1.创建Agent及配置名称、角色以及目标2.Agent 自主思考、规划、执行3.最终输出。

在 Agent 中，LLM 更像是“大脑”或“决策核心”。它主要负责理解用户意图、分析当前上下文、判断下一步动作、决定是否调用工具、生成工具参数，以及根据工具返回结果继续推理。但 LLM 本身不应该直接负责所有执行，真正的执行动作应该交给工具、接口、数据库、文件系统等外部模块完成。概括一下LLM：负责想清楚要做什么Tools：负责真正去做Agent：负责把“想”和“做”组织成完整流程。

1. 让任务更具体、更聚焦不好的例子：「帮我处理业务问题」好的例子：「把销售通话的内容，总结成一份行动清单」\2. 明确输出格式不好的例子：「给我一个答案」好的例子：「返回内容包含：摘要、证据、风险、下一步行动」\3. 提供示例告诉模型：“这是3个好的输出例子” / “就按照这种风格来写”\4. 只在需要的时候加工具比如改写笔记，就不需要上网搜索；如果答案本身就在提示词里，就不需要访问文件\5.

Harness本义为马具、缰绳，映射到AI领域，它不属于全新算法或大模型，而是包裹在原生大模型外层，用于管控智能体全链路运行的工程闭环体系。• 原生大模型：如同未经驯服的野马，具备推理能力，却容易产生幻觉、随意执行、行为失控；• Harness：是配套的缰绳与运行规则框架，约束边界、引导行为、记录问题；• 核心价值：将随性的原生AI，打磨成可控、可用、可迭代的专业化业务工具。

不是「一个懂规范的问答机器人」，而是一套能逐条回查的条款索引，加一个只会引用这套索引的问答界面。前者可以给人看，后者才能给人用。大模型学习路线图（含「能力对照」部分）：如果你是从土木、施工、造价这类岗位转过来，这份路线图会先帮你判断哪些旧经验能直接复用、哪些要从头补，接着再决定第 7 章这三段从哪儿开始。放在资料包里，扫码即可获取。

网络工程里，超时不是一个数而是一组数。连接超时管「对端在不在、路通不通」，握手没完成就放弃；读超时管「对端接下了活却不吭声」；总超时管「这次调用整体允许占我多少时间」。亚马逊官方工程文集强调：任何跨进程调用都该设超时，且连接超时与请求超时是两件事，前者不宜用操作系统的套接字接收超时顶替，因为它未必覆盖域名解析和安全握手。普通接口短连接、短计算、无副作用，几毫秒就返回；大模型调用三项全反——长连接、

假设你在给鸿蒙应用做一个「智能整理」功能，它要干三件事：给本地几百张截图打上「票据 / 证件 / 聊天 / 网页」的标签；挑出账单截图抽成一条摘要；回答用户随口问的「我上个月订阅上花了多少，比前一个月多吗」。三件事都叫「让模型干活」，约束却完全不同：打标签要在几百张图上循环跑、还要毫秒级返回，而相册里可能夹着身份证照片；出摘要可以等两三秒，但金额一个字都不能错；最后那个问题虽然低频，却要跨月对比和

假设你在给鸿蒙应用做一个「智能整理」功能，它要干三件事：给本地几百张截图打上「票据 / 证件 / 聊天 / 网页」的标签；挑出账单截图抽成一条摘要；回答用户随口问的「我上个月订阅上花了多少，比前一个月多吗」。三件事都叫「让模型干活」，约束却完全不同：打标签要在几百张图上循环跑、还要毫秒级返回，而相册里可能夹着身份证照片；出摘要可以等两三秒，但金额一个字都不能错；最后那个问题虽然低频，却要跨月对比和

端侧部署，指的是把模型直接放在开发板、手机或边缘盒子上推理，而不是调用云端接口。对嵌入式工程师来说，这件事的开场白不该是「先下个模型跑跑看」，而是先摊开一张资源表——就像选芯片前先看 RAM、Flash 和主频一样。嵌入式项目里，方案评审的第一张纸通常是资源预算：代码段多少、堆栈留多少、要不要外挂 DDR。转到大模型，这张纸的栏目名换了一下，思路几乎原样搬过来：原来的「代码段 + 常量表」对应模型

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！😝有需要的小伙伴，可以保存图片到。