种Agent策略以及RAG的实现部分负责给用户提供准确有深度的回答。这部分引入了动态循环迭代机制****每次对向量数据库中内容完成数据查询后系统都会启动一个反馈reflection流程然后在每一轮迭代结束时智能体Agent会对查询到的知识进行评估判断其是否足以解答初始提出的问题。若发现仍存在知识缺口便会触发下一轮迭代查询若判定已有足够知识来作答系统就会生成最终报告 。这种不断“追问”“反思”的能力其实也是Agentic RAG相比传统RAG的最大进步甚至也是人类的文学、历史、哲学、科学千年来不断进步的根源所在。3、Deep Searcher的效果到底如何适合哪些场景我们可以看到DeepSearcher 在完成安装并导入本地文件后针对我们的 query 命令会对所有导入的内容进行深度搜索和分析在搜索过程中会打印每一步的搜索过程和思考过程并对结果进行最后的整合。相应的这种相对**“重思考”“重算力投入”**的模式在落地中更适合“综述类提问”以及“含复杂推理类提问”的场景。1综述类提问综述类提问的典型代表是写报告写文档写总结它一般会给出一个简短的主题但要求尽可能多的给出详尽汇报输出。我们以“How has The Simpsons changed over time?”(《辛普森一家》动画剧集随着时间的推移发生了什么变化)为例在Deep Searcher第一轮生成的初始子查询如下文所示Break down the original query into new sub queries: [ How has the cultural impact and societal relevance of The Simpsons evolved from its debut to the present?, What changes in character development, humor, and storytelling styles have occurred across different seasons of The Simpsons?, How has the animation style and production technology of The Simpsons changed over time?, How have audience demographics, reception, and ratings of The Simpsons shifted throughout its run?]在经过检索信息反馈迭代后又生成下一轮的子查询问题New search queries for next iteration: [ How have changes in The Simpsons voice cast and production team influenced the shows evolution over different seasons?, What role has The Simpsons satire and social commentary played in its adaptation to contemporary issues across decades?, How has The Simpsons addressed and incorporated shifts in media consumption, such as streaming services, into its distribution and content strategies?]每一轮的子问题都回到知识库里面检索生成最后完整的报告**Report: The Evolution of _The Simpsons_ (1989–Present)** **1. Cultural Impact and Societal Relevance** _The Simpsons_ debuted as a subversive critique of American middle-class life, gaining notoriety for its bold satire in the 1990s. Initially a countercultural phenomenon, it challenged norms with episodes tackling religion, politics, and consumerism. Over time, its cultural dominance waned as competitors like _South Park_ and _Family Guy_ pushed boundaries further. By the 2010s, the show transitioned from trendsetter to nostalgic institution, balancing legacy appeal with attempts to address modern issues like climate change and LGBTQ rights, albeit with less societal resonance. **2. Character Development and Storytelling Shifts** Early seasons featured nuanced character arcs (e.g., Lisa’s activism, Marge’s resilience), but later seasons saw Flanderization (exaggerating traits, e.g., Homer’s stupidity, Ned Flanders’ piety). Humor evolved from witty, character-driven satire to reliance on pop culture references and meta-humor. Serialized storytelling in early episodes gave way to episodic, gag-focused plots, often sacrificing emotional depth for absurdity. [...] **12. Merchandising and Global Reach** The 1990s merchandise boom (action figures, _Simpsons_-themed cereals) faded, but the franchise persists via collaborations (e.g., _Fortnite_ skins, Lego sets). International adaptations include localized dubbing and culturally tailored episodes (e.g., Japanese _Itchy Scratchy_ variants). **Conclusion** _The Simpsons_ evolved from a radical satire to a television institution, navigating shifts in technology, politics, and audience expectations. While its golden-age brilliance remains unmatched, its adaptability—through streaming, updated humor, and global outreach—secures its place as a cultural touchstone. The show’s longevity reflects both nostalgia and a pragmatic embrace of change, even as it grapples with the challenges of relevance in a fragmented media landscape.2含复杂推理类提问含复杂推理类提问通常在提问中包含着隐含着复杂的逻辑推理比如问谁的七大姑八大姨家的小孩上学的班级的班主任名字。这类问题往往存在多个实体关系或者逻辑之间的连接需要多次反馈迭代查询。我们以问题“Which film has the director who is older, God’S Gift To Women or Aldri annet enn bråk.”哪部电影的导演年龄更大是《God’S Gift To Women》还是 《Aldri annet enn bråk》为例。对人类来说这个问题可能很基础。但对传统RAG来说这显然这是个复杂的问题因为我们的知识库并不会存储这个问题的直接答案。因此我们需要先检索到两部电影的导演的信息然后找到他们的出生日期最后再比较哪个年纪大。Deep Searcher的搜索过程如下系统针对拆解后的子问题[Who is the director of GodS Gift To Women?, Who is the director of Aldri annet enn bråk?, What are the ages of the respective directors?, Which director is older?]然后第一次迭代找到The director of Gods Gift To Women is Michael Curtiz, the director of Aldri annet enn bråk is Edith Carlmar定位到两部电影的导演的名字。第二轮的子查询包括[Find the birthdate of Michael Curtiz, the director of Gods Gift To Women, Find the birthdate of Edith Carlmar, the director of Aldri annet enn bråk]然后搜索到两位导演的出生年月最后得到正确的回答。The director of Gods Gift To Women is Michael Curtiz, who was born on December 24, 1886 and passed away on April 11, 1962. He was a Hungarian-born American film director known for his prolific career in Hollywood. On the other hand, the director of Aldri annet enn bråk is Edith Carlmar, who was born on November 15, 1911 and passed away on May 17, 2003. Therefore, Michael Curtiz is older than Edith Carlmar.而反观普通RAG的回答效果1. **Aldri annet enn bråk** (1954) is directed by **Edith Carlmar**, who was born on November 15, 1911. 2. The related chunks did not provide specific details about the director of Gods Gift to Women. However, if we look at external sources for Gods Gift to Women, the film was directed by **L. M. (Lyman) Steinberg**, who was born on December 19, 1905. By comparing their birth dates: - Edith Carlmar: November 15, 1911 - L. M. Steinberg: December 19, 1905 **Conclusion**: L. M. Steinberg, the director of Gods Gift to Women, is older than Edith Carlmar, the director of Aldri annet enn bråk.由于一次性检索的内容不足检索到的电影《God’s Gift to Women》的导演无法推断此时LLM幻觉猜测是另外一名导演这直接导致错误的回答。4、Deep Searcher VS 普通RAG 定量对比在GitHub的Deep Searcher官方代码库里我们已经提供了定量测试的代码。在本文中我们以 2WikiMultiHopQA 这个常见的数据集测试。由于测试需要消耗大量API token这里只测试前50条数据和全量数据测试相比会有一些抖动误差但大致可以反映和说明问题。1和普通RAG的召回率效果对比以Max Iterations最大反馈迭代为横轴以Recall召回率为纵轴下图是Deep Searcher 的召回率和普通RAG召回率的对比。可以看到随着Max Iterations最大反馈迭代次数变多Deep Searcher 召回效果越来越好。但也可以看到随着迭代次数慢慢增加边际收益越来越少说明反馈次数增加后可能会达到一定的上限继续反馈可能不太能得到更好的效果因此我们默认迭代次数为3您可以根据自身的需求进行调整。2token的消耗量我们以迭代次数为横轴50次总的token消耗为纵轴绘制出下图很明显可以看到随着迭代次数的提高我们可以看到Deep Searcher 的token的消耗是线性地提升。如果按照4次来算大约0.3M的token消耗如果粗略按照OpenAI的gpt-4o-mini单价0.60$/1M output token来算平均每次查询大约是0.18 / 50 0.0036美元的费用消耗。如果换做推理模型这个费用应该会数倍增加包括推理模型本身的单价更贵以及推理模型的输出token量会更多。3模型间的对比相比OpenAI官方推出的DeepResearch我们推出的 Deep Searcher 的另一大特点是可以自由切换模型。在这里我们也对各种不同的推理模型、非推理模型如(gpt-4o-mini)进行了测试。可以看到Claude 3.7 Sonnet的效果最好不过也领先的也不多。当然因为我们的测试样本量不多所以每次测试的结果可能会有一些偏差。但总体上看推理模型是比非推理模型强的。另外在我们的测试中更弱更小的的非推理模型有时由于指令跟随能力太弱无法完成整个 agent 查询流程所以也无法完成整个测试这个也是不少开发者在部署类似产品时经常会遇到的一个问题。5、Deep Searcher VS Graph RAGDeep Searcher的本质是Agentic RAG和Graph RAG有着很明显的区别。Graph RAG主要聚焦于对存在连接关系的文档展开查询在处理多跳类问题上表现出色。例如当导入一部长篇小说时它能够精准抽取各个人物之间错综复杂的关系。其运作方式是在文档导入环节就对实体间关系进行抽取。因此这一过程会大量消耗大模型的token资源 。而在查询阶段不论是否是查询图中某些节点的信息都会进行图结构的搜索这使得这一框架不太灵活。反观Agentic RAG它的资源消耗模式与Graph RAG恰好相反。在数据导入阶段Agentic RAG无需执行额外特殊操作而在回答用户提问时才会产生较多大模型的token消耗。从查询模式的灵活性角度对比Graph RAG存在明显短板它的查询模式较为固定通常仅适用于单一关系的查询难以根据多样化的需求进行灵活调整。而Agentic RAG则展现出强大的灵活性。Deep Searcher在不论是类似探究“A、B和C之间存在何种关系”这样复杂的逻辑问题亦或是撰写各类专业报告等任务都能在查询阶段依据问题的特性灵活调整路由策略进行反复的反馈迭代思考从而给出最为精准、全面的回答。未来随着大模型成本持续降低推理性能稳步提升像Deep Searcher这样的Agentic RAG凭借其突出的灵活性与适应性极有可能在未来成为主流技术并在实际应用场景中实现深度落地。但这并不意味着全盘否定Graph RAG类产品由于其在调整方面存在一定难度后续或许更多地作为一个基础组件融入到更为复杂的技术体系中与其他技术协同发挥作用。6、Deep Searcher VS Deep Research与OpenAI的Deep Research不同Deep Searcher着重聚焦于对私有数据的深度检索与理解。借助向量数据库Deep Searcher能够接入多样化的数据源整合不同类型的数据并将其统一存储于向量数据库的知识库中。凭借向量数据库强大的语义搜索功能Deep Searcher可实现对海量离线数据的语义搜索。另一方面Deep Searcher是一个完全开源的产品。毋庸置疑OpenAI的Deep Research在内容生成质量上依然在业内处于领先地位但对企业用户来说每个账户除了需要每月需支付200美元之外闭源的服务也就意味着其内部流程对用户而言是未知的。而Deep Searcher所有内部流程都是开源的用户能够清晰了解其中的细节并基于开源代码进行定制或者将其部署到生产环境中。7、一些思考与经验分享在整个项目的研发以及后续迭代过程中我们有一些经验与心得分享推理模型很好但绝非万能。我们通过实验发现推理模型做 agent 虽然效果好但有时也会对一些简单的指令判断做一大堆分析与反复思考确认不仅消耗过多token回答速度还慢。这也印证了诸如 OpenAI 的大模型厂商后续不再区别推理和非推理模型背后的逻辑模型服务应该自动根据需求判断是否推理以节省不必要的 token 开销。Agentic RAG 的爆发尽在眼前。从需求侧看深度内容生成是一个刚需场景技术侧来看提升RAG效果也是刚需。长期来看影响Agentic RAG 爆发的唯一阻碍就是成本但是随着DeepSeek R1这样的低成本高质量LLM出现以及摩尔定律推动的芯片降本推理服务的成本也会变得越来越低。Agentic RAG 也存在隐形的scaling law “墙”。实验中面对一些复杂问题我们一度尝试通过增加 token 数量来优化效果。但最终发现随着 token 数量的增加边际收益递减的现象逐渐显现到了一定阶段即便投入更多 token 进行反思和迭代效果也难以得到进一步提升。传统RAG已死传统RAG的优势在于一次检索的低成本。但其对需求的响应还停留在非常基础语义理解-检索的阶段但现实中我们大部分的需求表达背后都是有隐含逻辑的并不能被一步检索到位比如如何在一年赚一个亿必须通过推理-反思-迭代-优化来对其进行拆解与反馈而以Deep Searcher为代表的Agentic RAG 技术方向将是无可置疑的大势所趋。小白/程序员如何系统学习大模型LLM作为在一线互联网企业深耕十余年的技术老兵我经常收到小白和程序员朋友的提问“零基础怎么入门大模型”“自学没有方向怎么办”“实战项目怎么找”等问题。难以高效入门。这里为了帮助大家少走弯路我整理了一套全网最全最细的大模型零基础教程。涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。免费分享给需要的朋友扫码免费领取全部内容1、我们为什么要学大模型很多开发者会问大模型值得花时间学吗答案是肯定的——学大模型不是跟风追热点而是抓住数字经济时代的核心机遇其背后是明确的行业需求和实打实的个人优势第一行业刚需驱动并非突发热潮。大模型是AI规模化落地的核心引擎互联网产品迭代、传统行业转型、新兴领域创新均离不开它掌握大模型就是拿到高需求赛道入场券。第二人才缺口巨大职业机会稀缺。2023年我国大模型人才缺口超百万2025年预计达400万具备相关能力的开发者岗位多、薪资高是职场核心竞争力。第三技术赋能增效提升个人价值。大模型可大幅提升开发效率还能拓展职业边界让开发者从“写代码”升级为“AI解决方案设计者”对接更高价值业务。对于开发者而言现在入门大模型不仅能搭上行业发展的快车还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位还是传统行业的AI转型需求都在争抢具备大模型技术能力的人才。人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议2、大模型入门到实战全套学习大礼包分享最后再跟大家说几句只要你是真心想系统学习AI大模型技术这份我耗时许久精心整理的学习资料愿意无偿分享给每一位志同道合的朋友。在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。部分资料展示2.1、 AI大模型学习路线图厘清要学哪些对于刚接触AI大模型的小白来说最头疼的问题莫过于“不知道从哪学起”没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境甚至中途放弃。为了解决这个痛点我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段从最基础的入门认知到核心理论夯实再到实战项目演练最后到进阶优化与落地每一步都明确了学习目标、核心知识点和配套实操任务带你一步步从“零基础”成长为“能落地”的大模型学习者。后续还会陆续拆解每个阶段的具体学习内容大家可以先收藏起来跟着路线逐步推进。L1级别:大模型核心原理与PromptL1阶段将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。从A11.0到A12.0的变迁,深入解析大模型与通用人工智能的关系。同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。此外,还涵盖Pvthon基础、提示工程等内容。目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。L2级别RAG应用开发工程L2阶段将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。通过实战项目提升RAG应用开发能力。目标与收益:掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。L3级别Agent应用架构进阶实践L3阶段将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的关键技术分析,再到funcation calling与Agent认知框架的深入探讨。同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。L4级别:模型微调与私有化大模型L4级别将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。通过chatGlM与Lama3的实战案例,深化理论与实践结合。目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。2.2、 全套AI大模型应用开发视频教程从入门到进阶这里都有跟着老师学习事半功倍。2.3、 大模型学习书籍文档收录《从零做大模型》《动手做AI Agent》等经典著作搭配阿里云、腾讯云官方技术白皮书帮你夯实理论基础。2.4、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。2.5、大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】2.6、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。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3、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】