本文深入探讨了Agent记忆系统的设计与实现指出传统向量库方案局限性并提出七类记忆系统分类工作记忆、语义记忆、情节记忆、程序记忆、检索记忆、参数记忆和前瞻记忆。文章详细阐述了每类记忆的特点、存储方式及工程实践并强调了记忆系统治理的重要性。此外还介绍了开源方案及从MVP到生产的落地建议旨在帮助开发者构建可用、可演进、可验证的Agent记忆系统。很多人第一次做 Agent 记忆系统会很自然地从向量库开始把对话切块做 embedding下次相似问题再检索回来。这个方案能解决一部分问题但如果把它当成“记忆系统”的全部很快就会撞墙。因为 Agent 的记忆不是一种东西。它既包括当前任务里的临时状态也包括用户长期偏好既包括过去发生过的事件也包括未来答应要做的事既包括文档库里的外部知识也包括模型权重里已经内化的能力更复杂的是Agent 还需要记住“以后应该怎么做”也就是做事流程、工具习惯和失败经验。所以真正的 Agent 记忆系统不是一个数据库而是一组不同生命周期、不同读写方式、不同风险边界的状态系统。如果你是技术开发者我建议先把“记忆”拆成七类工作记忆、语义记忆、情节记忆、程序记忆、检索记忆、参数记忆、前瞻记忆。这个分类的价值不在于多背几个名词而在于它能帮你做系统设计什么东西该放上下文什么东西该进数据库什么东西该进向量库什么东西该写成 Skill什么东西应该交给调度器什么东西才值得微调进模型权重。这篇文章就围绕这个问题展开如果我们真的要实现一个可用、可演进、可验证的 Agent 记忆系统七种记忆分别应该如何组织。记忆不是长上下文也不是向量库大语言模型本身是无状态的。一次 API 调用结束以后模型不会自动把这次经历写进某个长期存储。下一次调用时它能“想起”什么完全取决于系统把哪些内容重新放进了 prompt、工具结果、检索上下文或模型权重里。长上下文解决的是“这一次能看多少材料”。它像工作台能临时摊开很多文件但工作台不是档案馆。一次任务结束以后哪些材料应该归档、哪些应该丢弃、哪些应该下次优先拿出来不是上下文窗口自己决定的。向量库解决的是“相似内容怎么找回来”。它很重要但它也不是完整记忆系统。向量库不知道某条记忆属于哪个用户不知道事实什么时候过期不知道一个用户三月偏好 Python、五月改成 Go 时应该如何处理冲突也不知道“下周三提醒我复查这个 PR”应该如何在未来被唤醒。所以更准确的说法是Agent 记忆是一条状态管理管线。这条管线大致长这样观察输入和事件 - 提取候选记忆 - 判断是否值得保存 - 写入对应记忆层 - 去重、合并、冲突处理 - 在下一次任务中检索 - 过滤、排序、组装上下文 - 注入 Agent - 使用后更新、删除、审计这里最难的不是“怎么存”而是两个门控。一个是写入门控。用户说“这次临时用 Python 写个脚本但正式项目以后都用 TypeScript”系统应该知道“这次用 Python”是短期状态“正式项目用 TypeScript”才是长期偏好。另一个是读取门控。记忆库里可能有上千条历史信息但当前任务只需要很少几条。如果把所有东西都塞进 promptAgent 不是更聪明而是更容易被噪声带偏。从这个角度看记忆系统的核心能力不是保存而是治理。它要知道什么该记、记到哪里、什么时候拿出来、什么时候更新、什么时候忘掉。七种记忆的系统边界七种记忆可以放在一张心智地图里理解。工作记忆负责当前任务。它回答“现在正在发生什么”。语义记忆负责长期事实。它回答“系统知道什么”。情节记忆负责过去事件。它回答“以前发生过什么”。程序记忆负责做事方法。它回答“以后应该怎么做”。检索记忆负责外部资料。它回答“资料库里有什么”。参数记忆负责模型内化能力。它回答“模型本身已经学会了什么”。前瞻记忆负责未来承诺。它回答“之后还要做什么”。这七类记忆之间有重叠但工程边界很不一样。比如“用户喜欢简短回答”可以是一条语义记忆“上次用户因为回答太长而要求重写”是一条情节记忆“以后回答这个用户时先给结论再给解释”可能沉淀成程序记忆如果这种风格对所有用户都稳定有效才可能进入参数记忆。这也是很多记忆系统变乱的原因不同生命周期的状态被混进了同一个存储。临时任务状态被当成长期事实用户偏好和企业知识混在一起过去事件和未来待办都塞进向量库最后 Agent 似乎什么都记得但用起来越来越不可靠。下面逐类拆开看。工作记忆当前任务如何保持连续工作记忆是 Agent 的短期状态。它包括当前消息历史、当前计划、工具调用结果、临时 scratchpad、正在处理的文件、当前 graph state以及任务中断后恢复所需的 checkpoint。如果你在做一个简单聊天机器人工作记忆可能就是 messages 数组。如果你在做一个工具型 Agent工作记忆就不能只靠 messages 了。它还要保存当前步骤、工具调用结果、分支状态、用户确认点和失败恢复点。可以把它抽象成这样的结构type WorkingMemory { threadId: string runId: string messages: Message[] plan?: Step[] toolResults: ToolResult[] scratchpad?: string checkpoint?: { node: string state: unknown createdAt: string } }工作记忆的存储通常不需要向量库。短任务可以放在进程内或 Redis多轮会话可以放在数据库复杂 Agent 流程可以用 LangGraph 这类框架的 checkpointer 保存 graph state。关键是要区分“当前任务状态”和“长期用户事实”。比如用户在某次任务里说“这次先忽略测试”这不应该被长期记成“用户不喜欢测试”。它只是当前任务约束最多属于这次 thread 的工作记忆。工作记忆常见的坑是过早总结。很多系统为了节省 token会把消息历史压缩成摘要。但摘要一旦丢失工具调用细节、用户确认语义或失败路径后续恢复时 Agent 就可能做出错误判断。比较稳妥的做法是原始事件和压缩摘要同时保存摘要用于上下文原始事件用于审计和回放。语义记忆长期事实如何不串、不脏、不过期语义记忆保存稳定事实、偏好和画像。它不是“某次对话发生了什么”而是“现在系统可以认为哪些事实成立”。典型例子包括用户默认使用 TypeScript某团队发布窗口是周二下午某客户在 Pro 版本某项目使用 pnpm 而不是 npm某个业务指标不能和另一个指标相加。语义记忆可以设计成结构化事实type SemanticMemory { id: string scope: { userId?: string orgId?: string agentId?: string } subject: string predicate: string object: string confidence: number sourceEpisodeId?: string validFrom?: string validTo?: string updatedAt: string }这里最重要的字段不是 embedding而是 scope。任何用户级记忆都必须带 userId任何组织级记忆都必须带 orgId。多租户产品里记忆串用户不是回答质量问题而是安全事故。语义记忆的写入通常需要一个抽取步骤。系统从对话或事件里提取候选事实再判断是否长期有效、是否已有重复、是否和旧事实冲突。比如“我现在改用 Go 了”可能要覆盖旧的“用户偏好 Python”“这个临时脚本用 Python”则不应该覆盖长期偏好。读取时也不能只做向量相似度。更常见的组合是 scope 过滤、语义检索、关键词检索、时间过滤和置信度过滤。一个比较稳的读取链路是先按 userId 或 orgId 做强过滤再在过滤后的候选里做相似度搜索最后用 reranker 或规则选出最相关的几条。Mem0、LangMem、Cognee 都覆盖了一部分语义记忆能力。Mem0 更像通用记忆层适合快速把 add/search/update/delete 这些能力接入产品。LangMem 更适合已经在 LangGraph 体系内的 Agent用来抽取和管理长期记忆。Cognee 则更偏企业知识和图谱组织适合把多源资料整理成可推理的知识层。语义记忆最大的风险不是忘记而是乱记。系统如果把临时状态写成长期事实会让 Agent 逐渐形成错误画像。语义记忆必须提供可见、可编辑、可删除的管理入口。否则用户纠正不了开发者也调不清。情节记忆过去事件如何成为可回放经验情节记忆保存过去发生过的事情。它带时间、场景、过程和结果。和语义记忆相比情节记忆更像事件日志和普通日志相比它又经过整理可以被 Agent 检索和理解。比如用户说“上次那个 Docker 问题又出现了”Agent 需要找回的不只是一条事实而是一段历史上次是什么报错读了哪些日志尝试过哪些修复哪个方案有效哪个方案失败最后结果是什么。情节记忆可以这样组织type EpisodeMemory { episodeId: string scope: { userId?: string orgId?: string } startedAt: string endedAt?: string summary: string entities: string[] actions: ToolCall[] outcome: 「succeeded」 | 「failed」 | 「cancelled」 failureReason?: string artifacts: string[] }生产里我更建议情节记忆分两层保存。底层保存完整 trace包括用户输入、工具调用、模型输出、文件变更、错误信息和最终结果。它不一定每次都进入 prompt但必须可审计、可回放。上层保存 episode summary包括任务摘要、实体、结论、失败原因、可复用经验。它更适合检索和注入上下文。Graphiti 这类 temporal knowledge graph 很适合处理情节记忆因为它不仅保存实体关系还强调时间变化。Letta 也适合构建有状态 Agent因为它把对话历史、记忆块和 Agent 状态放进运行时模型里。你也可以自建 event store用 Postgres 或对象存储保存原始轨迹再异步生成摘要和实体索引。情节记忆的常见坑是只保存最后摘要。摘要读起来干净但一旦 Agent 基于错误摘要做了判断你就很难追溯它为什么会这样想。一个成熟系统应该同时保存压缩后的可检索记忆和原始可回放证据。程序记忆做事方法如何沉淀为能力程序记忆是最容易被低估的一类。它保存的不是“用户是谁”也不是“过去发生了什么”而是“以后应该怎么做”。对开发者来说程序记忆非常熟悉。项目里的 README、runbook、CI 配置、代码规范、Skill、prompt template、排障流程其实都是程序记忆。它们告诉 Agent 遇到某类任务时应该走什么路径、先读什么文件、调用什么工具、做完以后如何验证。程序记忆可以这样组织type ProceduralMemory { id: string name: string trigger: string instruction: string examples: string[] version: string sourceEpisodes: string[] evalCases: string[] }和语义记忆不同程序记忆不能随便自动写入。因为它会影响未来一类任务而不是影响某一次回答。一个失败案例可以生成候选规则但这条规则能不能进入程序记忆应该经过评测。比如一个 Coding Agent 某次忘了跑测试你可以让它反思出“修改代码后要运行相关测试”。但如果这条规则写得太硬它可能在文档修改、注释修改、配置无法运行的情况下也盲目跑全量测试浪费时间甚至打断流程。更好的做法是把经验写成具体触发条件当修改运行时代码或行为逻辑时优先运行受影响测试如果测试环境不可用要说明原因和替代验证。程序记忆最好版本化。用 Git 管理 Skill、runbook 和 prompt比把它们塞进向量库更可靠。因为你需要 review、diff、回滚、评测和发布。LangMem 提供了从交互中优化 Agent 行为的思路。Voyager、Reflexion、ExpeL、ReMe 这类研究项目也展示了如何把经验反思沉淀成可复用策略。生产系统不一定直接复现它们但可以借鉴一个原则反思只是提出候选评测才决定是否合入。检索记忆外部知识如何被 Agent 使用检索记忆就是通常说的 RAG 层。它保存文档、代码、知识库、网页、论文、客服手册、API 文档等外部资料。它解决的问题是Agent 不可能把所有环境知识都放进模型权重也不应该靠模型记住不断变化的资料。检索记忆通常按 chunk 组织type RetrievalChunk { chunkId: string documentId: string text: string embedding?: number[] metadata: { source: string section?: string updatedAt: string acl?: string[] } }一条典型管线是文档接入清洗切块生成 embedding写入 metadata构建向量索引和关键词索引查询时做 hybrid search最后 rerank 并注入 prompt。这里有几个工程细节非常重要。切块不是越小越好。太小会丢上下文太大又会降低召回精度。代码、文档、FAQ、论文的切块策略应该不同。代码适合按函数、类、文件结构切文档适合按标题层级切FAQ 适合按问答对切。metadata 不是附属字段。权限、来源、更新时间、版本号、业务线、文档类型都应该进入 metadata。没有 ACL 的 RAG 很容易把不该看的资料检索出来。向量检索也不是唯一答案。很多技术文档查询包含精确符号、函数名、错误码、接口名这时 BM25、关键词索引和结构化过滤往往比纯 embedding 更可靠。成熟系统通常会做混合检索。Qdrant、Chroma、Milvus、LanceDB 都可以作为检索记忆底座。Qdrant 适合带 payload filter 的生产向量检索Chroma 上手快Milvus 偏大规模LanceDB 适合本地和多模态场景。Cognee 和 Graphiti 则适合在检索之外增加图谱结构。但要记住RAG 不是个人记忆。文档库告诉 Agent “资料里写了什么”语义记忆和情节记忆告诉 Agent “这个用户、这个组织、这次任务发生过什么”。这几类不能混为一谈。参数记忆什么时候应该微调参数记忆是模型权重里的能力。它来自预训练、指令微调、偏好优化、LoRA adapter 等方式。和其他记忆不同参数记忆不是运行时可查询、可删除、可审计的记录。它适合保存稳定、高频、跨用户通用的能力。比如某个领域术语、固定输出风格、代码生成习惯、特定格式转换能力。如果一类知识对所有用户都成立更新频率不高而且运行时检索成本很高那么它可能适合进入参数记忆。但用户个人偏好、客户状态、项目临时事实、合规敏感信息不应该写进参数记忆。原因很简单难删除、难更新、难解释。用户说“忘掉我之前的偏好”如果偏好已经进了模型权重工程上几乎无法给出可靠承诺。参数记忆的工程流程更像模型训练收集样本 - 清洗和去敏 - 构造训练集 - SFT / LoRA / DPO - 离线评测 - 回归测试 - 发布 adapter 或模型版本PEFT、Axolotl、LLaMA-Factory、Unsloth 都是常见开源工具。它们解决的是模型适配问题不是运行时记忆管理问题。我的建议是把参数记忆放在最后考虑。先用工作记忆、检索记忆、语义记忆和程序记忆解决大部分问题。只有当某类能力稳定、通用、频繁使用并且通过评测证明微调比检索或提示更合适时再考虑写进权重。前瞻记忆未来承诺如何真正执行前瞻记忆保存未来要做的事。比如明天提醒我、下周复查这个 PR、CI 失败后半小时再试、等客户回复后继续生成方案。这类记忆很容易被忽略因为模型可以很自然地说“好的我明天提醒你”。但如果系统没有调度器、任务表或 durable workflow这句话只是语言不是能力。前瞻记忆可以这样组织type ProspectiveMemory { taskId: string ownerId: string intent: string triggerAt?: string triggerEvent?: string requiredContext: string[] status: 「scheduled」 | 「waiting」 | 「running」 | 「done」 | 「cancelled」 }前瞻记忆的核心不是检索而是唤醒。系统必须在未来某个时间或某个事件发生时把任务重新交给 Agent并带上必要上下文。它还要支持取消、重试、超时、权限检查和审计。实现上可以用 Temporal 这类 durable workflow也可以用数据库任务表、队列和 cron worker。LangGraph 的持久化和长期运行能力也可以参与这类设计但真正的未来任务仍然需要外部调度系统。前瞻记忆和情节记忆经常配合使用。前瞻记忆负责“未来要醒来做什么”情节记忆负责“醒来以后知道之前发生过什么”。如果只有调度器没有历史上下文Agent 到点醒来以后仍然不知道任务为什么存在。七种记忆如何组成一套架构如果把七种记忆合成一套工程架构可以分成四层。最上面是 Agent Runtime。它负责执行任务维护当前 messages、工具调用、graph state 和 checkpoint。这里主要承载工作记忆。中间是 Memory Service。它负责从输入和事件中提取记忆判断记忆类型决定写入位置做去重、冲突处理、权限过滤、检索和 prompt 组装。它不应该只是一个 thin wrapper而应该是记忆系统的治理层。下面是 Storage Layer。不同记忆进入不同存储Redis 或 Postgres 保存短期状态Postgres 保存结构化语义事实和任务向量库保存检索 chunk 和语义索引图数据库或 temporal graph 保存实体关系和时间变化对象存储保存 trace 和 artifactGit 保存程序记忆调度器保存前瞻任务。最后是 Eval and Governance。它负责测试记忆是否写对、取对、用对也负责删除、审计、权限隔离和回归测试。没有这一层记忆系统迟早会变成一堆不可控的历史残留。可以用一个简化结构理解Agent Runtime - messages - tool state - checkpoint Memory Service - extract - classify - scope filter - dedupe - conflict resolve - retrieve - rerank - prompt assembly Storage Layer - Redis / Postgres - Vector DB - Graph DB - Object Storage - Git - Scheduler Eval and Governance - memory write eval - retrieval eval - usage eval - isolation test - deletion audit - procedural regression这个架构里最重要的原则是不要让一种存储承担所有记忆。向量库适合相似检索不适合未来调度Git 适合程序记忆版本化不适合毫秒级用户偏好查询模型权重适合通用能力不适合用户可删除的个人事实事件日志适合审计不适合每次直接注入 prompt。存储选型要跟记忆生命周期匹配。开源方案应该如何看如果你是开发者不建议一上来就问“哪个框架最好”。更好的问题是我现在要先实现哪类记忆。如果你要快速给产品加长期用户记忆可以看 Mem0。它更像通用记忆层提供添加、检索、更新、删除等 API适合个性化助手、客服和 SaaS copilot。如果你已经使用 LangGraph可以优先看 LangGraph persistence 和 LangMem。前者负责工作记忆、checkpoint 和跨会话状态后者更偏长期记忆抽取、搜索和行为优化。如果你要做有状态 Agent而不是给无状态模型外挂一个记忆库可以看 Letta。它的思路更接近 Agent runtime把 memory blocks、对话历史、工具和 Agent 状态组织在一起。如果你的事实随时间变化或者需要把事件、实体、关系和时间一起建模可以看 Graphiti。它适合情节记忆和语义记忆之间的交叉地带。如果你要做企业知识层可以看 Cognee。它更偏把多源数据组织成知识图谱和可检索知识库。如果你只是先做 RAGQdrant、Chroma、Milvus、LanceDB 就够用。不要为了一个简单文档问答系统引入完整 Agent memory framework。如果你要做前瞻记忆不要找向量库去看 Temporal、任务队列、数据库任务表和 durable workflow。如果你想把能力写进模型权重再看 PEFT、Axolotl、LLaMA-Factory、Unsloth。它们属于训练工具不属于运行时记忆服务。从 MVP 到生产应该怎么落地比较现实的路线是分阶段建设。先做工作记忆和检索记忆。让 Agent 能稳定完成当前任务能读文档、读代码、调用工具并且能从中断处恢复。这个阶段不需要复杂长期记忆重点是上下文管理和工具状态可靠。再做语义记忆。先只保存少量高价值事实比如用户偏好、项目技术栈、组织规则。所有记忆都必须有 scope、来源和更新时间。不要一开始就自动保存所有聊天摘要。接着做情节记忆。保存任务轨迹、工具调用、结果和失败原因。这个阶段的价值很大因为它不仅服务 Agent也服务开发者调试和产品复盘。然后做程序记忆。把反复出现的成功路径和失败经验沉淀成 Skill、runbook 或 prompt template。这里要引入评测不要让 Agent 自己随意改未来行为规则。再做前瞻记忆。把未来任务放进调度系统让 Agent 真正能在未来被唤醒。这个阶段会碰到权限、取消、重试、幂等和状态恢复问题要按后端任务系统的标准做。最后考虑参数记忆。只有当某类能力稳定、高频、跨用户通用并且通过评测证明微调更划算时再把它写进模型权重。这条路线的好处是不会过早复杂化。很多产品根本不需要一开始就做图谱和微调。一个强约束的工作记忆、一个可靠的 RAG、一个干净的用户偏好表已经能解决大量真实问题。如何评估记忆系统记忆系统不能只靠感觉评估。用户说“它好像记住了我”不等于系统可靠。一个严肃的记忆系统至少要测几类能力。写入是否正确。给一组对话样本系统能不能把长期偏好、稳定事实、关键事件提取出来同时过滤掉临时请求和噪声。检索是否相关。面对一个新任务系统能不能找回应该使用的记忆而不是找回语义上相似但事实上无关的内容。使用是否有效。模型拿到记忆后是否真的改善了任务结果。很多系统只是把记忆放进 prompt但模型没有用或者用错了。作用域是否安全。不同用户、不同组织、测试环境和生产环境之间记忆是否彻底隔离。这个必须做自动化测试。更新是否可靠。当用户偏好变化、事实过期、旧记忆被纠正时系统能不能覆盖或失效旧记忆。删除是否真实。用户要求删除后记忆是否从主存储、索引、缓存和衍生摘要里都消失。仅仅从界面隐藏不算删除。程序记忆是否回归。修改 Skill 或 runbook 后旧任务有没有退化。程序记忆一旦影响执行流程就必须像代码一样测。一个最小评测集可以从真实案例开始。准备几十个样本覆盖用户偏好、历史事件、文档检索、冲突更新、删除隔离和未来任务。不要一开始让模型合成一堆漂亮题目。真实失败比合成题更能暴露系统问题。最后记忆系统的本质是状态工程Agent 记忆听起来像一个很拟人的能力但工程上它更接近状态管理。工作记忆是当前状态语义记忆是长期事实情节记忆是历史事件程序记忆是行为策略检索记忆是外部知识参数记忆是模型内化能力前瞻记忆是未来任务。把这些状态混在一起系统会越来越难调把它们拆清楚Agent 才能变得可靠。所以开发者学习 Agent 记忆不应该只学习某个框架怎么调用也不应该只学习向量库怎么检索。真正要掌握的是每种记忆的生命周期是什么应该存在哪里什么时候写入怎么检索如何更新如何删除如何验证它真的让 Agent 变好了。当这套状态系统建立起来以后Agent 才不只是一次性回答问题的模型而是一个能跨时间、跨任务、跨工具持续工作的工程系统。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。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。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取