具身智能作为AI连接物理世界的关键途径，主要有分层决策与端到端两种技术架构，以及模仿学习与强化学习两种训练方法。各路线各有优劣，数据获取是具身智能发展的核心。商业化路径包括通用技术、纯软件和垂直领域三大方向。未来具身智能将向自适应学习和自我进化方向发展，2030年中国市场规模有望达8700亿元。

当我们站在 AI 发展的这个转折点上时，DeepSeek 的突破迫使我们重新考虑关于 AI 中竞争优势的基本假设。传统的观点——即进步是算力资源的简单函数——已经被颠覆。相反，我们看到了 Moat 2.0 的出现，

2025年，AI智能体（Agent）已成为企业智能化转型的核心引擎，人才缺口高达百万级。从WAIC 2025世界人工智能大会到各大厂重磅产品，AI Agent正从“被动应答”走向“主动执行”，开启“我说AI做”的新时代。

文章介绍AI Agent(智能体=大模型+记忆+工具)的重要性及主流平台(扣子空间、360纳米AI、阿里云百炼)，以Coze平台为例详细讲解"星座运势助手"的搭建过程，包括节点配置、提示词编写等步骤。强调AI Agent正从"加分项"变"必需品"，提供大模型学习路径和资料，帮助小白和程序员快速掌握这项未来必备技能。

2025年是AI转折之年，DeepSeek打破算力壁垒，AI Agent实现从"问答"到"执行"的质变。2026年普通人应将AI融入日常习惯，使用AI Agent作为数字员工，学习AI使用技巧并建立个人工具库。AI不会淘汰人，但"会用AI的人"将淘汰"不会用AI的人"，从简单提示词开始，把AI变成提升个人能力的杠杆。

LangChain是一个基于大语言模型（LLMs）构建应用的开源框架，它为开发者提供了一系列强大的工具和接口，使得创建由LLMs支持的应用程序变得更加简单高效。无论是聊天机器人还是图生文、文生图等复杂任务，LangChain都能轻松应对。这一框架通过提供统一的抽象层，让开发者可以将更多精力投入到业务逻辑上，而不是重复造轮子。此外，LangChain还具备通用性，通过API或网站即可与LLM进行交互

这是一份全面的大语言模型(LLM)学习指南，分为基础、科学家和工程师三部分。涵盖数学、Python、神经网络基础，LLM架构、预训练、微调、对齐等核心技术，以及应用构建、RAG、部署等工程实践。提供丰富资源和项目，帮助学习者系统掌握大语言模型的理论知识和实践技能，适合从初学者到专业开发者。

主要指基于Transformer的预训练语言模型（PLMs），包含数十亿至数百亿的参数。

我们回顾一下第二章。编码器模型：擅长从序列中获取丰富的表现。它们输出包含关于输入的语义信息的嵌入。我们可以在这些嵌入之上添加一个小型网络，并对其进行训练以完成依赖语义信息的新特定任务（例如识别文本中的实体或分类序列）。解码器模型：非常适合生成新文本。编码器-解码器模型：非常适合需要基于给定输入生成新句子的任务。零样本或少样本学习：我们可以使用一个高质量的预训练模型，说明任务（例如“分类成这四个类别

BN批量归一化：以进行学习时的mini-batch为单位，按mini-batch进行正规化。具体而言，就是进行使数据分布的均值为0、方差为1的正规化。LN层归一化是对每个batch（3维）里的每个样本的每行进行标准化，使用layer norm 对应到NLP里就是相当于对每个词向量各自进行标准化总结：BN是对一个中间层的单个神经元进行归一化操作，LN是对一个中间层的所有神经元进行归一化。