本文深入探讨了意图识别在 Agent 中的关键作用分析了常见问题及解决方案。核心内容围绕意图识别的定义、挑战和分层策略展开提出通过规则拦截、微调小模型和大模型分层处理以平衡延迟、准确率和成本提升 Agent 的响应质量和用户体验。文章强调标签设计和意图清单的重要性并给出了具体的实现方法和优化建议旨在帮助开发者构建更高效、准确的智能 Agent 系统。意图识别到底该怎么做为什么你开发的 Agent 老是答非所问先说一个很典型的场面。工具接了十几个提示词写了三百行评测集上一跑准确率挺好看。真上线两周用户投诉最多的不是「答错了」是「答非所问」。用户说「我不想买了」Agent 去查物流了。用户说「那件蓝色的帮我退一下」Agent 反问「您要退哪个订单」——上一轮明明刚说过。八成不是模型不行是「判断用户想干什么」这件事你整包塞给了大模型。意图识别就是干这个的。它是 Agent 的入口闸门闸门开错后面再漂亮的工具调用、再长的上下文全是白费。一、意图识别到底在识别什么医院的分诊台护士就是真人版的意图识别。她不听你把话说完也不做诊断只干一件事把你这句话映射到有限的几个科室里去。急诊扫一眼就放行普通病人按经验分科遇到说不清的才叫来主治医生问两句。把用户这句话映射到有限的几个标签上这就是意图识别干的活没有别的。难的地方在于用户的表达是无限的你的标签是有限的。同样一个「退」有人写「这个不太合适」有人写「退货」有人直接甩一张订单截图。你要用几个固定格子去装五花八门的说法。它还必须在链路入口发生。工具选哪几个、上下文塞多少、要不要转人工全看这一步给出的那个标签。二、延迟、准确率、成本三个数互相拆台给意图识别定方案绕不开三个数。延迟它站在入口耗时会被整条链路继承用户等 1 秒和等 3 秒是两个产品。准确率分错了后面全错这不是「差一点」是百分之百的返工。成本它是全链路调用最频繁的一步每轮对话都得跑一次。这三个数天然互相拆台。想顶满准确率省事的办法是每句话都丢给大模型延迟和成本双双起飞想省钱用关键词硬匹配准确率立刻掉进沟里。所以解法不是「挑一个折中的模型」而是分层让说得清楚的请求走便宜通道只把说不清楚的那部分交给贵的能力。三、分层之前先把标签设计对分层能省成本前提是标签本身站得住。这一步比选模型更重要也常常被跳过。两条硬标准。一是细粒度别停在「查询」「售后」这种粗标签上——「查询」是查订单、查物流、还是查余额三个走的是三套接口。粒度切到能直接对应一个下游动作才算切到位。二是低重叠标签之间不能互相包含边界要能用一句话讲清楚。有个实用的自检法给每个标签写三条正例、三条反例正例是「看到这种表述就往这里放」反例是「这种看着像、但必须往别处放」。写不出反例的标签通常跟隔壁那个是糊在一起的。举个真实的糊法。「退款」和「取消订单」很多人归成一类可一个是已经付了钱要退回来一个是还没付款不想要了走的两套流程。这种标签不拆开模型分得再准也没用——分的本来就是两件事。四、三档怎么做第一档规则拦截表达很明确的意图关键词加正则就够了。这一档的价值被严重低估。用户说了「转人工」「找客服」你还让大模型思考三秒那就是在浪费他的时间。订单号、金额、日期这些有固定长相的东西正则一抓一个准命中就是准的耗时微秒级成本是零它的问题只是覆盖面有限。const text 我要转人工订单 20260917001 怎么还没发货; // 订单号有固定长相正则抓比模型准也快得多 const orderId text.match(/订单/s*(/d{8,})/)?.[1]; if (orderId) return { intent: query_order, orderId, from: rule }; // 固定几个词用户一提就该走人工不要犹豫 if (/转人工|找客服|要人工/.test(text)) return { intent: human, from: rule };三个容易踩的点只有命中必然对的规则才允许直接短路返回规则要能热更新别写死等发版规则堆到几百条没人清理它就是新的技术债。第二档微调一个小模型只让它出一个标签这一档性价比很划算也是主力。做法很朴素把分类变成一次受约束的输出——模型只回答一个标签名别的什么都不许说。落地通常是一个 LoRA 微调过的小模型0.5B 、 1.5B 这种就够使用足量的标注数据垂直场景通常能跑到九成以上单次推理几乎达到秒级成本几乎可以忽略。指令部分跟前面那张意图清单是同一份只是换了句式const prompt 你是一个业务意图分类器。候选意图只有 - query_order查订单进度 - refund已付款要退款 - cancel未付款要取消 - human要转人工 - unknown以上都不是 请根据用户输入以及最近对话上下文判断意图。 要求1. 只能从上述标签中选择一个。2. 不允许解释。3. 无法判断时输出 unknown。 用户输入${text} 最近对话${recent.join(/n)}; // 模型返回的就是一个标签例如refund const label (await askModel(prompt)).trim();三条要求各管一件事。「只能选一个」堵掉两边都想沾「不允许解释」是为了让输出能被程序稳定解析「无法判断时输出 unknown」是给它一条体面的退路没有这条它宁愿硬猜。上下文在这一档的作用是解决「那这个呢」。上一轮说「我想退掉那件蓝色的」这一轮只问「运费谁出」——句子里没有「退款」两个字但意图是明确的。所以提示词末尾要固定带上最近几轮对话再有用户身份、当前渠道这类信息。同一份标签定义还能用来造标注数据让大模型先按它批量打标人只做抽检和纠错比人工标几千条现实得多。这一档的产出就是一个标签。它拿不准时会回你一句 unknown——一个看得见、数得出来的「下不了判断」。上线后盯着 unknown 的占比和误判样本回流这两个数就够了。第三档大模型接住所有的 unknown第二档答 unknown 的那部分交给大模型。这些请求的共同点是不是小模型不会是它缺信息——用户跨着半个系统问或关键信息散在好几轮对话里。大模型上下文更宽也更能处理绕的说法。这一档的提示词该出现的不是「你是资深意图识别专家」这种人设而是三样前面那张意图清单原样贴进去、标签之间的边界说明、以及输出格式。const reply await askLLM( 本轮用户说${text} 最近三轮对话${recent.join(/n)} 可选意图refund已付款要退款 / cancel未付款要取消 / query_logistics查物流 / unknown以上都不是 边界说不想要了已付款选 refund未付款选 cancel 只输出 JSON{intent:...,reason:一句话} );边界说明比标签定义更重要。标签定义告诉它「有什么」边界说明告诉它「别往哪放」这才是让大模型在相邻意图上不飘的东西。它也一样要留 unknown。大模型比小模型更爱硬答总能编一个看着合理的标签。区别在于到这一档不该再往下推了要么反问补全信息要么直接转人工。也别让它顺便决定「要不要调工具」。它在这一步只负责分类越界就会开始幻觉。三档不是三选一是一条流水线从便宜到贵依次短路前面能接住后面的就不用出工async function route(text) { const byRule matchRule(text); // 第一档规则微秒级 if (byRule) return byRule; const byModel await classifyBySmallModel(text); // 第二档只出一个标签 if (byModel ! unknown) return byModel; // 答得出来就用答不出往下走 return await askLLM(text); // 第三档接住所有的 unknown }上线之后盯四个数每一档的命中率、各档退回下一档的比例、各意图的分布变化、误判样本有没有回流到标注集。第四个尤其要盯住——意图识别不是一次调好的工程是拿线上数据一轮一轮喂出来的。这三档建议先截图搭的时候对着排一遍。结尾回到最开始那个目的。延迟、准确率、成本从来不是靠选一个「更强的模型」同时满足的是靠把流量分层让贵的能力只出现在真正需要它的地方。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。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】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、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。4、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。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】 
长河君 · 2026/10/9 7:59:55 · 阅读 1.2k 新手程序员必看：如何实现精准意图识别，告别 Agent 答“非所问”困境？
本文深入探讨了意图识别在 Agent 中的关键作用分析了常见问题及解决方案。核心内容围绕意图识别的定义、挑战和分层策略展开提出通过规则拦截、微调小模型和大模型分层处理以平衡延迟、准确率和成本提升 Agent 的响应质量和用户体验。文章强调标签设计和意图清单的重要性并给出了具体的实现方法和优化建议旨在帮助开发者构建更高效、准确的智能 Agent 系统。意图识别到底该怎么做为什么你开发的 Agent 老是答非所问先说一个很典型的场面。工具接了十几个提示词写了三百行评测集上一跑准确率挺好看。真上线两周用户投诉最多的不是「答错了」是「答非所问」。用户说「我不想买了」Agent 去查物流了。用户说「那件蓝色的帮我退一下」Agent 反问「您要退哪个订单」——上一轮明明刚说过。八成不是模型不行是「判断用户想干什么」这件事你整包塞给了大模型。意图识别就是干这个的。它是 Agent 的入口闸门闸门开错后面再漂亮的工具调用、再长的上下文全是白费。一、意图识别到底在识别什么医院的分诊台护士就是真人版的意图识别。她不听你把话说完也不做诊断只干一件事把你这句话映射到有限的几个科室里去。急诊扫一眼就放行普通病人按经验分科遇到说不清的才叫来主治医生问两句。把用户这句话映射到有限的几个标签上这就是意图识别干的活没有别的。难的地方在于用户的表达是无限的你的标签是有限的。同样一个「退」有人写「这个不太合适」有人写「退货」有人直接甩一张订单截图。你要用几个固定格子去装五花八门的说法。它还必须在链路入口发生。工具选哪几个、上下文塞多少、要不要转人工全看这一步给出的那个标签。二、延迟、准确率、成本三个数互相拆台给意图识别定方案绕不开三个数。延迟它站在入口耗时会被整条链路继承用户等 1 秒和等 3 秒是两个产品。准确率分错了后面全错这不是「差一点」是百分之百的返工。成本它是全链路调用最频繁的一步每轮对话都得跑一次。这三个数天然互相拆台。想顶满准确率省事的办法是每句话都丢给大模型延迟和成本双双起飞想省钱用关键词硬匹配准确率立刻掉进沟里。所以解法不是「挑一个折中的模型」而是分层让说得清楚的请求走便宜通道只把说不清楚的那部分交给贵的能力。三、分层之前先把标签设计对分层能省成本前提是标签本身站得住。这一步比选模型更重要也常常被跳过。两条硬标准。一是细粒度别停在「查询」「售后」这种粗标签上——「查询」是查订单、查物流、还是查余额三个走的是三套接口。粒度切到能直接对应一个下游动作才算切到位。二是低重叠标签之间不能互相包含边界要能用一句话讲清楚。有个实用的自检法给每个标签写三条正例、三条反例正例是「看到这种表述就往这里放」反例是「这种看着像、但必须往别处放」。写不出反例的标签通常跟隔壁那个是糊在一起的。举个真实的糊法。「退款」和「取消订单」很多人归成一类可一个是已经付了钱要退回来一个是还没付款不想要了走的两套流程。这种标签不拆开模型分得再准也没用——分的本来就是两件事。四、三档怎么做第一档规则拦截表达很明确的意图关键词加正则就够了。这一档的价值被严重低估。用户说了「转人工」「找客服」你还让大模型思考三秒那就是在浪费他的时间。订单号、金额、日期这些有固定长相的东西正则一抓一个准命中就是准的耗时微秒级成本是零它的问题只是覆盖面有限。const text 我要转人工订单 20260917001 怎么还没发货; // 订单号有固定长相正则抓比模型准也快得多 const orderId text.match(/订单/s*(/d{8,})/)?.[1]; if (orderId) return { intent: query_order, orderId, from: rule }; // 固定几个词用户一提就该走人工不要犹豫 if (/转人工|找客服|要人工/.test(text)) return { intent: human, from: rule };三个容易踩的点只有命中必然对的规则才允许直接短路返回规则要能热更新别写死等发版规则堆到几百条没人清理它就是新的技术债。第二档微调一个小模型只让它出一个标签这一档性价比很划算也是主力。做法很朴素把分类变成一次受约束的输出——模型只回答一个标签名别的什么都不许说。落地通常是一个 LoRA 微调过的小模型0.5B 、 1.5B 这种就够使用足量的标注数据垂直场景通常能跑到九成以上单次推理几乎达到秒级成本几乎可以忽略。指令部分跟前面那张意图清单是同一份只是换了句式const prompt 你是一个业务意图分类器。候选意图只有 - query_order查订单进度 - refund已付款要退款 - cancel未付款要取消 - human要转人工 - unknown以上都不是 请根据用户输入以及最近对话上下文判断意图。 要求1. 只能从上述标签中选择一个。2. 不允许解释。3. 无法判断时输出 unknown。 用户输入${text} 最近对话${recent.join(/n)}; // 模型返回的就是一个标签例如refund const label (await askModel(prompt)).trim();三条要求各管一件事。「只能选一个」堵掉两边都想沾「不允许解释」是为了让输出能被程序稳定解析「无法判断时输出 unknown」是给它一条体面的退路没有这条它宁愿硬猜。上下文在这一档的作用是解决「那这个呢」。上一轮说「我想退掉那件蓝色的」这一轮只问「运费谁出」——句子里没有「退款」两个字但意图是明确的。所以提示词末尾要固定带上最近几轮对话再有用户身份、当前渠道这类信息。同一份标签定义还能用来造标注数据让大模型先按它批量打标人只做抽检和纠错比人工标几千条现实得多。这一档的产出就是一个标签。它拿不准时会回你一句 unknown——一个看得见、数得出来的「下不了判断」。上线后盯着 unknown 的占比和误判样本回流这两个数就够了。第三档大模型接住所有的 unknown第二档答 unknown 的那部分交给大模型。这些请求的共同点是不是小模型不会是它缺信息——用户跨着半个系统问或关键信息散在好几轮对话里。大模型上下文更宽也更能处理绕的说法。这一档的提示词该出现的不是「你是资深意图识别专家」这种人设而是三样前面那张意图清单原样贴进去、标签之间的边界说明、以及输出格式。const reply await askLLM( 本轮用户说${text} 最近三轮对话${recent.join(/n)} 可选意图refund已付款要退款 / cancel未付款要取消 / query_logistics查物流 / unknown以上都不是 边界说不想要了已付款选 refund未付款选 cancel 只输出 JSON{intent:...,reason:一句话} );边界说明比标签定义更重要。标签定义告诉它「有什么」边界说明告诉它「别往哪放」这才是让大模型在相邻意图上不飘的东西。它也一样要留 unknown。大模型比小模型更爱硬答总能编一个看着合理的标签。区别在于到这一档不该再往下推了要么反问补全信息要么直接转人工。也别让它顺便决定「要不要调工具」。它在这一步只负责分类越界就会开始幻觉。三档不是三选一是一条流水线从便宜到贵依次短路前面能接住后面的就不用出工async function route(text) { const byRule matchRule(text); // 第一档规则微秒级 if (byRule) return byRule; const byModel await classifyBySmallModel(text); // 第二档只出一个标签 if (byModel ! unknown) return byModel; // 答得出来就用答不出往下走 return await askLLM(text); // 第三档接住所有的 unknown }上线之后盯四个数每一档的命中率、各档退回下一档的比例、各意图的分布变化、误判样本有没有回流到标注集。第四个尤其要盯住——意图识别不是一次调好的工程是拿线上数据一轮一轮喂出来的。这三档建议先截图搭的时候对着排一遍。结尾回到最开始那个目的。延迟、准确率、成本从来不是靠选一个「更强的模型」同时满足的是靠把流量分层让贵的能力只出现在真正需要它的地方。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。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】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、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。4、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。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】