综合整理自Addy OsmaniGoogle 首席工程师、Boris ChernyClaude Code 负责人、Peter SteinbergerOpenClaw 作者、邱汉宸东南大学/阿里淘天、小林等人的文章与综述一句话总结Loop Engineering 是让 AI 从你喂一次它答一次的对话模式升级为你设计一个能自己发现、执行、验证、交接的闭环系统的工程方法——你的工作从写 prompt 变成写 loop杠杆支点从单次交互移动到了可复用的系统。2025–2026 年间三句话引爆了整个 AI 社区“I really like the term ‘context engineering’ over prompt engineering.” —— Tobi Lütke, Shopify CEO“You shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.” —— Peter Steinberger, OpenClaw“I don’t prompt Claude anymore. I have loops running. My job is to write loops.” —— Boris Cherny, Claude Code这三句话宣告了一场正在发生的范式迁移人类从 Agent 循环的内部走向外部从执行者变成设计者。AI 时代的上半场是人以言驭物下半场正在全面转向系统自我迭代。一、为什么会出现 Loop EngineeringAI 编程工具链里出现了四个工程概念每个新词都对应上一个瓶颈被解决后的下一个瓶颈时间概念解决的问题2023Prompt Engineering模型一问一答你怎么问决定怎么答2024Context Engineering单次会话里给 Agent 什么上下文2025Harness EngineeringAgent 的运行环境——工具、沙箱、权限、子 Agent2026Loop Engineering人坐在屏幕前敲 prompt是最后一环瓶颈前三个解决的是模型怎么用好。Loop Engineering 瞄准的是人与 AI 的协作方式从你一轮轮对话变成你设计一个能自己运转的闭环。四个阶段的详细演进1. Prompt Engineering —— 提示词工程模型一问一答你怎么问决定怎么答。方法论从早期的少样本提示发展至思维链Chain-of-Thought、思维树Tree-of-Thought等高级策略。工业界曾一度将核心精力投射于提示词工程导致市面上充斥着万能 Prompt 模板和Prompt 圣经。但这种模式的瓶颈很明显模型无法自主维护工具状态或进行跨会话的记忆管理人类实质上成为了维持系统运转的中转站。当应用于大型软件工程时需要维护成百上千条模板一旦模型升级或业务微调精心打磨的 Prompt 极易集体失效——这种越堆越多、越滚越重的维护成本决定了纯靠写好提示词根本撑不起规模化工程。2. Context Engineering —— 对话管理核心演进在于将注意力从如何写提示词转向信息怎么喂给模型。就像发邮件前帮 AI 把附件、参考资料和背景画像都准备好。三大核心方法论方法核心思路轻量化装配MVC严控单次请求体积只组合最必需的用户目标、检索结果与当前工具定义避免信息冗余知识图谱增强检索GraphRAG用实体关系网络取代传统向量相似度将段落检索升级为语义关联解决多跳推理与可解释性即时检索JIT初始阶段仅维护资料的轻量引用如路径或 ID运行时按需实时加载。Anthropic Skills 采用此设计哲学三种典型故障模式故障表现根因信息匮乏Context Starvation模型缺乏依据而产生幻觉数据过少信息过载Context Overflow灌入大量无关噪音稀释注意力信息失控上下文腐烂Context Rot窗口越填越满响应质量反向退化无压缩策略Prompt Caching 与缓存经济学模型会缓存已计算完毕的上下文前缀KV Cache。如果下次请求的前缀完全一致就能跳过最耗时的预填充Prefill阶段直接命中缓存。这使缓存读取部分的 Token 成本降低约 90%即按基础输入价格的 10% 计费同时显著降低首 Token 延迟Time-to-First-Token。延迟改善幅度随缓存前缀的规模增大而增大。但享受这一红利必须遵循前缀匹配不变性的铁律缓存要求前缀的每个字节完全一致。前缀中哪怕仅改变一个空格或者切换了tool_choice、thinking等参数该位置往后的所有缓存瞬间失效退回全额计费的冷启动。因此上下文必须严格按照从静到动原则分层排列工具定义确定性→ 系统提示冻结→ 历史对话相对稳定→ 动态消息最后反直觉的设计要求当前日期、当前用户等动态变量绝不能插进开头的系统提示中否则击穿整段缓存而必须挂在对话流的最末尾以最大化保证前缀的稳定性。3. Harness Engineering —— 系统围栏当越来越多的企业开始应用 AI 时人们意识到仅仅把资料喂对不足以让大模型独立支撑高可靠的工业级应用。行业逐渐确立了Agent Model Harness的研发范式——如果你不是在做底层模型你就是在做 Harness。Harness 四大核心支柱支柱组件环境资产与工具集Tools、Skills、MCP 服务、文件系统、安全沙箱、无头浏览器控制与编排逻辑子 Agent 派发、状态接力Handoff、模型路由规则中间件Hooks上下文压缩Compaction、代码静态检查Lint、提交网关Commit Gate运行可观测性Trace 链路、Token 成本、延迟Latency实时计量信任边界结构从外到内层层防御物理基础设施 → 安全沙箱 → Agent Harness → 运行时 → 模型最核心、也最不可信。模型执行的每一个高风险动作都必须经过外围 Harness 规则的解析与沙箱隔离。灾难案例行业广泛引用2026 年据行业讨论中的典型案例记载——由于研发环境缺乏沙箱隔离且底层云平台未开删除保护AI 编码工具机械地执行了盲目授权的terraform destroy指令导致生产环境被物理抹除。真正的问题不在失控的 AI而在 Harness 缺位——缺乏危险操作的二次确认、缺乏基础设施的刚性红线、缺乏 Human-In-The-Loop 交互机制。八条非妥协原则综合自 Datawhale 综述中整理的生产级实践经验Model proposes — Harness executes模型仅负责提议Harness 拥有最终执行权Every call returns a result即使超时或拒绝也必须结构化回传Risk changes the process根据风险高低动态匹配只读、草稿、外部写入三档权限Draft 与 Commit 分离危险操作必须由人类显式确认Context is assembled, not dumped上下文要分层装配绝不能直接倾倒Long tasks have budgets从步数、时间、Token、成本四个维度卡死单次任务预算Skills Connectors 渐进式披露先暴露名称按需加载细节Recurring failures become Harness features重复出现的偶发错误必须沉淀为 Hook 或校验器分层审查理念综合自 Addy Osmani《Agentic Code Review》与 Datawhale 综述按风险分层审核审查投入匹配错误成本层工具/方式典型检查项硬规则层Semgrep / Linter / Type-Check语法错误、安全红线、类型错误毫秒级执行策略网关层OPA / 自定义规则引擎IaC 配置检查、架构边界刚性阻断AI 审查层AI Code Review 工具业务逻辑错误、代码质量、安全漏洞人类终审人工 Review架构决策、高影响变更最慢但判断力最高实践中可增减层级核心原则是约 80% 低级错误在最便宜的硬规则层被拦下15% 复杂逻辑交给 AI 层人类最终只需审核剩余 5% 的核心决策。默认 Harness 的三种失败模式默认 Harness 在同一上下文窗口中处理规划与执行时容易出现三类问题Anthropic Claude Code 团队总结模式表现根因Agentic Laziness智能体懒惰Claude 取得部分进展后过早停止没有硬性验收条件逼迫它继续Self-Preferential Bias自我偏好偏见要求验证自身输出时偏向自己的结果缺乏独立视角的审查者Goal Drift目标漂移长对话后逐渐偏离原始目标细节需求在 Compaction 中丢失上下文窗口限制无外部状态参照这些失败促使了 Dynamic Workflows 的出现——通过派生子 Agent独立上下文窗口 隔离目标从根本上解决上述问题。Claude Code 负责人 Boris Cherny 的原话「我的工作就是写循环。」Google 首席工程师 Addy Osmani 的观点Loop 不是你去给 Agent 写提示词而是你设计一个系统让这个系统替你去写。人的位置从执行者变成调度者。二、核心区别Agent Loop ≠ Loop Engineering很多人把这两者混为一谈但它们处于不同层次维度Agent LoopLoop Engineering本质运行机制/产品功能如/loop命令系统设计/工程方法论你在做什么启动一个会重复的 Agent 任务设计发现→执行→验证→交接的完整系统粒度一次递归目标 调度模式、技能、状态 schema、安全策略、成本模型成功标准“它又在跑了”“它跑得对、跑得省、出事能停、人能看懂它干了什么”典型产物/loop 1d ...一条命令STATE.md Skills Worktree 策略 Verifier ChecklistAgent Loop你定义一个目的系统按固定节奏反复调用 Agent——读状态→行动→写回结果→下一轮。Claude Code 的/loop、/schedule、/goalGitHub Actions 的 cron本质都是同一类东西。Loop Engineering围绕 Agent Loop 展开的整套系统设计——怎么调度、怎么验证、怎么记录、怎么分权、什么时候该停。三层关系Harness 单次 Agent 运行的环境工具、权限、规则 Loop Harness 调度 状态 验证链 Loop Engineering 设计并运营上述 Loop 系统的工程实践类比Harness 管单个工位的工具箱Loop 管传送带的运转Loop Engineering 管整条产线的设计与 SOP。Loop Engineering 在工程上可以用一个公式概括Loop Cron 决策器。人类的职责从直接编写提示词或控制流走向循环系统架构设计师。官方分类Loop 四类型Anthropic Claude Code 团队Delba de Oliveira Michael Segner将 Loop 定义为智能体重复工作周期直到满足停止条件的机制按触发与停止方式分为四类类型触发方式停止条件适用场景Turn-Based手动轮用户 promptClaude 判断任务完成或需更多上下文探索性/决策性短任务Goal-Based目标驱动手动输入/goal目标目标达成或达最大轮数有明确可验证验收条件的任务Time-Based定时触发定时器/loop本地 //schedule云端手动取消或每个子任务完成定时重复任务Proactive自主循环事件/定时器 无人值守/schedule/goal Skills Workflows每个子任务各自满足停止条件持续运行的明确定义工作流关键区别/loop在本地机器上持续运行关闭即停/schedule将循环移至云端以 Routine 方式持续运行Turn-Based用户每次手动发起适合随意探索Proactive组合多种原语Schedule Goal Skills Dynamic Workflows Auto mode形成自主流水线无需人工在场Quick ReferenceLoop 类型你交出了什么什么时候用Turn-Based验证环节探索或决策时Goal-Based停止条件的判断你知道完成长什么样Time-Based触发时机工作发生在外部系统、有固定节奏Proactive提示词的书写工作可重复、定义明确Auto Mode自动模式Proactive Loop 的关键配套当 Routine 需要反复执行确定性操作时Auto mode让循环无需每步都等待人工审批权限直接持续运行。适用于已充分验证的流水线。Loop 成熟度三档档位类型特征适用场景L1Open Loop开环模型自行判断并输出 done 即告结束Demo 演示L2Closed Loop闭环每轮执行都强制通过单元测试、Lint 检查或自动化 Review生产级交付L3Review Loop评审环后台常驻的异步审查 Agent 在新鲜上下文中提供持续反馈长会话、长任务的最优解Loop Contract循环协议六维度为防止自主循环退化为失控的死循环整个系统必须在策略层强制执行一套循环协议严格约束以下六个维度维度说明示例TRIGGER触发条件每 15 分钟 / PR 评论 / CI 失败SCOPE作用范围仅限特定仓库 / 仅处理自己提交的 PRACTION具体行为运行测试 / 自动修复 Lint 错误BUDGET预算红线单次最多衍生 3 个子 Agent / 50k Tokens / 100元 成本STOP停止条件测试全绿 / 达到 10 轮上限 / 预算耗尽REPORT上报通道异常时发送邮件通知或接入消息通知工程防线熔断器与看门狗BUDGET预算与 STOP停止条件在工程落地时固化为两道硬性约束熔断器Circuit Breaker配置连续失败次数上限max_consecutive_failures。一旦连续报错 N 次系统立即跳闸并回退代码将运行栈日志打包成工单转交人工同时加设墙上时间max_runtime_min超时无条件熔断。看门狗Watchdog专防自旋死循环。系统利用独立于主异步线程的外部进程监控 CPU一旦检测到占用率满载且长时间无 I/O 交互越过应用层直接发送SIGKILL信号强杀进程并回收资源。当这套工程防线与自动化流水线串联便形成标准的自主闭环AI 编码 → 沙箱测试 → 日志自动回灌 → AI 修复 → CI 绿标通过 → 自动发起 PR三、完整 Loop 的六个构件Addy Osmani 把一个能用的 loop 拆成五个积木 一个记忆机制对应六个必须回答的问题1. 调度Automations / Scheduling—— 谁来把它叫醒不会自己启动的不叫 loop只能算你手动点一次。调度方式可以是定时触发、按事件触发CI 失败、Issue 创建、跑到目标条件满足为止。工具支持Claude Code 的/loop、/schedule、/goal或外部的 cron / GitHub Actions / 云端 routines。2. 任务定义Task Definition—— 调醒之后干什么调度只是心跳心跳必须带任务。不是写一条 prompt而是指定一个目标、一个 scope、一个验收条件。3. 停止条件Termination—— 什么时候交还给人两个层面完成条件测试全通过、lint 干净和安全网token 预算耗尽、重复失败超过阈值、涉及敏感路径。没有停止条件的 loop 会空转或无限递归。4. 验证Verification—— 做完一轮怎么检查道理跟团队里的老规矩一样写代码的人最好别自己给自己 review。在无人盯着的 loop 里更要紧因为它一旦犯错会顺着 loop 越跑越远。实现方式独立的 verifier Agent、子 Agent 之间写查分离、自动跑测试套件。5. 记录State Tracking—— 进展记到哪每轮结束写回 STATE.md、状态文件或看板。记录做了什么、失败了什么、哪些已确认、哪些还得人处理。记录必须持久化到磁盘不能只在对话上下文里。6. 记忆Memory—— 怎么记住昨天做到哪了这是最不起眼却几乎不可或缺的部件。Agent 每次启动都像重新来过——昨天验证过的结论今天再查一遍上周否掉的方案这周又端上来。必须有对话之外的载体记录状态。模型会忘但仓库不会。记忆可以是一个 markdown 文件、一个看板、一份外部记录只要它活在单次对话之外。六大构件全景构件职责类比调度心跳按节奏或事件触发闹钟任务定义调醒之后该干什么任务清单停止条件什么时候该停路标验证做完一轮怎么检查质量质检员记录每轮进展写到哪工单系统记忆跨会话记住做了什么日志本四、Dynamic Workflows动态工作流来源Thariq Shihipar Sid BidasariaAnthropic Claude Code 团队2026年6月Harness 是编排 Agent 如何操作任务的脚手架。默认 Harness 专为编码设计但 Dynamic Workflows 让 Agent 能即时编写自己的 Harness为当前任务量身定制——把 Harness 的控制权从开发者手中交给了 Agent 自身。核心能力能力说明每 Agent 独立选择模型Workflow 决定每个子 Agent 使用哪个模型Sonnet / Opus 等Worktree 隔离子 Agent 可在独立 Worktree 中运行互不干扰断点续跑中断后可恢复Workflow 从断点继续标准 JavaScript使用agent()、parallel()、pipeline()等函数编排七种可组合模式模式描述典型场景1. Classify-and-Act分类器决定任务类型并路由到不同 Agent客服分类、代码审查分流2. Fan-out-and-Synthesize拆分任务并行执行再合并结构化结果多文件审查、多源信息分析3. Adversarial Verification每个 Agent 的输出由另一个 Agent 对抗性审查代码审查、事实核查4. Generate-and-Filter批量生成后用 Rubrik 筛选去重只保留最高质量结果方案生成、创意筛选5. Tournament锦标赛多个 Agent 分别尝试同一任务评审 Agent 两两比较取最优。比较判断比绝对评分更可靠代码重构方案比选、技术选型6. Loop Until Done未知范围任务如 Bug 发现循环直到无新结果或指定轮数漏洞扫描、根因分析7. Model Routing分类器按复杂度判断路由到不同模型简单问题→Sonnet复杂→Opus触发和使用触发词ultracode在 prompt 中包含此词Claude Code 自动创建 Workflow保存 Workflow在 Workflow 菜单按s保存存入~/.claude/workflows/或通过 Skill 分发组合使用与/goal、/loop、Skills 搭配形成完整的 Proactive LoopQuarantine隔离模式当 Workflow 需要读取不可信内容如外部 Issue、用户反馈时Quarantine 模式阻止读取不可信内容的 Agent 执行高权限操作。这是一个重要的安全设计模式防止 Agent 被恶意内容诱导执行危险操作。什么时候不用 Dynamic WorkflowsDynamic Workflows 消耗显著更多 Token。对常规编码任务先问自己真的需要更多算力吗——大多数传统编码任务不需要 5 个评审员的面板。适合复杂、多步骤、需独立验证的场景而非简单机械操作。五、五个基础部件基础设施层除了上面的六个逻辑构件实际落地还需要五个基础设施部件1. 工作树Worktree—— 并行隔离两个并行工作的 Agent 互不干扰。Claude Code 和 Codex 都内置了 worktree每个 Agent 一个独立的工作目录和独立分支共享同一份仓库历史物理上互不干扰。2. 技能Skill—— 固化项目知识Agent 的天生缺陷每个会话都是冷启动项目规范、约定、坑一概不知。Skill 就是把这些知识写成文件放仓库里让 Agent 自己读。对 loop 意义尤其大没有 skillloop 每个周期从零推导项目有了 skill知识是复利。3. 连接器Connector / MCP—— 触达真实工具一个只能看见文件系统的 loop 撑死了只能改代码。连接器让 Agent 能读取 Issue、查询数据库、调用 API、发 Slack 消息。这是只会说’这是修复方案’的 Agent和能自动开 PR、关联 Ticket 并在 CI 通过后通知频道的 loop之间的区别。4. 子 AgentSub-agent—— 生产者与检查者分离loop 中最有用的结构是把写代码的人和检查代码的人分开。写代码的模型批改自己作业的准确率远低于独立的检查者。通过配置文件定义子 Agent各司其职。5. 自动化Automations—— 脱离人工触发计划任务、hooks、事件监听——让 loop 脱离你手动启动运行。六、一个真实 Loop 的运行流程Addy Osmani 给出的一个实际在用的 loop每天早上自动发现值得修的问题、修好、提交审核。1. 每天早晨自动化触发调用分诊 skill 2. Skill 读取昨天的 CI 失败记录、未关闭 Issue、最近提交 → 把”哪些问题值得处理”写进状态文件 3. 对每个值得做的问题 → 开隔离的 worktree → 派 sub-agent 修代码 → 另一个 sub-agent 检查改动 4. 验证通过 → 开 PR、关联 Issue、通知频道 5. 验证失败 → 记录到状态文件等人工介入 6. 所有任务处理完毕 → 检查停止条件 → 等待下一轮调度七、成本与边界Loop Engineering 不是无脑乐观的方案需要正视几个现实问题Token 成本loop 一旦跑起来就不是问一次的事。每轮都消耗 token特别是带长上下文的 Agent 调用。需要设置 token 预算上限敏感路径auth / payment进 denylist同一 PR 自动修超过 3 次就升级给人。理解债Comprehension Debtloop 交付你没写过的代码越快仓库里实际存在的东西和你脑子里真正理解的东西之间的鸿沟就越大。和技术债不同技术债是代码烂理解债是代码可能不烂但你不知道它为什么是对的。出问题那天你面对的是一片自己拥有但不理解的代码。认知投降Cognitive Surrenderloop 自己转起来后一个特别舒服的姿势是不再对产出有自己的观点——它给什么就收什么。这是最舒服也最危险的状态。AI 垃圾代码Sloop关于 AI 产出质量下降的担忧是现实存在的。需要某种方式确保质量不随迭代下降——验证环节和停止条件是关键护栏。质量控制五原则Anthropic Claude Code 团队保持代码库整洁— Claude 遵循现有模式和约定代码质量越高产出越稳给 Claude 验证方法— 将质量要求编码为 Skill让 Claude 能定量自检而非凭感觉判断使文档可访问— 保持框架/库文档更新让 Claude 能读取最新实践用第二个 Agent 做 Code Review— 新鲜上下文的审查者偏见更少利用/code-reviewskill系统性改进— 当结果不达标时修复系统Harness/Skill而非仅修复单个问题Token 管理六大策略策略说明选对原语和模型小任务不需要多 Agent 编排明确完成和停止条件具体的完成让 Agent 能更准地到达但不早停小规模试点大规模运行前先在小范围评估 Token 消耗脚本做确定性工作运行脚本比推理步骤便宜得多匹配检查频率循环运行频率不应高于任务实际变化频率定期审查用量/usage查看按 Skill/子Agent/MCP 的成本拆分/goal无参数查看轮次和 Token/workflows查看每 Agent Token八、AI 工程范式的嵌套结构与数学表达四种范式在实际落地中并非互斥或替代关系而是层层组合、向外扩展的嵌套结构Prompt ⊂ Context ⊂ Harness ⊂ LoopPrompt决定模型对单一指令的理解基础Context决定该指令所需的动态信息输入Harness充当每次执行时的系统级围栏保障单步动作的安全和规范Loop在最外层动态调度 Harness驱动状态不断迁移两种架构范式的数学对比早期阶段单次推断f(P, C) → R 输出可靠性完全取决于输入质量当前系统级智能体架构状态机 自愈循环Sₙ₊₁ T(Sₙ, V(E(A(Sₙ)))) 任务成功率取决于循环迭代深度、验证器严密性与状态自愈能力其中 Sₙ 为第 n 轮状态A 为 Agent 动作E 为执行环境反馈V 为验证器T 为状态转移函数。幻觉的可工程化收敛路径基于大语言模型的概率预测特性单次生成的错误难以完全避免。对抗幻觉的有效手段不再是调优提示词而是依赖Text → Code → Execute → Read Result → Self-correct的闭环控制。九、关于Prompt 工程已死的反思每隔 12-18 个月Prompt 工程已死就会被宣告一次。arXiv 上没有一篇论文以此为论点GitHub 上以此为仓库描述的为 0。它活在 Medium 标题和 LinkedIn 主页里。实际上死掉的是角色扮演咒语“You are a senior expert with 20 years of experience”精雕细琢的 few-shot 例子一个清晰的 JSON schema 就够了玄学技巧的反复试错“加这个词成功率提升 5%”活下来且越来越重要的三件事约束设计——好的 system prompt 70% 的工作量在设计约束不是告诉它该做什么是告诉它不该做什么、什么时候停、什么情况下求助。上下文工程——你的工作不是写一段话是决定每一步该往上下文窗口里塞什么、不塞什么。用语言精确定义系统的能力——过去它叫产品需求、接口设计、架构文档今天它叫 system prompt。内核没变。十、怎么开始分阶段放权阶段模式说明L1人读报告Agent 自动发现问题人读报告决定是否处理L2辅助修复Agent 自动修复 独立 Verifier 跑测试人审 PRL3无人值守Agent 修复 验证 开 PR仅敏感路径升级给人先让最小循环转起来心跳 任务 停止条件再逐步加入验证、worktree、子 Agent。部件是一件一件长出来的不是一天配齐的。落地步骤建 STATE.md——每轮必读必写记录优先级、进度、噪声写 Skill——把项目知识固化下来让 Agent 不再冷启动加验证——至少跑一遍测试最好用独立 Agent 检查设停止条件——token 预算、重复失败阈值、敏感路径 denylist建记忆——markdown 文件即可关键是在对话之外持久化十一、总结Loop Engineering 的核心不是让 AI 自动干活而是从对话者变成系统设计者——你不再一轮轮喂 prompt而是设计一个能自己发现问题、执行、验证、交接的闭环杠杆支点移动——以前写一条好 prompt 收益是这一次回答变好现在设计一个好 loop 收益是之后每一次循环都变好人的位置变了但没消失——你可以当那个始终在场、清楚每一步在发生什么的工程师也可以当那个只负责按下开始键、然后看着代码越堆越多的人两个人设计完全相同的 loop 可能得到截然相反的结果一个用它在深挖领域内跑得更快另一个用它来彻底逃避对工作的理解。Loop 不知道区别但你知道。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】