本文深入淺出地解析了大模型相關技術棧的各個層級包括模型層、運行時層、能力層、編排層和產品層幫助小白和程序員更好地理解和應用大模型技術。文章詳細介紹了DeepSeek Harness、Agent、Skill、Workflow等關鍵概念并通過實例和圖表讓讀者清晰地了解它們之間的關系和作用。此外文章還總結了六個最常見的誤區(qū)并提供了“三問法”來幫助讀者快速判斷和理解新的名詞。最后文章以一分鐘速查表的形式對關鍵術語進行了簡明扼要的概括方便讀者查閱和復習。deepseekdeepseek harness、agent、skill、workflow…這串名詞之所以看著像一鍋粥不是因為概念太多而是因為它們根本不在同一個層。這篇文章就和您一起做一件事把散落的名詞各歸其位。如果只記一句話 模型是大腦Harness 是身體Skill 是手藝MCP 是插座Workflow 是流水線產品是你面前那臺機器。在前面這些詞里有的指「層」模型層、運行時層有的指「件」技能、插件有的指「形態(tài)」智能體、工作流——把它們放在同一條水平線上比較必然越比越亂。0 · 先立骨架一張五層技術棧AI 圈的名詞混戰(zhàn)幾乎全部源于一個原因廠商在不同層上搶同一個詞。同一個「Agent」有人指一個產品有人指一段循環(huán)代碼同一個「框架」有人指運行時有人指編排庫。所以最有效的辦法不是背定義而是先把層分清楚。下面這張圖是全文的脊柱后面所有概念都往它上面掛。圖 1 智能體技術棧的五層全景。同一條業(yè)務鏈路上五層可以分別由五家不同的公司提供所以「我用的是某某模型」和「我用的是某某產品」是兩件事。順著這張圖開頭提到的名詞就都有了位置大模型 → 模型層DeepSeek Harness → 運行時層Agent → 跨運行時層與編排層的一種系統(tǒng)形態(tài)Skill / 插件 / 連接器 → 能力擴展層Workflow → 編排層WorkBuddy → 產品層一個容易被忽略的事實 同一家公司可以同時占好幾層這恰恰是混亂的來源。DeepSeek 既出模型V4 系列也出運行時框架DeepSeek Harness騰訊既出模型混元 Hy4也出產品WorkBuddy。所以聽到一個名字先問一句它在哪一層1 · 最底層大模型那個只會「接著說」的東西大語言模型LLM本質上是一個極其強大的「下一個 token 預測器」。它沒有記憶沒有循環(huán)不會主動做任何事。你給它一段文本它算出一段概率分布挑一個詞接上去再拿新序列算下一次——如此重復。圖 2 大模型的工作循環(huán)。理解了「它只輸出詞」就能理解為什么它不能自己動手——包括「我要調用工具」這句話也只是它輸出的一串詞而已。必須認識的幾個術語Token詞元模型處理文本的最小單位一個漢字往往 12 個 token。計費、速度、上下文長度全按它算。上下文窗口Context Window模型一次能「看到」多少 token。2026 年旗艦普遍到 100 萬 token 級別但「能裝下」和「能用好」是兩回事。參數(shù)Parameters模型內部的權重數(shù)量粗略對應「腦容量」。當前最大的開源權重模型 Kimi K3 為 2.8 萬億參數(shù)MoE 架構激活約 104B。MoE混合專家把大模型切成很多「專家」每次只激活一小部分。這是「參數(shù)很大但推理成本可控」的關鍵。DeepSeek V4 Pro 為 1.6T 總參 / 49B 激活。預訓練 → 后訓練 → 對齊先讀海量文本學語言規(guī)律再用指令數(shù)據教它聽話最后用偏好數(shù)據調它的行為。推理模型Reasoning Model回答前先寫一長串「思考過程」再給結論數(shù)學、代碼、復雜規(guī)劃更強但更慢更貴。開源權重Open Weights把權重放出來讓你自己部署。注意「權重可得」和「你跑得動」是兩回事——2.8T 參數(shù)的模型自部署門檻是以幾十張加速卡起步的。2026 年 9 月模型層的代表選手代表廠商一句話印象Claude Opus 5 / Fable 5.1Anthropic長任務編碼智能體的默認答案綜合榜常年前排貴。GPT-6 Astra / GPT-5.6OpenAIAstra 沖推理天花板5.6 走量與日常辦公。Gemini 3.8 Flash / 3.1 ProGoogle長文檔、多模態(tài)與聯(lián)網檢索強性價比突出。DeepSeek V4 Pro / V4.1 FlashDeepSeek1.6T MoE、MIT 協(xié)議開源可自部署的實用派Flash 是真實用量榜的頭部。Kimi K3月之暗面史上最大的開源權重模型中文能力強。GLM-5.3智譜開源 極低單價性價比戰(zhàn)場的主力。Qwen3.8 Max阿里第三方智能指數(shù)上的國產最高席位之一。Grok 4.6 / Muse SparkxAI / Meta實時信息、社交語料方向各有特色。看榜的三條紀律 ① 看口徑基準復合分、真實用量榜、單次任務成本榜三者結論經常相反 ② 看價格列同檔性能價格差八倍時性能差異對多數(shù)場景已不重要 ③ 看透明度廠商不公布數(shù)值分數(shù)、只給定性評級的默認按第三方復測打折聽。 另外2026 年一個明顯的變化是模型不再是瓶頸驗證才是。真正拉開差距的是模型外面那層工程。2 · 運行時層Harness 與 Scaffolding讓模型真的動起來這是 2026 年最熱、也最容易講糊涂的一層。行業(yè)里現(xiàn)在有個說法開始流行模型決定 AI「能做什么」Harness 決定 AI「如何把事情做完」。把這一層再拆開其實是兩件事一句話可以分開圖 3 Agent 的三層骨架。Scaffolding 管「怎么想」模型能感知的部分Harness 管「怎么跑」驅動模型運行的部分。沒有 Harness模型只是在說「我想做什么」什么都不會真正發(fā)生。那 Harness 具體在循環(huán)里干什么把它想成一個引擎調用模型 → 解析它吐出來的工具請求 → 路由到真正的工具 → 拿回結果 → 更新上下文 → 判斷該繼續(xù)還是結束。圖 4 Agent 循環(huán)。每繞一圈叫一個turn把所有 turn 連起來就是一條trajectory軌跡。Harness 的功夫幾乎全花在這條循環(huán)的穩(wěn)定性上。Harness 工程其實還分三層2026 年 8 月前后三家團隊先后交作業(yè)都叫 harness但壓根不在同一層。把它們分開看思路立刻清晰運行時層——怎么把一個基座模型安全、可控、可復現(xiàn)地跑成一個「受控工人」。這是地基。代表DeepSeek Harness。構建 / 演進層——怎么自動造出一個 Agent并讓它持續(xù)迭代變強。這是在地基上蓋樓。代表PenguinHarness。元 / 自研究層——怎么讓 AI 自己去研究「harness 本身該怎么改才更省」。這是站在樓外研究「樓怎么蓋才省料」。代表NVIDIA SoL-Pi。DeepSeek HarnessDSH運行時層 · MIT 開源一句話DeepSeek 官方開源的通用 Agent 運行時框架把「模型之外的一切」插件化。團隊自己的比喻是——模型是 Agent 的靈魂Harness 給予 Agent 理解環(huán)境、使用工具、并在真實場景中持續(xù)工作的能力。時間線2026 年 3 月成立獨立 Harness 團隊8 月 13 日以 v0.1 開發(fā)者預覽版向全球開放測試并以 MIT 協(xié)議開源上線不到 24 小時就在 GitHub 上收了 7 萬多顆星。核心哲學「一切皆插件」。模型、工具、技能、會話、沙箱、存儲、循環(huán)、調度、UI 全部由插件組合而成可自由替換、靈活重組——連 agent loop 本身都是一個插件。底層是 Cordis 插件內核TypeScript 實現(xiàn)服務、事件、生命周期都有明確邊界支持熱插拔。形態(tài)默認帶一個本地 Web UI127.0.0.1:3080支持多 provider 適配官方 DeepSeek、自托管 gateway、任意 OpenAI 兼容端點提供workspace-write approval的權限沙箱。適合怎么用當團隊內部的 Agent 運行時底座。把散落的腳本膠水收口到一個統(tǒng)一 runtime權限、審計、可復現(xiàn)一把抓。它是內核不是 Dify / Coze 那種業(yè)務畫布。兩個坑① 本地 UI ≠ 本地推理——默認路由走遠程 API要憑證② 它是 developer preview破壞性變更在預期之內綁定深了升級就是重做建議鎖死版本并自行 fork 維護。PenguinHarness企鵝駕馭師構建演進層 · Apache-2.0 開源一句話由 LlamaFactory 作者團隊開源的自進化 Agent harness——「一句話描述 → 自動生成、評測、迭代一個會自我變強的 Agent」。當年 LlamaFactory 把「微調模型」的門檻踩平了這次想踩平的是「造 Agent」。閉環(huán)Agent 自動構建另一個 Agent基于 benchmark 自我評估并迭代版本形成build → eval → optimize循環(huán)每個版本有快照每次請求都能在 Trace 視圖里觀測。原生支持上千種模型不被單一 provider 綁死。成本口徑官方稱在 DeepSeek V4 Pro 上造一個 RAG 應用約 0.02 美元約 ￥0.2。注意這是廠商口徑且是首輪單價而非全生命周期均價落到自己業(yè)務集上必須實測。最大的風險沒有干凈、可量化的 benchmark自進化就會空轉甚至越改越差Agent 自己改自己行為漂移說不清、進生產后回歸極難。務實做法benchmark 當?shù)谝还?、自進化只跑影子環(huán)境、達標再灰度、全鏈路軌跡留痕。SoL-Pi元 / 自研究層 · NVIDIA 出品一句話它不是一個新的 harness而是裝在另一個 harnessPi上面的一層擴展標語很直白——「Spend less without getting less done」花更少的錢但不少做事。思路相反于前兩者DeepSeek 和 PenguinHarness 是「人設計 harness 去駕馭模型」SoL-Pi 是「讓 AI 自己去研究怎么改 harness 本身」。它讓 Agent 構造訓練環(huán)境讓另一些 Agent 觀察模型怎么探索軌跡把觀察變成 auto-research loop 去優(yōu)化 harness——而優(yōu)化目標被嚴格限定為效率在能力保全門檻下壓 token 與成本。最終活下來的四個機制全是「token 經濟型」決策Action Fusion改完文件把「跑測試」折進同一次工具調用省掉一整輪模型往返。Online Context Compact不在上下文快爆了才壓縮而在子任務邊界判斷「未來省下的能不能償還重寫成本」——壓縮時機語義化而不是容量觸發(fā)的急救。ObservationPack工具結果不每輪重塞上下文先存索引真要用再分頁取。Evidence-Preserving Reducer長日志交給便宜模型總結但逐行核對引用是否對得上歸檔原文——這是它能放心落地的關鍵。除了這三家真正被大量日常使用的成熟 harness 是 Claude CodeCLI、OpenAI Codex、Cursor 這一類面向軟件開發(fā)的 Agent——它們能理解代碼庫、調用工具、改代碼并完成復雜工程任務。同一代模型塞進不同 harness表現(xiàn)差出一檔這就是為什么 2026 年「模型不再是瓶頸」的說法開始站得住腳。為什么這一層突然這么重要 因為當頂級模型的分數(shù)彼此只差幾個點的時候前十名往往只差 8 分左右harness 和提示詞工程產生的差異足以讓一個模型上下挪好幾個名次。模型是要花錢買的公共品harness 才是各家自己的護城河。3 · 能力層Tool、MCP、Skill、插件、連接器模型再聰明也需要「手」。這一層解決的就是「手」的問題但它內部也分了三代理解這三代的演進比背定義有用得多。第一代Function Calling —— 一次性約定2023 年 6 月OpenAI 為 GPT-4 / GPT-3.5-turbo 引入了 Function Calling開發(fā)者把可用函數(shù)的清單名字 描述 JSON Schema 參數(shù)一次性塞進 prompt模型返回「我要調用哪個函數(shù)、傳什么參數(shù)」應用層負責執(zhí)行并把結果喂回去。Anthropic 后來做了同一樣東西只是叫 Tool Use還多加了強制調用、并行調用、流式工具調用等能力。它的硬傷是 M×N 適配問題M 個 AI 應用 × N 個工具 M×N 次對接。而且各家的格式互不兼容。第二代MCP —— 把 M×N 變成 MNMCPModel Context Protocol由 Anthropic 在 2024 年 11 月 25 日開源是基于 JSON-RPC 2.0 的標準化通信協(xié)議。它的關鍵革命不是性能而是解耦工具廠商GitHub、Slack、Notion、數(shù)據庫……做一次 MCP Server所有 MCP 客戶端自動可用。圖 5 工具調用協(xié)議的代際差異。左邊是 2023 年的現(xiàn)實右邊是 2026 年的主流。協(xié)議治理也已落定MCP 與 A2A 都在 2025 年底進入了 Linux Foundation 旗下的 Agentic AI Foundation。MCP 生態(tài)現(xiàn)在多大按公開掃描與目錄統(tǒng)計互聯(lián)網上可訪問的 MCP 服務已超過 1 萬個主要目錄里注冊的 server 超過 4,800 個GitHub 上標記為mcp-server的倉庫超過 15,000 個。OpenAI、Google、微軟的客戶端都已支持——它事實上贏下了「Agent 到工具」這一層。第三代Skill —— 把「手藝」寫成文件Agent Skill 是 Anthropic 在 2025 年 10 月提出、并在同年 12 月 18 日開放為標準的一種格式。它簡單到令人意外一個文件夾 一個SKILL.md。文件開頭是一小段 YAML只需要name和description下面是給模型看的操作說明還可以帶腳本和參考文檔。它的精髓是漸進式加載平時只有描述常駐上下文每個技能約 100 token命中任務時才讀取正文建議控制在 5,000 token 以內附帶文件更是用到才讀腳本則只把執(zhí)行結果帶進上下文。所以技能可以寫得很厚卻幾乎不占預算。圖 6 技能與 MCP 不是二選一。一個實用判斷數(shù)據每次都可能變、需要實時取 → 用 MCP知識穩(wěn)定、寫一次能用幾周 → 用技能文件。需要兩個的時候技能定義方法MCP 取回數(shù)據。那「插件」和「連接器」又是什么它們是廠商自己的封裝叫法通常比上面兩個都「大」一個插件可以同時包含技能指令、連接MCP 或私有接口、界面UI 面板、生命周期鉤子與權限聲明。連接器Connector打通外部系統(tǒng)的通道。例如 WorkBuddy 的連接器可以把天眼查、攜程、百度網盤這類第三方能力接進來用戶只要說一句話智能體就按需調用相關數(shù)據。插件Plugin更寬的盒子。MCP Server 算是插件的一種標準形態(tài)但插件不一定是 MCP。技能市場各家的分發(fā)渠道。SKILL.md 之所以值得關注是因為它跨客戶端可移植——同一份技能可以跑在 Claude Code、Cursor、Codex、GitHub Copilot、VS Code、Gemini CLI、Goose 等多個宿主里。維度技能 SkillMCP / 插件提示詞 / 斜杠命令本質靜態(tài)的指令文件長期運行的服務進程可復用的一段文本改變什么怎么做事行為能碰到什么可達范圍本次任務的行為| 形式 | 文件夾 SKILL.md | JSON-RPC / stdio 或嚴格說自動化不是第三種形態(tài)而是工作流的一種觸發(fā)方式——「每天 9 點跑一遍」或者「收到新郵件就處理」。WorkBuddy 里它叫「自動化」n8n 這類平臺則把整件事叫自動化。它的價值在于把重復工作從「你想起來才做」變成「到點就做」。多智能體與 A2A從「一個人干」到「一群人協(xié)作」當一個任務天然可以拆成幾種不同技能時多智能體才有意義——比如調研、寫作、審校各一個角色各自持有自己的上下文和工具。而讓不同廠商、不同框架造出來的 Agent 能互相發(fā)現(xiàn)和委派任務靠的是另一套協(xié)議。圖 8 兩個協(xié)議各管一段。A2A 管「Agent ? Agent」橫向MCP 管「Agent ? 工具」縱向。它們不競爭而是疊在一起用。A2AAgent2Agent由 Google 在 2025 年 4 月發(fā)布隨后捐給 Linux Foundation。它用 Agent Card自描述能力清單類似 Agent 的「身份證 說明書 合約」實現(xiàn)互相發(fā)現(xiàn)用任務生命周期狀態(tài)機管理長任務。到 2026 年 4 月滿一周年時已有 150 家以上組織支持規(guī)范推出 1.0加入多租戶與簽名 Agent Card并集成進 Google Cloud、Azure AI Foundry、Copilot Studio、Amazon Bedrock AgentCore。別忘了多智能體不是越多越好。每多一個 Agent上下文就要被復制一次成本和延遲一起上漲前面的錯誤還會順著鏈路放大。先確認任務天然可拆再決定要不要多智能體。編排框架地圖先看你會不會寫代碼框架 / 平臺形態(tài)適合誰LangChain / LlamaIndex代碼框架RAG 與組件拼裝生態(tài)最全學習曲線陡。LangGraph代碼框架復雜多步驟、有分支與人工審批、要狀態(tài)持久化的生產級流程。CrewAI / AutoGen代碼框架角色分工式的多智能體協(xié)作AutoGen 更偏研究。Dify / FastGPT低代碼平臺想快速落地知識庫、客服、內部工具又不被云平臺鎖死。Coze扣子/ 元器云端平臺對拖拽友好、要一鍵發(fā)布到社交與聊天渠道的業(yè)務同學。n8n自動化平臺跨系統(tǒng)自動化、審批流、數(shù)據同步——AI 只是其中一個節(jié)點。OpenAI Agents SDK代碼框架直接在 OpenAI 生態(tài)里做生產級 Agent。Claude Code / Cursor / Codex成熟 harness編碼場景開箱即用理解整個代碼倉庫。選型心法低代碼看「落地速度」代碼框架看「控制力」。至于多智能體先問一句「這個任務到底能不能拆」——拆不開就別拆。5 · 產品層你真正打開的那個東西產品層是「把下面四層打包賣給用戶」的那一層也是概念混淆最嚴重的一層——因為廠商在這里搶詞、造詞、混用詞。同一句「我們的 Agent 很強」可能指模型強、可能指編排強、也可能指界面好用。產品形態(tài)特征代表聊天助手你問它答交付的是文字ChatGPT、豆包、Kimi、Claude 網頁版工作臺式 Agent自主拆解任務、動你的文件、交付可驗收的成品文檔/表格/PPTWorkBuddy、豆包工作、千問辦公編程 Agent理解代碼庫、改代碼、跑測試Claude Code、Codex、Cursor、Cline低代碼 / 自動化平臺拖拽編排、面向業(yè)務同學Dify、Coze、n8n、Flowise垂直 Agent只做一行做得很深法律/醫(yī)療/金融等行業(yè)的專用智能體WorkBuddy產品層 · 騰訊出品一句話騰訊出品的全場景 AI 工作臺。你用自然語言描述需求它自主規(guī)劃、執(zhí)行并交付文檔、表格、PPT 這類可直接使用的完整成果。時間線2026 年 3 月上線試運營此后迭代了 50 多個版本6 月發(fā)布企業(yè)版9 月 2 日開放平臺上線首批引入上百家生態(tài)伙伴。能力按模塊組織這三個詞就是廠商自己的封裝技能——一系列經過優(yōu)化的定向提示詞用來精準完成特定類型的辦公任務。對應第 3 節(jié)的 Agent Skills專家——面向細分工作場景把多項相關技能整合成的專屬能力模塊。對應「角色化的技能包」連接器——打通不同應用的接口通道可對接天眼查、攜程、百度網盤等第三方工具一句話就能按需調用相關數(shù)據。對應 MCP / 插件生態(tài)它還支持多任務并行、授權后操作本地文件、資料庫內部知識與資料、自動化定時或事件觸發(fā)。交付物是「可驗收的結果」而不是一段建議——這也是它和傳統(tǒng)對話式 AI 最本質的差別。拆到五層看它長這樣模型層開放的多模型供給 運行時層自家的 Harness 能力 能力層技能 / 連接器 / 插件 編排層專家多角色并行、自動化 產品層桌面端 / 主流 IM / 小程序。沒有哪一層是「WorkBuddy」這一個詞能概括的。一個行業(yè)級的轉向 辦公軟件正在從「被人操作的工具」變成「主動干活的執(zhí)行主體」。過去 Copilot 模式是「幫你寫」現(xiàn)在的 Agent 追求「替你干完」——價值重心也從個人單點提效轉向團隊協(xié)同提效。順帶一提這也解釋了為什么巨頭都要做產品做產品能持續(xù)收集真實場景反饋反過來優(yōu)化模型與生態(tài)。6 · 將開頭的詞逐個歸位先做兩處名稱校正開頭說的 workbody 應當是 WorkBuddy騰訊的全場景 AI 工作臺deepseekharness 是 DeepSeek Harness簡稱 DSHDeepSeek 官方開源的 Agent 運行時框架。它們兩個恰好一個在頂層、一個在中間層是最典型的「不該放在一起比」的例子。你說的詞它到底是什么歸屬層同類 / 易混WorkBuddy騰訊的全場景 AI 工作臺交付成品文件產品層豆包工作、千問辦公易混它不是模型DeepSeek一家公司以及它的模型系列V4 Pro / V4.1 Flash 等模型層GPT、Claude、Gemini、Qwen、KimiDeepSeek HarnessDeepSeek 官方開源的 Agent 運行時框架「一切皆插件」運行時層Claude Code、Codex、Cursor、PenguinHarnessAgent / 智能體一種系統(tǒng)形態(tài)模型 腳手架 駕馭層邊想邊做的循環(huán)跨運行時層與編排層易混它既不是產品也不是模型Skill / 技能用SKILL.md封裝的靜態(tài)指令集按需加載能力層易混它不是函數(shù)、不是連接Workflow / 工作流由人事先固定的執(zhí)行路徑編排層易混與 Agent 的區(qū)別是「路線誰定」插件廠商封裝的擴展包可同時含技能 連接 界面 鉤子能力層為主連接器、擴展、插件市場框架一個被濫用的詞至少指兩樣運行時框架Harness與編排框架LangGraph 等運行時層 / 編排層先問「是跑模型的還是排流程的」你沒提到、但同樣該知道的MCP — Agent 與工具的協(xié)議A2A — Agent 與 Agent 的協(xié)議Function Calling / Tool Use — 調用工具的原始能力Tool — 一個個具體動作Scaffolding — 模型能看到的世界Harness — 讓模型跑起來的循環(huán)RAG — 讓模型查資料再回答Memory — 跨輪次、跨會話的記憶Context Engineering — 上下文工程Sub-agent — 子智能體Hook — 在關鍵節(jié)點插入的鉤子評測 harness — SWE-bench / Terminal-Bench 這類考卷開源權重 vs 閉源 APIToken 計費與峰谷定價7 · 六個最常見的誤區(qū)把產品當模型?！肝以谟?DeepSeek」——你用的可能是一個套了某家 harness、接了某個模型接口的產品。模型是可以被換掉的零件產品才是你體驗到的整體。把框架當能力。裝了 LangChain、配了 MCP不等于你有了智能體。能力來自模型 工具 流程三者框架只是把它們裝起來的那層殼。以為 MCP 和 Skill 二選一。它們解決的是兩個問題一個管「怎么做」一個管「能碰到什么」。成熟做法是技能定義方法、MCP 提供實時數(shù)據。以為 Agent 一定比 Workflow 高級。步驟確定、要求審計和復現(xiàn)的場景工作流更便宜也更穩(wěn)。用柔性換來不可控通常不劃算。以為「本地界面 本地推理」。這是 harness 產品最常見的誤讀界面跑在你機器上推理請求可能照樣發(fā)往遠程 API數(shù)據邊界要自己劃。以為擴展裝得越多越強。每個擴展都在收上下文稅。裝到一定程度模型的選擇能力反而下降。少而準。最后送你一個「三問法」 以后再遇到一個新名詞問三句就夠了 ① 它在第幾層模型 / 運行時 / 能力 / 編排 / 產品 ② 它改變的是「想法」還是「能力」指令類改行為服務類擴范圍 ③ 路線誰定人定 → 工作流模型定 → 智能體 三問答完這個名詞 90% 的混淆就消失了。8 · 一分鐘速查表術語所在層一句話大模型 / LLM模型層預測下一個 token 的巨型函數(shù)只會輸出文本。Token / 上下文窗口模型層計費與容量的計量單位。MoE / 開源權重模型層只激活一部分專家權重可下載但未必跑得動。Scaffolding運行時層模型能看到的世界提示詞、工具描述、輸出格式。Harness運行時層讓模型跑起來的循環(huán)調用、路由、回填、停止判斷。Agent Loop / Trajectory運行時層一圈叫 turn一串叫軌跡。Function Calling / Tool Use能力層模型輸出「我要調誰、傳什么」執(zhí)行靠應用層。MCP能力層協(xié)議工具接入的 USB-C把 M×N 變成 MN。SkillSKILL.md能力層一個文件夾按需加載的操作說明書。插件 / 連接器能力層廠商封裝的擴展包通常含技能 連接 界面。RAG能力層先檢索資料再讓模型基于資料回答。Workflow編排層路線人定可審計可復現(xiàn)。Agent / 智能體編排層 運行時層路線模型臨場定模型 腳手架 駕馭層。Automation編排層被時間或事件觸發(fā)的工作流。A2A編排層協(xié)議Agent 之間的通用語靠 Agent Card 互相發(fā)現(xiàn)。LangGraph / CrewAI / Dify / n8n編排層工具把上面這些東西實際搭起來的工程工具。Claude Code / Cursor / Codex產品層也是 harness開箱即用的編碼智能體。WorkBuddy產品層把五層打包成一個「替你干完活」的工作臺。如何學習大模型 AI 由于新崗位的生產效率要優(yōu)于被取代崗位的生產效率所以實際上整個社會的生產效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優(yōu)勢”。這句話放在計算機、互聯(lián)網、移動互聯(lián)網的開局時期都是一樣的道理。我在一線互聯(lián)網企業(yè)工作十余年里指導過不少同行后輩。幫助很多人得到了學習和成長。我意識到有很多經驗和知識值得分享給大家也可以通過我們的能力和經驗解答大家在人工智能學習中的很多困惑所以在工作繁忙的情況下還是堅持各種整理和分享。但苦于知識傳播途徑有限很多互聯(lián)網行業(yè)朋友無法獲得正確的資料得到學習提升故此將并將重要的AI大模型資料包括AI大模型入門學習思維導圖、精品AI大模型學習書籍手冊、視頻教程、實戰(zhàn)學習等錄播視頻免費分享出來。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】為什么要學習大模型我國在A大模型領域面臨人才短缺,數(shù)量與質量均落后于發(fā)達國家。2023年人才缺口已超百萬凸顯培養(yǎng)不足。隨著AI技術飛速發(fā)展預計到2025年,這一缺口將急劇擴大至400萬,嚴重制約我國AI產業(yè)的創(chuàng)新步伐。加強人才培養(yǎng),優(yōu)化教育體系,國際合作并進是破解困局、推動AI發(fā)展的關鍵。大模型入門到實戰(zhàn)全套學習大禮包1、大模型系統(tǒng)化學習路線作為學習AI大模型技術的新手方向至關重要。 正確的學習路線可以為你節(jié)省時間少走彎路方向不對努力白費。這里我給大家準備了一份最科學最系統(tǒng)的學習成長路線圖和學習規(guī)劃帶你從零基礎入門到精通2、大模型學習書籍文檔學習AI大模型離不開書籍文檔我精選了一系列大模型技術的書籍和學習文檔電子版它們由領域內的頂尖專家撰寫內容全面、深入、詳盡為你學習大模型提供堅實的理論基礎。3、AI大模型最新行業(yè)報告2025最新行業(yè)報告針對不同行業(yè)的現(xiàn)狀、趨勢、問題、機會等進行系統(tǒng)地調研和評估以了解哪些行業(yè)更適合引入大模型的技術和應用以及在哪些方面可以發(fā)揮大模型的優(yōu)勢。4、大模型項目實戰(zhàn)配套源碼學以致用在項目實戰(zhàn)中檢驗和鞏固你所學到的知識同時為你找工作就業(yè)和職業(yè)發(fā)展打下堅實的基礎。5、大模型大廠面試真題面試不僅是技術的較量更需要充分的準備。在你已經掌握了大模型技術之后就需要開始準備面試我精心整理了一份大模型面試題庫涵蓋當前面試中可能遇到的各種技術問題讓你在面試中游刃有余。適用人群第一階段10天初階應用該階段讓大家對大模型 AI有一個最前沿的認識對大模型 AI 的理解超過 95% 的人可以在相關討論時發(fā)表高級、不跟風、又接地氣的見解別人只會和 AI 聊天而你能調教 AI并能用代碼將大模型和業(yè)務銜接。大模型 AI 能干什么大模型是怎樣獲得「智能」的用好 AI 的核心心法大模型應用業(yè)務架構大模型應用技術架構代碼示例向 GPT-3.5 灌入新知識提示工程的意義和核心思想Prompt 典型構成指令調優(yōu)方法論思維鏈和思維樹Prompt 攻擊和防范…第二階段30天高階應用該階段我們正式進入大模型 AI 進階實戰(zhàn)學習學會構造私有知識庫擴展 AI 的能力。快速開發(fā)一個完整的基于 agent 對話機器人。掌握功能最強的大模型開發(fā)框架抓住最新的技術進展適合 Python 和 JavaScript 程序員。為什么要做 RAG搭建一個簡單的 ChatPDF檢索的基礎概念什么是向量表示Embeddings向量數(shù)據庫與向量檢索基于向量檢索的 RAG搭建 RAG 系統(tǒng)的擴展知識混合檢索與 RAG-Fusion 簡介向量模型本地部署…第三階段30天模型訓練恭喜你如果學到這里你基本可以找到一份大模型 AI相關的工作自己也能訓練 GPT 了通過微調訓練自己的垂直大模型能獨立訓練開源多模態(tài)大模型掌握更多技術方案。到此為止大概2個月的時間。你已經成為了一名“AI小子”。那么你還想往下探索嗎為什么要做 RAG什么是模型什么是模型訓練求解器 損失函數(shù)簡介小實驗2手寫一個簡單的神經網絡并訓練它什么是訓練/預訓練/微調/輕量化微調Transformer結構簡介輕量化微調實驗數(shù)據集的構建…第四階段20天商業(yè)閉環(huán)對全球大模型從性能、吞吐量、成本等方面有一定的認知可以在云端和本地等多種環(huán)境下部署大模型找到適合自己的項目/創(chuàng)業(yè)方向做一名被 AI 武裝的產品經理。硬件選型帶你了解全球大模型使用國產大模型服務搭建 OpenAI 代理熱身基于阿里云 PAI 部署 Stable Diffusion在本地計算機運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優(yōu)雅地在阿里云私有部署開源大模型部署一套開源 LLM 項目內容安全互聯(lián)網信息服務算法備案…學習是一個過程只要學習就會有挑戰(zhàn)。天道酬勤你越努力就會成為越優(yōu)秀的自己。如果你能在15天內完成所有的任務那你堪稱天才。然而如果你能完成 60-70% 的內容你就已經開始具備成為一名大模型 AI 的正確特征了。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】