本文深入探讨了OpenClaw和Hermes多Agent架构的设计理念与实现路径对比了单Agent与多Agent在工程任务中的瓶颈与优势并详细解析了多Agent的常见实现模式。文章还分别介绍了OpenClaw和Hermes的架构细节、关键设计以及运行期保障机制帮助读者全面理解多Agent架构在大模型中的应用。对于想要学习大模型开发的小白和程序员来说本文提供了宝贵的参考和指导。无论是 OpenClaw 还是 Hermes 都是多 Agent 的架构但大家不能“人云亦云”为什么这么设计其实是很值得考虑的不能人家用什么你也觉得什么好比如就我去年的经历和学习的文章来看多数场景下是用不到多 Agent 这种架构的比如Cognition / Devin《Don’t Build Multi-Agents》生产级长任务 Agent 的关键是做好 Context Engineering多 Agent 最大的问题是上下文割裂、隐性决策丢失、错误复合、协调成本上升所以很多场景下不如一个连续、线性的 Agent 流程稳定只不过《Don’t Build Multi-Agents》也绝不是在否定多 Agent 架构的合理性只不过他应该在表达这东西工程难度颇高而多数公司还用不到这么复杂的架构因为多 Agent 的好处和可以解决的问题是很清晰的。毕竟单个 Agent 在多数场景下表现良好但随着任务复杂度升高其局限性逐渐暴露上下文不断膨胀关键信息被淹没工具数量变多模型更容易选错工具或误用工具错误影响范围扩大局部失误可能污染整个任务链路中间状态缺少边界任务难以并行、隔离和收敛。引入多 Agent 架构是解决上述问题的关键思路将复杂任务拆分为多个拥有独立上下文和权限边界的执行单元并由上层编排逻辑统一收敛结果。而为什么 OpenClaw 和 Hermes 要这么设计其实最大原因是因为他们是平台型产品本来就要解决复杂问题而你的产品要不要启用多 Agent然后又如何做这类设计也许今天可以给个答案我们会分两部分展开多 Agent 的定义、使用动机和常见实现模式。OpenClaw 和 Hermes Agent 的多 Agent 实现路径。争取将多 Agent 架构给你说清楚好吧让我们开始吧什么是多 Agent在工程实现里多 Agent 指的是系统在一次任务处理中创建多个 Agent 实体让它们分别处理不同子任务再通过编排层汇总结果。一个最小可用的多 Agent 系统通常至少有这几个元素一个主 Agent负责理解用户目标、决定是否拆分任务、最后向用户交付结果。若干子 Agent在隔离上下文里处理局部任务。一套编排机制负责创建子 Agent、限制权限、跟踪生命周期、收集结果。一条回传链路把子 Agent 的结果送回父 Agent避免主上下文持续膨胀。为什么需要多 Agent在真实工程任务里单 Agent 的瓶颈来自两个层面第一个层面是模型自身的能力上限。当前模型在处理长序列时容易在大量历史信息中混淆哪些结论仍然有效、哪些只是中间步骤。这会增加推理成本也会提高误用旧信息的概率。此外长程规划、工具调用准确率、幻觉控制等基础问题仍然存在并没有被完全解决。第二个层面是工程架构的耦合问题。如果用一个 Agent 同时完成资料检索、代码阅读、文件修改、验证执行和结果总结所有中间结果都会堆积在同一个上下文里。状态管理、并发控制、权限校验、失败重试也全部绑在同一个执行单元上。结果是任何局部任务的异常都可能拖垮整个流程并发请求也难以安全隔离。这两个瓶颈性质不同模型能力的缺陷需要通过模型迭代来缓解但即使模型变得更强大只要仍然把不同职责强行塞进一个 Agent就算我们从工程角度思考这一定都是正解但他也一定会增加工程复杂度。多 Agent 的做法是把这些职责拆开。常见的结构是一个父 Agent 负责调度和汇总多个子 Agent 各自承担聚焦的局部任务比如只负责检索、只负责阅读某个文件、只负责执行验证。这样做有四个好处1. 控制上下文范围子 Agent 可以在自己的上下文里完成局部任务。父 Agent 不需要接收完整执行过程只需要接收结论、关键证据和必要的状态变化。父 Agent 的上下文因此更稳定。父 Agent 负责决策和汇总子 Agent 负责局部执行中间过程不会全部写入同一个对话历史。2. 拆分可并行任务很多任务本身可以并行处理例如边读需求一边查代码一边核对测试 同时分析多个模块 同时比较多个方案 让一个 Agent 实现让另一个 Agent 审查如果全部交给一个 Agent系统只能按顺序推进多 Agent 可以把这些工作拆成多个独立执行分支再由父 Agent 统一汇总。3. 按任务限制权限不同子任务需要的工具不同。比如资料检索的 Agent不需要写文件 局部改动的 Agent不需要发消息给用户 执行验证的 Agent不需要继续派生更多 Agent多 Agent 系统可以按任务类型分配工具集子 Agent 只拿到完成当前任务所需的能力权限边界更清楚。4. 隔离局部失败子 Agent 可能超时、偏离目标、权限不足也可能只完成一部分任务。多 Agent 架构可以把这些问题限制在当前执行分支里由父 Agent 决定重试、丢弃、合并或者换一个执行策略。因此一个可用的多 Agent 实现需要处理子 Agent 生命周期 超时与中断 结果回传 清理与回收常见的多 Agent 实现模式我们之前也说了多 Agent 架构会增加系统工程复杂度所以实现起来是有多套没有固定形态。工程实现里常见模式主要有下面几类实际系统通常会组合使用这些模式1. 调度-执行模式调度-执行是最基础的多 Agent 结构主 Agent 保留用户目标和全局判断权子 Agent 只处理被分配的局部任务。主 Agent 分析用户请求判断任务是否需要拆分。 主 Agent 为每个子任务生成明确的目标、上下文和输出要求。 子 Agent 在独立上下文中执行任务。 主 Agent 收集子 Agent 的结果做冲突处理、信息合并和最终回复。这种模式适合代码分析、资料调研、测试验证、方案比较等任务。它的核心要求是父子职责清楚父 Agent 负责决策子 Agent 负责执行。工程实现时核心要实现下面的功能子任务描述必须足够具体否则子 Agent 容易输出宽泛结论。 子 Agent 的返回格式要稳定否则父 Agent 很难合并结果。 父 Agent 需要能处理失败、超时、结果冲突和部分完成。2. 分层编排模式分层编排是在调度-执行模式上继续扩展子 Agent 不只执行任务也可以继续拆分任务。这里的调度子 Agent 承担中间调度角色它接收父 Agent 分配的大任务再继续拆成更小的执行任务。这种模式适合任务层级明显的场景大型代码库分析主 Agent 分配模块调度子 Agent 再拆到文件或功能点。 多阶段开发任务主 Agent 分配功能目标调度子 Agent 再拆成实现、测试、文档。 复杂研究任务主 Agent 分配研究方向调度子 Agent 再拆成资料检索、事实核对、结论整理。分层编排的工程风险也更高系统必须限制递归深度、单个 Agent 可创建的子 Agent 数量以及每层 Agent 能使用的工具。否则任务树会失控结果回收也会变复杂。实现这个编排通常需要记录下面的关系当前 Agent 的层级 当前 Agent 的角色 当前 Agent 的父子关系 当前层级是否允许继续派生子 Agent3. 专家路由模式这个是我实际工作中在用的模式并且还用得挺深的专家路由关注的是 把任务交给谁系统会根据任务类型把请求分发给不同角色的 Agent。 例如:搜索专家 代码专家 安全专家 文案专家这些 Agent 的差异包括提示词、工具集、权限范围、上下文输入和输出格式。专家路由常见于工具能力差异明显的系统例如搜索类 Agent 需要检索工具和引用整理能力代码类 Agent 需要文件读取、编辑和测试能力安全类 Agent 需要更严格的只读权限和检查规则。工程实现时路由层通常要处理根据任务意图选择 Agent 类型。 根据权限策略裁剪工具集。 根据任务类型准备上下文。 根据角色要求检查输出是否合格。这种模式的好处是职责边界清晰缺点是路由规则需要维护。如果任务被路由到错误角色后续执行质量会明显下降。4. 生成-审查模式一个 Agent 先产出结果另一个 Agent 负责审查、校验和找问题再由主 Agent 或原 Agent 修订。这种模式常用于代码审查、推理校验和事实核对主要是提高结果可靠性。- 生成 Agent 输出初版结果。 - 审查 Agent 根据明确标准检查问题。 - 主 Agent 判断哪些问题需要采纳。 - 原 Agent 或主 Agent 根据审查结果修订。这个模式对审查标准要求很高审查 Agent 应该输出可定位的问题、原因和修改建议。代码任务里通常要包含文件位置、风险级别和复现方式事实核对任务里通常要包含证据来源和不确定性说明。生成-审查模式也可以和调度-执行模式组合一个子 Agent 负责实现另一个子 Agent 负责审查父 Agent 负责决定最终合并方案。5. Ensemble / Mixture-of-Agents 模式这一类系统会并行运行多个模型或多个推理分支多个参考模型并行生成答案 再由一个聚合器做综合它和前面几种模式的区别在于这里的多个分支不一定是带工具的完整 Agent也可以是多个模型调用或多个独立推理路径。系统关注的是候选结果的多样性以及聚合器能否从多个候选中提取稳定结论。多个参考模型或参考 Agent 并行生成候选答案。 系统过滤失败结果或低质量结果。 聚合模型读取候选答案生成最终综合结果。这个模式适合开放式问答、方案生成、写作改写、复杂推理等任务。它的优势是可以减少单一路径带来的偏差成本是延迟和 token 消耗更高。工程实现时关键点在于聚合器设计聚合器不能简单投票而要能识别候选结果中的共同结论、冲突点和证据强弱。OpenClaw 的多 Agent 架构OpenClaw是基于会话系统实现多 Agent 架构要理解OpenClaw 的多 Agent可以先看一个问题父 Agent 是怎么把任务 交给 子AgentOpenClaw 的答案是先创建一个子会话再把这个子会话纳入现有的会话、运行网关、运行时和权限策略体系。子 Agent 不是一个临时函数调用而是一个带会话标识、生命周期状态和工具策略的子会话。4.1 一次子任务如何跑起来OpenClaw运行子任务的完成链路:1. **父 Agent 发起子会话创建请求。** 2. **系统校验运行时、深度、并发数量、沙箱策略和目标 Agent。** 3. **系统生成新的子会话标识。** 4. **系统根据父子关系计算层级、角色和控制范围。** 5. **子会话的父子关系、角色、工作目录等信息写入会话状态。** 6. **运行网关启动这个子会话。** 7. **子任务注册机制接管等待、结果捕获、事件回传和清理。**这条链路决定了 OpenClaw 的实现边界子 Agent 不在父 Agent 的调用栈里直接跑完而是交给会话系统管理。这样做有两个直接效果适合跨渠道、跨线程和持久会话场景。权限控制、事件广播、线程绑定、恢复和清理都可以放在会话系统内处理。4.2 整体架构图4.3 处理流程图接下来是关键设计统一入口负责创建子运行时OpenClaw 把子 Agent 启动收敛到一个统一入口这个入口不只负责 创建一个子Agent还会同时处理多Agent 启动所需的控制项- 子任务使用哪种运行时 - 子任务是一次性运行还是保留为会话 - 子 Agent 使用隔离上下文还是继承父上下文 - 子 Agent 是否继承沙箱策略 - 子任务是否绑定到当前线程 - 子 Agent 是否覆盖模型或推理配置这些控制项放在同一个入口里父 Agent 就不需要分别关心会话创建、线程绑定、沙箱设置和模型配置。父 Agent 只提交任务和运行参数后面的运行时准备由框架接管。角色信息会写入会话元数据子 Agent 启动前系统会先计算它在任务树里的位置和权限范围- 当前层级 - 当前角色 - 能控制哪些子任务 - 是否允许继续派生子 Agent - 是否允许管理自己的子 AgentOpenClaw 的默认只开放一层子 Agent并限制单个 Agent 可创建的活跃子 Agent 数量。默认配置只允许单层并行展开不会直接放开多层递归委派。角色推导规则如下- 第 0 层是主 Agent - 中间层是负责继续调度的角色 - 最后一层是只执行任务的角色然后这些能力会被写回会话状态例如- 子 Agent 处在第几层 - 子 Agent 是调度角色还是执行角色 - 子 Agent 由哪个父 Agent 创建 - 子 Agent 对应的工作目录后续的工具权限、恢复逻辑和生命周期管理依赖的都是这些结构化元数据。这些信息 解决了系统如何识别子 Agent 身份的问题。子 Agent 的角色、深度和父子关系进入会话状态后 其他模块才能在运行时查询它能做什么、不能做什么、完成后应该通知谁。权限控制同时发生在提示词和运行时提示词层面系统会告诉子 Agent- 你是子 Agent不是主 Agent - 只完成分配给你的任务 - 是否允许继续派生子 Agent - 不要主动轮询等待完成事件回推运行时层面系统会根据角色裁剪工具。按当前实现所有子 Agent 都会被禁止一部分系统级能力例如- 直接控制运行网关 - 查看或控制其他 Agent - 管理定时任务 - 主动向其他会话发送消息而执行角色还会额外禁止会话浏览和继续派生子 Agent 等能力。因此角色不是展示字段它会直接改变可用工具集。这套设计把 行为约束 和 工具约束 分开处理。系统提示词负责告诉子 Agent 应该如何行动工具策略负责在运行时收窄它实际能调用的工具。前者影响模型行为后者影响系统边界。子 Agent 结果通过事件链路回传OpenClaw 没有把子 Agent 的完成结果建模为普通函数返回值。子 Agent 启动后系统会把它纳入子任务注册表。后面这套注册机制负责- 等待子任务完成 - 捕获最终输出 - 判断是否需要投递完成事件 - 处理嵌套子 Agent 的后代完成情况 - 必要时唤醒上层调度角色继续收敛 - 最后清理会话和附件完成事件投递时系统还会区分两类目标如果请求者本身也是子 Agent就把完成事件注入父子链内部如果请求者是顶层主 Agent并且需要用户可见交付就走用户交付链路OpenClaw 的子 Agent 完成后结果会通过事件投递回目标会话而不是作为普通返回值直接交给父调用者。Hermes Agent多 Agent 架构Hermes 是基于进程内委派实现多 Agent 架构分析 Hermes 的多 Agent需要换一个视角。它没有围绕子会话展开而是围绕一次任务委派展开父 Agent 发起委派请求当前进程里创建一组子 Agent并行跑完后把结构化结果交回父 Agent。5.1 一次委派任务如何执行一次 Hermes 委派会经过这条链路1. **父 Agent 发起任务委派请求。** 2. **系统校验当前深度、并发上限和暂停状态。** 3. **系统把一个目标或多个子任务规范化成任务列表。** 4. **系统为每个子任务创建新的子 Agent。** 5. **子 Agent 继承父 Agent 的工具上限再按规则裁剪权限。** 6. **多个子 Agent 通过线程池并行执行。** 7. **所有结果汇总成结构化结果数组返回给父 Agent。**所以 Hermes 的多 Agent 更像一次进程Hermes 会创建新的执行单元但这个执行单元仍然是同一进程内的对象不是独立会话。这里的重点是执行上下文隔离子 Agent 有自己的任务提示词、工具集、任务标识和进度回调执行过程和父 Agent 分开运行形态仍然是同一个 Python 进程内的对象结果最终通过函数返回链路交回父 Agent。权限继承如果委派请求里要求额外工具Hermes 会先与父 Agent 当前可用的工具做交集父 Agent 没有的工具子 Agent 无法获得。子 Agent 的权限上界由父 Agent 当前工具面决定。然后系统还会执行一层强制裁剪默认会剥离一些不适合下放给子 Agent 的能力例如- 继续委派子任务 - 向用户追问 - 写入长期记忆 - 主动发消息 - 执行脚本代码这样处理后子 Agent 主要通过常规工具执行任务不会额外嵌套脚本执行层。这套规则保证了一个边界子 Agent 的权限不会超过父 Agent。父 Agent 没有的工具子 Agent 也拿不到父 Agent 有但不适合下放的工具也会被强制裁掉。调度角色Hermes 对子 Agent 定义了两种角色执行角色只执行当前任务调度角色可以继续拆分任务调用方传入的角色还会经过运行时校验。系统会做一次角色降级判断当前 child depth 是否还没到深度上限是否开启了继续委派能力只有同时满足调度角色才会保留继续委派能力否则就自动退化成执行角色。按当前默认配置Hermes 也是单层并行展开。如果不显式提高最大派生深度调度角色只是一个可选能力默认不会形成多层递归委派。这个设计让 Hermes 保留了递归委派能力但默认不打开深层任务树。对于代码任务来说这个默认值比较务实先保证一层并行委派可控再由配置决定是否允许更复杂的层级结构。Hermes 以同步返回为主不依赖事件回传一次委派调用之后- 单任务直接运行一个子 Agent - 多任务放进线程池并行执行 - 所有子 Agent 完成后返回结构化结果数组在 Hermes 里子 Agent 的调用语义更接近同步子调用不是异步会话加事件回传。调用顺序如下- 父 Agent 发起委派 - 等待结构化结果数组返回 - 再继续后续推理这种实现方式缩短了调用链但更多状态管理需要在当前进程内处理。这也是 Hermes 调用链更短的原因OpenClaw 要把结果放进会话生命周期和完成事件投递流程Hermes 直接等待子 Agent 返回结果数组。链路缩短后中断、进度、文件状态这些运行期问题需要在进程内补齐。然后说说 Hermes 的运行期保障观测、中断、文件协调Hermes 的子 Agent 都跑在当前进程内所以运行期保障也必须在进程内完成。这里重点处理三类问题子 Agent 现在跑到哪了父 Agent 中断时子 Agent 怎么停多子 Agent 同时改文件时如何避免覆盖。记录子 Agent 运行状态Hermes 会维护一个子 Agent 运行状态表。它记录- 子 Agent 标识 - 父 Agent 标识 - 当前层级 - 任务目标 - 使用的模型 - 启动时间 - 工具调用次数 - 当前状态配合进度回调这些状态可以实时转发到界面或上层网关例如- 子 Agent 已启动 - 子 Agent 正在调用工具 - 子 Agent 正在推进任务 - 子 Agent 已完成这样父 Agent 和前端界面都能知道子 Agent 是否已经启动、正在调用什么工具、是否已经完成。对于并行委派来说这个能力很重要否则多个子 Agent 同时运行时会缺少可观测性。中断会向子 Agent 递归传播当父 Agent 被中断时系统不会只停止父 Agent 自己还会把中断继续传给正在运行的子 Agent。父 Agent 一旦被打断- 当前线程会收到中断信号 - 并发工具线程会收到中断信号 - 运行中的子 Agent 也会收到中断信号这可以避免父 Agent 已经停止、子 Agent 仍在后台继续执行。记录文件状态避免并发覆盖Hermes 还实现了一套进程级文件状态登记核心是- 记录每个任务读过哪些文件 - 记录某个文件最后是谁写的 - 在写之前检查当前内容是否已经过期这套机制处理的是典型的并发写问题子 Agent B 已经写回文件但子 Agent A 仍然基于旧内容继续修改。这套机制会提醒父 Agent- 哪些文件在它读过之后被别的子 Agent 改了 - 需要先重新读取文件再继续编辑Hermes 的多 Agent 同时处理两类问题如何并行启动子 Agent以及并行执行后文件状态是否还能保持一致。MoAHermes 里还有一个单独的 Mixture-of-Agents 工具。它不属于层级委派而是 MoA 结构首先让多个参考模型并行生成各自的候选答案然后由聚合模型读取所有这些候选答案最后基于综合对比输出一个融合了多方优点的最终结果。Hermes 同时支持两类多Agent层级式任务委派负责任务拆分和执行 Mixture-of-Agents负责并行候选结果加聚合综合最后我们简单说下两个流行 Agent 平台的差异结语今天不写结语了就说说两个架构的差异OpenClaw 把子 Agent 放进会话边界。父 Agent 发起子会话创建请求后系统创建的是一个新的子会话。这个子会话有自己的会话标识、会话状态、生命周期状态和交付上下文。后续的权限裁剪、结果回传、线程绑定、清理策略都围绕这个子会话展开。Hermes 把子 Agent 放进进程边界。父 Agent 发起委派请求后系统创建的是同一个 Python 进程里的子 Agent 对象。这个对象有自己的任务提示词、工具集、任务标识和执行状态但它不是独立会话。子 Agent 跑完后结果以结构化数组返回给父 Agent。这个边界差异会继续影响结果回传方式OpenClaw 需要子任务注册和完成事件投递因为子 Agent 是一个被会话系统接管的运行单元完成结果要投递回正确的目标会话。Hermes 的路径更短父 Agent 等待委派调用返回即可拿到结构化结果。多层委派的实现方式也不同OpenClaw 把层级、角色和控制范围写进会话状态再由工具策略按角色裁剪工具。Hermes 则根据当前层级、最大派生深度和开关配置判断子 Agent 是否还能继续委派。两者默认都没有放开深层递归委派OpenClaw 和 Hermes 默认都是单层并行展开。这个默认值说明两套系统都先保证一层并行可控再通过配置决定是否允许更复杂的多层任务树。至于优劣不好评价因为整体多 Agent 框架我觉得还要进行迭代现在最优范式还没出来我个人的话喜欢专家模型。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、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。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】