本地服务器部署开源大模型有一个前提，就是得有 GPU 显卡资源，在我下面的例子中我租用了 autodl 中的算力资源，具体是租用了一张消费级别的 RTX 3090 显卡。

这篇文章主要整理 AI Agent 开发过程中，可能涉及的概念，并对每个概念做解释说明，帮助正在经历从其他方向转型 AI Agent 开发的开发者及团队，统一概念理解与沟通语言，减少误解，降低沟通成本。

本文使用的大模型是智谱AI，采用Python代码来实现。我们需要先在官方网站申请一个开发的Key，在接下来的代码中需要用到。

LangChain 的强大之处在于其高度模块化的设计。它将AI应用的构建过程抽象为几个核心组件，开发者可以根据需要灵活组合。

这是一篇很有实用性的指导手册，用一个案例贯穿每一步骤，使得如何构建Agent变得具象化，更易理解。

大家好，这些年，我每天接触最多的，就是这样一群人：零基础、非科班、没写过几行代码、数学早就忘光，却不甘心困在原来的岗位，想冲进当下最有前景、薪资最可观的大模型行业。我太懂你们心里的纠结：如果你也有这些顾虑，这篇文章就是为你写的。不讲玄学、不堆名词、不画大饼，只用最通俗、最落地、最真诚的话，把零基础转行大模型，到底哪个岗位最容易上手、最容易出作品、企业最缺人讲透。全文接近4000字，耐心看完，你对大

上下文管理这个话题，很多人觉得是工程细节不重要。但 JetBrains 的研究说得很清楚：上下文管理对 Agent 性能和成本的影响巨大，却很少被当作核心研究问题对待。

最近刷招聘网站时，我明显发现一个趋势正在席卷整个技术圈：以往技术岗招聘，核心考察的都是“能否独立搭建常规系统框架”“是否具备数据库存储优化能力”这类传统硬技能，而现在，几乎所有技术岗位的招聘要求里，都悄悄新增了关键一条——“拥有大模型实际应用经验者优先”，甚至不少中小企业的入门岗也开始跟风提及。

我才明白不能再沉迷于 AI 编程给自己带来的“成就感”，因为那是 AI 的能力而不是你的，你用 AI 可以做到，那别人用 AI 是不是也能做到，那你的职业竞争力在哪里？

AI世界的知识跨度极大，从基础概念到实战项目，很多人靠碎片学习积累了“信息”，却没建立“能力”。而企业真正需要的，是能把AI模型、RAG、Agent工具结合业务场景落地的人。