系统学习agent

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

# 加入Agent赛道，需要学哪些技术？## 基础层：LLM工作原理先搞懂大模型怎么工作的，不然用起来像黑盒。核心概念：Token、注意力机制、上下文窗口、温度参数。不一定要手推公式，但要理解“为什么模型会胡说”“怎么让它更听话”。推荐：李宏毅课程、Transformer论文精读。## 核心层：推理与调用**ReAct模式**：Reasoning+Acting，模型边想边做。这是Agent的“大脑”。学怎么设计prompt让模型拆解任务、调用工具、观察结果、迭代执行。**Function Calling/Tool Calling**：模型输出结构化指令（比如`{“tool”: “get_weather”, “params”: {“city”: “北京”}}`），系统去执行。要学会定义tools schema、处理多轮调用、异常兜底。## 框架层：LangChain/LlamaIndexLangChain是Agent赛道的事实标准。核心组件：Tool、AgentExecutor、Memory。边学边写：先搭个能查天气的简单Agent，再加对话记忆，再加多工具路由。## 落地层：RAG与评估**RAG**：Agent的“外挂知识库”。学向量数据库、分块策略、检索优化。**评估**：Agent怎么测？任务成功率、执行效率、幻觉率。学用LangSmith或自建评估集。## 一句话总结从**调API开始**，写个能查天气、算数学、搜网页的Agent。边写边学，比啃完理论再动手快十倍。你学到哪一步了？来评论区交流👇

1. 自我介绍2. 介绍下项目，重点讲架构、关键设计和线上问题3. Agent 的上下文窗口不够时，长短期记忆应该怎么分层设计长短期记忆不能简单理解成“最近消息”和“很久以前的消息”。更合理的设计是把状态拆成三层：工作记忆负责当前回合执行所需的最小上下文，摘要记忆负责阶段性中间结论，长期记忆负责稳定事实、偏好、任务状态和关键证据索引。这样做的好处是短链路推理不会被旧噪声拖死，而长任务又能在需要时按状态检索历史事实。真正难的不是分层本身，而是写入和召回策略。不是每条消息都值得进长期记忆，通常只把高价值、可复用、低歧义的信息写进去，比如用户偏好、外部工具执行结果、关键约束、任务完成状态。否则记忆库...

两年左右经验，只给到了 15k 左右