MCP大模型应用实战：智能投资顾问系统从理论到代码的完整实现！
本文详细介绍如何结合MCP的征询(Elicitation)和采样(Sampling)机制构建智能投资顾问应用。通过征询机制获取用户投资信息，利用采样机制让LLM生成个性化投资建议，解决传统金融咨询痛点。文章提供基于FastMCP的完整代码实现，包括服务端和客户端，并通过实际测试案例展示系统如何根据用户信息生成详细投资建议，帮助读者理解MCP机制并具备编程实战能力。
·
简介
本文详细介绍如何结合MCP的征询(Elicitation)和采样(Sampling)机制构建智能投资顾问应用。通过征询机制获取用户投资信息，利用采样机制让LLM生成个性化投资建议，解决传统金融咨询痛点。文章提供基于FastMCP的完整代码实现，包括服务端和客户端，并通过实际测试案例展示系统如何根据用户信息生成详细投资建议，帮助读者理解MCP机制并具备编程实战能力。
本文将征询（Elicitation）、采样（Sampling）结合，应用到智能投资顾问场景。
基于 MCP 的智能投资顾问应用，主要实现以下功能：
- 通过 MCP 的征询机制，向用户征询获取具体的个人投资信息
- 通过 MCP 的采样机制，根据用户的投资信息，LLM 返回适用于用户的投资建议书
通过阅读本文，你将对 MCP 的征询、采样机制有更深入的理解，并具备一定的编程实战能力。
关注我，后台回复 MCP，获取完整代码。
智能投资顾问应用
🚀从传统咨询到智能化服务的跨越
传统的金融投资咨询模式存在诸多痛点：
- ⏳排队等待时间长
- 💰人工成本高
- 📏服务标准化程度低
- 🌙24小时服务难以实现。
结合 LLM 大模型的推理能力和 MCP 协议（连接外部世界、人机交互），高效地实现智能投顾服务，或许可解决上述痛点。
- LLM 的推理能力：LLM 大模型具备强大的语言理解、逻辑推理和多轮对话能力，可实现个性化的投资建议自动生成，减少客户等待时间并降低对人工顾问的依赖。
- 通过 MCP 连接外部世界：MCP 使系统能够实时接入金融市场数据、新闻事件和合规资料。同时，可通过 MCP 的征询机制，实现 LLM 与客户的人机交互。
主要实体关系
- 用户与 MCP 客户端交互
- MCP 客户端连接到 MCP 服务端，请求调用工具
- MCP 客户端持有征询（Elicitation）、采样（Sampling）相关的 handler 函数
- 采样（Sampling）handler 函数与 LLM 交互
投资顾问建议生成流程
下面的时序图展示了投资顾问建议生成的核心交互流程：
- 用户选择服务：用户在客户端选择获取个性化投资建议
- 工具调用：客户端调用服务端的 collect_investment_info（投资建议工具）
- 信息征询：服务端通过 elicitation 机制向客户端征询用户投资信息
- 用户交互：客户端显示表单，用户填写投资相关信息
- LLM 调用：服务端使用 sample 机制，通过客户端调用 Qwen-Plus 模型生成投资建议
- 结果返回：服务端格式化建议并返回给用户
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
编码实现示例
以下是基于 FastMCP 的智能投资顾问建议生成实现的主要代码。
MCP 服务端
1、用户投资信息类定义
@dataclass
classInvestmentInfo:
"""用户投资信息数据类"""
name: str
age: int
income_level: str # 收入水平: low, medium, high
risk_tolerance: str # 风险承受能力: conservative, moderate, aggressive
investment_period: str # 投资期限: short_term, medium_term, long_term
investment_amount: float # 投资金额
investment_goals: str # 投资目标（逗号分隔）: retirement,education,house,emergency_fund,wealth_growth
market_knowledge: str = "beginner"# 市场知识水平: beginner, intermediate, advanced
current_investments: str = ""# 当前投资情况
2、投资建议生成工具
- ctx.elicit：通过征询机制，获取用户投资信息
- ctx.sample：通过采样机制（提示词是用户的投资信息），向 LLM 请求返回适用于该用户的投资建议。
@mcp.tool
asyncdefcollect_investment_info(ctx: Context) -> str:
"""收集用户投资信息并生成投资建议"""
# 第一步：通过 elicitation 收集用户信息
result = await ctx.elicit(
message="请提供您的投资相关信息，我们将为您生成个性化的投资建议",
response_type=InvestmentInfo
)
if result.action == "decline":
return"用户拒绝提供投资信息，无法生成投资建议"
elif result.action == "cancel":
return"用户取消了投资咨询"
# 获取用户投资信息
user_info = result.data
# 第二步：构建 LLM 提示词
invest_prompt = _build_investment_prompt(user_info)
# 第三步：使用 sample 机制请求 LLM 生成投资建议
try:
system_prompt = ('你是一位专业的投资顾问，请基于用户提供的信息生成详细、实用的投资建议。建议应该包括资产配置、具体投资产品推荐、风险提示等内容。')
llm_response = await ctx.sample(
system_prompt=system_prompt,
messages= invest_prompt
)
# 格式化最终回复
# 正确处理TextContent对象
llm_text = llm_response.text if hasattr(llm_response, 'text') else str(llm_response)
investment_advice = _format_investment_advice(user_info, llm_text)
return investment_advice
except Exception as e:
returnf"生成投资建议时出现错误: {str(e)}"
3、投资小贴士工具
一个简单的 MCP 工具方法，直接返回关于投资的小贴士
@mcp.tool
asyncdefget_investment_tips(ctx: Context) -> str:
"""获取通用投资小贴士"""
tips = [
"分散投资，不要把鸡蛋放在一个篮子里",
"定期定额投资，平摊成本风险",
"长期投资通常比短期投机更稳健",
"了解自己的风险承受能力，理性投资",
"保持适当的现金储备以应对紧急情况",
"定期回顾和调整投资组合",
"学习基本的投资知识，提高投资素养"
]
return"💡 投资小贴士：\n" + "\n".join([f"• {tip}"for tip in tips])
MCP 客户端
1、征询 handler 函数
征询用户（与用户直接交互），获取用户具体投资信息的处理函数
asyncdefinvestment_elicitation_handler(message: str, response_type: type, params, context):
"""处理投资信息征询的处理器"""
print(f"\n🏦 {message}")
print("\n请填写以下投资相关信息：")
try:
# 收集基本信息
print("\n=== 基本信息 ===")
name = input("姓名: ").strip()
ifnot name:
return ElicitResult(action="decline")
age_input = input("年龄: ").strip()
ifnot age_input.isdigit():
print("年龄必须是数字")
return ElicitResult(action="decline")
age = int(age_input)
# 此处代码省略...
# 收集收入水平
# 收集风险承受能力
# 收集投资期限
# 收集投资金额
# 收集投资目标
# 收集市场知识水平
# 收集当前投资情况
# 确认信息
print(f"\n=== 信息确认 ===")
print(f"姓名: {name}")
print(f"年龄: {age}")
print(f"收入水平: {income_level}")
print(f"风险承受能力: {risk_tolerance}")
print(f"投资期限: {investment_period}")
print(f"投资金额: {investment_amount}元")
print(f"投资目标: {', '.join(investment_goals)}")
print(f"市场知识水平: {market_knowledge}")
if current_investments:
print(f"当前投资: {current_investments}")
confirm = input("\n信息是否正确？(y/n): ").strip().lower()
if confirm != 'y'and confirm != 'yes':
return ElicitResult(action="decline")
# 创建投资信息对象
user_response = response_type(
name=name,
age=age,
income_level=income_level,
risk_tolerance=risk_tolerance,
investment_period=investment_period,
investment_amount=investment_amount,
investment_goals=','.join(investment_goals), # 转换为逗号分隔的字符串
current_investments=current_investments,
market_knowledge=market_knowledge
)
return user_response
except KeyboardInterrupt:
print("\n用户取消输入")
return ElicitResult(action="cancel")
except Exception as e:
print(f"\n输入处理出错: {e}")
return ElicitResult(action="decline")
2、投资建议生成 handler 函数
根据用户投资信息（用户投资要求），向 LLM 请求获取投资建议。这里调用阿里云的 qwen 模型。
# 初始化阿里云API客户端
client = OpenAI(
# 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
asyncdefinvestment_sampling_handler(
messages: list[SamplingMessage],
params: SamplingParams,
ctx: RequestContext,
) -> str:
"""
处理投资顾问的LLM采样请求
Args:
messages: 消息列表
params: 采样参数
ctx: 请求上下文
Returns:
LLM的响应文本
"""
try:
api_messages = []
# 添加系统提示
if params.systemPrompt:
api_messages.append({
"role": "system",
"content": params.systemPrompt
})
# 添加用户消息
for msg in messages:
api_messages.append({
"role": "user",
"content": msg.content.text
})
# 调用阿里云API
response = client.chat.completions.create(
model="qwen-plus-2025-09-11", # 使用阿里云的qwen-plus模型
messages=api_messages
)
return response.choices[0].message.content
except Exception as e:
print(f"LLM采样处理出错: {e}")
returnf"抱歉，生成投资建议时出现错误: {str(e)}"
3、客户端 main 函数
客户端 main 函数，负责实现与用户交互的主流程
asyncdefmain():
"""主函数：演示投资顾问系统的使用"""
try:
asyncwith Client("http://127.0.0.1:8003/mcp",
elicitation_handler=investment_elicitation_handler,
sampling_handler=investment_sampling_handler) as mcp_client:
# 连接服务器
await mcp_client.ping()
print("✅ 已连接到投资顾问服务器 (HTTP模式)")
# 列出可用工具
tools = await mcp_client.list_tools()
print(f"\n📋 可用功能: {len(tools)} 个")
for tool in tools:
print(f" • {tool.name}: {tool.description}")
print("\n" + "=" * 50)
whileTrue:
print("\n🎯 请选择服务：")
print("1. 获取个性化投资建议")
print("2. 查看投资小贴士")
print("3. 退出")
choice = input("\n请输入选择 (1-3): ").strip()
if choice == "1":
print("\n🔄 开始收集投资信息...")
result = await mcp_client.call_tool("collect_investment_info")
print("\n" + "=" * 50)
print("📊 投资建议结果：")
print(result.content[0].text)
print("=" * 50)
elif choice == "2":
print("\n💡 获取投资小贴士...")
tips_result = await mcp_client.call_tool("get_investment_tips")
# 根据项目规范，处理CallToolResult对象
try:
if isinstance(tips_result.content, list) and len(tips_result.content) > 0:
# 如果是列表，获取第一个元素的文本
print("\n" + tips_result.content[0].text)
elif isinstance(tips_result.content, str):
# 如果是字符串，直接输出
print("\n" + tips_result.content)
else:
# 其他情况，转换为字符串
print("\n" + str(tips_result.content))
except (AttributeError, IndexError) as e:
print(f"\n获取投资小贴士时出错: {e}")
print("\n请检查服务器状态")
elif choice == "3":
print("\n👋 感谢使用投资顾问系统，祝您投资顺利！")
break
else:
print("❌ 无效选择，请重新输入")
# 询问是否继续
if choice in ["1", "2"]:
continue_choice = input("\n是否继续使用其他功能？(y/n): ").strip().lower()
if continue_choice != 'y'and continue_choice != 'yes':
print("\n👋 感谢使用投资顾问系统，祝您投资顺利！")
break
except Exception as e:
print(f"❌ 连接错误: {e}")
print("请检查服务器是否正常运行")
运行测试
1、服务端运行
在终端执行命令：python investment_advisor_server.py，启动服务端
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
2、客户端 main 函数运行
下面是笔者运行的测试示例。可见，LLM 可以根据用户的投资信息，返回详细的投资建议：
✅ 已连接到投资顾问服务器 (HTTP模式)
📋 可用功能: 2 个
• collect_investment_info: 收集用户投资信息并生成投资建议
• get_investment_tips: 获取通用投资小贴士
==================================================
🎯 请选择服务：
1. 获取个性化投资建议
2. 查看投资小贴士
3. 退出
请输入选择 (1-3): 1
🔄 开始收集投资信息...
🏦 请提供您的投资相关信息，我们将为您生成个性化的投资建议
请填写以下投资相关信息：
=== 基本信息 ===
姓名: yuan
年龄: 35
=== 财务状况 ===
收入水平选项：
1. low - 低收入（月收入5000以下）
2. medium - 中等收入（月收入5000-20000）
3. high - 高收入（月收入20000以上）
请选择收入水平 (1-3): 2
=== 风险偏好 ===
风险承受能力选项：
1. conservative - 保守型（优先保本，接受较低收益）
2. moderate - 稳健型（追求稳定收益，承受适度风险）
3. aggressive - 进取型（追求高收益，承受较高风险）
请选择风险承受能力 (1-3): 3
=== 投资计划 ===
投资期限选项：
1. short_term - 短期（1-2年）
2. medium_term - 中期（3-5年）
3. long_term - 长期（5年以上）
请选择投资期限 (1-3): 2
投资金额（元）: 20000
=== 投资目标 ===
投资目标选项（可多选，用逗号分隔）：
1. retirement - 退休养老
2. education - 子女教育
3. house - 购房置业
4. emergency_fund - 应急储备
5. wealth_growth - 财富增长
请选择投资目标 (例如: 1,3,5): 5
=== 投资经验 ===
市场知识水平选项：
1. beginner - 初学者
2. intermediate - 中级
3. advanced - 高级
请选择市场知识水平 (1-3): 3
当前投资情况（可选，直接回车跳过）:
=== 信息确认 ===
姓名: yuan
年龄: 35
收入水平: medium
风险承受能力: aggressive
投资期限: medium_term
投资金额: 20000.0元
投资目标: wealth_growth
市场知识水平: advanced
当前投资: 无
信息是否正确？(y/n): y
==================================================
📊 投资建议结果：
=== 投资建议报告 ===
客户：yuan
生成时间：2025-09-1818:38:23
投资金额：20000.0元
投资期限：medium_term
风险偏好：aggressive
=== 个性化投资建议 ===
当然可以，yuan。根据您提供的详细信息（35岁、中等收入、进取型风险偏好、中期投资期限3–5年、20,000元本金、无现有投资、目标为财富增长、市场知识advanced），我为您量身定制一份**高效率、高成长性、风控严谨**的中期投资方案。
---
## **1. 资产配置建议（总金额：¥20,000）**
| 资产类别 | 配置比例 | 金额（元） | 理由 |
|----------|----------|------------|------|
| **全球股票型ETF / 成长型主动基金** | 60% | ¥12,000 | 进取型核心持仓，长期资本增值主力。聚焦科技、新能源、AI、生物科技等高增长赛道。 |
| **行业主题基金（高弹性）** | 20% | ¥4,000 | 捕捉结构性机会，如半导体、AI算力、机器人、创新药等，增强收益弹性。 |
| **黄金/大宗商品ETF（对冲+避险）** | 10% | ¥2,000 | 对冲通胀与地缘政治风险，提升组合韧性。 |
| **现金及货币基金（流动性储备）** | 10% | ¥2,000 | 用于定投补仓、应对波动或突发机会，不参与短期投机。 |
> ✅ **配置逻辑说明**：
> - 您具备**advanced市场知识**，可主动管理，因此我们采用“核心+卫星”策略：
> - **核心（60%）**：低费率、高流动性、长期复利强的宽基ETF；
> - **卫星（30%）**：高beta行业基金捕捉超额收益；
> - **避险（10%）**：非相关性资产降低整体波动，避免“黑天鹅”重创。
> - **不配置债券**：因您追求高增长且期限仅3–5年，债券收益率过低（当前国债<3%），无法匹配您的收益目标，反而拖累回报率。
---
## **2. 具体投资产品推荐（中国内地市场可交易）**
### **(1) 核心持仓（¥12,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **华夏国证半导体芯片ETF** | 159813 | 行业ETF | 中国半导体国产替代核心标的，长期成长确定性高，波动大但符合进取型偏好。近5年年化波动率约35%，适合中期持有。 |
| **易方达纳斯达克100ETF联接（QDII）** | 161131 | QDII基金 | 投资美国科技巨头（苹果、英伟达、微软等），分散地域风险，享受全球科技红利。历史年化回报超18%（2019–2023）。 |
> ✅ **分配建议**：
> - 半导体ETF：¥7,000（占核心58%）
> - 纳斯达克ETF联接：¥5,000（占核心42%）
> 💡 *为何不选沪深300？* 因其偏大盘蓝筹，成长性弱于科技赛道。您追求“财富增长”，而非“稳健收益”。
### **(2) 卫星持仓（¥4,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **广发高端制造股票A** | 004868 | 主动型股票基金 | 基金经理刘格菘管理，专注新能源、高端装备、智能制造，历史最大回撤-40%，但3年回报超120%（2020–2023）。 |
| **天弘中证人工智能主题ETF联接C** | 008282 | ETF联接 | AI是未来5年最大产业趋势之一，该基金覆盖AI全链条（算力、算法、应用），费率低，适合波段操作。 |
> ✅ **分配建议**：
> - 高端制造：¥2,500
> - 人工智能ETF：¥1,500
### **(3) 避险对冲（¥2,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **华安黄金ETF** | 518880 | 黄金ETF | 流动性好，跟踪国际金价，每单位≈0.01克黄金。在美元走弱、地缘冲突时表现优异，是绝佳的非相关性资产。 |
### **(4) 现金储备（¥2,000）**
| 产品 | 名称 | 推荐理由 |
|------|------|----------|
| **余额宝 / 微众银行活期+** | 货币基金 | 收益略高于银行活期（约1.8%~2.2%），T+0赎回，随时用于定投加仓或抄底。 |
---
## **3. 投资策略和时间安排**
### **📌 总体策略：分批建仓 + 动态再平衡 + 定投增强**
| 时间节点 | 操作内容 | 目的 |
|----------|----------|------|
| **第1个月** | 建仓60%：买入¥7,200半导体ETF + ¥4,800纳斯达克ETF | 快速建立核心仓位，抓住市场底部震荡机会（当前全球科技股估值处于历史中低位） |
| **第2–4个月** | 每月定投¥500（共¥1,500） | 分摊择时风险，平滑成本。优先补仓表现落后的资产（如纳斯达克若回调>8%则加倍定投） |
| **第6个月** | 评估表现，进行首次再平衡 | 若某资产上涨超30%（如半导体），卖出部分获利，转投跌幅>15%的资产（如AI或高端制造）→ 实现“高抛低吸” |
| **第12–18个月** | 将现金储备¥2,000按“下跌15%以上”原则分3次投入 | 利用波动做“网格补仓”，提升长期平均成本优势 |
| **第36–60个月（到期前）** | 开始逐步止盈 | 每半年减持10%–15%高涨幅资产（如纳斯达克若累计涨超80%），锁定利润，转入货币基金，等待更佳退出时机 |
> ✅ **关键理念**：
> - **不预测顶部，只响应信号**（技术面+基本面双重验证）
> - **利用波动赚钱，而非赌博**：您有advanced知识，应主动运用“均值回归”思维
---
## **4. 风险控制措施**
| 措施 | 说明 |
|------|------|
| **最大单笔亏损限制** | 任何单只基金亏损超过25%时，强制暂停新增投入，分析原因（是否基本面恶化？行业政策突变？） |
| **组合最大回撤容忍度** | 整体组合允许最大回撤≤35%（历史测算：该配置组合在2022年最大回撤约32%） |
| **止损机制** | 若某行业基金连续6个月跑输同类指数中位数，且无基本面改善迹象，则清仓换入新赛道（如从AI转向量子计算或生物合成） |
| **杠杆禁止** | 绝不使用融资、期权、期货等杠杆工具，避免爆仓风险（即使您有能力操作） |
| **情绪管理** | 设置每月“冷静日”：每周查看一次净值，每月写一篇投资日记，避免追涨杀跌 |
---
## **5. 注意事项和建议**
### ✅ **必须遵守的原则**
1. **不碰个股**：尽管您有advanced知识，但20,000元规模较小，个股集中度风险极高（如一只股票跌50%即损失万元）。ETF/基金才是理性选择。
2. **拒绝“高收益理财”陷阱**：任何承诺“保本+年化10%以上”的非持牌机构产品（如P2P、虚拟货币合约、代销私募）一律远离。
3. **税务优化**：
- 持有ETF满1年免征资本利得税（中国目前对个人证券买卖差价暂免个税）；
- 基金分红可选择“现金分红”以增加现金流，但建议选择“红利再投”实现复利。
4. **持续学习**：
- 每月阅读《
=== 重要提示 ===
1. 投资有风险，入市需谨慎
2. 本建议仅供参考，不构成投资承诺
3. 请根据市场变化和个人情况及时调整投资策略
4. 建议定期回顾和评估投资组合表现
如有疑问，请咨询专业投资顾问。
==================================================
是否继续使用其他功能？(y/n): n
👋 感谢使用投资顾问系统，祝您投资顺利！
以上是基于 MCP 的智能投资顾问应用的介绍，并给出了一个编码示例。该编码示例，还可以进一步优化，如，结合具体的场景（合规要求、投资标的品种范围等），优化给到 LLM 的上下文，实现更符合场景要求的投资建议生成。
但20,000元规模较小，个股集中度风险极高（如一只股票跌50%即损失万元）。ETF/基金才是理性选择。
2. 拒绝“高收益理财”陷阱：任何承诺“保本+年化10%以上”的非持牌机构产品（如P2P、虚拟货币合约、代销私募）一律远离。
3. 税务优化：
- 持有ETF满1年免征资本利得税（中国目前对个人证券买卖差价暂免个税）；
- 基金分红可选择“现金分红”以增加现金流，但建议选择“红利再投”实现复利。
- 持续学习：
- 每月阅读《
AI大模型学习和面试资源
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
更多推荐
11
0- 0
已为社区贡献207条内容
所有评论(0)