Harness Engineering是提升大模型递归自我改进RSI的关键技术。本文深入解析了Harness Engineering的三种设计模式工作流自动化、文件系统作为持久记忆、子Agent与后端任务。同时文章探讨了Harness的优化方法包括上下文工程、工作流设计、演化搜索以及与模型权重联合优化等。最后提出了通向完整RSI仍需解决的七个问题包括评估器、上下文与记忆的生命周期、负面结果、多样性坍缩、奖励作弊、长期成功以及人的角色等。本文适合想要了解和学习大模型递归自我改进的程序员阅读具有很高的收藏价值。原文链接https://lilianweng.github.io/posts/2026-07-04-harness/她认为递归自我改进RSI走到今天起作用的不只是模型本身变聪明了包在模型外面的那层 Harness 同样在决定 AI 能跑多快、多稳。这篇文章梳理了 Harness Engineering 这个方向它有哪些设计模式学术界目前怎么优化它以及往前走还剩下哪些没解决的问题。原文技术密度很高这篇编译尽量把核心机制讲清楚。一、眼中的 Harness递归自我改进RSI这个概念能追溯到 I. J. Good1965他把超级智能机器定义为一种在所有智力活动上都能超越人类、并能设计出更好的机器来改进自己的系统。Yudkowsky 把recursive self-improvement这个说法用在一个具体的反馈回路上AI 用自己当下的智能去改进产生这份智能的认知机制本身。放到今天的 AI 里这个反馈回路可能表现为模型直接重写自己的权重也可能表现得更宽泛模型改进训练管道和部署系统进而让下一代模型在有经济价值的任务上表现更好。特别强调部署系统这个词因为她认为包在裸模型和真实场景之间的这一层重要性不亚于模型本身的原始智能也就是预训练刚结束时跑的那些评测。Claude Code、Codex 这类编码 Agent 产品的成功印证了 harness 在 AI 部署里的分量。她给出的定义是harness 是包裹在基础模型外面的系统负责编排执行过程决定模型怎么思考和规划、怎么调用工具和行动、怎么感知和管理上下文、怎么存储产出物以及怎么评估结果。这篇文章聚焦的是 harness engineering 本身以及它对 RSI 的贡献。模型自我博弈、合成数据、测试时训练、持续学习这些同样呼应 RSI 愿景的方向原文里只是点了一下名字没有展开。二、Harness 的三种设计模式对比早期的 agent 框架“agent LLM 记忆 工具 规划 行动”harness engineering 多了工作流设计比如 loop engineering、评估、权限控制、持久状态管理这几层。它不再只是 prompt 模板而是更接近运行时和软件系统设计模型怎么观察、行动、记忆、自我检查、自我改进。设计上应该刻意做得简单、通用这样才能泛化并且可以参照现有软件工程的实践从预训练已经学到的知识里获益。操作系统和 harness 之间有一个很强的类比一个好的 harness 应该像操作系统一样把复杂逻辑封装起来同时保持接口简单。config、工具接口和其他协议也可能会随着行业发展逐渐标准化。模式一工作流自动化给模型定义一个可以操作、测试、迭代的工作流是实现自动化的关键设计。Karpathy 的 autoresearch 仓库是一个干净的例子。常见的工作流遵循一个目标导向的循环规划、执行、观察或测试、改进再执行直到目标达成过程中可能会主动向用户请求澄清任务规格或执行偏好。这套工作流图强调的是模型在一个agent runtime里分析自己的执行轨迹和失败案例、持续迭代而不是套用一个静态的 prompt 模板。模式二文件系统作为持久记忆长周期 agent 系统里反复出现的一个模式是用简单的方式管理丰富的状态和产出物。harness 不该把整个工作流和所有日志都塞进上下文相反它应该把持久状态存进文件。在长周期的 agent 执行过程里实验日志、代码 diff、论文摘要、报错记录、过去的执行轨迹这些产出物长度往往远超模型训练时习惯的上下文窗口。学会通过bash这类命令读写和编辑文件系统是 LLM 的一项基础能力也因此用文件这种简单形式管理持久记忆会自然地随着核心模型能力的提升而受益。模式三子 Agent 与后端任务一个 harness 可以派生多个子 agent 并行执行同时监控后端任务。这在主 agent 需要搜索多个假设、并发跑多组实验或者把独立子任务委派出去而不污染主上下文时很有用。这时父 agent 需要一个小型的进程管理器启动任务、查看日志、取消失败的运行、把结果合并回主 agent 的会话线程里。这里的关键设计选择是让并行过程显式且可检查。如果子 agent 的产出只存在于临时的聊天上下文里它们很快就会过期、被隐藏起来但如果存成文件、日志和状态记录模型就能在中断后恢复并对自己的执行历史进行推理。案例编码 Agent 的 HarnessClaude Code、Codex、OpenCode以及 Cursor 这类编码 agent 的核心接口已经趋于稳定普遍用一套循环运作给定一个代码仓库agent 靠一组工具去开发和调试问题类似人类开发者靠 IDE 工作。原文给出了一份非完整工具分类翻译如下Harness 层会被模型内化吗很难预判 RSI 未来会在多大程度上依赖 harness engineering但她认为RSI 近期的路径不太可能从模型直接重写自己的权重开始。她给出的预测分两步第一harness engineering 会朝元方法论的方向演进优化的是获得更好答案的机制本身而不只是答案harness 系统本身会成为优化目标规则会越来越少靠硬编码的启发式越来越多靠通用机制。第二成熟的 harness 反过来让模型自我改进的 auto-research 循环变得可能而更聪明的模型也能防止 harness 被过度设计让整套系统保持可持续。最终很多 harness 层的改进可能会被内化进核心模型的行为里但与外部上下文和工具的接口应该会保留下来。这个模式在 prompt engineering 的历史上已经出现过一次比较温和的版本随着指令微调和模型推理能力的提升手工 prompt 技巧变得不那么核心但指定目标、约束、上下文和评估的需求并没有消失。三、Harness 怎么被优化优化对象的演进大致是这样一条路径指令 prompt → 结构化上下文 → 工作流 → harness 代码 → optimizer 代码。模型越强能驾驭的优化目标就越复杂、越通用。上下文工程ACE、MCE、Meta-Harness把所有工具返回结果和模型生成内容简单地堆进上下文会随着 agent 任务周期变长而迅速失控。上下文工程这一层要做的是给 LLM 构造一个更结构化、更简洁的上下文并管理持久状态。长上下文研究本身还会持续进步但眼下长上下文智能和上下文工程这两件事经常纠缠在一起。Agentic Context Engineering 把上下文当成一本不断演化的活页手册而不是一段越写越长的 prompt。它维护一份由要点组成的上下文手册每条要点都有编号和说明靠三个组件运作生成器Generator产出任务执行轨迹参照现有的要点反思器Reflector从成功和失败的轨迹里提炼洞察策展人Curator把这些洞察更新成增量的、条目化的新条目。为了防止上下文塌陷和重写时越写越短的偏差ACE 的一个关键设计是策展人不会重写整段 prompt而是只输出一批结构化的条目编号加说明再用确定性的逻辑合并进上下文手册条目会被定期精炼和去重。ACE 让系统从执行轨迹里学到洞察是自我管理记忆的一步但更新规则和整体工作流仍然是手工设计的。Meta Context Engineering 往前多走一步把怎么管理上下文的机制和上下文里具体装什么内容拆开在元优化层面做技能演化在基础层面做上下文优化。一项技能定义了一个把输入映射成具体上下文的函数包含静态部分prompt、知识库、代码库和动态部分搜索、筛选、格式化等操作。系统维护一份技能历史库记录过往的技能、上下文函数和评估分数一个元层级的 agent 会对历史技能做agentic crossover智能体式的杂交针对新任务生成新技能然后一个基础层级的上下文工程师执行这项新技能并从执行反馈里学习具体的上下文函数。实现上一个上下文函数被实例化成一个专属目录里的一组文件既有静态的skill.md也有动态的上下文和执行记录元层级和基础层级的优化都在标准工具集Read、Write、Edit、Bash、Glob、Grep、TodoWrite下的 agentic 编码环境里执行。Meta-Harness 又深了一层优化对象直接变成了决定该存储、检索、呈现哪些信息给模型的那段代码。Meta在这里的意思是这是一个用来优化 harness 的 harness。提出新 harness 的角色本身就是一个编码 agent最终产出一批帕累托最优的 harness 候选。三个关键设计整个执行历史可以通过文件系统访问编码 agent 用grep、cat之类的命令去读而不是把一切塞进单个 prompt候选 harness 本身是文件系统里的一个目录包含自己的源代码、分数、执行轨迹和状态更新这个元层循环不断迭代产生新 harness只保留合格的。作者观察到的结论很清楚一旦 harness 设计变成一个可执行的搜索空间一个足够强的编码 agent就能利用人类工程师用的那同一个设计空间。Meta-Harness 外循环优化算法。图片来源Lee et al. 2026工作流设计从 AI Scientist 到 AFlow工作流设计这一层可以由领域专家手工搭建。拿自动化研究auto-research做例子已经有几个框架被提出并验证过。AI ScientistLu 等2026搭了一条从提出研究想法、写代码、跑实验、分析结果、写论文到执行同行评审的完整流水线。Meng 等在 ScientistOne 里把可验证性作为核心设计约束每一个论断都必须能追溯到证据来源并接受证据链审计。Autodata 扮演的是一个负责合成训练和评估数据的数据科学家agent主 agent 管理一个提出问题的挑战者、一个弱解题者、一个强解题者和一个验证者/裁判目标是把数据合成在刚好合适的难度上强解题者能做对弱解题者做不对。这里挑战者的 prompt 会根据解题者和验证者的反馈不断迭代更新。它的局限在于合成出来的任务只用来微调弱解题者没有用来提升强解题者如果这个循环不能反过来让强模型本身变得更强它更接近对一个生成出来的 prompt 分布做间接蒸馏RSI 的味道就淡了。工作流设计的空间非常大自然可以把它当成一个搜索问题用算法而不是纯手工去找好方案。沿着这个方向Automated Design of Agentic Systems把 agent 设计本身变成了一个优化问题靠元 agent 搜索来运作先用简单的 agent比如 CoT、self-refine初始化一个 agentic 工作流档案库让一个元 agent 参照档案库里已有的方案先生成新工作流的高层描述再用代码实现出来随后经过两轮自我修正检查其新颖性评估每个新候选把成功的加回档案库重复这个过程直到达到最大迭代次数。AFlow 把 agentic 工作流表示成一张图节点是调用 LLM 的动作边是代码里实现的逻辑操作用蒙特卡洛树搜索MCTS来优化用一个模板初始化起始工作流按分数与均匀探索的混合策略选一个工作流节点让 LLM 基于该节点的评估表现生成修改后的工作流即扩展执行并评估新工作流如果在预算轮数内表现有提升就加回搜索树重复这个过程直到 top-k 平均分数进入平台期或者用完预算。AFlow 在问答、代码和数学任务上的实验显示相比人工设计的工作流和 ADAS都有明显提升。AFlow 基于蒙特卡洛树搜索的工作流优化过程。图片来源Zhang et al. 2025AFlow 与人工设计方法、ADAS 的实验对比。让 Harness 自己改自己STOP 与 Self-HarnessSelf-Taught Optimizer是递归改进脚手架较早的例子之一。一个初始的改进器接收一个初始方案、一个效用函数和一个黑箱语言模型输出一个改进后的方案。STOP 的目标不是直接改进这个方案而是改进改进器本身。先定义改进器在一批下游任务上的平均效用“元效用”再把改进改进器本身当成一个优化问题用上一版改进器在元效用上的表现递归生成下一版改进器。实验里被改进过的改进器发现了包括遗传算法、拆解并逐部分改进、多臂 prompt 赌博机、模拟退火、变化采样温度以及 beam树搜索等多种策略。一个值得记住的警示性结果是STOP 用 GPT-4 时能持续提升下游表现但换成 GPT-3.5 和 Mixtral 这类较弱的模型反而变差说明光有递归结构不够基座模型必须足够强才有能力改进自己的机制harness 层的改进能让模型部署得更好但智能本身仍然是核心。Self-Taught OptimizerSTOP算法流程。图片来源Zelikman et al. 2023STOP 发现的若干自我改进策略示例。更新一些的工作 Self-Harness 让 LLM agent 通过一个提出、评估、接受的循环改进自己的 harness分三个阶段。第一步是弱点挖掘把失败案例聚类成有验证依据的失败模式。这里有一个细节两次运行可能在错误日志的表面结论上一样比如同样报超时或同样缺产出物但背后的因果机制完全不同所以需要记录终端验证层面的原因、相关 agent 行为的因果状态以及执行轨迹暴露出的抽象机制才能挖到真正的根因。第二步是 harness 提案同一个模型作为提议者在一个有边界的提案上下文里工作这个上下文包含当前 harness 里可编辑的部分、验证过的失败模式、需要保留的通过行为记录以及此前尝试过的修改摘要提议的修改应该优先针对可解决、非任务特定难度的高频错误模式并且候选修改之间要保持差异化和多样性。第三步是提案验证候选修改要在 held-in 数据检验弱点是否真的解决了和 held-out 数据检查有没有引入新问题上都做回归测试只有两边都没有出现回退的候选才会被采纳并合并成新一版 harness被拒绝的候选会被记录下来但不会改变当前正在使用的 harness。在 MiniMax M2.5、Qwen3.5-35B-A3B、GLM-5 这几个基座模型上跑 Terminal-Bench-2 的实验显示Self-Harness 能学到针对不同模型、不同弱点的专属 harness 指令并提升 held-out 通过率。她也提了一个警惕点如果允许一个程序去编辑操作系统层面的东西抽象边界就被打破了。可编辑的范围需要被谨慎设计权限控制和安全层必须活在这个自我改进循环之外。围绕 reward hacking 的各种老问题在这里依然存在。演化搜索演化搜索是一种受自然选择启发的优化方法演化一批候选方案通过变异产生新方案只把适应度高的留在种群里。它比较适合搜索空间巨大、形状不规则难以直接用梯度优化、但容易评估好坏的场景。harness 搜索恰好符合这个特征。演化搜索此前已经被用在 prompt engineering 上。PromptbreederFernando 等2023用一套丰富的变异操作来优化任务专属的 prompt有意思的是变异 prompt本身也就是指示 LLM 该怎么变异任务 prompt 的那条指令同样通过演化被不断改进。GEPAAgrawal 等2025把基于反思的 prompting 和演化搜索结合起来用对试错轨迹的自然语言反思来提出 prompt 更新。Novikov 等提出的 AlphaEvolve是一个编码 agent 形式的演化搜索系统维护一个候选程序池让被冻结的 LLM 生成用于改进的 diff。系统反复评估子程序保留成功的随时间和上面这些聚焦解决方案本身怎么改进的方法不同Darwin Gödel Machine 明确把优化目标定成演化一个可编辑的 harness 代码仓库执行者是一个基于 LLM 的编码 agent并且这个 agent 被允许修改自己的 harness。代码编辑靠两个基础工具实现bash和一个支持查看创建编辑的编辑器。流程是种群池里先放一个编码 agent每一轮按表现越好、已有子代越少的概率挑一个父代 agent 来修改、分支出新 agent被选中的父代会检查自己在基准测试上的评估日志向自己的 harness 代码库提出改进生成新版本的编码 agent新 agent 接受评估只有表现足够高的才会被加回种群池重复这个过程直到满足停止条件。在用 Claude 3.5 Sonnet 作基座模型、初始 harness 配置很简单的实验里DGM 发现的 agent 在 SWE-bench Verified 上从 20% 提升到 50%在 Polyglot 上从 14.2% 提升到 30.7%表现可以媲美甚至超过人工设计的 agent。后续工作 Hyperagents 在 DGM 基础上引入了一个元 agent专门控制该怎么修改已有的任务 agent 来创造新 agent。这一整类方法在候选方案能自动评估、适应度容易量化的领域效果最好比如矩阵乘法、GPU kernel 优化、算法竞赛、数据中心调度但在评估慢、模糊或者主要靠启发式判断的领域会遇到明显困难。演化过程本身的计算效率和有效性也仍然是需要考虑的成本。与模型权重联合优化harness 演化改变的是模型外部的非参数系统。要实现更完整的自我改进还可以让模型同时更新自己的权重通过训练管道的改进或者测试时的持续学习来实现持续学习这个话题足够单独写一篇这里暂且从简。SIA 是较早尝试把harness 改进和模型参数更新放进同一个优化循环里的工作设计上有三个组件元 agent 负责提出初始 harness任务专属 agent 负责执行任务反馈 agent 根据最近的执行轨迹决定接下来该更新 harness 还是更新模型权重。Lilian Weng 对 SIA 的实验设计留了一些保留意见任务专属 agent 用的模型gpt-oss-120b比元 agent 和反馈 agent 用的模型Claude Sonnet 4.6弱很多基线设置也偏弱不太容易和其他方法做干净的交叉验证。她认为这个方向值得关注但目前的证据还比较初步训练稳定性、Goodhart 效应这些挑战依然存在。SIA 中的 Feedback-Agent 决定下一轮该更新 harness 还是模型权重。四、还没解决的七个问题AI Scientist 这条工作线证明了一件事一个专家设计的 harness确实能协调 auto-research 循环里的大部分工作至少在写研究论文这个具体形式上是这样。但写出一篇论文不等于做出真正的科学发现。系统可以写出一份看起来靠谱的稿子同时夹带着编造的引用、和实现有偏差的方法或者站不住脚的实验结果。Trehan Chopra 测试过 LLM 能不能只靠最基础的工具read_file、write_file、llm_search、list_files独立从一个研究想法走到一篇论文。他们在世界模型、多 agent 强化学习、AI 安全与对齐这三个领域各准备了 45 到 50 篇高质量种子论文用来激发新想法人类专家从中只挑出四个想法进入完整流程最终只有一个被完整执行成论文。实验中反复出现六种失败模式偏向训练数据里的默认选择用过时的库、陈旧的命令、标准格式或者脱离实际代码库和数据集的假设执行压力下的实现漂移一旦实现变复杂模型会倾向退回更简单的常见方案而不是坚持最初提出的方法记忆和上下文退化长周期项目如果不把日志写成持久产出物就会丢失关键细节过度乐观实验信号还是噪声的时候模型也会宣称成功类似p-hacking 加自我陶醉的模式领域智慧不足缺乏预判实现复杂度、判断实验结果是否合理、知道哪些 baseline 真正重要的隐性经验科学判断力弱实验本身可以执行却答不对真正该回答的问题。在这些观察的基础上Lilian Weng 列出了通向完整 RSI 之前仍然存在的七个瓶颈一弱且模糊的评估器。很多研究论断没有快速、精确的验证方式很多现实任务也是如此。当前的自我改进循环在评估指标可衡量、客观的任务上效果最好这一点和强化学习的适用场景很像而研究判断力、新颖性、长期科学价值衡量起来要难得多。二上下文和记忆的生命周期。随着 agent 变得更自主、更独立需要维护的记忆会持续增长。一个好的 harness 需要管理上下文和记忆弥补长上下文生成本身的局限同时把长周期任务的成功率最大化。人类能终身维持记忆Lilian Weng 由此认为上下文工程理应逐渐成为智能本身的核心组成部分而不该一直停留在软件系统这一层。三负面结果。研究者天然倾向于发表成功的结果文献因此系统性地偏向成功这一面。LLM 训练用的数据目前仍然主要由人类产出可能因为成功案例远多于失败案例这种数据不平衡而不擅长判断什么时候该放弃一个假设、报告一个负面结果甚至承认失败。一个好的研究 harness应该让失败的尝试容易被保留下来因为从失败里学习是缩小任务搜索空间最好的办法。四多样性坍缩。演化和强化学习循环容易只顾利用已知的高奖励模式。需要专门的机制防止种群坍缩成同一个方案的变体这对开放式研究尤其关键因为最好的路径往往在探索初期在当前评估器眼里显得更差。五Reward hacking奖励作弊。自我改进循环会优化任何给定它的信号如果奖励来自单元测试agent 可能对测试过拟合如果来自裁判模型可能学会专门针对这个裁判的作弊技巧如果来自基准分数可能利用基准本身的漏洞。评估器和权限控制应该活在演化 harness这个循环之外靠 held-out 测试、执行轨迹审计以及在关键决策点上的人工审查来把关但这种监督能在多大程度上被规模化、自动化仍是一个开放的研究问题。六长期成功。拿编码 agent 举例它已经切实提升了软件工程的日常生产力但很多优化目标依然太短期。它往往能完成手头的具体任务却不清楚该怎么维护一个由成百上千工程师共同维护的仓库的长期健康。标准的、基于 sandbox 的强化学习式训练很少能捕捉到可维护性、代码归属边界、迁移成本、向后兼容性或者未来的调试负担。七人的角色。人应该往抽象栈的更高层移动而不是被从循环里挪走。这意味着人要在正确的时间、正确的抽象层级上提供监督系统设计需要认真考虑什么时候、以什么方式设置这样的接触点。上面列出的很多挑战最终都需要人的反馈和引导才能解决。归根结底这项技术是为了人类更好的未来而存在的不是反过来。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。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6、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】