郑州市网站建设_网站建设公司_Sketch_seo优化

本文系统介绍了大模型智能体的记忆系统架构，提出以Forms-Functions-Dynamics为核心的统一分析框架。详细分析了记忆的三种形式(Token-level、Parametric、Latent)、三大功能(事实记忆、经验记忆、工作记忆)和动态机制(形成、演化、检索)，并展望了从检索到生成、自动化管理、强化学习驱动和多模态融合等未来发展方向，为构建更稳定、智能的下一代Agent系统提供了理论指导。

告别 RAG 碎片化，从 Forms 到 Dynamics，一文讲透下一代智能体核心架构。

随着大模型能力的持续提升，Agent 正逐渐从具备推理能力的语言接口演化为能够长期运行、持续交互并执行复杂任务的智能系统。

在这一过程中，记忆（Memory）的能力日渐涌现，逐渐演化为支撑 Agent 行为一致性、长期适应性与能力积累的关键组成部分。

在实际应用中，无论是面向用户的对话型 Agent，还是面向工程与研究任务的复杂智能体系统，都不可避免地需要处理跨时间尺度的信息：用户偏好、历史决策、环境反馈、失败经验以及中间推理结果等。

如果这些信息无法被有效保存、组织与再利用，Agent 将难以在多轮交互和长期任务中维持稳定表现。而现有的长短期二分类已经无法满足复杂的 Agent Memory 现状。

正是在这一背景下，来自新加坡国立大学、中国人民大学、复旦大学、北京大学等多家机构的研究者联合撰写了长达百页的综述论文《Memory in the Age of AI Agents: A Survey》。

论文系统性地梳理了当前 Agent Memory 研究的主要脉络，并提出以 Forms–Functions–Dynamics 为核心的统一分析框架，以应对当前研究中概念混乱、分类粗糙以及评价标准分散等问题。

论文链接：

https://arxiv.org/abs/2512.13564

Github 链接：

https://github.com/Shichun-Liu/Agent-Memory-Paper-List

概念区分：Agent Memory 与相关研究方向

Agent Memory 的研究目标并非简单的信息存储，而是支持 Agent 在长期交互中实现以下能力：

（1）跨任务保留关键事实与知识；

（2）从历史交互中抽象可复用经验；

（3）在决策过程中主动调用与当前任务相关的历史信息。

在现有文献与工程实践中，“Memory” 这一术语被用于描述多种不同技术路径。为避免概念混淆，综述先对 Agent Memory 与若干相近研究方向进行了系统区分。

1.1 Agent Memory 与 LLM Memory

LLM Memory 通常指模型内部用于处理长序列信息的机制，包括 KV cache 管理、长上下文建模结构以及新型序列模型等。

这类研究关注的是单次或有限次推理过程中信息如何被模型内部保留与利用，其目标在于提升模型本身的表达与计算能力。

相比之下，Agent Memory 关注的是面向长期运行的智能体系统，强调跨任务、跨交互的记忆持久性与演化机制。二者在技术实现上可能存在交集，但在研究对象与问题设定上并不等价。

1.2 Agent Memory 与 RAG

检索增强生成（RAG）通过引入外部知识库来提升模型在知识密集型任务中的准确性，其核心目标是解决事实获取问题。

尽管 RAG 在实现层面常被用于 Agent 系统中，但如果检索结果未被纳入一个持续更新的内部记忆结构，那么该系统仍然缺乏真正意义上的记忆能力。

RAG 可以作为 Agent Memory 的一种实现方式，但前提是其检索结果能够参与后续记忆形成与演化过程。

1.3 Agent Memory 与 Context Engineering

Context Engineering 关注的是在有限上下文窗口下，如何高效组织提示、工具输出与中间状态信息，其本质是一种资源管理与接口设计方法。

它解决的是“当前推理阶段模型能看到什么”，而 Agent Memory 则关注 “Agent 在时间轴上能记住什么”。二者在工作记忆层面存在较大重叠，但在长期认知建模目标上存在本质差异。

记忆的形式（Forms）

从“记忆以何种形式存在”出发，Agent Memory 的实现可以归纳为三种主要形态：Token-level Memory、Parametric Memory 与 Latent Memory。

三者对应着三种不同的“存储介质”：可读可写的外部符号、可泛化但难精控的参数权重、以及推理时可塑的连续隐表示。它们在可解释性、更新成本、可迁移性等方面呈现出显著的差异。

2.1 Token-level Memory

Token-level Memory 的核心特征是：以显式、离散、可检索的方式存储信息。这里的 token 并不局限于文字，而是扩展到音频 token、视频 token 等一系列离散单元。

它之所以成为当前 agent 系统最常见、最工程化的一类记忆形态，关键在于两点：一是可解释性强，二是可编辑性强。

与此同时，Token-level Memory 的主要挑战也很现实：当记忆规模不断增长时，如何组织、如何检索、如何保持语义一致性，会迅速从“存聊天记录”升级为“需要系统化的信息结构工程”。

2.1.1 Flat Token Memory

在最朴素的实现里，Token-level Memory 可以是 flat 的：把一条条记忆当作独立片段堆进记忆库，检索时依赖相似度/关键词把相关片段捞出来。这种方式简单直接，适合记忆量不大、或者任务对结构依赖不强的场景。

但当条目越来越多，flat 结构容易出现两个问题：其一是检索成本与噪声上升，相关片段混在大量近似片段里，其二是跨片段的语义关系难以显式表达，导致系统即使取回了很多内容，也未必能稳定地形成一致的推理依据。

2.1.2 Planar Token Memory

为了让记忆不再只是“碎片堆”，原文进一步把一类增强方式概括为 planar：在同一层级上引入更明确的组织结构。

典型思路是把记忆组织成 graph、tree 等拓扑结构，使记忆条目之间的关系不再隐含在“相似度”里，而是以可操作的链接显式存在。

这样做的直接收益是：检索不必只靠向量最近邻，也可以借助结构做更可靠的路径访问与关联推理；同时，结构也让记忆更容易被审计与治理，可以看见哪些条目连接在一起、冲突从哪里来。

在面向多跳推理、跨文档对齐、以及需要可解释链路的任务中，这种 planar 结构往往比平铺式更稳定。

2.1.3 Hierarchical Token Memory

当记忆进一步扩张，单层结构也会面临“越连越复杂”的问题，因此综述强调另一条更关键的演进方向：分层（hierarchical）。

分层的本质是把记忆组织为多尺度表示：底层保留细粒度事实与片段，上层存放更抽象的主题、摘要或簇中心，让检索可以先在高层快速定位，再下钻到细节层取证据。

这样的设计让 Memory 架构从 2D 转化为 3D，提高 agent memory 的长期稳定性与可控性。

2.2 Parametric Memory

与 Token-level Memory 相对，Parametric Memory 指把记忆直接编码进模型参数中，通过训练或持续更新实现记忆内化。

它的优势非常明确：一旦知识进入参数，推理时不需要外部检索，调用成本低、形式紧凑，还可能带来更强的泛化与迁移。但代价也同样突出：参数更新昂贵、可控性弱，且会面临遗忘、漂移、以及难以对单条记忆做精确纠错的问题。

因此，参数化记忆更像是一种把稳定知识沉淀为能力的方式，而不是用来频繁写入琐碎交互细节的记忆介质。

2.2.1 Internal Parametric Memory

内部参数化记忆归纳为：在模型内部通过不同训练阶段把新知识写入参数，并进一步按训练时机分为 Pre-train / Mid-train / Post-train 三类。

直观理解就是：有的做法偏“预训练式注入”，把大量外部知识融入通用底座；有的发生在中期训练阶段，用更有针对性的持续学习来强化某类能力；还有的更接近“后训练/后期更新”，在模型已具备基础能力后，通过额外训练将特定信息或偏好写入参数中。

三者共同的目标都是让模型在不依赖外部记忆库的情况下，能够把相关知识当作自身能力的一部分直接调用。

2.2.2 External Parametric Memory

另一类思路是 External Parametric Memory：把记忆存到一个外部的、参数化的模块中（例如适配器、可训练记忆网络等），在保持主模型相对稳定的同时，用外部可训练组件承载可更新的知识。

这种设计的意义在于：它在可更新性与调用效率之间提供了折中，既不像纯 token 记忆那样完全依赖显式检索，也不像把一切写进主模型参数那样难以回滚与治理。

外部参数化模块可以更频繁地被训练/替换，从而在一定程度上缓解主模型灾难性遗忘与全局漂移的风险。

2.3 Latent Memory

第三类 Latent Memory 指记忆以连续的隐空间表示存在，通常表现为模型内部的隐状态、向量表征，或类似 KV 状态这类机器原生的中间结构。

与 token 记忆相比，它更紧凑、更适配高维信息，尤其是多模态与过程状态，也更容易在推理过程中被动态更新；但相应地，它的可解释性更弱、治理更困难，很难像编辑文本那样看一眼就知道错在哪里。

这类记忆在很多系统中常被用作一种“中间形态”：既服务于高效检索与压缩，也可能作为更高级的生成式记忆、重建式记忆的基础表示。

记忆的功能（Functions）

如果说 Forms 解决“记忆放哪儿”，那么 Functions 讨论的就是“记忆拿来干什么”。

原文不再沿用以往简单的“长短期记忆”二分，而是把 agent memory 的功能划分为三类：事实记忆（Factual）、经验记忆（Experiential）、工作记忆（Working）。

这三类分别对应：对客观信息的长期保持、对可迁移策略/技能的积累、以及对当前任务推理空间的管理。

3.1 事实记忆（Factual Memory）

事实记忆关注的是可核查、可复用的客观信息：关于用户、环境、任务约束、以及长期背景的稳定事实。它的关键作用在于把重要事实从短上下文中“抽离出来”，避免在长任务里因上下文挤压而丢失，从而减少前后不一致与幻觉累积。

3.1.1 User Factual Memory

面向用户的事实记忆通常承载较稳定的用户信息：例如身份属性、偏好、长期目标、历史设置等。

它的价值不只在记住，更在持续一致地使用：当 agent 能把用户长期信息稳定保存并在合适时机取回，就更容易形成连贯的交互体验——同样的需求不会反复确认，同样的偏好不会多次改变。

3.1.2 Environment Factual Memory

另一类事实记忆面向“环境”：包括世界知识、长文档等。在知识问答、文档问答中，环境事实记忆能帮助 agent 保持知识的准确定与稳定性，保证模型的回答无误。

知识的组织和更新是这类文章关心的核心问题。同时，在多 agent 系统中，一个 agent 接收到的其他 agent 提供信息也认为是环境事实的一部分，多个 agent 之间需要进行合理的记忆共享以及通信。

3.2 经验记忆（Experiential Memory）

经验记忆关注的是从历史交互、执行轨迹中沉淀出的可迁移经验：可以是成功范例、可复用策略，也可以进一步固化为可组合技能。

它的意义在于：让 agent 能在不频繁更新主模型参数的情况下持续改进——把反馈、反思、成功路径“编译”为可复用知识，减少重复计算与盲目试错，并在相似任务中更快收敛到更优决策。Agent 的经验往往以显式结构存储，因此反而更容易被内省、编辑与推理。

3.2.1 Case-based Experiential Memory

Case-based 经验记忆更接近“保真记录”：尽量不对历史轨迹做过度加工，把具体案例作为可回放、可对照的参考样本。

在很多 in-context 学习场景里，这类记忆可以作为示例帮助模型在相似问题上复用先前解法；优势是信息完整、细节足，劣势是泛化能力相对弱、规模上来后检索与筛选压力更大。

3.2.2 Strategy-based Experiential Memory

Strategy-based 强调从轨迹中抽象出更可迁移的“策略骨架”：例如工作流、推理模板、规划脚手架等。

与 case-based 相比，它牺牲部分细节，换取更强的泛化与复用效率：面对新任务，agent 不必照搬旧轨迹，而是调用已沉淀的策略结构来组织推理与行动顺序。这类经验记忆更像“方法论”，能显著降低复杂任务中的搜索成本。

3.2.3 Skill-based Experiential Memory

Skill-based 则进一步把策略落到“可执行单元”：例如代码片段、工具调用协议、可组合的子技能模块等。

它的目标是让经验不仅能指导推理，还能直接支持执行与自动化组合——把过去成功做法固化为可调用组件，使 agent 在执行层面也具备稳定积累能力。

随着多工具、多环境任务增多，这类技能化经验往往会成为长期能力增长的关键载体。

3.3 工作记忆（Working Memory）

工作记忆解决的是“单次任务里怎么不被信息淹没”。在 agent 场景中，它的典型压力并不只是“时间短”，而是输入往往超长、噪声高、模态复杂（长文档、网页、日志、视频流等），而模型的上下文与注意力预算是硬约束。

因此，工作记忆更像一个可写的“任务工作区”：一边压缩/抽象输入，一边维护当前推理所需的中间状态，让推理与执行能在受限上下文下持续推进。

3.3.1 Single-turn Working Memory

Single-turn 工作记忆面向单次调用，核心目标是在一次推理窗口内降 token、提结构：把冗余输入压缩为更紧凑的表示，或把原始内容重组为更利于推理的结构化摘要。

它强调“立刻有效”：即使不跨轮保存，只要能在当前调用里把关键信息从噪声中提炼出来，就能显著提升模型推理质量与成本效率。

3.3.2 Multi-turn Working Memory

Multi-turn 工作记忆关注多轮任务的状态维持：如何在回合推进中持续压缩与更新工作区，如何对阶段性子任务做折叠与剪切，如何结合规划过程管理中间状态，使 agent 在长链路执行中不至于“越聊越乱”。

它把工作记忆从一次性压缩扩展为一种过程管理机制：既要记住关键中间结论，又要避免把所有细节都拖进上下文，最终让长任务在有限预算下仍能保持清晰的推理轨迹。

记忆的动态机制（Dynamics）

仅有“记忆的形式”和“记忆的功能”还不够，因为那是一种相对静态的框架；真实系统里，记忆更关键的是如何被构建、如何被维护、如何在恰当时机被调用。

因此，综述把完整生命周期分解为三个基本过程：Memory Formation（形成）— Memory Evolution（演化）— Memory Retrieval（检索）。

三者不是线性流水线，而是一个互相反馈的闭环：形成阶段从交互与推理中抽取长期有用的信息；演化阶段将新记忆与旧记忆融合并处理冲突、冗余与过期内容；检索阶段在任务进行到关键节点时把相关知识激活进入决策。

推理结果与环境反馈又会反过来影响下一轮形成与演化，使系统具备持续自我更新的能力。

4.1 记忆形成（Memory Formation）

记忆形成定义为：把原始上下文（如对话、图像等）编码为更紧凑、信息密度更高的知识表示，其动机来自 full-context prompting 在长、噪、冗余输入上的规模限制——计算开销、内存占用、以及超长输入下的推理退化都会迫使系统“把关键内容提炼出来再存”。

在具体操作上，形成并不等于“把所有历史都记下来”，而是强调选择性：系统需要识别长期有用的内容（例如成功的推理模式、关键环境约束），并将其转译为更适合存储与后续调用的表示。

4.2 记忆演化（Memory Evolution）

记忆一旦形成并写入，就会立刻面对“维护问题”：新记忆不断涌入，旧记忆可能冗余、冲突、过时，甚至会在不同任务线中产生语义不一致。

原文将演化过程概括为：把新形成的记忆与已有记忆库进行动态融合，通过相关条目整合、冲突消解与自适应剪枝/遗忘等机制，确保记忆在不断变化的环境中仍然保持可泛化、连贯且高效。

尤其在长期运行的 agent 中，演化不是可选项，而是决定系统能否“越用越稳”的关键：如果缺乏整合与冲突处理，记忆库会越来越像一个堆满碎片与矛盾的仓库；如果缺乏对冗余与过期信息的处理，检索阶段就会被噪声拖垮。

4.3 记忆检索（Memory Retrieval）

在形成与演化构建起记忆库之后，检索决定了“记忆是否真的能进入决策回路”。检索即：在合适的时刻，从特定记忆库中取回相关且简洁的知识片段来支持当前推理；其核心挑战在于如何在大规模记忆中高效、准确地定位所需片段。

为此，很多系统会围绕检索流程的不同阶段引入启发式策略或可学习模型进行优化。原文把检索过程按执行顺序概括为四个关键环节，并强调它们共同把静态搜索升级为动态过程：

首先是决定何时检索、带着什么意图检索；

接着需要把用户输入与任务状态转译为更有效的查询信号，弥合“自然语言需求”与“记忆索引空间”之间的语义鸿沟；

随后在具体检索策略上，既可能是稀疏匹配，也可能是稠密向量检索，或结合结构进行图遍历；

最后还需要对取回的候选片段做重排、过滤与聚合，把最终提供给模型的上下文控制在既精炼又一致的形态。

评测基准与研究资源（Benchmarks and Resources）

综述还专门整理了相关的评测 bench 与开源框架。第一类评测关注长期一致性与遗忘问题；第二类评测强调经验迁移能力；第三类评测则聚焦于工作记忆管理能力。

相关的开源框架、代码库与资源列表覆盖了从通用 Agent 框架到专门的记忆管理模块，既包括偏工程实现的系统，也包括用于研究原型验证的轻量化代码。

前沿展望：下一代记忆系统

记忆从“检索中心”走向“生成中心”，从“人工规则”走向“自动管理”，从“启发式流水线”走向“强化学习驱动的端到端控制”，综述进一步把这些迁移与多模态、多智能体协作、可信安全等议题交织起来，指出未来一代记忆架构可能被哪些关键挑战塑形。

6.1 Memory Retrieval vs. Memory Generation

早期 Agent Memory 的主流路线，是把记忆当作一个“已写好的存储库”，核心任务是：给定当前上下文，从既有记忆中识别—过滤—挑选最相关条目，再把结果注入上下文以支持推理与决策。

随着任务跨度变长、交互更开放，单纯“找片段、拼上下文”的局限逐渐显露：如果原始记录噪声大、冗余高、与当前任务不对齐，检索即使“找得准”，也可能把上下文塞满却不让 Agent 更会做事。

于是研究视角开始转向“记忆生成”：不再把记忆视为静态仓库，而强调 Agent 按需合成新的记忆表示——把信息整合、压缩、重组为更贴合当前语境且对未来更有用的抽象。

• Context-adaptive（上下文自适应）：记忆生成不应是一刀切的总结模板，而要能随任务阶段与目标变化，动态调节抽象层级与粒度。
• Integrate heterogeneous signals（融合异质信号）：真实 Agent 的输入并非只有自然语言，还包括代码、工具输出、环境反馈、状态变更等多源片段。面向未来的记忆生成，应把这些异质碎片“熔成”可计算、可调用、能支撑推理的统一表示。
• Learned & self-optimizing（可学习且自优化）：什么时候生成、生成成什么、如何在长期任务里持续变好，不应主要依赖人工规则；而应通过优化信号（例如强化学习或长时程任务表现）去学习，把记忆生成变成策略的一部分，与推理与决策共同演化。

6.2 Automated Memory Management

过去多数系统依赖人为设计的记忆管理策略：写什么、不写什么；何时调用；如何更新与检索。

但这种“手工规则驱动”的路径也带来典型问题：不够灵活、难以跨环境泛化，在长周期或开放式交互中更容易暴露短板。

综述在这里提出两个可能方向：

• 把“构建—演化—检索”直接并入 Agent 的决策回路：一条路线是通过显式工具调用，把记忆操作（增/删/改/取）嵌入 Agent 的行动链条，让 Agent 不再依赖外置模块或手工工作流，而是能够“意识到并推理自己正在做什么记忆动作”。
• 走向自优化、自组织的记忆结构：层级化记忆已被证明能提升效率与效果，但综述更进一步强调“自演化”的重要性——记忆结构应能随时间动态建立连接、更新索引、重构条目，让存储本身逐步自组织，从而支持更丰富的推理能力，并减少对人类先验与手工规则的依赖。

6.3 Heuristic Pipelines vs. Reinforcement Learning–Driven Memory Control

大量既有工作都是 “RL-free” 的记忆系统：它们依赖启发式或人工指定机制，例如固定阈值（受遗忘曲线启发）、固定语义检索流程、或简单的拼接式存储策略。有些系统看起来“像 Agent 在管理记忆”，但本质是 prompt 驱动。

随后出现 “RL-assisted” 的路线：强化学习不一定一口气端到端，而是先嵌入到流水线的局部环节（例如在初步检索后用策略梯度去做 chunk 排序），再逐步走向更激进的设计（把记忆构建交给 RL 训练的代理）。

完全 RL-driven 的记忆系统可能构成下一阶段的关键形态：

尽量减少对人类工程先验的依赖：许多现有框架沿用人类认知类比（如皮层/海马）或预定义的层级分类（episodic/semantic/core），这些抽象在早期很有帮助，但未必是人工智能体在复杂环境中的最自然与最有效结构；未来更应让结构从任务与环境中“学出来”。

让记忆控制可作为策略被优化：当记忆写入、压缩、折叠、检索触发等动作被纳入策略空间后，系统就能围绕长期回报去学习“何时记、记什么、怎么组织、何时用”，从而摆脱“规则堆叠”的脆弱性，走向真正可泛化的记忆控制。（这一点在原文对 RL 驱动范式的整体论证中反复出现。）

6.4 Multimodal Memory

多模态记忆并非把“图片也存进向量库”那么简单。现实任务中的关键信息往往跨模态分布：视觉线索、文本约束、环境状态、工具结果共同决定决策，而记忆系统必须能把跨模态证据组织成可被推理调用的形式。

让记忆生成与检索能够面向多模态推理的“统一语义空间”，并处理模态间对齐、噪声、以及不同模态信息重要性动态变化的问题，从而让 Agent 在更真实的环境里依然能形成稳定、可用的长期记忆。

除此之外综述还讨论了Shared Memory、Memory for World Model、Trustworthy Memory等可能的未来方向。

结语

当我们讨论“记忆”时，讨论的不只是存储介质，而是一个与 Agent 决策过程耦合、通过读写交互不断循环的系统。

不同记忆形态（token-level、参数化、latent）与不同功能目标（事实、经验、工作记忆）以及不同动态阶段（形成、检索、演化）之间需要更精细的对齐与协同。

下一代记忆系统的竞争点，不会只在“检索更准”或“存得更多”，而在于能否把记忆做成 Agent 的核心能力单元——可生成、可自治管理、可用强化学习等信号持续优化，并能在多模态、多智能体与可信治理的现实约束下稳定运行。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要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‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

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‌。

👉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】🆓**

​