你是否也曾好奇，那些能自主执行任务、调用工具的 AI “agent” 是如何运作的？ 2024 年，我们见证了 AI 技术从简单的聊天机器人向更复杂的智能体转变。但当我们深入研究这些 agent 时，会发现它们背后的技术栈与我们熟悉的 LLM 技术栈截然不同。

今天，我们就来揭开 AI agent 技术的神秘面纱，为你梳理这个快速发展的领域，让你不再雾里看花。

从 LLM 到 Agent：一场深刻的进化

在 2022 和 2023 年，我们见证了 LLM 框架和 SDK 的爆发，如 LangChain 和 LlamaIndex。与此同时，LLM 的使用也变得更加方便，无论是通过 API 调用还是自行部署（比如 vLLM 和 Ollama）。

然而，到了 2024 年，大家的目光开始转向更高级的 AI “agent”。这个概念虽然早在 AI 领域就存在，但在 ChatGPT 时代，它有了新的内涵：能够自主行动、执行任务，并与外部工具交互的 LLM。

这种转变意味着，我们需要一套全新的技术栈来支撑 agent 的发展。

agent 技术栈：核心差异在哪里？

Agent 不仅仅是一个会聊天的大模型，它们更像是具备一定自主性的智能体。它们需要管理自己的状态（例如，对话历史和记忆）、调用各种工具，并且安全执行。这使得 agent 的技术栈和传统的 LLM 技术栈有很大的不同。

让我们从底层到顶层，逐一剖析 agent 技术栈的关键组成部分：

1. 模型服务：AI 的大脑

• 核心： LLM。这是 AI agent 的核心动力。

• 服务方式： 通过推理引擎提供服务，通常是付费/自己部署 API。

• 主要玩家：

• 闭源模型： OpenAI 和 Anthropic 领跑。

• 开源模型： Together.AI、Fireworks 和 Groq 等提供商开始崭露头角，提供基于 Llama 3 等模型的服务。

• 本地部署： vLLM 成为生产级 GPU 服务的主流选择，而 Ollama 和 LM Studio 则深受个人爱好者的喜爱。

2. 存储：记忆的基石

• 核心： 持久化状态，如对话历史、记忆和外部数据。

• 关键技术：

• 向量数据库： Chroma、Weaviate、Pinecone、Qdrant 和 Milvus 等用于存储 agent 的“外部记忆”，应对大容量数据。

• 传统数据库： Postgres 通过 pgvector 扩展也开始支持向量搜索。

• 为何重要？ Agent 是有状态的，需要长期存储和检索信息。

3. 工具与库：能力的扩展

• 核心： 使 agent 能够执行各种任务的“工具”（或“函数”）。

• 调用方式： 通过 LLM 生成的结构化输出（例如，JSON 对象）指定要调用的函数和参数。

• 安全执行： 使用沙箱（如 Modal 和 E2B）来确保工具执行的安全性。

• 工具生态：

• 通用工具库： Composio 等。

• 专用工具： Browserbase（网页浏览）、Exa（网页搜索）等。

• 为何重要？ 工具扩展了 agent 的能力边界，让它们能够完成更复杂的任务。

4. Agent 框架：编排智能的指挥中心

• 核心： 负责编排 LLM 调用，管理 agent 状态。

• 关键特性：

• 状态管理： 如何保存和加载 agent 状态，例如对话历史和记忆。

• 上下文窗口： 如何将状态信息“编译”到 LLM 的上下文窗口中。

• 跨 agent 通信： 如何实现多 agent 之间的协作。

• 内存管理： 如何应对 LLM 有限的上下文窗口，管理长期记忆。

• 开源模型支持： 如何让 agent 更好地利用开源模型。

• 热门框架： Llama Index、CrewAI、AutoGen、Letta、LangGraph 等。

• 为何重要？ 框架决定了 agent 的运行方式和效率。

5. Agent 托管与服务：未来趋势

• 核心： 将 agent 作为服务进行部署，通过 API 进行访问。

• 当前痛点： 状态管理、安全工具执行以及规模化部署是难题。

• 未来展望： 未来将会出现标准化的 Agents API，让 agent 的部署更加便捷。

• 为何重要？ 这将使 agent 从原型走向真正的应用。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传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】