摘要本文介绍一种面向企业级软件测试领域的质量数字人系统通过将大语言模型LLM、多Agent协同架构与Skill Engine技能框架相结合实现了从传统自动化测试向自主智能测试的跨越。系统核心能力包括Skill Engine 技能引擎声明式技能管理框架支持按需加载、多维过滤、动态编排为自主意识提供可插拔的能力底座两层自主意识架构规则模式实现确定性条件触发目标驱动模式支持自然语言描述工作职责与目标由 LLM 自主规划执行路径实现从被动响应到主动工作的转变多渠道与人交互Web UI 钉钉直接委派 自主通知单聊/群聊智能推荐与预测试任务检索推荐、热门任务、预执行验证以数字人为中心的双引擎架构人设、知识库、履职规范、自主意识、技能集五位一体配置Multi-Agent 协作引擎驱动被动任务执行Skill Engine 自主引擎驱动主动决策与工作构成完整的智能体能力闭环一、业务背景专有云集测质量保障的复杂性与挑战作为面向政企的专有云解决方案提供商我们深知专有云产品质量保障工作的极高复杂度。与公有云的中心化测试不同专有云需要在不同的测试环境中不同的存量和在研版本完成集成部署、版本升级和质量验证测试流程长、环节多、人工介入点密集。自动化测试是集测质量保障和效率提升的核心手段。过去专有云团队在功能回归测试领域投入大量精力构建自动化体系在UI自动化测试SQA平台和E2E端到端测试ASTB平台上都建立了较高的自动化覆盖率80%这为快速验证产品质量、缩短测试周期奠定了坚实基础。然而即使在高自动化覆盖率的情况下测试人员仍然面临着巨大的人工成本压力。高自动化率下仍然存在的人工成本困境1.1 专有云质量保障的场景复杂性专有云产品质量保障场景具有显著的复杂性特性说明测试影响多环境并行同时维护 3-5 个独立测试环境相同测试流程需在多环境重复执行多版本共存同一产品存在多个主线版本版本升级、兼容性测试工作量翻倍多架构支持x86、ARM 等不同 CPU 架构测试矩阵扩大覆盖组合指数增长多产品协同上百个产品数据库、大数据、中间件等集成测试跨产品依赖、集成测试复杂度高这意味着即使只负责一个产品测试工程师也需要在多种种环境组合中重复执行相同的测试流程——版本检查、环境升级、测试触发、结果分析、缺陷处理。每增加一个维度人工成本呈指数级增长。1.2 高自动化覆盖率下完成自动化测试执行的实际人工投入即使在自动化测试体系完善的情况下质量工程师仍需投入大量时间在以下工作 测试准备阶段工作项具体内容耗时占比版本包检查检查 CI/CD 是否有新版本、版本是否通过门禁、选择合适的版本包10%环境版本升级登录环境管理平台、执行升级、等待升级完成、验证升级结果15%测试范围决策根据版本变更内容选择测试集、确定回归范围、评估测试优先级10% 测试执行阶段工作项具体内容耗时占比平台操作登录测试平台、配置测试参数、触发测试执行5%执行监控监控测试进度、处理执行异常、重试失败任务10%多环境切换在多个环境间切换执行相同测试流程10% 缺陷处理阶段工作项具体内容耗时占比失败分析分析测试失败原因环境问题/用例问题/产品缺陷15%缺陷提交登录缺陷系统、填写缺陷信息、关联用例5%缺陷去重检查是否为已知缺陷、避免重复提交5%缺陷定位与指派分析缺陷模块、指派给对应开发人员5%缺陷跟踪推动跟进修复进度、推动缺陷闭环5% 质量运营阶段工作项具体内容耗时占比报告生成汇总测试结果、生成测试报告3%数据分析分析通过率趋势、识别质量风险风险和问题推进解决2%1.3 多平台切换的效率损耗质量工程师日常工作需要在多个平台间频繁切换每次平台切换 登录 上下文切换 操作 等待反馈 单产品单环境 ≈ 6个平台轮转 × 多次交互 叠加多环境并行 → 人均每日平台切换 50-100 次核心矛盾自动化率高但人工成本难降问题本质❌ 误区自动化覆盖率70% → 人工成本应该降低70% ✅ 现实自动化覆盖率70% → 人工成本仅降低30% 原因分析 - 自动化只解决了「用例执行」环节 - 其他多个环节仍然需要人工决策和操作 - 多环境并行测试人工成本成倍增加 - 人工需要在多个平台间频繁切换影响测试工程师疲于应付环境和平台操作(推动各方解决问题的沟通成本)测试本来应该最重要的投入用例/测试点覆盖设计、风险分析必然受影响人力资源不足测试场景容易被跳过核心诉求需要一个具备自主意识的智能系统代替人工使用这些平台工具不仅能响应人工指令执行任务更能主动感知环境变化版本更新、质量波动等自动完成版本检查、环境升级、测试执行、结果分析、缺陷处理等全流程工作。通过自主意识能力系统可实现7×24小时无人值守的质量保障。二、技术背景从自动化到智能化的演进2.1 现有 AI Agent 平台的能力与局限随着大模型技术的快速发展市场上涌现了大量 AI Agent / AI 助手构建平台可提供了工作流编排、MCP/API 工具集成、知识库 RAG、多轮对话等通用能力。通过这些平台可以快速搭建 AI 助手实现一句话下发任务 → 助手调用工具执行的基本模式。然而当我们尝试用这些通用方案落地到专有云质量保障这一垂直领域时暴露出一系列结构性问题问题 1被动响应缺乏自主意识当前几乎所有 AI Agent 平台的交互模型都是用户发起 → Agent 响应即被动执行模式当前 AI Agent 平台的工作模式 用户提问/下发指令 → Agent 理解意图 → 调用工具 → 返回结果 → 等待下一条指令... 缺失的能力 ❌ 无法主动感知外部变化如版本更新、测试通过率下降 ❌ 无法自主决策是否需要执行某个任务 ❌ 无法 7×24 小时无人值守地持续工作 ❌ 无法按照工作职责和目标自主规划执行路径核心缺陷通用 AI Agent 只是一个等待指令的工具而非一个具备工作意识的员工。质量保障需要的是能够主动巡检、主动发现问题、主动触发测试的智能体而不是每次都需要人工发起对话。问题 2工具集成停留在表面难以深入企业内部平台通用平台提供了 MCP 协议、HTTP API 调用等标准化工具集成能力但在专有云场景下面临严峻挑战集成难点具体表现影响认证体系封闭企业内部平台可能采用独立的认证体系通用平台直接对接麻烦接口非标准化内部平台 API 设计各异缺少统一规范参数复杂、返回格式多样需要大量适配开发业务流程复杂一次版本升级涉及查询版本 → 对比 → 升级 → 轮询等待 → 验证多步骤长流程简单的单次 API 调用无法覆盖多平台串联完成一次回归测试需要串联 CI/CD、环境管理、测试平台、缺陷系统 4 个平台通用工作流编排难以处理跨平台状态依赖网络隔离部分平台部署在内网环境有网络访问限制云端 SaaS 型 Agent 平台无法直连核心缺陷通用 Agent 平台的工具集成是浅层对接——能调单个 API但无法实现多平台、多步骤、长流程的端到端串联和状态管理。问题 3单一助手无法满足多角色、多业务的差异化需求即使构建了 AI 助手在实际推广中会发现一个助手根本不够用不同业务的差异 - 数据库产品测试 vs 大数据产品测试流程、规范、工具链各不相同 - A产品每次升级取最新打标 cipass 版本B产品取最新构建版本 - 不同产品的测试集命名规则、参数映射、异常处理逻辑都不一样 不同工程师的差异 - 资深工程师希望自动化程度高减少人工确认 - 新手工程师希望提供详细说明辅助学习和决策 - 质量 leader希望生成管理视角的报告和趋势分析 不同团队的差异 - A团队对缺陷提交有特殊的标准和模板要求 - B团队测试报告需要包含特定的风险评估维度 - C团队需要特殊的参数映射和版本选择规则通用 Agent 平台的困境提示词调教成本高每个业务、每个团队都需要独立调教效果不稳定知识无法隔离不同产品的知识、规范、经验混在一起互相干扰配置无法继承无法实现全局默认配置 → 团队配置 → 个人配置的层级覆盖角色无法差异化同一个助手面对不同角色的用户无法提供差异化的交互和服务问题 4缺少领域知识沉淀和持续学习能力通用 AI Agent 平台虽然支持知识库RAG但在领域知识管理方面存在明显不足知识与执行脱节知识库用于问答但无法影响任务执行决策如根据历史测试数据决定是否跳过某个测试集经验无法自动沉淀每次任务执行的结果、决策过程、异常处理经验无法自动回流到知识库缺少历史复用能力无法基于历史相似任务推荐执行方案每次都从零开始无法个性化绑定知识库是全局共享的无法实现每个助手实例绑定独立的专属知识问题 5缺乏复杂任务的多 Agent 协作能力质量保障全流程版本升级 → 测试执行 → 缺陷处理 → 结果汇总涉及多个专业领域单一 Agent 难以胜任上下文膨胀将所有专业能力版本管理、测试执行、缺陷分析、报告生成塞入一个 Agent提示词和工具集过于庞大导致 LLM 决策质量下降职责模糊一个 Agent 既要做版本检查又要做缺陷分析角色定位不清执行效果差流程编排困难四阶段测试流程需要严格的顺序控制、错误处理和人工介入点通用的单 Agent 工作流无法优雅实现缺少状态管理多步骤长流程需要在 Agent 间传递上下文状态通用平台缺少完善的状态管理机制结论通用 AI Agent 平台提供了优秀的基础能力但在自主意识、深度集成、个性化配置、知识沉淀、多 Agent 协作五个维度上存在结构性缺陷难以直接满足专有云质量保障的垂直场景需求。2.2 问题解决思路以数字人为中心的智能化体系针对上述五个结构性问题我们决定设计并实现了以数字人为中心的专有云质量保障数字人系统核心解决思路如下问题解决方向被动响应缺乏自主意识自主意识架构让数字人具备自主巡检、自主决策、7×24 持续工作的能力工具集成停留表面深度平台集成内置对 CI/CD、环境管理、测试平台、缺陷系统等内部平台的深度适配支持多平台串联的端到端长流程自动化差异化需求难满足以数字人为中心的个性化配置人设、知识库绑定、履职规范、四层配置优先级实现按业务/团队/个人的灵活定制知识无法沉淀进化知识驱动持续进化历史任务自动入知识库智能推荐复用经验知识反哺自主决策单 Agent 难以胜任复杂流程多 Agent 分层协作多个专业 Agent 分层协作四阶段流程编排完善的状态管理和人工介入机制通用 AI Agent 平台是“人驱动 Agent 工作”本系统的目标是agent不仅可以接受人的委派而且可以让 Agent 自己知道该做什么、什么时候做——从“工具”升级为具备自主意识、个性化配置、持续学习能力的“智能实体”。三、核心设计理念与能力体系设计思想以数字人为中心双引擎驱动感知决策与规划执行的分离数字人系统采用 Multi-Agent 协作引擎 Skill Engine 自主引擎 的双引擎架构。这一设计源于一个核心洞察“感知世界”和“改变世界”需要截然不同的能力模型——感知决策需要轻量、高频、低成本规划执行需要严谨、多步协作。两者解决的是本质不同的问题维度Skill Engine 自主引擎Multi-Agent 协作引擎定位感知与决策规划与执行触发方式定时自动触发如每 30 分钟用户指令或自主引擎创建任务执行重量轻量级按需加载单个 Skill快速完成重量级多 Agent 状态流转、流程编排典型场景检查版本是否更新、查询测试通过率四阶段回归测试、缺陷处理、报告生成上下文开销极小只加载所需 Skill 的提示词完整涉及多 Agent 系统提示词和状态管理如果用 Multi-Agent 做自主感知——每 30 分钟启动完整的 Agent 图只为查一下版本有没有更新上下文浪费严重如果用 Skill Engine 做任务执行——无法处理多步骤流程编排、Agent 间状态协作和人工介入。双引擎本质上是「感知决策」与「规划执行」的分层设计。自主决策执行任务示例:数字人五大核心要素1. 人设配置定义数字人的基础人格和角色定位包括职责范围、交互风格、专业领域和行为准则。每个数字人可拥有独立的人设配置实现差异化的角色定位。示例# 角色定位 你是一个专业的质量工程师专注于执行自动化测试。你的主要职责是根据测试计划执行测试用例、记录测试结果、提交缺陷报告 # 专业领域 - 环境产品版本升级 - 测试执行、结果分析和报告总结 - 只负责hologres产品 # 工作原则 - 对于非测试相关的任务你可以提供建议但不会直接执行2. 知识库定义基于 RAG检索增强生成技术的专业知识体系。每个数字人 1:1 关联独立的知识库实例支持产品文档、测试规范、历史经验等多类型知识的动态管理和实时检索。作用提供产品文档、测试规范等专业知识支持实时知识检索和引用增强回答的准确性和专业性动态更新知识库内容集成方式每个数字人关联一个百炼应用支持多知识库配置3. 履职规范定义数字人执行任务时的个性化业务规则包括参数映射、异常处理、流程约束等。通过提示词注入机制实现优先级高于系统默认行为确保每个数字人严格遵循其所负责业务的特定规范。作用定义特定产品的参数映射规则配置异常场景的处理逻辑设置业务流程的优先级注入企业特定的业务知识示例# 履职规范示例 ## prometheus产品测试规则 当执行prometheus产品测试时参数映射规则 - 如果用户输入moduleprometheus[paas] - 则实际调用参数应为 - product: prometheus2 - product_type: paas - module: 留空 ## 异常处理规则 - 测试失败时优先检查环境配置 - 超过3次失败自动触发人工介入 - 关键产品测试失败立即通知相关负责人4. 自主意识定义数字人可无需人工干预自主决策并执行测试任务的能力核心价值解放人力数字人可以按照配置的条件自主判断、自主创建任务、自主执行无需人工触发智能决策基于AI大模型分析版本信息、测试历史等多维度数据智能判断是否需要执行测试持续保障7×24小时不间断工作定期检查测试条件确保质量保障不断档两层自主模式模式配置方式决策机制适用场景精细规则模式结构化规则条件执行规则引擎匹配明确的“条件→动作”场景目标驱动模式自然语言职责描述LLM智能规划日常巡检、自主规划、长期目标5. 技能集 (Skills)定义数字人可调用的标准化能力单元集合。每个数字人拥有独立的技能集配置决定了该数字人能做什么——不同的技能组合形成差异化的能力边界。核心理念技能是数字人与外部系统交互的桥梁也是自主意识能力的执行载体。通过 Skill Engine技能引擎 实现声明式技能管理核心特性说明按需加载根据任务上下文动态加载所需技能避免全量加载带来的上下文膨胀多维过滤支持按数字人、场景、模式等多维度筛选可用技能集动态工具注册技能可在运行时动态注册工具链无需硬编码绑定数字人关联每个数字人拥有独立的技能集配置支持个性化能力组合Pipeline 编排声明式配置多步骤技能流水线支持条件分支与错误处理热插拔扩展新增技能无需修改框架代码即插即用多渠道交互能力系统支持多种交互渠道覆盖从主动推送到被动接收的全场景沟通Web UI 对话式交互用户通过 Web 界面与数字人进行对话式交互支持任务下发、执行监控、结果查看、历史查询等全流程操作。钉钉委派交互支持通过钉钉直接向数字人下发任务无需登录 Web 平台随时随地委派工作自主意识通知数字人可基于自主意识引擎的决策结果主动发起钉钉通知支持单聊和群聊两种模式通知类型说明触发时机单聊通知向指定用户发送私信任务完成、异常告警、问题推进群聊通知向指定群组推送消息质量报告、日报汇总、版本变更提醒任务推荐和预测试能力任务推荐系统提供多维度的智能推荐能力帮助用户快速找到所需任务并通过预测试验证执行方案历史任务知识库所有已执行的历史任务任务描述、执行参数、执行结果等自动沉淀到知识库中形成可复用的任务经验库。系统基于知识库为用户提供两种推荐模式推荐模式工作原理典型场景热门任务推荐基于全局任务执行频次统计展示当前数字人高频执行的任务模板一键复用日常重复性任务版本升级回归测试、定期巡检等实时输入推荐用户输入任务描述时实时进行语义匹配从知识库中检索相似的历史任务联想推荐用户输入“升级 xxx”时自动推荐包含完整参数的历史同类任务预测试能力: 在正式分配和执行任务前通过预执行机制让 AI 完成完整的任务理解、规划与拆分过程将规划结果以可视化方式呈现给用户实现零成本的任务预览与验证。核心价值AI 规划透明化提前查看 AI 对任务描述的理解结果——如何解析用户意图、选择哪些 Agent 处理、规划怎样的执行路径让 AI 的决策过程不再是黑盒任务拆分可视化对于复杂任务如升级版本并执行回归测试预测试会展示 AI 将其拆分为哪些子阶段版本升级 → 测试执行 → 缺陷处理 → 结果汇总每个阶段涉及的具体操作一目了然参数映射验证预览 AI 对关键参数的解析结果——产品名称、版本号、环境信息、测试集选择等是否正确匹配避免因参数错误导致的无效执行配置正确性校验验证数字人的履职规范、自主意识配置是否生效确保参数映射、异常处理等规则按预期工作执行成本预估在正式执行前了解任务规模——涉及多少测试用例、预计执行时长、占用哪些环境资源支撑用户做出更明智的执行决策预测试示例:典型应用场景场景预测试价值首次配置数字人验证人设、履职规范、参数映射是否正确生效复杂任务下发预览 AI 如何理解和拆分多步骤任务确认执行路径合理自主意识调试预览自主模式下 AI 的决策逻辑验证触发条件和执行策略新产品接入确认产品名称、版本规则、环境信息等参数是否被正确解析专业Agent集合数字人系统包含8个核心Agent分层协作完成复杂测试流程Agent职责核心能力Root Agent总调度意图识别、任务分发、知识库查询Plan Agent流程编排四阶段流程自动化、错误处理与人工介入Env Upgrade版本管理版本查询、升级执行、自动轮询SQA TestUI/API测试测试集管理、任务执行、AI诊断ASTB TestE2E测试标签匹配、任务执行、结果分析Defect Handler缺陷处理缺陷识别、智能去重、自动创建/关联、缺陷验证/关闭Result Agg结果汇总多源数据聚合、HTML报告生成QA Assistant数据分析七大维度查询、智能推荐QA Assistant 七大查询维度维度说明数字人执行统计任务执行统计、效率分析、资源消耗产品/版本信息版本升级历史、发布记录、成功率E2E/UI测试数据测试通过率、稳定性趋势、失败分析缺陷处理统计缺陷分布、严重级别、修复进度质量度量指标质量评分、MTTR/MTBF、覆盖率综合智能查询五大维度综合数据一次返回完整质量报告数字人状态推荐可用性、工作负载、优化建议四、核心架构与工程实现4.1 系统全景架构下图展示了系统从交互层到基础设施层的五层技术架构每一层各司其职通过标准化接口进行解耦通信4.2 Multi-Agent 分层协作Multi-Agent 协作引擎采用三层分层架构实现从意图识别到专业执行的逐级下沉。上层负责调度编排中层负责专业执行底层提供基础能力支撑完整测试流程时序图Plan Agent编排4.3 被动执行 vs 自主工作两种执行模式的技术实现系统支持两种工作模式覆盖从用户指令驱动到完全自主工作的全场景4.4 两层自主意识架构实现架构Skill Engine 生命周期五、业务成果与总结展望5.1 当前应用成果质量数字人系统已在30个专有云PAAS产品中落地应用有效解决了第一部分所述的高自动化率下人工成本困境核心指标数据解决问题覆盖产品数30个专有云paas产品多产品协同测试日均测试任务70 次/天多环境并行测试的人力瓶颈节省人力投入60% 回归测试人力单产品多维度测试的人力压力累计有效缺陷134个缺陷处理效率低、易遗漏自主意识运行7×24小时持续巡检被动响应、无法持续保障关键成果从人驱动到数字人驱动以日均70次测试任务计算传统模式下需要测试工程师持续投入大量时间进行任务配置、环境检查、结果跟踪。数字人模式下工程师只需通过钉钉或Web UI简单委派数字人自动完成全流程。自主意识的价值验证7×24小时持续巡检能力让数字人在非工作时间也能主动发现问题。累计提交的134个有效缺陷中相当比例来自夜间/周末的自主巡检——解决了传统模式下测试人员下班即停测的痛点。人力释放的量化60%的回归测试人力节省意味着原本需要5人投入的回归测试工作现在2人数字人即可完成。释放的人力可转向更具价值的探索性测试、测试策略优化等工作。5.2 价值总结数字人系统通过以数字人为中心的设计理念将人设、知识库、履职规范、自主意识、技能集五大要素有机结合实现了价值维度具体体现个性化30个产品配置30个专属数字人每个数字人有独立人设、知识库和履职规范专业化基于RAG的知识库提供专业领域能力历史任务自动沉淀为可复用经验智能化自主意识使数字人能够7×24小时自主决策和执行无需人工触发自动化7个Agent分层协作四阶段测试流程全自动编排缺陷自动分析提交和跟踪报告5分钟内生成5.3 核心优势5.4 数字人管理体系的应用扩展当前数字人系统主要聚焦于回归测试领域但该体系可以轻松扩展到各种类型的工作领域构建真正的智能化数字员工生态。规划中的扩展场景自动化用例脚本编写数字人核心能力自动生成自动化测试代码自动调试用例资源管理扩展优势特性传统方式数字人体系能力复用每个领域独立建设核心能力统一快速复用知识沉淀散落在个人统一知识库持续积累配置灵活性固化流程通过人设履职规范灵活配置愿景通过构建统一的数字人管理体系实现一个体系多个领域的智能化覆盖构建真正的企业级数字员工生态为企业数字化转型提供强大的智能化支持。5.5 未来计划未来我们会继续在回归测试阶段全面应用数字人来代替人工来执行回归测试 同时完善数字人体系和能力扩展数字人到其他测试工作领域。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”