写在前面欢迎大家关注Rocky的公众号WeThinkIn欢迎大家关注Rocky的知乎Rocky DingAIGC/LLM/AI Agent算法工程师/开发工程师面试面经秘籍分享WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家StarAIGC时代的《三年面试五年模拟》AI算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】AI算法工程师面试秘籍Rocky最新撰写AI AgentAI智能体的深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC算法岗/开发岗面试面经交流社群涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能等AIGC面试干货资源欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。核心导读如果说《Generative Agents》回答的是“一个智能体如何在时间中保持连续行为”那么《OpenAgents: An Open Platform for Language Agents in the Wild》回答的就是另一个更工程化、也更接近产业落地的问题一个语言智能体如何从论文 demo、命令行工具、开发者玩具变成普通用户真的能打开网页使用的产品系统Rocky 认为这篇论文的价值不在于它提出了某个全新的 Agent 算法而在于它非常早地把 Agent 研究从“模型能不能规划、能不能调用工具”推进到了“系统能不能被真实用户使用、真实部署、真实反馈、真实评估”的层面。论文中的 OpenAgents 包含三个具体智能体Data Agent、Plugins Agent、Web Agent分别对应数据分析、日常 API 工具调用和网页自主浏览。更重要的是它把前端交互、后端业务逻辑、工具管理、数据存储、流式响应、失败处理、浏览器控制、用户反馈这些常常被论文忽略的工程问题放到了语言智能体平台的核心位置。这其实是 AI Agent 从 2023 年概念热潮走向长期产品化时必须补上的一课Agent 的竞争力不只在模型推理链而在“模型、工具、环境、界面、权限、反馈、鲁棒性”组成的完整生产系统。图 1 展示了 OpenAgents 的定位普通用户通过 Web UI 直接使用 Agent而不是面对命令行或 Python 包开发者可以本地部署前后端继续二次开发研究者可以基于平台构造新的语言智能体并观察它们在真实交互中的表现。这个定位决定了论文不是单点能力展示而是一个“Agent 应用平台”的原型。问题背景作者到底想解决什么语言智能体的基本形式并不复杂用户提出需求模型基于上下文做出决策必要时调用工具或与环境交互环境返回观察再进入下一轮循环。论文把它形式化为一个带自然语言历史、状态、动作、观察、转移函数和奖励的交互过程。这个抽象很漂亮但真正落地时会立刻遇到一个残酷现实研究里的 Agent 往往运行在受控环境或命令行里真实用户并不想理解 prompt、action space、tool schema也不想为了查天气、分析表格或填网页表单去安装一堆框架。2023 年前后的很多 Agent 框架更像“概念证明”。它们证明了 LLM 可以规划、可以调用工具、可以执行代码、可以浏览网页但经常默认用户是开发者默认交互是 CLI默认失败可以打印 stack trace默认评估发生在预设 benchmark 中。对于研究来说这已经有价值对于产品来说还差得远。OpenAgents 的切入点正是在这里它不是只做一个更聪明的 Agent而是要做一个开放平台让普通用户、开发者、研究者都能在同一个系统里触达语言智能体。论文把当时已有系统与 OpenAgents 做了对比。AutoGPT、BabyAGI、Gentopia、Open Interpreter 等系统各有优势但在线部署、Web UI、人类反馈、真实工具数量、开放网页环境等维度并不完整。OpenAgents 的目标是把在线可用、用户反馈、Web UI、受控与开放环境、200 工具、网页浏览这些要素组合起来。这张对比表背后的本质不是“谁功能更多”而是 Agent 产品化的评价维度发生了变化能跑不够能给普通用户稳定使用才是另一个台阶能完成 benchmark 不够能在真实 API、真实网页、真实用户脾气中活下来才是产品门槛。核心思路用一句主线串起来OpenAgents 的主线可以概括为围绕真实用户需求把语言模型、工具、执行环境和 Web UI 封装成一个可部署、可交互、可反馈、可扩展的 Agent 平台。图 2 是这篇论文的架构核心。OpenAgents 被拆成两大部分User Interface 和 Language Agent。User Interface 不只是一个前端页面而是连接用户、前端、后端、数据库、错误处理和流式响应的桥。Language Agent 则包含语言模型、工具和环境负责根据用户需求进行决策并执行动作。论文采用类似 ReAct 的基本流程Observation → Deliberation → Action。模型观察上下文进行推理输出可解析的动作工具接口把模型文本转换为可执行动作例如生成代码、调用 API、操作浏览器环境执行后返回观察结果再进入下一轮。但 OpenAgents 的重点不是 ReAct 本身而是围绕 ReAct 做了大量平台化工程如何让用户上传文件如何把不同数据类型映射给人、前端、计算系统和 LLM如何处理多用户会话存储如何流式解析模型输出如何在 API 失败时优雅重试如何让浏览器操作可以被用户监控和中断。Rocky 认为这篇论文最值得今天 Agent 团队反复看的地方是它把 Agent 从“prompt tools”推进到了“应用操作系统”。很多团队以为自己在做 Agent实际上只是把模型调用、工具调用和几段提示词串起来真正的问题在于这条链路一旦暴露给真实用户就会遇到延迟、失败、权限、输入异常、格式错乱、状态存储、页面变化和用户中断。OpenAgents 的价值正是把这些“不性感”的问题写进了论文。方法展开沿着论文原始逻辑拆解1. 平台层用户界面不是外壳而是 Agent 能力的一部分OpenAgents 首先强调用户界面。很多研究型 Agent 默认界面只是输入输出窗口但真实应用中界面决定了用户是否能理解 Agent 正在做什么、是否能容忍等待、是否能在错误时继续协作。论文把 UI 层设计成一个承载业务逻辑的系统前端负责展示聊天、代码、图片、表格、可视化和工具结果后端负责会话、数据库、错误处理和流式输出数据模型负责在用户、LLM、前端和计算环境之间转换不同形态的信息。这里的 DataModel 很关键。论文指出一个数据库可能有几十上百张表、数百万条记录人类希望看到的是可滚动表格和可视化而 LLM 需要的是经过选择和线性化的紧凑文本前端需要的是结构化渲染对象计算环境需要的是原始数据或文件句柄。因此系统不能只把所有东西转成字符串丢给模型。它必须针对不同接收者提供不同视角。从工程角度看DataModel 是 Agent 应用里非常重要的中间层。它解决的是“同一份数据在不同系统角色之间如何流动”的问题。没有这个中间层Agent 很容易变成 prompt hack今天把 CSV 前几行塞进 prompt明天把图片路径塞进 prompt后天又为 ECharts 写一套临时逻辑最后系统变得不可维护。2. Data Agent从文本回答走向数据生命周期协作OpenAgents 的第一个应用是 Data Agent。它面向数据分析场景支持 Python、SQL以及 Kaggle 数据集搜索、数据画像、ECharts 可视化等工具。图 3 展示了 Data Agent 的设计用户上传表格或图像后可以围绕数据连续提问Agent 可以搜索数据集、生成和执行 Python/SQL、做基础清洗、生成可视化。论文中特别有意思的一点是它并不完全让“Agent 主体”自己写所有代码而是把代码生成能力嵌入到具体工具中例如 Python、SQL、ECharts 工具各自生成代码减轻主 Agent 的负担。这个设计非常有产品感。真实数据分析不是一次问答而是一个生命周期加载数据、理解字段、清洗异常、查询统计、做图、解释结果、继续追问。Data Agent 的交互应该像一个对话式 notebook而不是一个只会输出代码片段的聊天机器人。Rocky 认为今天看这部分仍然很有启发数据分析 Agent 的护城河不在“能不能写 pandas”而在能不能把文件、执行环境、可视化、历史上下文、错误恢复和用户追问组织成连续工作流。单次代码生成已经很容易被基础模型吸收工作流编排和结果交付才更难被替代。3. Plugins Agent从人工选插件到自动选工具第二个应用是 Plugins Agent。论文集成了 200 日常 API 工具包括 Google Search、Wolfram Alpha、Zapier、Klarna、Coursera、Show Me、Speak、AskYourPDF、BizToc、Klook 等。它面向的是购物、搜索、新闻阅读、天气查询、网站创建、旅行规划这类日常任务。图 4 展示了 Plugins Agent 的核心流程。用户可以手动选择一个或多个插件也可以让系统根据需求自动选择最相关插件。自动选择的机制在附录中写得比较清楚用户每次输入新指令时系统用文本 embedding 匹配工具描述找出与用户意图最接近的工具。这背后是工具生态的一个关键矛盾工具越多理论能力越强但用户选择成本越高模型路由错误概率也越高。如果一个 Agent 平台集成了几百个插件却要求用户先理解每个插件适用场景那么它只是把复杂度从开发者转移给用户。所以Plugins Agent 的本质不是“有 200 多个工具”而是尝试解决工具路由问题用户说自然语言需求系统自动决定要用哪个工具、如何调用、如何把结果渲染成用户能看的卡片或页面。这里也有边界。论文承认工具扩展并不容易。API 来自不同供应商质量、稳定性、调用方式、文档格式都不一致很多情况下仍需要人工测试和干预。Rocky 认为这点很现实工具数量不是护城河工具治理才是护城河。一个 Agent 平台真正难的是持续维护工具描述、权限、可用性、失败重试、返回格式和安全边界。4. Web Agent把浏览器控制权交给用户可监控的 Agent第三个应用是 Web Agent。它处理自主网页浏览任务例如查航班、总结 IMDb 评论、Google Map 导航、发 Twitter、填写 Google Form。图 5 展示了 Web Agent 的设计主聊天 Agent 负责理解用户请求和拆解任务必要时把子任务交给 Web AgentWeb Agent 执行网页操作再把结果返回给用户。论文强调这种分工让聊天与网页浏览可以独立演进避免一个模块同时承担全部复杂性。更重要的是OpenAgents 选择用 Chrome Extension 控制用户侧浏览器而不是只在服务器背后偷偷浏览网页。这个设计带来一个重要产品含义用户可以看到 Agent 的思考和操作过程也可以随时中断或接管。这和今天很多浏览器 Agent 的痛点完全一致。网页不是静态 benchmark真实网页会弹 CAPTCHA、会变 DOM、会有广告、会出现登录态、会跳转、会限流。一个网页 Agent 如果不能被人监控和接管就很容易让用户失去信任。OpenAgents 的 Chrome Extension 路线本质上是在强调人机协同控制而不是把浏览器操作变成一个黑箱。实验与证据这篇论文证明了什么又没有证明什么OpenAgents 不是一篇典型 benchmark 论文它没有用一个单一分数证明自己比谁更强。它更像一篇系统论文提出一个可部署平台展示三类 Agent用真实应用链路总结工程挑战。论文提供的证据主要有三层。第一层是功能覆盖证据。OpenAgents 覆盖数据分析、插件调用、网页浏览三个典型语言智能体应用并提供 Web UI、在线部署、本地部署、用户反馈和开放环境支持。第二层是案例证据。附录中的 Figure 6、Figure 7、Figure 8 展示了大量真实用例。图 6 展示了 Data Agent 的多种用例Kaggle 数据集搜索、Python 代码执行、SQL 查询、交互式 ECharts 可视化、图片操作和有趣数据案例。这些案例说明 Data Agent 试图覆盖从数据获取到数据操作再到可视化表达的一条完整链路而不是只做单步代码生成。图 7 展示了 Plugins Agent 的日常任务购物、天气、概念可视化、Wolfram Alpha 查询、Zapier 工作流配置、多插件旅行规划、自动插件选择。它支撑了论文关于“Agent 应用不只是研究环境而是进入日常生活工具”的主张。图 8 展示了 Web Agent 的网页任务航班查找、评论总结、地图导航、社交媒体发帖、表单填写。这些任务都依赖真实网页结构说明 OpenAgents 关心的是开放环境中的执行而不是只在模拟页面里完成动作。第三层是工程经验性证据。论文在“From Research to Real-world Deployment”中总结了四类问题prompt 指令越堆越长、真实环境因素不可控、用户体验指标常被研究忽略、系统问题会干扰 Agent 能力评估。这几类问题非常重要。Agent 失败时到底是模型能力不够还是业务逻辑没有支持下载文件是 LLM 没有理解用户还是 API 服务挂了是网页 Agent 不会浏览还是广告和 CAPTCHA 改变了页面如果没有系统级观测Agent 评估会变得非常混乱。所以OpenAgents 的证据强度不是“证明它是最强 Agent”而是证明了另一件事只用受控 benchmark 评价 Agent 是不够的真实用户、真实工具、真实网页和真实失败会暴露一整套研究指标看不到的问题。这篇工作的边界与可复现性OpenAgents 的边界也很清楚。第一它更偏平台系统论文不是模型训练论文。核心能力很大程度来自底层 LLM、工具质量和系统工程而不是新模型结构。因此如果底层模型弱指令跟踪、格式遵守、工具调用都会下降。第二它的评估仍以功能展示和工程讨论为主缺少严谨的用户研究、长期在线指标、任务成功率分布、失败类型统计和跨模型对比。论文提出“in-the-wild evaluation”的方向但平台自身并没有给出非常系统的真实用户大规模评估结果。第三工具和网页环境的长期维护成本很高。API 会变网页会变插件会失效供应商会限流用户会输入奇怪需求。OpenAgents 提供了一个方向但没有消除工具生态天然的运维负担。第四安全与权限边界还需要更深入治理。Data Agent 涉及代码执行和文件处理Plugins Agent 涉及外部 APIWeb Agent 涉及浏览器控制。越接近真实世界越需要权限隔离、审计日志、敏感操作确认、数据隐私保护和恶意输入防护。第五Prompt 工程的复杂性没有消失。论文在附录中展示了大量关键 prompt包括工具调用格式、安全限制、输出模板、停止规则等。这说明现实 Agent 的可控性在很大程度上仍依赖精细 prompt 和解析逻辑。模型越强这部分可能变薄但在生产系统中格式、权限和失败处理不会自动消失。Rocky 视角OpenAgents 真正留下的启发Rocky 认为这篇论文最大的意义是把 AI Agent 的问题从“能力炫技”拉回了“产品系统”。第一Agent 的第一性原理不是“自主”而是“可交付”。用户不关心你的 Agent 是否用了 ReAct、是否有 200 个插件、是否可以规划十步。用户关心的是它能不能稳定帮我把表格分析完能不能告诉我哪里失败能不能让我中途接管能不能把结果以可读形式呈现。第二界面不是包装而是能力边界。对于 Agent 来说UI 决定了用户如何理解中间步骤、如何处理延迟、如何介入失败、如何建立信任。一个没有良好界面的 Agent很难进入普通用户日常工作流。第三工具生态的瓶颈不是接入而是治理。今天接一个 API 很容易难的是持续维护 200 个 API 的可用性、权限、格式、错误、成本和安全。工具红利会退潮工具治理能力会成为平台长期竞争力。第四真实世界评估比 benchmark 更残酷。受控 benchmark 可以测能力上限真实用户会暴露产品下限。Agent 产品最终死不死常常不是因为模型不会推理而是因为等待太久、失败不可解释、网页不可控、结果不可复用、用户不知道下一步怎么做。第五OpenAgents 也说明开源 Agent 平台的价值不只是替代闭源产品。它给研究者提供了一个可以观察真实人机交互、真实失败和真实需求的平台。对于 AI Agent 研究来说这种平台比单个榜单更有长期价值。如果继续研究或落地应该关注什么如果今天继续沿着 OpenAgents 的方向往前走Rocky 认为有几个重点。第一要把 Agent 平台做成“可观测系统”。每一次模型思考、工具调用、环境返回、用户中断、失败重试都应该被结构化记录。没有可观测性就没有可靠评估更没有持续迭代。第二要把 UI 设计从静态聊天升级为任务工作台。Data Agent 需要 notebook 式结果流Plugins Agent 需要卡片、表单和确认界面Web Agent 需要可视化执行轨迹和接管按钮。不同 Agent 应该有不同交互形态而不是都挤在一个聊天框里。第三要把工具调用从“能用”升级为“可信”。工具描述、权限、输入输出 schema、错误码、成本、限流、敏感操作确认都应该成为平台基础设施。第四要把模型评估和系统评估分开。一个任务失败可能是模型没理解也可能是 API 挂了也可能是 UI 没显示也可能是权限不足。未来 Agent 评估必须区分模型层、工具层、环境层、产品层失败。第五要认真处理用户数据与执行权限。真实用户会上传文件、登录网站、调用服务、生成内容。Agent 平台越强越需要安全沙箱、数据隔离、审计日志和权限分级。术语与概念速查术语解释OpenAgents面向真实用户、开发者和研究者的开放语言智能体平台。Language Agent基于 LLM 的智能体可通过自然语言理解需求、决策并调用工具或环境。Data Agent面向数据分析任务的 Agent支持 Python、SQL、数据搜索、数据画像和可视化。Plugins Agent面向日常 API 工具调用的 Agent集成 200 插件并支持自动工具选择。Web Agent面向自主网页浏览的 Agent通过 Chrome Extension 控制用户侧浏览器。DataModel用于把原始数据转换为人、前端、计算系统和 LLM 所需不同表示的数据封装层。In-the-wild Evaluation在真实用户需求、真实工具和开放环境中评价 Agent而不是只在受控 benchmark 中评价。ReActReasoning and Acting 框架通常让模型交替进行推理和行动。Streaming流式响应让用户在完整生成结束前看到部分输出改善交互等待体验。Tool Governance对工具描述、可用性、权限、安全、错误处理、成本和版本变化的持续管理。拓展思考值得继续扩展研究与思考的创新点OpenAgents 留下的最大问题是Agent 平台到底应该长成“聊天框加工具”还是“面向任务的智能操作系统”Rocky 更倾向后者。聊天框是入口但不是终局。真正的 Agent 产品会按任务类型长出不同工作台数据分析有 notebook 与图表流网页执行有浏览器轨迹与接管控件API 工具有权限确认与卡片结果长任务有队列、状态、日志和回滚。第二个值得扩展的方向是自适应 UI。论文已经把 Adaptive UI 放进未来工作。未来 Agent 不应该只生成文本而应该根据任务动态生成交互组件表格筛选器、确认按钮、地图路线、图表面板、执行日志、错误修复建议。模型不只是回答问题而是组织用户完成任务。第三个方向是 Agent 评估基础设施。今天很多 Agent 榜单会快速过时因为真实能力不仅取决于模型还取决于工具、环境和产品链路。未来更有价值的评估平台应该能记录真实任务路径、失败原因、用户修正、工具耗时、成本和满意度。第四个方向是开源 Agent 平台与商业闭环的关系。开源平台的优势是透明、可复现、可扩展商业产品的优势是数据、分发、模型、工具生态和运营。OpenAgents 这类平台能否形成长期影响不取决于一时 demo而取决于社区能否持续沉淀工具治理、交互模式和评估数据。最后这篇论文给 AI 从业者的启发很直接不要只迷恋 Agent 的“自主性”要更关心 Agent 的“可用性”。一个能自主失败的系统没有价值一个能被用户理解、监控、修正、复用、逐步信任的系统才可能成为真正的生产力工具。Rocky 认为OpenAgents 的跨周期价值就在这里它提醒我们AI Agent 的终局不是更多 prompt 技巧而是把模型能力嵌进真实软件系统。模型是发动机但平台、界面、工具、权限、反馈和评估才决定这辆车能不能真正上路。推荐阅读Rocky一直在运营技术交流群WeThinkIn-技术交流群这个群的初心主要聚焦于技术话题的讨论与学习包括但不限于算法开发竞赛科研以及工作求职等。群里有很多人工智能行业的大牛欢迎大家入群一起学习交流请添加小助手微信Jarvis8866拉你进群1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识和Rocky一起学习探究扩散模型的本质原理与和核心基础知识同时不断跟进扩散模型的最新发展。Rocky在本文中对扩散模型的本质做了全面系统的梳理与讲解深入浅出完整解析扩散模型DDPM、DDIM、SDE、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 深入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识https://zhuanlan.zhihu.com/p/19751746910491895624. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识深入浅出完整解析DeepSeek系列核心基础知识6、Sora等AI视频大模型的核心原理核心基础知识网络结构经典应用场景从0到1搭建使用AI视频大模型从0到1训练自己的AI视频大模型AI视频大模型性能测评AI视频领域未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Sora等AI视频大模型文章地址深入浅出完整解析Sora、Wan2.1、AnimateDiff、CogVideoX等AI视频大模型核心基础知识7、Stable Diffusion 3和FLUX.1核心原理核心基础知识网络结构从0到1搭建使用Stable Diffusion 3和FLUX.1进行AI绘画从0到1上手使用Stable Diffusion 3和FLUX.1训练自己的AI绘画模型Stable Diffusion 3和FLUX.1性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion 3和FLUX.1文章地址深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识8、Stable Diffusion XL核心基础知识网络结构从0到1搭建使用Stable Diffusion XL进行AI绘画从0到1上手使用Stable Diffusion XL训练自己的AI绘画模型AI绘画领域的未来发展等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion XL文章地址深入浅出完整解析Stable Diffusion XLSDXL核心基础知识9、Stable Diffusion 1.x-2.x核心原理核心基础知识网络结构经典应用场景从0到1搭建使用Stable Diffusion进行AI绘画从0到1上手使用Stable Diffusion训练自己的AI绘画模型Stable Diffusion性能优化等全维度解析文章正式发布码字不易欢迎大家多多点赞Stable Diffusion文章地址深入浅出完整解析Stable DiffusionSD核心基础知识10、ControlNet核心基础知识核心网络结构从0到1使用ControlNet进行AI绘画从0到1训练自己的ControlNet模型从0到1上手构建ControlNet商业变现应用等全维度解析文章正式发布码字不易欢迎大家多多点赞ControlNet文章地址深入浅出完整解析ControlNet核心基础知识11、LoRA系列模型核心原理核心基础知识从0到1使用LoRA模型进行AI绘画从0到1上手训练自己的LoRA模型LoRA变体模型介绍优质LoRA推荐等全维度解析文章正式发布码字不易欢迎大家多多点赞LoRA文章地址深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识12、深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析Transformer文章地址深入浅出完整解析AIGC时代Transformer核心基础知识13、最全面的AIGC面经《手把手教你成为AIGC算法工程师斩获AIGC算法offer2024年版》文章正式发布码字不易欢迎大家多多点赞AIGC面经文章地址手把手教你成为AIGC算法工程师斩获AIGC算法offer14、50万字大汇总《“三年面试五年模拟”之算法工程师的求职面试“独孤九剑”秘籍》文章正式发布码字不易欢迎大家多多点赞算法工程师三年面试五年模拟文章地址https://zhuanlan.zhihu.com/p/545374303《三年面试五年模拟》github项目地址希望大家能多多starhttps://github.com/WeThinkIn/Interview-for-Algorithm-Engineer15、Stable Diffusion WebUI、ComfyUI、Fooocus三大主流AI绘画框架核心知识从0到1搭建AI绘画框架从0到1使用AI绘画框架的保姆级教程深入浅出介绍AI绘画框架的各模块功能深入浅出介绍AI绘画框架的高阶用法等全维度解析文章正式发布码字不易欢迎大家多多点赞AI绘画框架文章地址深入浅出完整解析主流AI绘画框架ComfyUI、Stable Diffusion WebUI、Fooocus核心基础知识16、GAN网络核心基础知识网络架构GAN经典变体模型经典应用场景GAN在AIGC时代的商业应用等全维度解析文章正式发布码字不易欢迎大家多多点赞GAN网络文章地址https://zhuanlan.zhihu.com/p/66315730617. AI算法工程师的《三年面试五年模拟》求职秘籍AIGC时代的算法工程师的求职面试秘籍持续更新中18. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版