不得不说，LLM时代已经从模型竞争全面进入应用开发工具链竞争阶段。位于中间层的平台层具有非常强的生态性和垄断性，向下对接越来越多样化的模型及差异化AI基础设施，向上承接不同领域的垂直应用，宛如“国家电网”一般具有极大的想象空间，向下对接各种发电厂（风电厂、火电厂、蓄电站…），向上对接各类电气应用（电灯，电视…），这样独特的定位吸引了国内外一大批巨头押注。

Langchain以框架起家，提供代码级工具包，降低LLM开发门槛，在过去一年里获得了很多开发者，帮助开发者快速构建AI应用。同时，还存在一波希望更低门槛，专注业务应用本身的用户群（包含非专业程序员），未能被满足，这就给了构建其上的Langflow，Flowise等平台产品生存机会，得以进一步向端到端，低门槛扩展。国内厂商也纷纷押注低代码的LLM应用开发平台，其中以Coze和Dify最具代表性，由于产品设计运营得当，这两款产品在国内外都收获不少粉丝，呈现出巨大的潜力。似乎相较于盯着dark theme的代码编辑器，更多用户喜欢可视化直观的方式开发自己的应用，这也让本身在这一领域的领头羊Langchain、llamaindex感受到压力（本文先谈谈Langchain动作，下一篇来看看llamaindex的动作，欢迎关注）。另一方面，细粒度的、灵活的编排能力即Agentic workflow的概念变得越来越成为共识，简单依靠LLM的能力和固化的流程当下是难以实际落地的，这也催生了拥有大量复杂逻辑的应用流程，如何开发调试它们成了新的难题。

Langchain作为在Agent开发领域最早探索的玩家，也意识到这一问题，在今年一月初就推出了LangGraph实验版本，六月底推出稳定版本0.10，定位Agent应用编排开发工具，旨在打开黑盒，提高可控性。相较于Dify等低代码可视化工具，LangGraph走的是编程式路线，但这类方法有优点也有缺点，优点是延续langchain的用户群习惯，缺点是面对复杂的流程逻辑，开发调试都不够直观。近日（8.1），为了解决这一问题，Langchain进一步的推出了基于LangGraph的Agent IDE——LangGraph Studio（https://github.com/langchain-ai/langgraph-studio），支持可视化的进行agent开发调试。这种高代码配合可视化调试界面的解法与微软推出AutoGen Studio如出一辙（延伸阅读：[两款图形化工具AutoGen Studio、X-force，有望加强MultiAgent框架AutoGen的优势地位（精彩实例）]。熟悉大数据调度编排工具airflow的朋友可能会感觉似曾相识。

和传统编程不同，LLM应用开发的一大特点就是迭代式，开发过程需要不断的和LLM进行交互，并基于反馈改进提示或者逻辑，因此，LangGraph Studio为了满足这样的需求，在设计上有一些特点，比如可以直观的根据视图不断优化应用，并且通过类似可视化的修改中间环节节点的逻辑和数据，使得调试验证更加简单，加速开发迭代速度。同时支持与Langsmith集成，进一步提升可观测性。

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】