飞书上的这 10 个优质 AI Agent 项目，涵盖了大厂真实 AI 项目的落地过程。每个业务都对应互联网常见真实场景，吃透这些 Agent 项目对提升项目能力和业务能力很有帮助。
开源复刻与商用实践
- 开源复刻 Manus：OWL 使用教程
- 从 O-1 打造商用 AI Agent：智能体开发全流程
- 万字实践教程：全面入门 Coze 工作流
- 长文深度解析：Coze 的多 Agent 模式实现机制
垂直领域应用
- FinRobot：基于 LLM 的金融分析 Agent
如何系统地学习大模型 AI？
新岗位的生产效率通常优于被取代岗位，最先掌握 AI 的人将具备竞争优势。在一线互联网企业工作十余年的经验表明，指导同行后辈时，发现很多经验和知识值得分享。以下是整理的系统化学习路径，涵盖从入门到商业闭环的关键步骤。
第一阶段（10 天）：初阶应用
建立对大模型 AI 的前沿认识，理解其核心心法与应用架构。
- 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
- 大模型应用与技术架构
- 向 GPT-3.5 灌入新知识示例
- 提示工程的意义和核心思想
- Prompt 典型构成与指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
第二阶段（30 天）：高阶应用
正式进入进阶实战，构造私有知识库，扩展 AI 能力。适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念与向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 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
通过微调训练垂直大模型，独立训练开源多模态大模型。
- 模型与模型训练基础
- 求解器 & 损失函数简介
- 手写一个简单的神经网络并训练
- 训练/预训练/微调/轻量化微调
- Transformer 结构简介
- 轻量化微调与实验数据集构建
第四阶段（20 天）：商业闭环
认知全球大模型性能、吞吐量与成本，进行云端和本地部署。
- 硬件选型与全球大模型概览
- 使用国产大模型服务与搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 本地计算机运行大模型
- 大模型的私有化部署与 vLLM 部署
- 案例：如何在阿里云私有部署开源大模型
- 内容安全与互联网信息服务算法备案
学习是一个持续的过程。若能完成大部分任务，便已具备大模型 AI 工程师的正确特征。
