视觉处理三大任务：图像分类、目标检测、图像分割上游：特征提取，CNN下游：分类，目标，分割等

它能理解用户意图、选择合适的工具、执行操作并根据结果不断调整，直到完成任务。这也是目前大语言模型应用中最灵活、最强大的范式之一。Agent 通过 “调用工具” 突破这些限制，把 LLM 的语言能力和工具执行结合起来，变成一个更实用的数字助手。，结合外部工具，让它具备推理、计划和执行能力。链看作是一个固定流程的 “流水线”，那么。更像是一个能自主决策的 “智能助手”。

本文包含核心概念、常见组件（Models、Prompts、Memory、Indexes、Chains、Agents）和实战要点。

Transformer 模型通过自注意力机制彻底改变了序列建模的方式，解决了 RNN 固有的并行计算和长距离依赖问题。能够高效捕捉序列中任意位置的依赖关系支持全序列并行计算，大幅提升训练效率架构灵活，可根据任务需求调整编码器和解码器的使用从 BERT、GPT 到当前的大语言模型，Transformer 已成为现代深度学习的基础架构之一。理解 Transformer 的工作原理，对于掌握当代 AI