企业官网建设流程全解析

查询成绩的网站怎么做,查询网站是否备案,怎样用eclipse做网站,ui设计网页设计培训新手做 Agent#xff0c;80% 时间搭建#xff0c;20% 时间分析问题#xff0c;老手正好反过来。 我最近看了吴恩达的 Agentic AI 课程#xff0c;这是他的观察。 新手往往会踩一种坑#xff1a; 花两周搭完系统#xff0c;联调时发现第一步就错了#xff0c;后面所有…新手做 Agent80% 时间搭建20% 时间分析问题老手正好反过来。我最近看了吴恩达的 Agentic AI 课程这是他的观察。新手往往会踩一种坑花两周搭完系统联调时发现第一步就错了后面所有模块都建在错误的地基上。推倒重来。以前我就是这么干的拿到需求 → 脑子里过一遍思路 → 各模块逐个做完 → 最后串起来测试。出现的问题是你要到最后一步才知道前面哪里错了。更惨的是等你改完第一步第二步的假设可能也不对了又要改改完第二步第三步又崩了……吴恩达给出的方法论正好相反做一步测一步确认对了再往下走。具体怎么做下面用一个例子说明。一、人类怎么做AI 就怎么做这是吴恩达特别强调的第一步也是最反常识的一步大多数人拿到需求就开始思考「用什么模型」「怎么写 Prompt」「要不要用 RAG」但吴恩达建议先找 5-10 个真实案例自己当人类把这件事做一遍记下每一步在想什么、查了什么、怎么决策的。为什么要这么做因为很多开发者连自己都没想清楚流程就急着让 AI 去做。举个例子如果让你处理一封客服邮件你怎么判断要不要查订单数据看邮件里有没有订单号还是根据发件人邮箱去猜没提供订单号时你是直接回复「请提供订单号」还是先根据用户名搜一下这些细节如果你自己都没想清楚AI 肯定也做不好。所以阶段零的价值是逼着你把流程梳理清楚同时这些真实案例直接变成你后面的测评集。二、把人类流程翻译成 AI 流程梳理完人类怎么做接下来就把它翻译成 AI 能做的我的做法是把 Agent 拆成三部分大脑LLM、手工具、眼多模态。大脑负责思考、决策、生成文本。手负责调用外部工具执行具体任务。眼负责理解和处理多模态输入如图片、视频。以客服邮件 Agent 为例第一步打开邮件• 人类点开邮箱看发件人、标题、正文• AI用邮件 API 读取邮箱号、标题、发件时间、正文不可能真让 AI 去点鼠标只能通过 API 获取数据第二步判断要不要查订单• 人类看邮件内容判断是咨询、投诉还是其他• AI用 LLM Prompt让它扮演客服角色按什么原则去判断第三步查订单数据• 人类打开数据库输入订单号或用户名看有没有匹配的• AI提供数据库查询工具APILLM 决定查什么、怎么查第四步匹配验证• 人类确认查到的订单信息和发件人是否匹配• AI让 LLM 对比邮件信息和订单信息判断是不是同一个人第五步组织回复• 人类先安抚理解再提供解决方案• AI给 LLM 一个回复模板或原则生成邮件内容整个流程梳理完你会发现哪些步骤需要 LLM 思考哪些步骤需要工具支持哪些步骤能提前优化。一目了然。三、单点验证而不是整体开发流程翻译完别急着搭整个系统。吴恩达的建议是先单点验证做一个测一个。什么叫单点验证比如邮件 API 能调通吗有没有官方 API没有的话第三方能不能实现LLM 判断「要不要查订单」这个任务写个 Prompt 在 ChatGPT 里测几轮能做到吗数据库查询工具LLM 能正确调用吗参数传递有没有问题这个阶段的重点是「能不能跑通」而不是「质量如何」。如果某个工具根本调不通或者 LLM 完全理解不了你的意图那就要重新考虑方案。别等到整个系统搭完了才发现「这条路走不通」。等每个单点都验证通过再用工作流编排工具比如 n8n、Dify或者自己写代码把它们串起来确保数据流转正常。这个阶段可能只需要 2-3 天就能拿到一个能跑的原型。四、测评集从小到大循环优化原型跑通之后就进入评估阶段。评估阶段第一件事建测评集但别一开始就建 100 个10-20 个就够了。为什么因为 10-20 个足以发现大部分问题标注成本低你要写标准答案迭代速度也快。怎么做第一轮肉眼看几个输出随便跑几个案例看看输出长什么样。这一步能快速发现明显问题比如「完全没理解邮件内容」「查了订单但没用上」。第二轮建 10 个测试样本从阶段零的真实案例里选 10 个写好标准答案跑一遍看准确率。假设准确率只有 40%别慌这是正常的。第三轮错误分析把失败的案例拎出来逐个组件检查中间数据是邮件理解错了是数据库查询失败了还是回复逻辑有问题统计一下哪个环节错得最多假设发现「判断要不要查订单」这一步错误率 50%那就优先优化这个组件。第四轮组件级优化单独拎出这个组件改 Prompt、加 Few-shot、换模型测到满意为止。比如原来准确率 10%优化后提升到 60%。第五轮端到端重新测组件优化完回到完整流程重新跑一遍评估。准确率从 40% → 65%。还不够回到第三轮继续分析。这是一个循环评估 → 错误分析 → 优化组件 → 重新评估 → 再分析 → 再优化……可能要转 3-5 轮直到准确率达到你的目标。五、什么时候可以停下来有个陷阱要注意永远在优化永远觉得「还不够好」。怎么办设个「Good Enough」的阶段性目标。比如•MVP 目标端到端准确率 70%可以内测•上线目标端到端准确率 85%可以小范围上线•成熟目标端到端准确率 95%全量推广为什么要设阈值这样可以避免陷入完美主义让你能阶段性交付。先上线一个「能用」的版本再根据真实反馈慢慢改。而且有个现象好问题用户太多成本扛不住。坏问题又快又便宜但质量差没人用。所以质量优先成本和速度是质量稳定之后才考虑的事。整个方法论可以总结为阶段零人工模拟 5-10 个真实案例梳理清楚流程阶段一把人类流程翻译成 AI 流程大脑-手-眼阶段二单点验证做一个测一个串起来测数据流转阶段三建测评集10个 → 20个 → 50个循环优化评估 → 分析 → 改进 → 再评估阶段四设定 Good Enough 目标质量稳定后再优化成本和速度核心就是分步验证、快速迭代、数据说话。如果你在做 Agent这套流程能帮你少走弯路。更重要的是它让你随时知道问题在哪而不是凭感觉瞎改。以上如果这篇文章对你有启发欢迎分享给更多正在学习 AI 的朋友。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】