随着 AI 如此快速的发展,目前求职市场上已经出现了 AI提示词 岗位。
大家应该跟我一样,对这种新兴岗位充满好奇心,比如:想知道这类岗位目前的需求量、技能要求、薪资情况等等。
这两天我用 Agent 大模型,对AI提示词岗位做了一波分析,跟朋友们分享一下。
为什么说是 Agent 大模型呢?
因为这次使用的大模型,跟我们之前开发的智能体类似,拥有使用外部工具的能力,比如:执行代码、联网搜索、绘画。同时,也支持自定义外部工具。
下面的分享中,我们可以体会到这个 Agent 大模型 的独特之处。
我们要分析AI提示词岗位,首先要到指定的招聘网站抓取相关的岗位信息。 这时候我们就需要定义一个岗位抓取的外部工具,让大模型来调用。
上面的代码里,参数 tools 中的信息是我们需要定义的工具。这里,定义了 get_job 工具,用来获取岗位信息。工具接收两个参数,一个是岗位名称,另一个是岗位所在的城市。
参数 model 是请求的大模型,glm-4-alltools 就是我们这次用到的 Agent 大模型。
该模型可以通过 MAAS 来调用,访问 https://open.bigmodel.cn/ 查看具体的说明文档。
messages 是给大模型的 prompt,glm-4-alltools 模型可以从 prompt 中准确识别出要调用 get_job 工具,并能准确解析出 get_job 所需的两个参数。
{'city': '全国', 'job_name': '提示词'}
get_job 这个外部工具,其实是我定义的一个爬虫代码。
这时候我们就可以调用该函数,爬取相关的岗位。
有了岗位信息,我们就可以做一些数据分析的工作了。比如,我们想知道全国范围内AI提示词岗位在各城市的分布情况。
这时候,只需要把岗位所在的城市,送入大模型,同时,在 tools 中增加 code_interpreter 工具,就可以了。
code_interpreter 是 glm-4-alltools 内置的工具,可以根据分析需求自动生成代码,并执行。
生成的图表会以url链接的形式返回,可以直接在浏览器打开。
可以看到,北京、上海的提示词岗位是比较多的,其余城市均不足10个。
有了 glm-4-alltools ,做数据分析简直太方便了。
同样的方式,我们还可以让 glm-4-alltools 分析学历分布
以及提示词岗位所需要前10项技能。
可以分析的维度还有很多,比如,薪资、公司规模、行业。大家可以用 glm-4-alltools 自行探索。
以上是数值分析部分,有了glm-4-alltools 这样的强大的模型,我们还可以对岗位做文本分析。比如,对岗位打标签。某个岗位可能会被打上 AIGC、AI绘画这样的标签。
这里我们就不需要添加 tools 了,直接用大模型本身的能力就可以。
打完标签之后,我们可以统计标签的分布,对职位有更全局的掌握。
之前,要完成这样的工作,需要人工打标签,训练标签分类器。现在有了大模型,直接调用大模型即可,非常方便。
到这里,分析的工作基本就完成了。
如果有意向从事提示词相关的工作,可以继续调用 glm-4-alltools 查找面试经验。
通过添加 web_browser 工具,可以搜索全网资料,glm-4-alltools 会对检索的资料总结输出。
上面整个流程我们可以整合到一个项目代码中,再配上可视化界面,就可以做成一个通用的职位分析Agent智能体,从而可以分析任何职位。
glm-4-alltools 提供的丰富工具,可以让我们只用一个模型就能快速实现各种强大的功能。从而降低整个项目开发难度,推荐大家使用。
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。
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/0dc35641cd2d85e39db6e8cb368fa5cb.png)