前言

AI领域比较火的几个词，我们先大概走马灯一下：

RAG（检索增强生成）

之前针对RAG这块有介绍，感兴趣的可以看一下``《万字详解：RAG研究与销售助手实战应用》``。今天它不是主角！不做详述了...

World Model（世界模型）

就是用生成式大模型直接“想象”出可交互的 3D 虚拟环境，供 AI 或人类在其中训练、测试。被视为多模态大模型的下一个阶段，比如谷歌 DeepMind Genie 2、英伟达 Cosmos、李飞飞 World Labs ......未来可能会与具身智能结合，为机器人、自动驾驶提供低成本仿真。

Embodied AI（具身智能）

可以理解为把大模型装进机器人、无人车、机械臂等物理载体，让 AI 在真实世界里“长身体”。硬件成本下降、仿真-到-真实的迁移技术提升，让实验室里的 demo 快速走向小规模商用。AI+硬件会是下一步的趋势，尤其是今年WAIC大会展示的各种机器人，有的奇奇怪怪的，比如搏击机器人，我也不知道是要干啥，感觉我能打10个。但有的我是真想要......

Nano-Banana

（这个并不是学术圈里的宏观概念，而是 2025 年 8 月刚冒头的一款超高速 AI 图像编辑模型。一致性碾压一众生图模型包括生图皇帝Flux Kontext。不过最近确实太火了，我想提一嘴）

🌟 Multi-Agent System（多智能体系统）

上主角！就是多个单Agent协作。把5 个专门干活的“单Agent”——文案、主图、修图、布局、测试——像设计工作室里的小团队一样放在同一张云桌面上。用户一句需求丢进来，它们按顺序或并行开工，几分钟就交出一张可直接印刷的海报。

那单Agent和多Agent这块，我在去年七月份就有提到过这个概念，可以大概看一下《千万不要直接用AI，真正帮你高效完成工作的是工作流》。

其实多Agent这个概念很早就有了，但是为什么最近开始频频被提起，主要是在25年6月的时候，Anthropic发的一篇技术报告，就是Claude 模型的那家公司。比较难啃，但是可以用AI辅助总结下去“读”一下这篇文章，可以非常专业且清晰的告诉你如何构建一个多智能体研究系统！建议收藏拜读！！！

---

从“单Agent”到“多Agent”

---

在聊多Agent之前，我还是要得先说明白，什么是Agent？

Agent与LLM的区别

小时候都玩过乐高积木吧？大语言模型，比如GPT4，就像是一大堆乐高积木，能力超强，但它自己不会动，你得告诉它搭个啥，它才给你搭。而AI Agent，就像是给这堆积木配上了一个聪明的大脑和灵活的手脚。

Agent =LLM+memory+planning skills+tool use

简单说，传统的聊天AI是被动回答，你问一句，它答一句。而AI Agent是主动干活，你给它一个目标，它会自己想办法、找工具、一步步把事儿给办了。它是一个能感知环境、做出决策、并采取行动的数字员工。

ok，那Agent如何动手呢？我们举一个🌰：

用户问：“告诉我今天广州市的天气，并为其画幅图”

Agent会先去调用天气api（amap_weather）去查天气，然后会调用生图api（image_gen）来为用户画幅图。

市面上几大Agent制作平台

ok，我们大概知道Agent如何动手了，那我们能在哪儿动手做一个Agent吗？提前说一下，剩的看完了一整篇还不知道在哪儿做Agent，那就废了。

新手适用的几个平台

包括还有Dify、N8N等工具，不过相对来说这两个对新手来说门槛较高。这里就不展开说了，推荐字节的Coze，上手更快一些。

单Agent vs. 多Agent

好，既然单个Agent已经这么牛了，为啥还要搞多Agent系统呢？这不是多此一举吗？

这个问题问到点子上了。一开始我也这么想，直到我看到了Anthropic（就是开发Claude的那个公司）的一份研究报告。他们举了个例子：

任务：“列出标普500指数中，所有信息技术类公司的董事会成员。”

这个任务，让一个单智能体去做，它会怎么干？大概率是：

1、搜索“标普500信息技术类公司名单”。

2、拿到名单后，一个一个地去搜索：“A公司的董事会成员是谁？”

3、找到A公司的，再去找B公司的……

这是一个线性的过程，效率低，而且很容易因为某个环节出错就卡住。就像一个员工，能力再强，也只能一件一件地处理任务。

而多智能体系统的玩法完全不同：

**1、总指挥Agent（主控智能体）**接到任务，立即进行拆解：“这个任务需要先找到公司名单，然后再分别查每个公司的董事会。OK，我需要10个帮手！”

2、它会立刻“召唤”出10个干活的Agent（子智能体），给它们分配任务：“你，去查A公司”、“你，去查B公司”……

3、这10个子智能体并行开工，同时上网搜索。

4、最后，还有一个质检员Agent（引用助手），负责把所有子智能体找回来的信息进行汇总、核对，并附上引用来源。

Anthropic的数据显示，多智能体系统完成这类任务的成功率，比单智能体提升了90%！

所以，多智能体的核心优势在于：分工与协作。就像一个真正的团队，通过明确的角色分工和并行处理，来解决单个个体难以高效完成的复杂问题。它能够把一个复杂任务，变成了一个可协作、可迭代、可扩展的任务网络。

拆解主流多 Agent 框架

---

多Agent系统这个概念火了之后，各种框架和产品也如雨后春笋般冒了出来。要说多Agent系统最先落地的领域，软件开发绝对是TOP 1。毕竟，程序员们最懂“分工协作”的重要性了。其中，MetaGPT和ChatDev是必须要说一嘴的。

软件开发

MetaGPT

MetaGPT的思路特别有意思，它不只是让AI写代码，而是直接在AI世界里复刻了一个完整的软件公司。你只需要给它一句需求，比如“给我做一个2048游戏”，它内部的AI员工们就开始忙活了：

• AI产品经理

  ：开始写产品需求文档（PRD），进行竞品分析。

• AI架构师

  ：根据PRD设计系统架构，画出流程图和API接口。

• AI项目经理

  ：把任务拆解，分配给工程师。

• AI工程师

  ：吭哧吭哧开始写代码。

• AI测试工程师

  ：对代码进行测试和审查。

这套流程下来，它不仅能交付代码，还能产出配套的需求文档、设计文档等，主打tm一个专业！它的核心理念是“代码 = ”，把SOP编码到Agent的行为里，让AI协作得有章法，减少犯错。MetaGPT在处理复杂软件项目时，完成率和效率都相当惊人。

ChatDev

ChatDev同样是模拟一个虚拟软件公司，但它的协作模式更像经典的“瀑布模型”。任务从设计、编码、测试到文档，一步步流转。

每个阶段由不同的Agent通过对话来协作完成。比如在编码阶段，“程序员Agent”和“代码审查员Agent”会进行多轮对话，讨论代码实现和潜在的bug。

为了防止AI“一本正经地胡说八道”（也就是代码幻觉），ChatDev还引入了“思维指令”机制，让Agent在不确定的时候可以相互提问和解释，从而更精准地定位和修复问题。

MetaGPT和ChatDev都专注于软件开发，通过模拟真实世界的团队协作流程，让多Agent系统能够高效、高质量地完成复杂的编程任务。

它们最大的区别在于协作范式：

MetaGPT更像基于SOP的流水线；

ChatDev更像基于对话的瀑布流。

商业产品

除了开源框架，市面上也涌现出了一批将多Agent理念产品化的先行者。尤其是Manus当时PR的时候，基本上都炸了！

• Manus

  ：由中国团队Monica.im开发，采用Multiple Agent架构。它的核心是“知行合一”，不仅能思考规划，还能在独立的虚拟机里直接执行任务，比如写代码、分析数据，整个过程透明可见。在GAIA Benchmark测试中，它的表现甚至超过了OpenAI的Deep Research。

• TARS

  ：字节跳动开源的多模态AI Agent框架。它的绝活是能通过自然语言控制你的电脑，理解屏幕内容，进行点击、填写表单等GUI操作，与操作系统深度集成。

• Genspark

  ：由前百度小度创始人景鲲打造，采用多智能体混合系统架构，整合了8个不同规模的LLM。它最酷的功能是“AI电话”，能模拟真人打电话去预订餐厅、查询服务，把数字世界的操作延伸到了现实世界。

• Flowith

  ：一个创新的画布式AI创作平台。它的Agent框架Flowith Oracle允许用户在一个画布上与多个AI模型同时交互，并且可以在Agent运行过程中随时添加或修改任务，定制化程度极高。

Anthropic的多智能体系统

如果说前面的框架各有侧重，那Anthropic的Research系统可以说是多Agent协作的教科书级范例。它采用的是经典的“协调者-工作者”（Coordinator-Worker）模式。

这支“虚拟研究团队”的角色分工极其明确：

• 主控智能体 (LeadResearcher)

  ：团队大脑，负责理解用户需求，制定研究策略，并将大任务拆解成多个子任务。

• 子智能体 (Subagent)

  ：研究员，接收主控分配的具体任务，独立进行网络搜索、信息筛选和初步总结。

• 引用助手 (CitationAgent)

  ：事实核查员，在所有研究完成后，负责核对内容与原始来源，确保所有结论都有据可查。

• 记忆系统 (Memory)

  ：团队的共享文档，用于在长任务中保存中间计划和结果，防止上下文丢失。

• 工具集 (Toolsets)

  ：团队的装备库，每个Agent都知道什么任务该用什么工具。

这套系统的强大之处不仅在于分工，更在于其提示词工程。Anthropic不是简单地给Agent下命令，而是教会了它们一套“团队协作的艺术”，比如：

• 不重复造轮子

  ：每个子任务有唯一ID，Agent只干自己的活。

• 懂得自我评估

  ：如果搜索结果质量差，会选择再次搜索或报告失败，而不是硬着头皮交差。

• 预算控制

  ：每个任务有搜索次数上限，防止陷入死循环。

• 先广后深

  ：先用通用关键词摸清大概，再逐步缩小范围。

可以说，Anthropic把人类优秀研究员的工作方法论，变成了一套可执行的提示词策略，这才是多Agent系统能发挥出1+1>2效果的关键。真的非常推荐大家去看看这篇报告！

智能海报项目拆解

---

理论说了这么多，大家可能还是有点云里雾里。下面来给大家实战拆解一下，多Agent系统到底是怎么干活的。

项目背景

传统海报制作高度依赖人工：文案、主图、模板分别由不同角色产出，再通过“拼图”式合图完成。存在以下致命缺口：

规模缺口
• 大促/日常营销每天需要上万张不同主题、不同商品的海报，设计师人力只能产出几百张，缺口 10 倍以上。
• 商品上新节奏快，人工来不及做图，导致“货已上架、图还没出”，流量白白流失。

时效缺口
• 热点、秒杀、直播切片等场景要求“分钟级”出图，人工最快也要小时级。
• 跨部门反复改文案、改图、改模板，导致一张海报来回 3～5 版才能定稿，错过流量高峰。

结果缺口
• 人工模板风格趋同，用户产生审美疲劳，点击率持续下滑。
• 不同运营凭经验做图，缺少数据化归因，无法保证“利益点突出、氛围到位、转化可预期”。

ok，所以我们可以结合背景推出项目情况：

需求方	具体动作	痛点	诉求
设计师	承接计件营销需求做 icon/海报（整张）产出	产量小、效率低	素材GC自动化、批量化
运营	针对具体投放位提需给设计师，并负责素材审核	链路长、需求量大、驳回率高	希望简化端到端链路、对素材量级、素材多样性有强诉求

OK，那这时候我们明确了要针对素材GC做生产规划，在整个产品的架构中是属于原子能力层：文案GC、图片GC。

在原子能力层的建设中，文案的生成所用的底模是什么？封装的System Prompt怎么写？图片GC用的什么技术方案？底模+lora微调，还是接的第三方API？这块就不展开说了，涉及到模型选型、模型调优还有成本，巴拉巴拉的，主要也不是讲AI产品的工作，所以我们还是说回主题。

原子能力默认就绪，会再通过各领域算法模型进行 图文生成+模版召回+合图 的方式 来进行海报生成。

v1.0设计方案

通过图 、 文 及 模版 各自生成 , 通过链路上召回匹配的方式，先做图、文在模板里面的批量替换，解决运营需求量大的问题。我用Coze大概跑了一个简单的Demo，而其中**{海报生成}**这块我是固定了一个背景图，类比于模板的概念。

链路全貌

海报生成节点

输出效果

我输入的提示词是“一只小狗”，文案会进行润色再输出，而图片会根据输入的提示词进行生图prompt的扩写，最终根据画板里的变量进行替换。逻辑上和当时做的v1.0是一样的。

但是v1.0版本肯定是有问题的，或者说本身就是为了解决运营强诉求之一：量。因此，存在的问题就是也很明显。

1. 在已有有限的模版上进行仅做图文素材的替换填充, 卡片样式的多样性和新颖度不足

2. 图 、文 及 模版 各自生成 , 通过链路上召回匹配的方式, 在 多样性 上的漏斗损耗大

所以可以理解为：

一期，是为了解决运营**“量”**的问题，同时在生产链路的节点上，把原来的素材人工制作替换成AIGC生产；

那二期的目标，就是解决运营对于多样性的一个强诉求。提高多样性的同时兼顾业务表达是我们的目标，需要从元素上进行突破，比如文案（自训练基底+RAG）、图片（图库标签匹配召回 / LoRa模型定制化）以及模版，不能是遵循于一套标准或者是一个固定范式。

为了打破这个瓶颈，决定用多Agent系统，彻底改造生产流程，于是就有了“智能海报2.0”

v2.0设计方案

智能生卡2.0的核心思路，就是用一个多Agent数字团队，来取代过去“AI元素 + 人工模板”的模式。整个工作流依然由一个主控Agent来协调，但：

1. 素材生成模块，包括文、主体元素、背景等构成 素材生成Agent；
2. 模板填充节点被一个全新的智能布局Agent所取代。

Agent运行流程（部分脱敏）

整个流程是这样的：

1. 主控Agent进行任务拆解

   ：和1.0一样，主控Agent先分析需求，然后并行启动多个“素材生产”子Agent（文案、图像生成、元素提取等）。

2. 素材生产Agent并行工作

   ：各个子Agent分头行动，产出海报所需的各种文本和视觉元素。

3. 智能布局Agent

   ：这是2.0版本的灵魂所在。当所有素材都准备好后，它们不会被送去匹配模板，而是被统一交给“智能布局Agent”。这个Agent是团队里的“首席设计师”，它内部集成了三大核心模型：

• 布局模型

  ：这个模型学习了海量优秀的设计案例。它会根据收到的素材数量和类型（比如1个主标题、3个卖点、1个Logo），动态地生成一个美观、专业的布局结构。这背后需要一个非常精细的模板标签体系，让模型能理解“主标题应该放哪”、“行动点按钮长啥样”。

• 背景图模型

  ：它会智能地对生成的背景图进行优化，比如扩展、裁剪、或者增加光影效果，使其更适合作为海报背景。

• 配色算法模型

  ：它会分析背景图和Logo的主色调，然后根据色彩美学原理（如色相、明度对比），为海报上的文字、按钮等元素智能推荐一套和谐的配色方案，确保信息清晰可读，视觉效果统一。

1. 最终输出

   ：经过智能布局Agent的精心编排，一张布局合理、配色协调、信息突出、且完全原创的营销海报就诞生了！！！

具体的case我没办法复现，我们就直接说对比吧：

智能海报1.0（模板填充）：布局生硬，字体颜色靠规则写死，缺乏设计感，整体看起来就像是“素材的简单堆砌”

智能海报2.0（智能创作）：字体字色更统一，按钮、文案的底衬颜色搭配更协调，背景和前景的融合度更高，整体视觉效果和谐且专业，接近设计师的水准。

过引入真正的多Agent协作，特别是核心的“AutoLayout Agent”，智能海报2.0实现了从内容理解、创意生成到布局配色的端到端自动化，解决了传统方法效率低、效果差的核心痛点。

但其实这块也并不是纯自研，是基于开源框架PosterLLaVa & PosterLLama 。在GitHub上也可以搜到的，感兴趣的同学可以去看看。

PosterLLaVa

该模型提出了一个统一的框架，用于自动图形布局生成，利用多模态大语言模型适应多样化的设计任务。与其他方法不同，PosterLLaVa采用结构化文本（JSON格式）和视觉指令调整，在特定的视觉和文本约束条件下生成布局，包括用户定义的自然语言规范。大量实验表明，PosterLLaVa在公共的多模态布局生成基准测试中取得了最先进的性能。此外，针对现有数据集在捕捉现实世界图形设计复杂性方面的局限性，PosterLLaVa提出了两个新的数据集，用于更具挑战性的任务（用户约束生成和复杂海报），进一步验证了模型在实际环境中的实用性。

PosterLLama

该模型通过将布局元素转换为HTML代码，利用语言模型中丰富的设计知识，生成视觉和文本内容相协调的布局。此外，PosterLlama引入了一种基于深度的海报增强策略，以提高模型的鲁棒性，确保在数据有限的情况下生成的布局既具有语义丰富性，又具备视觉吸引力。该模型在多个基准测试中表现出色，支持多种条件下的布局生成，包括内容感知布局生成、元素条件布局生成和布局补全等。

利用大语言模型（LLM）进行海报布局生成。采用二阶段的训练方法：

在第一阶段，使用线性层作为适配器，以对齐图像编码器与LLM，同时保持其他部分不变。

在第二阶段，保持视觉适配器不变，微调LLM (CodeLlaMA) 以生成布局，使用HTML格式数据集。

小结

–

聊了这么多，也要泼一盆冷水。多Agent系统虽然强大，但远非完美。

可以看看《Why Do Multi-Agent LLM Systems Fail?》的论文就指出了几个常见的“坑”：

角色混乱：理想中，每个Agent各司其职。现实是，它们经常“越界”。比如“测试员Agent”跑去写代码，“产品经理Agent”直接把技术方案定了。这本质上还是大模型的“幻觉”问题，只是在多Agent系统里被放大了。

沟通障碍：Agent之间的沟通效率低下。它们可能会在一些无关紧要的细节上反复拉扯，或者关键信息没有共享，导致整个团队被带偏。想象一下开会时，一群人都在跑题，就是那个感觉。

验收漏洞：缺乏有效的验证机制。比如让Agent开发一个象棋游戏，它可能只检查了代码能跑通，但没验证游戏规则对不对。很多系统在任务还没完全达标时就草草结束，交付一个“半成品”。

这些问题，和人类团队管理中的问题惊人地相似！！！

但解决方案也很朴素：加强管理和控制。

比如，通过更明确的提示词来限定Agent的职责范围，引入“交叉验证”机制让Agent互相评审，强制执行检查清单来确保交付质量。

这说明，现阶段的多Agent系统，还远没到可以完全自动化的程度。它需要的不是更少的控制，而是更细致的管理框架和思路。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发