深入解析LangChain：构建智能应用的全方位指南

最新推荐文章于 2024-09-11 12:11:23 发布

AIGC大模型吱屋猪

最新推荐文章于 2024-09-11 12:11:23 发布

阅读量338

点赞数 3

文章标签： langchain 语言模型人工智能自然语言处理 llama 百度机器学习

本文链接：https://blog.csdn.net/mama19971023/article/details/140993359

版权

1. LangChain 介绍与环境配置

面试官：

“你能先简单介绍一下 LangChain 吗？包括它的背景、主要功能，以及它在当前语言模型开发中的意义。”

你：

"LangChain 是一个开源框架，旨在简化和增强基于语言模型的应用开发。随着语言模型，特别是大型预训练模型的兴起，开发者逐渐认识到这些模型不仅可以生成文本，还可以被用于处理复杂的对话、数据分析以及其他需要自然语言处理的任务。然而，这些模型的集成和实际应用存在诸多挑战，例如对话管理、上下文关联、长期记忆的维护等等。

LangChain 的诞生正是为了解决这些挑战。它提供了模块化的组件，包括 Chains、Agents 和 Memory，使开发者可以更加灵活地构建复杂的应用。它还支持与外部工具和 API 的集成，扩展了语言模型的能力。这些特性使得 LangChain 在构建智能对话系统、自动化流程、数据检索系统等应用中变得非常有用。"

面试官：

“很好。那接下来能不能谈谈在开发 LangChain 应用时的环境配置？你是如何设置和优化开发环境的？”

你：

"配置 LangChain 开发环境的第一步是确保基础环境的稳定性和兼容性。对于本地开发，我通常使用 Python 3.8 或更高版本，因为这是 LangChain 最佳兼容的运行环境。接着，我会使用 venv 或者 conda 来创建一个隔离的虚拟环境，这样可以避免与系统其他 Python 环境产生冲突。

然后，我会通过 pip 安装必要的依赖包，包括 langchain 核心库，以及所需的 NLP 模型的相关包，例如 transformers 和 sentence-transformers。有时候，为了优化性能或者集成特定的模型，我还会选择安装 GPU 版本的 PyTorch 或 TensorFlow，这取决于项目的需求。

在项目规模较大或者需要团队协作时，使用 Docker 进行容器化部署是一个好选择。Docker 可以保证在不同开发环境中运行的一致性，并且使得部署到云端变得更加简单。此外，我会配置 Jupyter Notebook 或者 JupyterLab 作为开发环境，方便进行代码实验和调试。

在云端环境下，例如 AWS、GCP 或者 Azure，我通常会配置 GPU 实例，以加速模型的训练和推理过程。并且，我会设置 SSH 隧道和环境变量，以确保安全和便利性。总体来说，优化开发环境不仅仅是安装依赖，还包括对资源的有效配置和调优。"

2. LangChain 基础

面试官：

“LangChain 中的核心模块是 Chains 和 Agents。你能详细解释一下这些模块的作用以及它们是如何协同工作的么？”

你：

"在 LangChain 中，Chains 和 Agents 是两个最为核心的模块，它们定义了应用的主要结构和逻辑。Chains 是一种用于组织和管理任务流的工具。可以将一个语言模型的调用视为一个链的基本单元，而多个链可以组合成更复杂的流程。每个 Chain 负责处理输入、生成中间结果，并将其传递到下一个 Chain。这样的设计允许开发者将复杂任务分解成更简单的步骤，并且可以方便地调试和扩展。

Agents 则是在动态场景下使用的更为灵活的工具。它们允许系统在运行时根据输入动态决定使用哪个 Chain 或者工具。换句话说，Agents 可以看作是系统的“智能中枢”，它们根据上下文、输入、甚至是外部环境做出决策。例如，在一个对话系统中，Agent 可以根据用户的问题类型选择不同的回答策略或工具。

它们的协作可以通过一个具体的例子来理解：假设我们在开发一个客户支持的对话系统。我们可以将问题分类作为第一个 Chain，然后根据问题类型，Agent 决定调用一个 FAQ 查询 Chain、一个问题升级 Chain，或者是一个产品推荐 Chain。每个 Chain 执行特定的任务，而 Agent 保持整个系统的灵活性，确保它可以处理多样化的用户输入。"

面试官：

“那么在实际项目中，如何使用 LLMChain 和 PromptTemplate 来处理动态输入并生成合适的输出呢？”

你：

"LLMChain 是 LangChain 中最常用的链类型之一，它将语言模型与提示模板（PromptTemplate）结合起来，用于生成动态响应。具体来说，LLMChain 会接收一些输入数据，这些数据通常包括用户的输入、上下文信息等。然后，PromptTemplate 会根据这些输入生成一个动态提示，最后这个提示会被送到语言模型中进行处理，生成输出。

举个具体的例子，假设我们在开发一个旅游推荐系统。用户输入一个请求，比如“我想去一个温暖的地方旅游”，这个请求会被作为输入传递到 LLMChain 中。PromptTemplate 可以是一个模板，如 “基于用户的需求，推荐一个温暖的旅游目的地：{需求}”。这里 {需求} 是占位符，它会被用户的输入替换，生成最终的提示，如 “基于用户的需求，推荐一个温暖的旅游目的地：我想去一个温暖的地方旅游”。

然后，这个完整的提示会被传递到语言模型，如 GPT-4 进行处理。模型会根据提示生成一个推荐，例如“夏威夷是一个理想的温暖旅游目的地”。这种方法非常灵活，因为我们可以通过 PromptTemplate 的设计来控制输出的风格、细节和准确度。

此外，通过调整 PromptTemplate，我们还可以实现更多的功能，比如使用条件逻辑来修改模板，或者在提示中引入更多上下文信息以生成更具针对性的输出。"

面试官：

“你刚才提到了多步骤 Chains，能否详细解释一下如何设计和实现一个多步骤 Chain？同时，如何处理在执行过程中可能遇到的错误？”

你：

"多步骤 Chains 是 LangChain 中处理复杂任务的关键工具。它们的设计目的是将复杂的任务分解为多个简单步骤，每个步骤都可以是一个独立的 Chain，彼此依赖并逐步完成整个任务。

例如，我们可以设计一个客户查询处理系统，其中包括三个步骤：用户身份验证、问题分类、提供解决方案。第一个步骤可以是一个身份验证 Chain，它接收用户的身份信息并验证是否有效。验证通过后，系统会进入第二个步骤，即问题分类 Chain，这个 Chain 分析用户的输入，确定问题的类别。最后，根据分类结果，系统进入第三个步骤，调用对应的解决方案 Chain 来生成对用户的回应。

实现多步骤 Chain 的关键在于数据传递和状态管理。每个 Chain 生成的结果通常需要传递给下一个 Chain 作为输入，LangChain 提供了良好的接口和数据结构支持，使这种传递变得简单。同时，可以使用上下文管理器来保持整个流程的状态，确保每个步骤的结果能够被正确传递和处理。

在实际应用中，错误处理是不可避免的挑战。为此，可以在每个 Chain 中引入异常捕获机制，以捕获可能出现的错误。例如，如果身份验证失败，系统可以立即停止后续步骤，并返回一个错误提示给用户。为了更高的可靠性，可以在关键步骤间引入检查点，当错误发生时系统可以回滚到上一个成功的步骤，或者根据具体情况采取不同的恢复策略。

通过合理的设计和使用工具，复杂的多步骤任务可以被拆解成易于管理的小任务，并通过多步骤 Chains 高效地执行。"

3. Memory 模块与对话管理

面试官：

“在复杂对话场景中，Memory 模块如何帮助系统管理上下文？你能解释一下不同类型的 Memory 及其应用场景吗？”

你：

"Memory 模块在 LangChain 中扮演着至关重要的角色，尤其是在需要保持对话上下文的复杂对话系统中。Memory 模块的核心功能是存储和检索会话历史信息，从而使系统能够保持对话的连贯性和上下文的关联性。

在 LangChain 中，Memory 模块通常分为两类：短期记忆和长期记忆。短期记忆主要用于在当前会话期间存储信息，这些信息在会话结束后通常会被清除。比如，在一个在线客服对话中，短期记忆会记录当前对话的上下文，比如用户刚刚提出的问题或系统给出的回答。这种记忆使得系统能够在

一个会话中维持逻辑的连贯性。

长期记忆则用于跨会话存储信息，适合那些需要在多次交互中保持信息的场景。比如，在一个持续使用的个人助手应用中，长期记忆可以记录用户的偏好、历史对话、重要事件等，使得系统能够在每次交互时基于之前的信息做出更个性化的响应。

在具体实现上，Memory 模块通过键值对的形式存储信息，系统可以通过特定的关键词或上下文触发检索这些信息。对于短期记忆，系统会自动管理信息的存储和过期，而长期记忆则通常需要更复杂的管理策略，包括数据持久化、索引和检索优化等。

举个例子，在一个客户服务应用中，如果用户连续两次提问关于相同产品的不同问题，短期记忆可以帮助系统关联这两次提问并给出更加连贯的答案。如果用户在几个月后再次咨询该产品，长期记忆则可以帮助系统回忆之前的交互内容，提供更加个性化和历史相关的服务。

总的来说，Memory 模块的引入使得系统能够更好地理解和响应用户的需求，不论是保持会话内的上下文一致性，还是在长时间内积累用户的偏好和历史信息。"

面试官：

“在实际开发中，如何自定义 Memory 模块以满足特定的业务需求？”

你：

"自定义 Memory 模块是为了使系统更好地适应特定的业务需求，如不同的数据存储需求、特定的检索逻辑、或者与外部数据源的集成。在 LangChain 中，Memory 模块的自定义通常涉及到以下几个方面：

首先，我们需要决定 Memory 模块的数据结构及其存储机制。通常的做法是根据需求设计适合的键值对结构，用来存储对话内容、上下文信息等。如果需要长期保存数据，通常会选择持久化存储方式，如数据库或者文件系统。如果是短期会话内的数据，可以简单地使用内存储存。

接下来是检索逻辑的自定义。默认的 Memory 模块提供了基本的存储和检索方法，但在某些情况下，我们可能需要更复杂的检索策略，比如基于关键词的模糊检索、上下文匹配度排序等。在这种情况下，可以扩展 Memory 模块的检索功能，通过引入专门的检索算法或集成现有的搜索引擎来提升检索效果。

然后，还有与外部数据源的集成。为了丰富系统的记忆功能，我们可以将 Memory 模块与外部 API 或数据库结合起来。例如，一个客户支持系统可以将用户的历史购买记录从 CRM 系统中提取并存储在 Memory 模块中，以便在对话中随时使用。这种集成可以显著提高系统的智能性和用户体验。

最后，在设计自定义 Memory 模块时，还要考虑如何管理数据的过期和更新。对于短期记忆，通常需要在会话结束时清除数据；而对于长期记忆，则需要设计数据更新策略，例如定期清理过时信息或者通过用户交互来更新信息。

总之，通过自定义 Memory 模块，可以让系统更好地适应具体的业务需求，无论是在数据存储、检索逻辑，还是与外部系统的集成方面都能更加灵活。"

4. 文档处理与索引技术

面试官：

“在大规模文档处理场景中，LangChain 如何处理和索引文档以实现高效的检索？”

你：

"在大规模文档处理场景中，LangChain 提供了多种技术来处理和索引文档，从而实现高效的检索。这一过程通常涉及三个主要步骤：文档预处理、文本向量化和索引构建。

首先，文档预处理是必不可少的步骤，尤其是在处理非结构化数据时。LangChain 提供了工具来帮助开发者清理和标准化文本，例如去除冗余信息、拆分长文档、标记重要段落等。这一步的目的是将文档转化为更易于处理的格式，确保后续的处理能够顺利进行。

接下来是文本向量化。文本向量化的核心思想是将文档转换为数值表示，使其能够在向量空间中进行操作。LangChain 集成了多种嵌入模型（Embeddings），如 BERT、Word2Vec 等，可以将文本表示为高维向量。这些嵌入模型通过捕捉词汇之间的语义关系，使得相似含义的文本在向量空间中距离较近，从而便于后续的检索操作。

最后，构建高效的索引是实现快速检索的关键。LangChain 支持与向量数据库的集成，如 Faiss、Milvus 等，这些数据库能够高效地存储和检索向量化的文档。通过构建索引，文档的查询速度可以大幅提升。索引的构建过程包括向量化后的文档存储、创建索引结构（如倒排索引、HNSW 等），以及针对不同查询场景的优化设置。

比如，在一个知识库系统中，我们可以先对所有知识库中的文档进行预处理，去除无关内容并拆分为逻辑段落。然后，通过预训练的嵌入模型将这些段落向量化并存储到向量数据库中。每当用户发起查询时，系统会通过向量检索快速找到与查询最相关的文档片段，并返回给用户。

此外，为了进一步提升检索性能，LangChain 还支持多种优化技术，如分层索引、多模态索引等。这些技术使得系统可以在处理海量文档时，依然保持较高的响应速度和准确性。"

5. 数据库与持久化技术

面试官：

“在实际应用中，如何选择和集成合适的数据库来存储和管理 LangChain 中的数据？”

你：

"在选择和集成数据库以存储和管理 LangChain 中的数据时，必须考虑几个关键因素，包括数据的性质、查询性能需求、扩展性和维护成本。

首先，数据的性质决定了数据库类型的选择。如果数据具有强结构化特点，例如关系型数据，可以选择传统的关系型数据库（如 MySQL、PostgreSQL）。这些数据库提供了成熟的 SQL 查询能力，并且在需要执行复杂的关系查询时表现出色。而如果数据是半结构化或非结构化的，NoSQL 数据库（如 MongoDB、Cassandra）可能更合适。NoSQL 数据库在处理大量文档数据、键值对等类型的数据时具有更高的灵活性和扩展性。

对于需要存储和检索文本向量化数据的场景，向量数据库（如 Faiss、Milvus）是理想的选择。这类数据库专门优化了高维向量的存储和相似性检索，可以显著提高文本查询的性能。在 LangChain 的文档检索系统中，向量数据库的使用尤其普遍。

集成数据库的过程通常包括以下几个步骤：配置数据库连接、设计数据模型、执行数据持久化操作以及实现数据查询接口。在 LangChain 中，可以通过配置文件或代码直接指定数据库的连接参数。数据模型的设计需要考虑如何将复杂的数据结构映射到数据库表或者文档集合中，并且需要为常用的查询操作设计索引。

数据持久化的实现可以通过 LangChain 的内置接口来简化。通常，应用会在处理完数据后，将其存储到指定的数据库中，以便在后续查询时快速检索。例如，在对话系统中，每次用户交互的内容和结果都可以存储到数据库中，以便在未来的对话中使用。

在扩展性方面，需要考虑数据库的横向扩展能力，即如何在数据量和请求量增加时保证系统的性能。这方面 NoSQL 数据库和向量数据库通常表现较好，因为它们天生支持分布式存储和处理。

最后，还要注意数据库的维护成本，包括数据备份、性能监控、数据清理和升级等。在实际项目中，选择一个熟悉且经过验证的数据库解决方案，可以显著降低维护复杂度，确保系统的稳定运行。"

6. API 集成与扩展

面试官：

“在使用 LangChain 集成外部 API 时，如何确保 API 调用的可靠性和安全性？”

你：

"集成外部 API 是 LangChain 应用中常见的需求，为确保 API 调用的可靠性和安全性，可以从以下几个方面着手：

首先是 API 调用的可靠性。为了确保系统能够处理各种网络波动和 API 服务不稳定的情况，必须设计健壮的重试机制。在 LangChain 中，可以通过编写自定义的 API Agent 来实现这一功能。这个 Agent 可以在初次调用

失败时，根据设定的策略（如指数退避算法）自动重试调用，直到成功或达到最大重试次数。此外，还可以设定超时时间，以避免调用长期挂起，导致系统响应变慢。

其次是对 API 响应结果的校验和错误处理。API 返回的数据可能并不总是符合预期，因此在接收到响应后，应该进行充分的校验。例如，检查返回的状态码、响应数据的完整性和类型等。如果检测到异常情况，系统应及时记录日志，并触发相应的错误处理流程，确保问题能被快速发现和修复。

在安全性方面，保护 API 密钥和用户数据是至关重要的。应当将 API 密钥存储在环境变量或专门的密钥管理服务中，而不是硬编码在代码中。同时，可以通过使用 HTTPS 加密通信，防止敏感数据在网络传输过程中被窃取或篡改。如果是调用需要用户授权的 API，如 OAuth，确保正确的权限范围和授权管理也非常重要。

此外，还应考虑速率限制和节流。许多 API 服务提供商对调用频率有限制，为了避免因频繁请求导致的封禁或服务拒绝，可以在系统中实现请求节流（throttling）机制。LangChain 的 Agent 可以在每次 API 调用前检查速率限制状态，并在必要时自动延迟请求，确保不会超出 API 服务商的限制。

最后，定期审查和更新 API 集成部分的代码非常重要。API 服务可能会不定期更新版本或修改接口，因此需要确保系统能够及时适应这些变化。通过良好的代码管理和版本控制，团队可以更容易地追踪和维护 API 集成代码，减少潜在的安全和性能隐患。

通过这些措施，LangChain 中的 API 集成部分可以做到更加可靠、安全，从而提升整体系统的稳定性和用户体验。"

7. 项目实战：LangChain 应用案例分析

面试官：

“在你过去的项目中，有没有使用 LangChain 完成的案例？你能详细介绍其中一个项目，包括其设计、实施和所遇到的挑战吗？”

你：

"有的，我曾参与开发一个智能客服系统，使用 LangChain 来构建并增强系统的对话能力。这个项目的目标是为一家大型电子商务平台提供一个能够处理常见客户问题的自动化系统，以减少人工客服的压力。

1. 项目设计：

在项目初期，我们确定了几个关键需求：

• 系统需要能够理解和响应客户的常见问题，例如订单查询、退货政策、产品推荐等。
• 需要能够根据客户的历史数据（如购买记录、浏览记录）提供个性化的服务。
• 系统需要与现有的 CRM 系统和数据库无缝集成，以访问客户的相关信息。

根据这些需求，我们设计了一个多层结构的系统架构：

• 前端接口层：负责接收客户的输入并将其发送到后端处理。前端还包括一个简单的对话管理界面，用于与用户交互。
• 中间处理层：核心由 LangChain 驱动，包括多步骤 Chains、Memory 模块、API 集成等。这一层负责处理客户的请求，进行上下文管理，并调用外部 API。
• 后端数据层：包括 CRM 系统、订单数据库和产品信息数据库。所有需要的数据都从这些系统中提取，并通过 API 集成到中间处理层。

2. 实施细节：

• 多步骤 Chains 的实现：我们将整个客户交互分为几个步骤：首先是识别客户的需求，然后根据需求类型调用相应的处理模块。例如，对于订单查询，系统会先调用一个身份验证 Chain，确认用户身份，然后检索订单信息，并将结果返回给用户。
• Memory 模块的使用：为了保持对话的上下文连贯性，我们使用了 LangChain 的 Memory 模块。短期记忆用于存储当前会话的上下文信息，如用户之前的问题和系统的回答。长期记忆则记录了用户的历史交互、购买偏好等信息，以便在未来的会话中提供个性化建议。
• API 集成：系统与多个外部 API 集成，包括支付网关、物流跟踪系统等。这些集成使得系统能够实时提供订单状态、支付确认等信息。

3. 挑战与解决方案：

在项目实施过程中，我们遇到了几个主要挑战：

• 处理复杂对话的上下文管理：一开始，我们发现系统在处理多轮对话时，有时会丢失上下文，导致回答不连贯。为了解决这个问题，我们对 Memory 模块进行了优化，增强了上下文信息的持久化和检索能力，并引入了上下文回顾机制，在每次生成回复前复盘上下文信息。
• API 调用的延迟问题：集成外部 API 后，我们注意到某些情况下 API 响应较慢，影响了系统的整体响应速度。为此，我们在系统中引入了异步调用机制，并通过缓存策略减少了对频繁调用的依赖，从而显著提高了响应速度。
• 个性化推荐的精度：由于用户的购买记录和偏好数据较为庞大，如何精准地进行个性化推荐成为一个挑战。我们通过使用更高级的嵌入模型对用户数据进行向量化处理，结合 Memory 模块的长期记忆功能，显著提高了推荐的准确性。

4. 项目成果：

该系统成功上线后，大幅减少了人工客服的工作量。它能够准确处理80%以上的常见客户问题，并且由于个性化推荐功能的增强，客户满意度也得到了显著提升。此外，系统的模块化设计也为后续功能扩展奠定了基础，使我们能够快速适应不断变化的业务需求。

这次项目中使用 LangChain 进行开发的经验使我们认识到，良好的工具不仅能够显著提高开发效率，还能使最终产品在实际应用中表现出色。"

8. 测试与优化

面试官：

“在你开发 LangChain 应用的过程中，如何进行测试和优化？你是如何确保系统的稳定性和性能的？”

你：

"测试和优化是开发 LangChain 应用中不可或缺的环节，直接关系到系统的稳定性和性能。我的做法包括以下几个方面：

1. 单元测试与集成测试：

在开发过程中，我首先通过编写单元测试来验证每个功能模块的正确性。LangChain 提供了良好的模块化设计，使得我们可以为每个 Chain、Agent、Memory 模块分别编写测试用例。这些测试确保各个模块在隔离环境下能够正常运行。

集成测试则用于验证系统的整体功能。由于 LangChain 应用通常涉及多个模块的协作以及外部 API 的调用，集成测试能够确保系统在实际运行中，各个模块能够无缝合作，特别是在复杂的多步骤 Chain 和 API 调用场景下。我们使用了模拟（Mock）API 来测试系统在面对不同外部服务响应时的行为，从而确保系统在各种情况下的稳定性。

2. 性能测试与优化：

性能测试是确保系统在高负载下仍然能够正常运行的关键。在 LangChain 应用中，我通常使用压力测试工具来模拟高并发请求，观察系统的响应时间和稳定性。特别是对于 Memory 模块和 API 集成部分，这些往往是性能瓶颈所在。

在发现性能瓶颈后，我们会采取一些优化措施。例如，优化 Memory 模块的数据结构和检索算法，以减少查询时间；对于频繁的 API 调用，引入缓存机制，减少对外部服务的依赖；在多步骤 Chain 中，优化数据传递和状态管理，避免不必要的开销。

3. 代码审查与持续集成：

在团队开发中，代码审查是确保代码质量的重要环节。每次提交代码时，我们都会进行同行评审，确保代码符合项目规范，并且没有引入新的漏洞或性能问题。

同时，我们搭建了持续集成（CI）管道，每次代码提交后，自动触发所有测试用例的运行，并生成测试报告。通过这种方式，我们能够在代码合并前发现并修复问题，确保系统的稳定性。

4. 部署监控与日志管理：

系统上线后，监控和日志管理是保证长期稳定运行的关键。在 LangChain 应用中，我通常配置详细的日志记录，包括 API 调用、错误信息、内存使用情况等。通过集中化的日志管理系统（如 ELK 堆栈），我们可以实时监控系统的运行状态，并在问题发生时快速定位和解决。

我们还引入了性能监控工具，如 Prometheus 和 Grafana，来监控系统的各项指标（如响应时间、错误率、吞吐量等）。这些监控数据能够帮助我们及时发现潜在的性能问题，并在问题影响用户之前进行

优化。

5. 安全性测试与审计：

安全性测试同样不可忽视。对于涉及用户数据的 LangChain 应用，我会进行安全性测试，包括 SQL 注入、跨站脚本（XSS）等常见攻击向量。同时，定期进行代码审计，检查是否有敏感信息暴露或依赖库的漏洞，确保系统的安全性。

总结：

通过单元测试、集成测试、性能优化、代码审查、持续集成、部署监控以及安全性测试等多种手段，我们确保了 LangChain 应用的稳定性和性能。这些措施不仅提高了开发效率，还大大降低了系统上线后的故障风险，使得我们能够更自信地应对实际应用中的各种挑战。"

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享]👈

在这里插入图片描述
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。

在这里插入图片描述