读完 Anthropic 这篇记忆论文,我把做 Agent 记忆的思路全部推翻重来

一篇论文,把我项目里的记忆模块判了死刑

上周我还在给自己的 Agent 项目加"记忆"功能,思路很朴素:把每轮对话塞进数据库,下次检索一下拼进 prompt。功能是"有了",但 Agent 的表现并没有变好——它记了一堆垃圾,真正该记的东西反而被淹没了。

直到我读完 Anthropic 工程团队 11 月 6 日发布的《The components of agent memory》,才意识到问题的根源:我把"记忆"当成了"存储",而 Anthropic 开篇就否定了这个等式。

论文用哲学家克尔凯郭尔的一句话开篇:生活唯有向后看才能理解,但必须向前生活。设计 Agent 的记忆面临同样的困境——我们既要在当下记录经验,又要在事后把经验整合为可复用的知识。这两件事不是同一件事,需要不同的机制。

Anthropic 给出的答案是借鉴人脑:海马体在事中实时记录,睡眠时通过"重放"把经验固化到新皮层。对应到 Agent,就是在日志里捕获工作,再通过一个叫 dreaming 的离线过程反思日志、纠正错误、生成新笔记与表征。

第一个颠覆:这些东西根本不算记忆

论文先划清了边界,这一步特别重要,因为它直接宣判了很多"记忆功能"的无效。

Agent memory 的定义是:从经验(用户交互、被分配的任务)中获得、能跨会话保留的知识,以"可被稍后读取的上下文"形式保存。

三类东西被明确排除:模型权重改变(那是训练)、单会话内的 in-context learning(那是上下文,不是记忆)、把长上下文压缩成摘要的 compaction(那是压缩,会话结束就没了)。

按这个标准回头看,我之前做的"对话存库+检索"最多算第一层的转录,离真正的记忆差着三个层级。

第二个颠覆:记忆是四层架构,不是一张表

论文给出的记忆层级从底到顶四层,我逐层说一下自己的理解。

第一层 Transcripts,转录与事件日志。最底层,一份可搜索的事件日志,忠实记录 Agent 干活的全过程。注意是"忠实",这一层不做任何加工。

第二层 Memory notes,记忆笔记。Claude 在会话中或之后写进记忆存储的"显著观察"。这一层开始有筛选了——不是什么都记。

第三层 Memory representations,记忆表征。比如 wiki:Claude 编写并维护的一批页面,把某主题的知识聚拢、相互链接,构成一张可遍历的知识地图。

第四层 Injected context,注入上下文。每个新会话开始时由 harness 预加载的内容。它必须精简——Claude Code 只加载 MEMORY.md 的前 200 行(或 25KB)作为索引,下层内容按需再去读。

外面包着的 Dreaming 是离线过程:它把底层转录一路向上组织,既能纠错、建表征,也能把关键内容提升到注入层。

看到这个架构我最大的感悟是:我原来只有第一层,却以为自己在做"记忆系统"。四层之间是加工关系——从原始事实到筛选后的观察,到结构化知识,再到每会话精华。每一层都在为下一层的"少量但更准"服务。

第三个颠覆:记越多,死越快

这是论文里最扎心的实验。他们让 Claude 玩《宝可梦 红》,给模型一个可读写的记忆文件夹。

Sonnet 3.7 写了 413 个文件、近 98 万字符,塞满各种琐碎,最终只拿到 1 枚徽章。Fable 5 只写了 9 个文件、约 4.3 万字符,拿到 4 枚徽章。Opus 5.5 用更小的文件夹直接通关。

不加区分地记忆,反而拖累性能。模型需要的是选择性记忆,而非全量归档。我的"什么都往库里塞"的做法,正好是 Sonnet 3.7 的翻版。

第四个颠覆:写死规则,不如给一句元指引

那能不能下指令"只记重要的"?论文的 steering 实验又打脸了。

对 Sonnet 4.6,光有记忆增益有限(0.330 到 0.364),但加一句"先用记忆里的理论去测,再写记忆"的精炼指引,直接飙到 0.641。更反直觉的是:当你命令"只记录失败",Opus 5 的增益反而下降 0.234,Opus 4.7 下降 0.150。

结论:对前沿模型,固定规则不如简单的元指引;越强的模型,越该给它判断显著性的自由。我之前在 prompt 里写的那堆"记忆规则",可能正在帮倒忙。

Dreaming:这套架构的灵魂

前面的铺垫都是为了 dreaming 登场。它有五个价值,我挑三个最触动我的说。

纠错。《宝可梦》月见山的案例:原始记忆里一条错笔记,导致 Agent 反复掉下悬崖、永远卡在山里;dreaming 离线对照转录纠正后,Agent 掉头回到洞里,最终抵达下一座城市。量化数据:3000 步累积动作里,记忆加 dreaming 在第 1935 步抵达 Cerulean,错笔记版本永远过不了山。一条被纠正的笔记,直接改变了结局。

织网。35 万文件、4.2 亿 token 的公司语料,128 个会话逐步建 wiki:单靠 wiki 检索从 13% 升到 48%,wiki 加搜索从 54% 升到 61%。当然有边界——单文档任务 wiki 没有优势,而且 wiki 本身可能比语料还大(实验里膨胀到 1.77 倍),建表征也要算成本。

提层与聚焦。注入层必须小,错误笔记一旦被注入会在所有会话全局传播。多 Agent 并发写同一个文件会互相覆盖(实验里 57 个判分事实只剩 41),改成每 Agent 独立页、逐字引用原文后全部保留。

我打算怎么改

复盘下来,我的改造路线很清晰:先把"对话存库"降级为诚实的 Transcripts 层;然后加上会话结束后的离线整理步骤,哪怕只是让模型对照日志自查一遍笔记,也是最小的 dreaming;注入层只留一份精简索引,正文按需检索;最后把我写死的记忆规则删掉,换成一句"先用记忆里的理论去测,再写记忆"。

记忆不是免费的,但做对了,它就是 Agent 从"每次从零开始"到"越用越聪明"的分水岭。这篇论文值得每个做 Agent 的工程师精读一遍。

如果看完觉得对你有帮助,想系统学大模型和 Agent 的朋友,可以看看文末的学习资料,我把自己在用的路径也放在里面了。

补一个被我忽略的关键定义:记忆即预测

论文还有一个提纲挈领的视角值得单独说:它把"记忆"定义为一种预测机制。Agent 通过记忆,在下一次遇到类似情境时预测正确做法。这个定义妙在哪?它给了记忆系统一个可量化的评测标准——不是看存了多少,而是看下一次预测得准不准。

验证用的基准叫 CL-Bench 1.0,一个数据库问答任务:答完后系统会给出正确答案,Agent 可以把规则、已验证事实、踩坑警告写进记忆;下一题开新会话,但记忆目录持久存在。这个设计恰好模拟了真实工作场景——每次任务都是新会话,但经验应该留下来。

数据说话:无状态基线与有记忆存储对比,Opus 5.5 从 0.655 涨到 0.838,Sonnet 5.5 从 0.644 涨到 0.833,而且随着题目累积,带记忆的曲线稳定走高。更关键的发现是:较新的模型(Opus 5 及以上)能形成"闭环学习"——自动记录规则与陷阱,而无记忆基线几乎原地踏步。

这组数字反过来解释了第四层注入层为什么必须精简:记忆的价值在"预测得准",不在"装得得多"。把你最确定的规则和警告放进每个新会话的第一屏,剩下的交给按需检索——这才是记忆系统的正确打开方式。

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

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。

在这里插入图片描述

在这里插入图片描述

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!

img


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。

在这里插入图片描述

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。

img

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。

img

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。

img

适用人群

在这里插入图片描述

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

相关推荐

2025 年就业竞争激烈!当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击

2025 年就业竞争激烈!当1222 万毕业生遭遇 “35 岁门槛” 与 AI 革命的双重冲击

EnjoyEDU的博客 6万+

狠狠收藏!关于Deepseek,看这一篇就足够了

最近,AI界黑马DeepSeek爆火。AI圈、科技博主、职场人,甚至连朋友圈的宝妈群都在聊——“DeepSeek太强了!”“国产GPT之光!”“中文能力碾压!但Deepseek这个名词对部分人来说还比较陌生,怎么高效使用也是一个未知数,今天,就让我们一起走进DeepSeek的世界,看看它到底有多厉害!顺便再给你个DeepSeek万能使用模板,让你彻底摆脱提示词焦虑,让AI真正成为你的“最强大脑”!

EnjoyEDU的博客 2万+

从零到手搓一个Agent:AI Agents新手入门精通

Agents 代表着生成式AI模型的进阶形态,它们拥有自主行动能力,能够利用工具与外界交互,并根据目标进行决策,具有更广泛的应用范围和更强大的能力。随着技术的不断发展,Agents 将会改变我们的生活和工作方式,并推动人工智能进入新的发展阶段。未来,Agent 将成为人工智能发展的重要方向,为我们带来更智能、更便捷的未来。

EnjoyEDU的博客 1万+

小白程序员必看:大模型RAG方案选型全解析,告别盲目跟风!

RAG选型的核心,是让方案与企业的知识结构、问题类型、准确要求、权限规则和资源条件保持一致。知识是什么结构用户会提出什么问题答案需要达到什么准确度权限和版本如何控制系统能承担多少延迟、成本与维护工作基础向量RAG适合语义查询;混合检索与重排序适合大多数企业文档;层级RAG适合长文档;GraphRAG适合关系和全局问题;结构化RAG适合经营指标;Agentic RAG适合多步骤、多来源任务。选型完成后,还要用固定评估集持续验证检索召回、答案正确性、依据一致性、权限安全和运行成本。

EnjoyEDU的博客 3

药学背景拿下迈瑞 35K Offer 的完整复盘:她只做对了四件事

这也回应了很多人最担心的"不会写代码怎么办":AI 应用开发正在从"写代码"转向"组织 AI 能力",业务理解、数据质量把控、风险边界设计,这些环节对非技术背景的人不仅友好,甚至更有优势。这样的公司缺的不是又一个会写代码的人,而是懂业务、懂边界、能推动落地的人——她的药学背景正是稀缺项。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。

EnjoyEDU的博客 12

一边裁 6.6 万人一边疯招 AI 岗,大厂不是在矛盾,是在换血

AI 化从技术部门蔓延到所有业务线——字节的 AI 相关岗位已经渗透到电商、生活服务、企业服务几乎全部板块,腾讯的产品类扩招 39%,小米 AI 岗需求增长超 50%,连 DeepSeek 都放话要把所有部门的规模扩大至少一倍。也就是说,裁掉的预算没有消失,它换了个科目,变成了 AI 人力成本。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。

EnjoyEDU的博客 9

六家大厂秋招数据放在一起,AI 岗的格局一眼看明白了

反过来说,水进去的概率也变低了——岗位多了,但筛选标准不会降。很多人看到扩招数据的第一反应是"名额多了",但真正决定你能不能吃到红利的,是这批扩招岗位的质量属性。趁着窗口没到自己头上,把 RAG、Agent 这些硬技能先练起来,等轮到你们秋招时,手里有真项目的人和现在临时抱佛脚的人,差距会非常大。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。

EnjoyEDU的博客 37

药学背景小白如何逆袭掌握大模型?收藏这份AI医疗学习路线!

本文讲述了药学专业背景的求职者如何通过结合自身专业知识与AI技术,成功进入AI医疗领域。核心内容为:从识别业务场景切入,掌握RAG知识库构建,培养产品思维,推动AI项目落地,并注重业务表达而非技术堆砌。最终实现从药学人员到懂AI的医疗解决方案推动者的角色转变,适合医药行业从业者学习AI应用。她不是计算机科班,也没有大模型项目经历。药学毕业后,一直在医药相关岗位,做药品资料整理、医学文献检索、项目支持和业务沟通。每天打交道的是药品、疾病、医学资料和专业信息。真正接触AI,不过最近一年。

EnjoyEDU的博客 133

35.8%:一道乘法算术题,劝退了多少 Agent 演示

原文那句判断我特别喜欢:把 while 循环搭出来只是容易的 20%,真正困难的是剩下 80%——把循环做得足够可靠,让企业敢把真实资金、真实客户、真实决策交给它。而这 80% 里,最基本的第一课就是这道乘法:单步 95% 不等于整体 95%。下次再看到「全自动 Agent」的演示,先问一句——这个任务几步?每步可靠率多少?乘完再决定信不信。

EnjoyEDU的博客 165

把 Agent 想成一个新员工:入职第一天它要学会的四件事

怎么跟完全不懂技术的人讲清楚 Agent 是什么?我试过画架构图、列模块清单、讲专业术语,效果都一般。。这个类比不只通俗,它还精确——Agent 的四大核心构成(Loop、Tools、Memory、Harness),恰好对应一个新员工在公司里要建立的四套系统。今天顺着这个类比把 Agent 的工作机制讲透。新员工接到一个任务,不会一次性做完——他会先想清楚要什么,然后动手干一步,干完看看结果对不对,再决定下一步。这个「想—做—看—再想」的循环,就是 Agent 的核心机制 Loop。

EnjoyEDU的博客 197

教会 AI 炒 3000 道菜的总厨,给所有传统行业的人打了样:转型的通用公式就四步

新闻里有个案例我反复看了好几遍:南京一位叫朱鑫的总厨,做了 23 年餐饮,如今身份是「AI 厨房研发总厨」,一年时间教会 AI 大厨 3000 多道菜。他甚至和 AI 共创菜品——荔枝牛肉粒人工炒制定型后录入参数,AI 不仅能精准复刻,还能自己延伸出荔枝排骨、荔枝鸡肉。很多人看这条新闻的姿势是「哦,挺有意思」,然后就划走了。但如果你正焦虑 AI 会不会影响自己的饭碗,这个案例值得逐帧拆解——因为它几乎是一个标准模板:一个 40 多岁、非技术出身的一线从业者,怎么完成 AI 时代的职业转身。

EnjoyEDU的博客 174

质检发现了缺陷,排产还在照旧排:工厂里最贵的成本,是“彼此不知道“

去年去看一个朋友的厂,他带我在车间里走了两个小时,一路夸自家的智能系统:视觉质检准确率 98%,设备预测性维护能提前三天报警,能耗优化省了 12% 的电。单看每一项,都很漂亮。走到产线尽头,他随口问了我一句:「你说这些系统,能不能互相说句话?我当时没反应过来,后来在会议室看他们的系统拓扑图才明白他的意思:质检系统、排产系统、设备系统、仓储系统,四套系统,四个大屏,四拨人盯着,互相之间没有任何数据流动。就在那天上午,质检那边报了一批来料缺陷率异常,报告走了邮件,邮件在排产主管的未读里躺了半天。

EnjoyEDU的博客 226

把全网“AI 取代程序员“的说法翻完之后,我反而睡了个好觉

过去一个月,我的手机推送里全是同一类内容:三分钟一个网站、实习生半小时搞定半天的活、不会用 AI 的人马上被淘汰。我是一个写了八年代码的后端,说实话,这些标题看得我心里发毛。尤其是有天晚上,我看见组里一个实习生用 AI 半小时写完了一段我评估要大半天的协议解析代码,那天我失眠了,脑子里反复问自己一个问题:我的经验,还值钱吗?焦虑这个东西很奇怪,你越刷越焦虑,越焦虑越想刷。

EnjoyEDU的博客 235

Prompt、Skills、Agent 到底什么关系:一张分工表讲清三个词的边界

Prompt,是你临时交代的一句话。「帮我把这份会议纪要整理一下」——它解决这一次的问题,说完就完,下次同样的事你还得再说一遍。Skills,是提前练好的一项本事。「会议纪要整理技能」——格式定好、口径定好、输出标准定好,封装成一个可以反复调用的模块。你不再描述需求,直接点名技能。Agent,是装着一堆 Skills 的助理。它不只是被点名才干活——它知道什么场景该用哪个技能,能自己盯着流程,有事主动找你。

EnjoyEDU的博客 408

翻了 50 条 Java 招聘 JD,AI 要求已经写进任职资格第三行

上周有个做了七年后端的兄弟跟我聊天,语气有点不服气:「AI 那些东西,跟我们业务开发有什么关系,我不信。我没跟他争论,让他自己去 Boss 直聘上把「Java 高级」的 JD 翻五十条,把里面出现的技术词抄下来。他翻完发来一句话:「好吧,AI 已经写进任职资格了,而且不是加分项那一栏,是正文的第三行。这篇就把他抄下来的词拆开,看看 Java 岗位上的 AI 要求到底长什么样、分几层、以及每一层对应你该补什么。

EnjoyEDU的博客 204

读了六年片子才听懂那句话:你熬的夜班,就是你的简历

那位影像科背景的医师入职半年后,说了一句我特别喜欢的话:「以前觉得自己除了看病什么都不会,现在发现,会看病本身就是别人不会的技能。你不需要辞职去学编程,不需要和应届生挤算法岗,更不需要推倒重来。你需要的,只是一条把专业经验翻译成 AI 行业语言的路径。这条路径有具体的地图:先建立 AI 能力边界的判断力,再用自己的场景做一个深而小的项目,最后把方案写成能带去面试的作品。这三步,今天就能开始走第一步。

EnjoyEDU的博客 197

转行 Agent 开发半年我发现:这不是学技术,是学当老板

但他也栽过跟头——习惯性地想"改进模型",而实际上该做的是"改 prompt 里的约束"或者"换一个更合适的工具"。过关标准很具体:给它配两个工具,一个查天气一个发邮件,你跟它说"帮我查一下北京天气,如果下雨就给我发邮件提醒带伞",它能自己判断先调哪个、后调哪个、中间参数怎么传,全程不报错跑下来。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。

EnjoyEDU的博客 10

“被淘汰的从来不是程序员,而是这三类人:把话说透 AI 抢饭碗这件事“

半年后他确实产出量翻倍,但抽象能力和判断力原地踏步,AI 版本一升级,他连原来的产出速度都保不住了——因为他除了"会用 AI",没有任何沉淀。没有底层能力的人,发现不了这些问题,只能照单全收——最后沦为没有判断力的复核机器,这比被替代更危险,因为你还在岗位上,但已经不创造判断价值了。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。

EnjoyEDU的博客 177

国家文件给智能体下定义了:五个词、五层架构,一文说清企业级 Agent 底层逻辑

两者互补,覆盖全场景。Harness 是包裹模型外层的运行时框架,统筹调度、约束行为、管理记忆、处理异常,核心逻辑是"人类掌舵,智能体执行"。你把它对着企业级 Agent 的五层架构看,会发现每一层都能对上:感知对应输入层,记忆对应上下文层,决策对应模型层,交互对应协议层,执行对应协同层。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。

EnjoyEDU的博客 177

把 Agent 当新员工招进来:八层技术体系一次讲清

一句话收拢全部术语:LLM 是大脑,Token 是基本工作单位,Context 是看到的资料,Prompt 是收到的指令,Tool 是手脚,MCP 是连接标准,Agent 是自主执行机制,Agent Skill 是专业技能,Harness 是运行管理机制,RAG 是知识检索增强,Embedding 是向量化表达,Vector Database 是向量索引库,Fine-tuning 是针对性训练,Evaluation 是质量检验,Guardrails 是行为护栏。2023年,人才缺口已超百万,凸显培养不足。

EnjoyEDU的博客 182

面字节 Agent 岗像加盟审查?总部看的不是你菜炒得好不好

能写到第五层的人,讲话有质感。跨团队协作也会被问:效果不达标时能不能和算法、产品、测试一起定位,而不是把责任推给"模型能力不行"——甩锅模型是最外行的说法,真实项目里效果差,往往是检索差了、prompt 约束漏了、工具描述模糊,归因得落到能改的地方。,抖音电商、客服、搜索、直播这些场景,做的是自己业务要用的 Agent,相当于堂食店。RAG 这套——文档解析、Chunk 策略、Embedding、向量索引、混合检索、Rerank、引用溯源——都得懂,但拉开差距的不是会不会,是出了问题知不知道该看哪。

EnjoyEDU的博客 216

RAG大模型应用入门:小白程序员必备的收藏级学习指南!

本文详细介绍了RAG技术在后端转大模型应用中的核心地位,指出RAG是进入大模型应用岗位的关键技能,企业私有化知识库是标配。文章强调了RAG能复用后端工程师的数据库、API设计等技能,并推荐了两个新手友好的RAG项目:法律检索・本地知识库问答系统和0-1落地RAG拍照搜题项目。同时,提供了一份1.6万字RAG全流程科普文档,帮助读者从零基础入门,掌握RAG技术原理与落地边界,助力转行大模型应用开发。

EnjoyEDU的博客 231

大模型工程师培养计划:收藏这份高薪就业指南,小白也能逆袭上岸!

随着AI大模型全线扩招,高薪就业机会增多,但实际胜任者却很少。不知不觉时间已来到26年的末尾,每年这个时候,大小厂都会放出大量hc,大厂补录+人才扩招提前批同步开闸,算是应届生最后一波集中上岸机会,而且也是我们很多在职朋友最好的跳槽、就业时机。最近整理了一下大厂的招聘需求,发现岗位分布和薪资和之前有很大改变:AI大模型全线扩招、而部分Java岗、开发岗大幅收缩、薪资两极分化、面试难度和筛选标准也比往年严格不少,完全是重新洗牌的节奏。(以上信息来源网络)

EnjoyEDU的博客 532

从前端到AI产品:你的兜底经验值百万!小白程序员必看转型指南

文章讲述一位前端工程师因AI工具冲击职业而焦虑,但通过挖掘自身“兜底设计”经验,成功转型AI产品岗的故事。核心观点:AI时代,传统写代码技能贬值,而提前预判错误场景、设计容错机制的能力(兜底思维)是AI产品岗稀缺的核心竞争力。作者建议技术背景者不必从零学AI,而是将五年经验中的错误处理、用户反馈积累转化为AI产品需求文档,通过学习模型基础与产品案例实现转型,最终获得高薪AI产品岗位。先说他什么背景。一家互联网公司的前端工程师,第四年。

EnjoyEDU的博客 228

揭秘AI大模型薪资真相:别被平均数忽悠,小白也能看懂!

AI岗位薪资差异巨大,社招平均月薪13万多为塔尖专家,校招中位数仅2.7万,两者本质不同。AI并非普涨标签,高薪集中在核心算法与负责人,普通岗位仅换新前缀。解读offer时需拆分现金、奖金、期权等,避免被总包数字误导。应届生宜专注核心算法,普通开发可转型AI应用,产品经理需深化工程落地能力,数据训练岗仅作跳板。工资条很诚实,看清岗位价值再行动!AI 岗位的工资,已经乱到不能只看一个“平均数”了。有人看到招聘报告说, AI 岗位平均月薪超过 6 万元;

EnjoyEDU的博客 222

MCP模型上下文协议:小白程序员轻松入门,解锁大模型与数据交互的秘籍!

本文带领读者快速入门了 MCP(模型上下文协议),介绍了其架构、核心概念以及实际应用场景。通过演示 Claude Desktop 结合 PostgreSQL MCP Server 查询数据库的场景,展示了 MCP 如何增强 LLM 与外部数据源的交互能力。

EnjoyEDU的博客 263

小白程序员轻松入门大模型,从“预测下一个词”到新一代计算平台

大语言模型最初只是一个“预测下一个词”的神经网络,却在海量数据和巨大计算资源的推动下,逐渐表现出问答、写作、编程、推理和工具调用能力。理解LLM,既不应把它神化为无所不知的“数字大脑”,也不应把它简单贬低为随机拼接文字的机器。更准确的认识是:它是一种从海量数据中学习语言和知识规律的概率模型;当它与知识库、搜索、代码、记忆和专业工作流程相结合时,可以成为强大的任务助手,但仍需要证据核验、安全控制和人类专业判断。

EnjoyEDU的博客 684

小白程序员转行AI大模型,轻松拿高薪的秘籍!

文章分享了一位前端转行AI Agent开发的心得,指出当前AI应用岗位对学历背景要求不高,适合转行。面试重点考察项目经验、技术选型、系统设计及AI工具使用经验。建议关注行业热点技术,如Hermes,并利用AI工具复盘面试。我去年协助过的一位前端朋友双非一本,计科专业,毕业后干了六年前端,Vue2/3加TS写了无数个管理后台,工资不上不下,技术也没什么涨进。去年公司要求转全栈,她当时不想转全栈,觉得前端实在是太卷了,自己年龄大了也卷不动,正好当时agent正好比较火,想着试一试的态度找到了我;

EnjoyEDU的博客 364

Langchain大模型封装教程:小白程序员必备,轻松上手收藏学习!

Langchain是对大模型的高度封装,简化了原生大模型的调用过程。文章介绍了Langchain的常见调用方式,包括本地部署、标准接口和request模式,并详细阐述了Langchain在异步调用、流式输出、batch模式和多轮对话中的应用。此外,还讲解了如何使用Message、模板和控制输出格式等高级功能,帮助读者更好地理解和应用Langchain,从而构建高效的LLM应用。LangChain通常被用作「粘合剂」,将构建LLM应用所需的各个模块连接在一起。把大模型和常见的功能包一层,用起来更方便。

EnjoyEDU的博客 448

小白程序员快速入门大模型与智能体(附黑话速查表)

概念是嵌套的,不是并列的;大模型在做的是预测下一个词;智能体是一种使用方式,不是一种新模型;选对场景比选对模型重要得多。技术会一直变,但我们要与时俱进。这比记住任何一个具体名词都有用。

EnjoyEDU的博客 328
上一篇: 药学背景小白如何逆袭掌握大模型?收藏这份AI医疗学习路线!
下一篇: 六家大厂秋招数据放在一起,AI 岗的格局一眼看明白了
大模型.
博客等级 码龄7年 1万+粉丝 2432原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值