想让大语言模型（LLM）变得更聪明、更贴合你的需求？那就得靠微调（fine-tuning）！而微调的关键在于一个精心准备的数据集。本文将带你一步步了解如何创建和准备一个适合LLM微调的数据集，特别聚焦于如何使用Unsloth来简化这个过程。无论你是想让模型学会写代码、做总结，还是扮演某个角色，这篇指南都能帮你理清思路，少走弯路。

开启你的AI大模型时代的学习之旅~从基础到前沿，掌握人工智能的核心技能！整个学习分为7个阶段。

本文详细介绍了大模型微调的必要性，重点讲解了LoRA微调方法的原理与实现。内容包括环境准备、transformer工具安装、Hugging Face镜像配置，并通过代码实战展示如何使用LoRA方法对DeepSeek模型进行微调。文章适合有一定编程基础的读者学习大模型微调技术，提供了完整的操作流程和代码示例。

AI Agent，或称为人工智能代理，我更愿意称为AI智能体。它是一种模拟人类智能行为的人工智能系统，以大型语言模型（LLM）作为其核心引擎。它们能够感知其环境，做出决策，并执行任务以实现特定的目标。AI Agent的设计理念是赋予机器自主性、适应性和交互性，使其能够在复杂多变的环境中独立运作。本文全面探讨了AI Agent的基本概念、类型、架构和关键技术对比。AI Agent作为人工智能领域的活

一、概述大模型是最近一段时间以来最热门的技术了。过年期间我写了一篇《使用Ollama搭建自己的简单知识库》，点击率颇高，说明大家对大模型方面的知识还是比较关注的。特别是过年期间DeepSeek横空出世，直接打开了AI进入普通人工作生活的序幕，现在似乎大家已经越来越离不开AI了。大模型现在有很多，国内也有很多可用的，并且效果非常好，如：DeepSeek，豆包，Kimi，通义千问，文心一言等等。

摘要：Agent（智能体）是能感知环境并与之交互的智能实体，其核心特征包括自主性、环境感知和动态交互。大模型时代下，基于LLM的Agent系统通常包含规划、记忆和工具使用三个关键组件。Agent通过结合LLM与环境交互能力，弥补了LLM在实时数据获取、任务拆解和执行等方面的不足。当前典型的Agent应用包括数据洞察分析等场景，通过工具调用和任务规划实现复杂功能。学习大模型技术需掌握系统设计、提示词

能够理解复杂任务、拆解执行，并持续优化工作流。传统AI工具（如ChatGPT）需要用户一步步引导，而Manus的Agent可以。：输入“分析最近3个月的用户流失原因”，Manus会自动：调取数据库（如MySQL/BigQuery）清洗数据并生成可视化报表结合行业报告给出优化建议Manus支持办公软件，如（Outlook/Teams/飞书/钉钉）Manus 的工作流程呈现清晰的分层协作架构：用户发起

大模型，通常指的是在人工智能领域中的大型预训练模型。你可以把它们想象成非常聪明的大脑，这些大脑通过阅读大量的文本、图片、声音等信息，学习到了世界的知识。这些大脑（模型）非常大，有的甚至有几千亿个参数，这些参数就像是大脑中的神经元，它们通过复杂的计算来理解和生成语言、图片等。举个例子，你可能听说过GPT-3，它就是一个非常著名的大模型。GPT-3可以通过理解你提出的问题，然后给出回答，或者根据你给它

Model Context Protocol（模型上下文协议）是 Anthropic 在推出的用于 LLM 应用和外部数据源（Resources）或工具（Tools）通信的标准协议，遵循的基础消息格式。可以把 MCP 想象成 AI 应用程序的USB-C 接口规范了应用程序如何为 LLMs 提供上下文。MCPClient：通过 MCP 协议与 Servers 通信，并保持 1:1 连接MCPServ

别人的AI是人工智能，能做各种工作。你用的AI却是人工智障，回答经常驴唇不对马嘴。造成这个差距的其实就是提示词！从manus到cursor，这些AI产品的成功，离不开他们的优秀的提示词编写。毫不夸张的说，提示词可以算是商业机密了！今天，给大家介绍一个Github开源项目：system-prompts-and-models-of-ai-tools该项目一开源就迅速走红，累计收获超 3万颗星！