<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2601_96120158的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/2601_96120158</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; 2601_96120158]]></copyright><item><title><![CDATA[AI 人工智能，一篇文章让你搞懂人工智能的发展潜力，小白必看！]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165620112</link><guid>https://blog.csdn.net/2601_96120158/article/details/165620112</guid><author>2601_96120158</author><pubDate>Wed, 16 Sep 2026 17:02:57 +0800</pubDate><description><![CDATA[人工智能（AI）是指计算机系统通过模拟人类的智能行为来执行任务的技术。这些任务通常包括学习、推理、问题解决、感知和语言理解等。弱 AI（Narrow AI）： 专注于特定任务，如语音识别、图像处理、推荐系统等。大多数当前的 AI 系统都是弱 AI。强 AI（General AI）： 拥有像人类一样的全面智能，能够在任何领域执行任务。目前，强 AI 仍处于研究阶段，尚未实现。]]></description><category></category></item><item><title><![CDATA[大模型及其应用系列第二篇——垂直大模型]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165620029</link><guid>https://blog.csdn.net/2601_96120158/article/details/165620029</guid><author>2601_96120158</author><pubDate>Wed, 16 Sep 2026 16:56:47 +0800</pubDate><description><![CDATA[行业大模型是与基础大模型相对的概念，是指某个细分行业的大模型，比如制造业、金融行业，建筑业等等。当然，某个细分行业到底具体多细，并没有统一的标准。通常，基础大模型发展通识能力，比如“GPT”、字节的“云雀大模型”、"DeepSeek”大模型等；而垂直大模型发展专业能力，通常建立在通用大模型的基础上。因此，垂直大模型可以理解为，利用大模型技术，针对特定行业的数据和知识训练出针对某一行业的专业能力的大模型及其应用。大模型很多技术干货，都可以共享给你们，如果你肯花时间沉下心去学习，它们一定能帮到你！]]></description><category></category></item><item><title><![CDATA[一文理清大模型行业细分与职位细分，终于有人一次性说清楚了_大模型开发工程师和大模型研究员]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165619959</link><guid>https://blog.csdn.net/2601_96120158/article/details/165619959</guid><author>2601_96120158</author><pubDate>Wed, 16 Sep 2026 16:53:55 +0800</pubDate><description><![CDATA[如果说AI大模型是蕴藏着巨大能量的“后台超级能力”，那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型，设计开发落地业务的应用工程师。这个职业的核心价值，在于打破技术与用户之间的壁垒，把普通人难以理解的算法逻辑、模型参数，转化为人人都能轻松操作的产品形态。]]></description><category></category></item><item><title><![CDATA[字节38万AI Agent岗炸锅！后端程序员这波红利别错过，8周速成路线图曝光]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165619882</link><guid>https://blog.csdn.net/2601_96120158/article/details/165619882</guid><author>2601_96120158</author><pubDate>Wed, 16 Sep 2026 16:51:14 +0800</pubDate><description><![CDATA[如果说AI大模型是蕴藏着巨大能量的“后台超级能力”，那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型，设计开发落地业务的应用工程师。这个职业的核心价值，在于打破技术与用户之间的壁垒，把普通人难以理解的算法逻辑、模型参数，转化为人人都能轻松操作的产品形态。]]></description><category></category></item><item><title><![CDATA[大模型入门必备：万字长文，基础概念全解析（扫盲篇）大模型基础概念大全（扫盲篇）！收藏这篇就够了！_深度强化学习和大模型有什么区别]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165619791</link><guid>https://blog.csdn.net/2601_96120158/article/details/165619791</guid><author>2601_96120158</author><pubDate>Wed, 16 Sep 2026 16:48:43 +0800</pubDate><description><![CDATA[内容比较长，但对于学习了解大模型必须都得了解这些。]]></description><category></category></item><item><title><![CDATA[小白程序员也能学会开发大模型智能体：LangGraph框架入门与12阶段开发计划]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165486117</link><guid>https://blog.csdn.net/2601_96120158/article/details/165486117</guid><author>2601_96120158</author><pubDate>Tue, 15 Sep 2026 17:33:37 +0800</pubDate><description><![CDATA[第 1 个月：打地基第 1–2 周：Python async、FastAPI、错误处理第 3–4 周：LLM 运转机制、模型路由、Token 成本第 2 个月：Agent 核心第 5–6 周：工具调用、结构化输出、Pydantic第 7–8 周：记忆系统、上下文压缩、状态管理第 3 个月：构建 Agent第 9–10 周：单 Agent ReAct 循环、上限控制、异常恢复第 11–12 周：多 Agent 监督者模式、交接设计第 4 个月：生产技能。]]></description><category></category></item><item><title><![CDATA[什么是LLM？看这一篇就够了！]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165485992</link><guid>https://blog.csdn.net/2601_96120158/article/details/165485992</guid><author>2601_96120158</author><pubDate>Tue, 15 Sep 2026 17:30:04 +0800</pubDate><description><![CDATA[自从2022年12月 ChatGPT 横空面世以来，AI 领域获得了十足的关注和资本，其实AI的概念在早些年也火过一波，本轮 AI 热潮相比于之前的 AI，最大的区别在于：生成式。本文主要介绍大语言模型（Large Language Model，简称LLM）。通过海量文本训练的、能识别人类语言、执行语言类任务、拥有大量参数的模型，称之为大语言模型。]]></description><category></category></item><item><title><![CDATA[一图了解大模型是什么？附国内外知名大模型及240余家大模型清单！_什么是大模型]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165485913</link><guid>https://blog.csdn.net/2601_96120158/article/details/165485913</guid><author>2601_96120158</author><pubDate>Tue, 15 Sep 2026 17:27:19 +0800</pubDate><description><![CDATA[引申到模型层面，涌现能力指的是当模型的训练数据突破一定规模，模型突然涌现出之前小模型所没有的、意料之外的、能够综合分析和解决更深层次问题的复杂能力和特性，展现出类似人类的思维和智能。简而言之，大模型是指利用海量数据，通过先进的算法和技术，训练得到的具有强大预测和决策能力的模型。它们利用大算力、使用海量的开放数据与具有巨量参数的深度学习算法，在大规模无标注数据上进行训练，以寻找特征并发现规律，进而形成可“举一反三”的强大泛化能力，可在不进行微调或少量微调的情况下完成多场景任务，相当于AI完成了“通识教育”。]]></description><category></category></item><item><title><![CDATA[新手必看！我如何6步用（Coze）轻松搭建了一个AI智能体]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165485800</link><guid>https://blog.csdn.net/2601_96120158/article/details/165485800</guid><author>2601_96120158</author><pubDate>Tue, 15 Sep 2026 17:25:15 +0800</pubDate><description><![CDATA[AI智能体就像是一个虚拟的"小助手"。它能听懂你的话，理解你的需求，并帮你完成任务。想象一下，你有了一个24小时待命的私人助理，随时随地为你服务。这就是AI智能体的魅力所在。]]></description><category></category></item><item><title><![CDATA[一文读懂大模型：从概念到应用，小白也能看懂的科普_大模型应用]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165485661</link><guid>https://blog.csdn.net/2601_96120158/article/details/165485661</guid><author>2601_96120158</author><pubDate>Tue, 15 Sep 2026 17:21:51 +0800</pubDate><description><![CDATA[提到“大模型”，很多人第一反应是“听起来很复杂”，其实拆解开来看，核心就是“大”和“模型”两个关键词。首先说名字：大模型的英文是“Large Model”，早期也叫“Foundation Model”（基础模型），但咱们平时说的“大模型”，其实是“人工智能预训练大模型”的简称——“预训练”是它的核心技术之一，后面会专门解释，这里先记住这个完整名字。更关键的是“分类”：现在大家口中的大模型，大多特指语言大模型（LLM）]]></description><category></category></item><item><title><![CDATA[如何学习训练大模型——100条建议（附详细说明）_如何训练自己的大模型]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165325630</link><guid>https://blog.csdn.net/2601_96120158/article/details/165325630</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 16:03:03 +0800</pubDate><description><![CDATA[通过深入了解本文中的这些细节，并在实际项目中应用相关知识，将能够更好地理解和利用大模型的潜力，不仅在学术研究中，也在工程实践中。通过不断探索新方法、参与项目和保持热情，并将其应用于各种领域，从自然语言处理到计算机视觉和自动驾驶。通过不断学习、实践和探索，可以不断提升自己在深度学习领域的技能和洞察力，同时也能为社会和行业带来创新和改进。从小规模的项目和模型开始，逐渐迭代和扩展到更大的模型，逐步积累经验，最终能够处理大模型和复杂任务。分享您的研究成果和代码，以获得反馈和建立声誉。]]></description><category></category></item><item><title><![CDATA[AI 入门，从零搭建完整 AI 开发环境，并写出第一个 AI 应用_ai开发]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165325099</link><guid>https://blog.csdn.net/2601_96120158/article/details/165325099</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 16:00:40 +0800</pubDate><description><![CDATA[在本文中，我们从零开始，一步步搭建了一个完整的AI开发环境，并创建了一个简单的AI应用。您学习了如何安装Python、Anaconda、TensorFlow，以及如何使用Jupyter Notebook进行开发。通过这个简单的手写数字识别应用，您不仅学习了AI的基本概念，还亲身体验了AI的应用。AI是一个广阔而充满机遇的领域，希望这个教程能够激发您继续深入学习和探索AI的兴趣。]]></description><category></category></item><item><title><![CDATA[一文读懂AI Agent：大模型时代智能代理核心指南，值得收藏_智能政务时代:大模型、agent及岗位分享]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165324716</link><guid>https://blog.csdn.net/2601_96120158/article/details/165324716</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 15:57:00 +0800</pubDate><description><![CDATA[AI Agent并非简单的“任务执行器”，而是具备感知、推理、决策与行动闭环的智能系统。它以大模型（LLM）的深度语义理解与推理能力为核心，结合工具调用、环境交互能力，能自主拆解目标、调整策略，最终实现复杂需求。从技术层面看，AI Agent是“能感知外部环境信息、基于预设目标与经验进行推理、自主选择行动方案，并通过工具或接口执行操作的软件实体”。它不仅整合了LLM的语言理解与逻辑分析能力，还融入了任务规划、工具调度、状态管理等模块，可应对动态变化的场景。]]></description><category></category></item><item><title><![CDATA[一文彻底搞懂AI Agent是什么，大模型入门到精通，收藏这篇就足够了！]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165324156</link><guid>https://blog.csdn.net/2601_96120158/article/details/165324156</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 15:53:49 +0800</pubDate><description><![CDATA[OpenAI 将AI Agent（智能体）定义为，以大语言模型为大脑驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。它不像传统工具只会“被动干活”，而是可以像“数字员工”一样，自己接任务、做规划、找方法，还能不断自我优化。想象你招了个“超级员工”：它自己会拆解任务，主动调用工具，持续进化不摆烂。简单来说，它具备三个“核心技能”：👁️ 能看懂：能感知客户行为、文本、语音、图像等信息。🧠 会思考：理解任务目标，自主制定执行方案。]]></description><category></category></item><item><title><![CDATA[未来最火的AI岗位，不是Agent工程师，是FDE_提示词工程 客户现场实施 哪些岗位更吃香]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165323823</link><guid>https://blog.csdn.net/2601_96120158/article/details/165323823</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 15:49:13 +0800</pubDate><description><![CDATA[回到标题。为什么说未来最火的AI岗位不是Agent工程师，是FDE？因为2026年的AI行业，造工具的人已经够多了，缺的是把工具用出价值的人。Agent工程师让AI变得强大，FDE让AI变得有用。而商业世界，只为"有用"付费。如果你技术还行、好奇心重、不排斥跟人打交道、又想离商业价值更近一点——FDE可能是你未来五年最好的选择。技术会越来越便宜，理解客户会越来越值钱。去成为那个理解客户的人。FDE岗位JD合集（看看企业到底要什么人）Palantir FDE案例拆解（行业标杆怎么做）]]></description><category></category></item><item><title><![CDATA[AI Agent全解：原理、主流框架、设计模式及应用案例分享_ai agent 框架]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165322720</link><guid>https://blog.csdn.net/2601_96120158/article/details/165322720</guid><author>2601_96120158</author><pubDate>Mon, 14 Sep 2026 15:46:22 +0800</pubDate><description><![CDATA[学术界和工业界对术语“智能体”提出了各种定义。大致来说，一个智能体应具备类似人类的思考和规划能力，拥有记忆甚至情感，并具备一定的技能以便与环境、智能体和人类进行交互。可以将智能体想象成环境中的数字人，其中：智能体 = 大语言模型（LLM） + 观察 + 思考 + 行动 + 记忆。这个公式概括了智能体的功能本质。为了理解每个组成部分，让我们将其与人类进行类比：1. 大语言模型（LLM）：LLM 作为智能体的“大脑”部分，使其能够处理信息，从交互中学习，做出决策并执行行动。]]></description><category></category></item><item><title><![CDATA[AI使用实战：怎样在vibe coding之前梳理清楚需求_如何找到vibecoding的需求]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165239979</link><guid>https://blog.csdn.net/2601_96120158/article/details/165239979</guid><author>2601_96120158</author><pubDate>Sun, 13 Sep 2026 16:56:49 +0800</pubDate><description><![CDATA[用 EARS 一段时间，我最大的感受不是“需求写得更规范了”，而是跟 AI 协作的摩擦力变小了。以前的循环：扔一句模糊需求 → AI 写一版大概对但边界漏的代码 → 我跑一遍发现不对 → 追问 → 改 → 再跑 → 再发现不对。整个过程像在跟一个不会提问但特别能写的 junior 合作，思考负担全在我这边。现在是：先把需求里的假设全逼出来 → AI 拿到无歧义规格 → 它写的代码我直接审逻辑，不用再判断“它到底理解对了没有”。回到开头那句“追问到 100% 明确”。它有用，但只解决“说不清”。]]></description><category></category></item><item><title><![CDATA[Agent = Model + Harness：为什么说Harness是决定Agent成败的关键？]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165239942</link><guid>https://blog.csdn.net/2601_96120158/article/details/165239942</guid><author>2601_96120158</author><pubDate>Sun, 13 Sep 2026 16:54:29 +0800</pubDate><description><![CDATA[过去一年，AI Agent从技术概念走向工程落地。但很多人仍然把注意力集中在“用哪个模型”上——换更强的模型、写更长的提示词，仿佛模型就是Agent的全部。但实际开发过Agent 的人，大概率会认识到，这并非事实。一个在业界已形成共识的公式是：Agent = Model + Harness。模型负责“思考”，Harness负责让这份思考变得有用。长程Agent对Harness的依赖，超过它对任何单个模型的依赖。更强的模型并不会自动变成更可靠的Agent服务。]]></description><category></category></item><item><title><![CDATA[三种 Agent 架构哲学：DeepSeek Harness、Claude Code 与 Codex 到底有什么不同_agent harness 架构图]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165239875</link><guid>https://blog.csdn.net/2601_96120158/article/details/165239875</guid><author>2601_96120158</author><pubDate>Sun, 13 Sep 2026 16:50:44 +0800</pubDate><description><![CDATA[DeepSeek Harness、Claude Code 和 Codex 表面上非常相似，都有 LLM、Tool、Skill、SubAgent、Sandbox、Permission。Claude Code 如何让一个 Agent 越来越强、越来越好用 Codex 如何让一个 Agent 安全进入真实计算环境 DeepSeek Harness 如何让不同 Agent 能力自由组合和替换三个方向都很重要。]]></description><category></category></item><item><title><![CDATA[LangGraph 完整知识点总结-零基础小白必看，一看就懂！]]></title><link>https://blog.csdn.net/2601_96120158/article/details/165239836</link><guid>https://blog.csdn.net/2601_96120158/article/details/165239836</guid><author>2601_96120158</author><pubDate>Sun, 13 Sep 2026 16:45:08 +0800</pubDate><description><![CDATA[负责注册节点、添加边、条件路由。]]></description><category></category></item></channel></rss>