小白程序员必看：11类Agent工种全解析，搞懂它就是抓住了AI未来！

本文深入解析了11种不同类型的Agent工种，从编程Agent到具身Agent，详细阐述了它们的工作环境、核心难点、商业化成熟度及代表产品。文章强调Agent的分类应按工种而非技术，并指出不同Agent的差异主要在于配比而非结构。通过对比分析，揭示了哪类Agent在哪个发展阶段、哪类的钱最好赚、哪类的天花板最高，为读者提供了清晰的入局指导。

Cursor、Manus、Operator、Sierra、Harvey 都叫 Agent，但差距比手机和电饭煲还大。

Agent 这件事真正该按工种分类，不是按技术分层。按工种看，你立刻能看出谁在替你打工、谁的钱最好赚、谁还在 0 到 1 阶段。

看过近半年市面上大部分的 Agent 产品，翻了 a16z、Goldman Sachs、Anthropic 几份 2026 年 Q1 的调研报告，以及 arxiv 上几篇最新的 Agent 综述论文，发现绝大多数从业者讨论 Agent 时都在错的轴上对比，这就是为什么读多少篇都拼不出Agent全貌。

1、Agent 的四要素

任何一个 Agent 本质都是同一个结构，模型负责思考，工具负责动作，记忆负责连贯，规划负责拆任务。学术综述把这四块再拆成感知、大脑、规划、动作、工具调用、协作六维，产品经理视角下用四块已经够用。

不同 Agent 差异不在结构，在配比。编程 Agent 工具最多记忆最短，客服 Agent 反过来，具身 Agent 的工具是关节电机。Demo 谁更炫不重要，谁配比合理才能落地。

下面盘 11 个真正在跑的工种。

2、编程 Agent

编程 Agent 是当前生态里最热、商业化最快的工种，代表产品是 Cursor、Claude Code、Devin、Windsurf、GitHub Copilot Workspace。

类比是程序员同事，给它仓库访问权限和需求描述，它自己读代码、改代码、跑测试、提交 PR，24 小时不下班、不抱怨。

工作环境是代码仓库加终端加浏览器三件套，Cursor 把整个 IDE 都变成 Agent 工作台就是这个原因。核心机制是读代码、改代码、跑测试、看结果、决定下一步的循环，Devin 一度宣称能跑 8 小时不停，靠的就是这个循环的稳定性。

真正的壁垒不在写代码，在理解整个代码库，几十万行的生产仓库塞不进上下文，怎么决定看哪几个文件、推断改动会影响哪些下游模块，才是核心护城河。

反常识的是，这条赛道看起来最挤，实则壁垒最深。Cursor 一年从 1 亿美元 ARR 涨到 5 亿美元以上，同样的工程师，有没有 Cursor 产能差能到一倍，这种确定性回报让企业付费意愿极强。其他工种没有这么硬的回报锚点。

3、浏览器 Agent

浏览器 Agent 是替你点网页的工种，代表产品是 OpenAI Operator、Browser Use、Manus、智谱 AutoGLM、Skyvern。

类比是网络数据录入员，给它一个任务从京东找出销量前十的扫地机器人，把价格、评分、品牌录到表里，它自己开浏览器、搜关键词、翻页、点详情、抓数据、填表，全程不用动手。

工作环境就是一个无头浏览器，模型看到的不是网页本身，而是截图加 DOM 结构。核心机制是截屏、决策、动作、验证的循环，一个完整任务可能要跑几十甚至上百轮，任何一轮卡住整个任务就崩。

真正的壁垒不在模型多聪明，在恢复力多强，网页改一次 Agent 就崩，淘宝今天换个按钮位置，Agent 明天就找不到了。能不能识别走错、回到正确路径，才是工程化的关键能力。

中国团队在这条赛道上最有机会。淘宝、京东、美团、小红书各有各的反爬和反自动化逻辑，这种复杂度逼出来的工程能力，海外团队很难复制。Manus 一炮而红的根本原因不是模型多强，是它在中国互联网场景里把恢复力和容错率打磨到了新高度。

4、电脑 Agent

电脑 Agent 是直接控制整台电脑的工种，代表产品是 Anthropic Claude Computer Use、OpenAI ChatGPT Agent、Google Project Mariner。

类比是远程技术支持，把屏幕分享给一个远程技术员，他能看到全部内容，能控制鼠标键盘帮你完成任务，只是把人换成了模型。

工作环境是一整台电脑，可以是 Windows、macOS、Linux 或云端虚拟机。模型的输入是屏幕截图，输出是鼠标坐标加点击加键盘按键。和浏览器 Agent 都跑截屏、决策、动作、验证的循环，差异在于电脑 Agent 没有 DOM 这一语义层，纯靠像素识别按钮、输入框、菜单在哪里，精度大幅下降。

从 2024 到 2026，Claude Opus 4.7 和 GPT-5 把屏幕理解准确率从 70% 推到 92% 以上，才把这个工种推过商业可用线。

电脑 Agent 真正成熟的标志不是能做更多事，是能做对更多事。当前所有电脑 Agent 在简单场景下都能跑，差异都在复杂场景的成功率。视觉模型对屏幕的理解能力是未来三年的核心瓶颈，这个瓶颈一旦突破，所有 SaaS 软件的交互层都要被重新定义。

5、研究 Agent

研究 Agent 是替你写报告、做研究的工种，代表产品是 OpenAI ChatGPT Deep Research、Perplexity Pro、Google Gemini Deep Research、xAI Grok DeepSearch。

类比是实习研究员，你给一个研究问题，它自己拆问题、跑搜索、读资料、整理观点，产出一份带引用的报告。过去研究员花一天的活，五分钟搞定，每个观点都标好出处。

工作环境是搜索引擎加网页阅读加文档处理，一次任务可能跑 30 到 100 次搜索，读几百个页面。核心机制是一条长链路：把问题拆成子问题→每个子问题各自搜→读相关页面→按子问题归类→综合成报告并标来源。

链路里任何一步出错，报告质量都会打折。质量瓶颈不在模型聪不聪明，在这条链路跑得稳不稳。同一个 Claude 模型，在 Perplexity 和普通聊天框里跑研究任务，质量差距巨大，全部来自链路工程，不是模型本身。

研究 Agent 是 Agent 时代第一个真正意义上的杀手 App 形态。普通用户对编程、电脑 Agent 都没有强需求，但对深度信息检索有强需求，Perplexity 的崛起、ChatGPT Deep Research 上线后的高使用率都是证据。这条赛道的天花板不是 ChatGPT 取代 Google，而是研究 Agent 取代研究员的部分工作。

6、数据分析 Agent

数据分析 Agent 是替你处理数据、出图、出洞察的工种，代表产品是 ChatGPT Data Analyst、Julius AI、Hex Magic、Anthropic Claude with Code Interpreter。

类比是数据分析师，给它一份 Excel 或 CSV 加一句我想看什么，它自己跑统计、画图、出结论。过去要数据团队排期一周的活，产品经理自己一小时就能拿到第一版。

工作环境是 Python 沙盒加数据文件加可视化库，核心机制是 Code Interpreter 加数据探索循环：写代码、跑、看结果、改代码再跑，直到满意。这个循环里数据探索能力远比写代码能力关键。

真正难的不是写 Python，是看懂数据语义，一张表里 status 列写着 0、1、2，Agent 不知道业务含义，跑出来的分析就是错的。生产环境里的数据分析 Agent 必须先注入业务知识，光靠模型读列名远远不够。

Data Analyst 是当前 AI 第一个大规模冲击的白领岗位。一份初级分析报告，Agent 五分钟能出，质量打 70 分；剩下 30% 是业务理解，Agent 暂时替代不了。结果就是初级数据岗大幅萎缩，中高级反而更值钱，人能做的是把 Agent 那 70 分推到 95 分。

7、创意生成 Agent

创意生成 Agent 是替你出图、出视频、出 UI 的工种，代表产品是 v0、Krea、Recraft、即梦、Sora 系列、Midjourney 的 Agent 化版本。

类比是设计师或视频剪辑师，你描述风格和内容，它自动生成。和早期生成模型的差别是，创意 Agent 不再一次出图，而是支持多轮编辑、迭代、组合，可以来回调整直到满意。

工作环境是画布加生成模型加提示词管理，核心机制是多模态模型加多轮编辑加反馈循环。你说把人物的衣服换成红色，Agent 知道你指的是上一张里那个人物，而不是从零开始，这种连续性是 Agent 形态和工具形态的本质区别。

v0 能在 UI 生成跑出来，就是把 UI 生成做成多轮迭代的 Agent，而不是一次生成的工具。真正的难点不是创意，是可控：同一个人物、同一个场景、只改局部细节，很难做到。靠一次出爆款的产品已经触顶，接下来三年的胜负全在精细控制能力上。

这个工种正在重塑设计、视频、广告整个产业链。一个广告创意原来要团队两周，现在一个人加 Agent 三天能出。设计师不是被淘汰，是工作流被彻底重构，核心技能从画图本身转到指挥 Agent 画图。能用好 Agent 的设计师产能直接翻三倍，跟不上节奏的会被工作流挤出去。

8、客服 Agent

客服 Agent 是 24 小时在线的坐席工种，代表产品是 Intercom Fin、Salesforce Agentforce、Sierra、Decagon。

类比是客服坐席，客户问问题，Agent 先去知识库查，能答直接答，不能答升级到工单让人接手。对客户来说就是和一个客服在聊，只是这个客服永远不下班、不烦躁、不出错、不离职。

工作环境是客服系统加 CRM 加内部知识库加工单系统，核心机制是 RAG 检索加多轮对话状态加工单升级判断三块，找答案、记住客户上一句话、识别什么时候该把对话交给人。

三块都做到位才算生产可用，少一块就会答非所问或把简单问题升级给人，效率反而下降。这个工种在科技圈被讨论得最少，但卖得最猛、营收最稳：Lyzr 2026 Q1 报告显示 49% 的客服团队已经部署了 AI Agent，Sierra 估值突破 100 亿美元，Decagon 一年营收破亿。

客服 Agent 是当前所有 Agent 工种里 ROI 最清晰的。一个客服员工一年成本 8 万到 15 万人民币，Agent 接手 30% 工作量就能回本，70% 就能净赚。

这种确定性的回报让企业老板拍板特别快。这条赛道天花板不算高，但安全垫极厚，适合稳定型团队进场，不适合追融资估值的玩家。

9、销售外呼 Agent

销售外呼 Agent 是替你做线索跟进、邮件外联、电话开发的工种，代表产品是 11x、Outreach AI、Apollo AI、Clay。

类比是 AI SDR，即销售开发代表，给它一份客户名单，它自动写个性化邮件、跟 LinkedIn 消息、安排会议、把有意向客户转给真人销售。Agent 自己跑完一万条线索只用一个夜晚。

工作环境是 CRM 加邮件系统加 LinkedIn 加会议系统，核心机制是潜客研究加多渠道触达加 CRM 写回。潜客研究扫描客户的 LinkedIn、公司动态、公开演讲，提炼钩子；多渠道按顺序在邮件、LinkedIn、电话上跟进；CRM 写回把每次互动沉淀成结构化数据。

这就是它区别于传统营销自动化的关键。真正的瓶颈不是话术，是合规和送达率，GDPR、CAN-SPAM、中国《反垃圾邮件法》都对群发设了门槛；Gmail、Outlook 的反垃圾算法会把自动化邮件直接打到垃圾箱，Agent 输出再漂亮也没人看到。

这是 to B Agent 里 ROI 最直接的工种，客户付的钱算得清。一个 SDR 一年成本 15 万到 30 万，Agent 替代 50% 工作量就回本。11x 一年从 0 跑到 1500 万美元 ARR，就是这个 ROI 模型在跑。

中国市场对自动化外呼合规更严，但场景更密集，本土团队如果能把合规啃下来，空间不会比海外小。

10、语音 Agent

语音 Agent 是把语音能力做成 Agent 基础设施的工种，代表产品是 Retell AI、ElevenLabs Voice、Bland AI、Vapi、Synthflow。

类比是 24 小时不下班的电话坐席。和销售外呼 Agent 的区别是，它不绑定单一业务场景，而是一层能力，医疗预约、酒店预订、保险理赔、客服热线、教育跟进、外呼营销都能用，一家 Bland AI 同时跑五个场景。

工作环境是电话系统加语音模型加业务知识库，核心机制是 ASR 加 LLM 加 TTS 的实时流式管道：ASR 把用户的话转成文字，LLM 决定怎么回应，TTS 把回应变成人声。三块都要支持流式，边接收边处理，任何一块卡半秒，整段对话就像机器人。

最大瓶颈不是声音像不像人，是对话的实时性，端到端延迟超过 800 毫秒，用户立刻能感觉到对面是机器。Retell AI 的核心壁垒就是把延迟压到 600 毫秒以内，这比模型质量更难做。打断处理、情绪识别、口音容错也都是工程难点，任何一个做不好，整套语音 Agent 就垮。

医疗、酒店、保险是当前最直接的 AI 落地场景。HIPAA 合规的医疗外呼能把患者爽约率从 30% 降到 12%，这种确定性回报让医院快速付费；Retell 报告里医疗是 2026 增长最快的语音 Agent 部署垂类。

未来三年最大的变化是，语音 Agent 会从外呼扩展到所有需要电话沟通的场景，逐步替代呼叫中心整个岗位结构。

11、垂直行业 Agent

垂直行业 Agent 是只服务某一个行业、把行业逻辑彻底吃透的工种，代表产品是 法律领域的 Harvey、医疗领域的 Hippocratic AI、招聘领域的 Mercor、金融领域的 Numerai、法律合同领域的 Robin AI。

类比是行业专家，它不做泛用任务，只懂一个行业，但在这个行业里比通用 Agent 强得多。Harvey 不会替你订酒店，但合同审查、法律研究、案例引用上，表现接近资深律师；Hippocratic 不会写代码，但医患外呼、用药咨询、合规对话上，能稳定通过 HIPAA 审计。

工作环境是行业专属数据系统加合规框架加专业工具，这一层是真正的壁垒，通用模型再强也接不进医院 EMR、律所卷宗、券商交易系统。核心机制是行业知识注入加合规约束加多 Agent 协作。

a16z 把 2026 年垂直 Agent 的关键创新概括为 multiplayer mode：Agent 不是孤立工作，而是在多方之间协商、同步变更、把冲突浮给人工解决。

一笔房产交易里，卖方、买方、银行、政府的 Agent 同时参与，互相核对信息、提示风险、推进流程。

垂直行业 Agent 是当前 AI 融资的最大主题，a16z 2026 Big Ideas 报告把它列为头号方向。这条赛道的特点是通用模型公司很难直接吃，反而懂行业的创业团队能赢，所以也是最适合 AI 产品经理切入的位置，对某个行业的深度理解比模型能力更重要。

法律、医疗、招聘、金融、保险、地产、会计、教育这八个行业，接下来三年都会跑出独立的垂直 Agent 王者。

12、具身 Agent

具身 Agent 是把 Agent 装进物理身体的工种，代表产品是 Figure 02、1X Neo、Tesla Optimus、银河通用 G1、智元远征 A2。

类比是真正进入物理世界的员工，前面十类都在屏幕里干活，具身 Agent 是第一类需要动手动脚的员工，在工厂、家庭、餐厅、仓库里搬箱子、叠衣服、拧螺丝。

工作环境是物理世界。输入是摄像头画面加传感器读数加语音指令，输出是关节角度加电机转速加抓握力度，IO 比前面十类都复杂，物理世界不能被精确建模，有重力、有摩擦、有不可预测的扰动。

核心机制是 VLA 模型，即视觉语言动作模型，把视觉输入加语言指令直接映射成动作。和传统机器人控制不同，VLA 不需要工程师写每一个动作的规则，让模型自己从演示数据里学。但瓶颈不是模型，是数据，一个机器人要学会叠衣服，需要几十万到上百万次真人演示，采集成本远超想象。

Figure、1X、银河通用都把数据采集中心当作核心资产，真正的护城河长在数据上。

具身 Agent 是当前最早期、风险最高、终局最大的工种。其他十类合起来对应数字劳动力市场，具身 Agent 对应的是整个体力劳动市场，规模差一个数量级，成熟度也差一个数量级，真正能进入家庭和工厂稳定干活，至少还要 3 到 5 年。这条赛道适合长线团队，不适合短期变现。

13、未来 5 个方向

再往后看三年，Agent 生态还会出现五个全新的方向，每一个都可能改写当前的格局。这五个方向不是凭空想的，是从 a16z、Goldman Sachs
代客购物 Agent 是 Agentic Commerce 的核心方向。Google 在 2026 年 1 月推出了 Universal Commerce Protocol，Shopify、Target、Wayfair、Home Depot、Best Buy、Visa、MasterCard 联合背书；OpenAI 的 Agent Commerce Protocol 在 2025 年底已上线；Shopify 在 2026 年 3 月对所有商家开放了 agentic storefront。

用户在 ChatGPT 里直接说帮我买一双跑鞋，Agent 调用 Visa 走完整支付流程，商家收到的订单和正常订单一样可履约，零售业从面向人的店面，变成面向 Agent 的 API。

这一层一旦跑通，搜索引擎和电商平台的关系会发生根本性反转：过去用户先搜索再下单，未来直接告诉 Agent 想要什么，Agent 自己挑商家。Google、亚马逊这种以搜索为入口的玩家，压力会被反噬最重。

方向 4 Agent 互购

Agent 互购指的是 Agent 之间互相付费购买服务，英文叫 Agent-to-Agent Commerce。Anthropic 在 2026 年 4 月开了一个测试性的 Agent 市场，研究 Agent 付费让数据分析 Agent 跑统计，客服 Agent 付费让翻译 Agent 处理外语客户。

本质是，Agent 不再只是对人的服务工具，而是经济活动里的独立角色，自己持钱包、自己结算、自己签约，这一层一旦跑通会改变整个数字经济的合作单位。

短期内会先在开发者圈跑通，长期会扩散到企业内部业务流，一个企业内的销售 Agent 调用研究 Agent 自动结算，会让 IT 预算结构被重写。

方向 5 多方协作

多方协作是 a16z 提的 multiplayer mode，被列为 2026 垂直 AI 头号创新，多个 Agent 代表不同方协同工作，会协商、同步变更、把冲突浮给人工解决。

最直观的场景是垂直行业的多方业务：房产交易、医保理赔、并购协议，天然涉及多方，每方有自己的 Agent。当前 A2A 协议、MCP 协议、Anthropic 的 multi-agent 框架都在为这个方向做准备。

这一层会让垂直 Agent 的护城河再上一个台阶，a16z 反复强调的 collaboration becoming the moat 就是这件事，行业越复杂，Agent 之间协作越深，新入者越难替代。Harvey 拿 110 亿美元估值，核心不是单点法律能力多强，是它已经在全球律所之间建起了 Agent 协作的关系网。

最后

把这些Agent，放在同一张表里看。

横向四列，工作环境、核心难点、商业化成熟度、代表产品。纵向十一行，从编程到具身。这张表的意义不是把每一类的细节再复述一遍，是让你一眼看出哪类 Agent 在哪个发展阶段、哪类的钱最好赚、哪类的天花板最高。

看这张表的时候要带着问题看，自己的产品想做哪一类、自己的能力适合做哪一类、自己的资源能撑到哪一类的爆发点。带着这三个问题看完，你对自己接下来要怎么入局，会有一个清晰得多的判断。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】