相信前面的内容让我们对于Agent有了一个全局的认知了，接下去基本上是HandsOn去尝试，从Toy、Demo和MVP出发，最终打造出Production-Ready的Agent，在这期间有几个关键点有助于在选型和迭代过程中去辅助决策：1.权衡好延迟费用和性能，这能进一步决定是采用workflow、agent还是混合两者2.平衡好控制和授权的关系，可以更好地选择合适的agent系统设计范式3.用最

相信前面的内容让我们对于Agent有了一个全局的认知了，接下去基本上是HandsOn去尝试，从Toy、Demo和MVP出发，最终打造出Production-Ready的Agent，在这期间有几个关键点有助于在选型和迭代过程中去辅助决策：1.权衡好延迟费用和性能，这能进一步决定是采用workflow、agent还是混合两者2.平衡好控制和授权的关系，可以更好地选择合适的agent系统设计范式3.用最

文章详解大语言模型训练的四个关键阶段：随机初始化阶段模型一无所有；预训练阶段通过海量语料学习语言基础；指令微调阶段学习遵循提示和回复；最后通过偏好微调(RLHF)和推理微调进一步优化，使模型更符合人类偏好并提升逻辑推理能力。

文章详解大语言模型训练的四个关键阶段：随机初始化阶段模型一无所有；预训练阶段通过海量语料学习语言基础；指令微调阶段学习遵循提示和回复；最后通过偏好微调(RLHF)和推理微调进一步优化，使模型更符合人类偏好并提升逻辑推理能力。

当前智能体正推动AI从随机生成文本转向围绕明确目标、依托可靠知识来解决问题。比较明确的技术路径是把像思维树（ToT）这样的多路径规划方法，和ReAct这类“思考–行动–观察”的执行循环结合起来。ToT负责在抽象层面尝试不同解法，选出可行方向；ReAct则一步步具体执行每个步骤，并根据反馈调整。这种组合让系统既能探索多种可能，又能稳扎稳打地完成任务。不过还是能看到一些实际的问题存在• 1、复杂规划和

当前智能体正推动AI从随机生成文本转向围绕明确目标、依托可靠知识来解决问题。比较明确的技术路径是把像思维树（ToT）这样的多路径规划方法，和ReAct这类“思考–行动–观察”的执行循环结合起来。ToT负责在抽象层面尝试不同解法，选出可行方向；ReAct则一步步具体执行每个步骤，并根据反馈调整。这种组合让系统既能探索多种可能，又能稳扎稳打地完成任务。不过还是能看到一些实际的问题存在• 1、复杂规划和

很多人迟迟不敢开始学大模型，是怕“学不会”“学了没用”。但真相是，大模型技术还在快速发展，现在的核心不是“学得多深”，而是“先入局，在实践中迭代”。我带过最普通的学员，是一位40岁的行政阿姨，她学大模型不是为了转岗，只是用ChatGPT批量整理会议纪要，用AI工具做报表，工作效率提升后，不仅涨了薪，还成了公司的“AI小能手”。大模型不是“高科技门槛”，而是“新时代的工具”。

很多人迟迟不敢开始学大模型，是怕“学不会”“学了没用”。但真相是，大模型技术还在快速发展，现在的核心不是“学得多深”，而是“先入局，在实践中迭代”。我带过最普通的学员，是一位40岁的行政阿姨，她学大模型不是为了转岗，只是用ChatGPT批量整理会议纪要，用AI工具做报表，工作效率提升后，不仅涨了薪，还成了公司的“AI小能手”。大模型不是“高科技门槛”，而是“新时代的工具”。

RAG技术通过连接LLM内部参数化知识与外部非参数化知识库，解决了大模型可能产生不准确信息、无法利用最新知识及专业领域知识缺失等问题。文章系统介绍了RAG的三大支柱（检索、生成、增强）、三大发展范式（Naive、Advanced、Modular RAG），以及预训练、微调和推理阶段的优化方法，并探讨了RAG评估框架和未来挑战，为研究者和工程师提供了全面的技术全景图和路线指南。近年来，大语言模型 (

RAG技术通过连接LLM内部参数化知识与外部非参数化知识库，解决了大模型可能产生不准确信息、无法利用最新知识及专业领域知识缺失等问题。文章系统介绍了RAG的三大支柱（检索、生成、增强）、三大发展范式（Naive、Advanced、Modular RAG），以及预训练、微调和推理阶段的优化方法，并探讨了RAG评估框架和未来挑战，为研究者和工程师提供了全面的技术全景图和路线指南。近年来，大语言模型 (