本文深入浅出地介绍了Loop Engineering的概念和实践方法旨在帮助程序员和小白快速上手大模型自动化。通过将工作流驱动者从“你”换成“AI”实现自动化循环操作大幅提升工作效率。文章详细阐述了如何设定目标、设计循环体、利用Memory机制记录进度、运用Orchestrator进行统一管理等关键步骤并提供了两个实际案例补测试和网店增长进行说明。建议初学者先从Closed Loop开始实践逐步掌握Open Loop最终实现高效、智能的自动化工作流。前言过去几个月很多人其实都在反复做同一件事写一段 Prompt → 交给 Coding Agent等它跑完 → 查看结果、做个测试不对 → 再写下一段 Prompt直到满足心中的要求时间一长你会意识到这本身就是一个循环。 只不过那个负责“再来一轮”的循环体是坐在屏幕前的人。如果连“看守”这一步也交给 AI 呢 把屏幕前的用户也换成 AI Agent就引出了最近常被提起的热词Loop Engineering。这个名字听上去抽象落到实处其实只有一句话把 Loop 的执行者从人换成 Agent。原本由你亲自跑的“发现问题—想办法—动手—检查”循环现在交给 Agent 去跑。你要做的只剩开头把目标验收标准说清楚。不少 Coding Agent 重度用户早已通过 Skill 实践类似做法只是叫法不颗粒度不同。直到 Claude Code 作者 Boris 和 OpenClaw 作者 Peter 反复提及“Loop Engineering”它才逐渐流行。本文是把这套做法的骨架梳理出来让它从“Early Adopter 的先进工作流”变成“你也能照做的步骤”。有的人说Loop Engineering 就是数字员工的开始。先看一张全景图后文要展开的环节都在这幅 Closed Loop 里目标由用户设定之后 Discovery → Plan → Execute → Verify 依次接力达标就 Ship不达标就回到 Discovery 再来一轮Memory 位于对话之外为每一轮递上进度的“接力棒”知识点让 AI 给自己写下一个 Prompt循环工程里有个思路叫 self-prompting上一轮跑完后不由人来想“下一步该问什么”而是让 Agent 根据已有进展自己写下一轮要执行的 Prompt。这一步看似不起眼却是把“人当循环体”换成“Agent 当循环体”的关键拼图。人不再负责接力循环自己续上了。手工循环你就是循环的执行者回想过去几个月与 Coding Agent 打交道的节奏大概是这样你写 Prompt → Agent 干活 → 产出结果 → 你读结果、判断哪里不对 → 再写下一段 Prompt……如此往复直到做完。这套节奏熟练到让人忽略了一个事实它本身就是一个完整的循环。发现问题、想办法、动手、检查结果每个环节都在循环也确实在转。区别只在于循环体的执行者是你自己。Agent 干完一轮就停下安静等着。真正负责“判断、决定、再来一轮”的角色由人来扮演。换句话说这一轮里是机器在等你。图里最关键的是那条折返线从“你读结果”回到“你写 Prompt”标着“人肉轮询”。人被绑在了循环里最频繁的那个位置上。代价就藏在这条红线里Agent 每跑完一轮你都得回到屏幕前查看否则循环就停在那儿不动注意力被反复切走又切回刚开始写另一份文档那边一声“完成”提示音又得切回来一天下来注意力被切得很碎上下文在几件事间反复搬运真正连续投入的时间反而不多不知你是否也有同感用 AI Coding 之后类似 ADHD注意缺陷多动障碍俗称多动症的状态反而更明显了在 macOS “灵动岛”中查看不同 Coding Agent 的进度在 ESP32 单片机上查看和控制 Agent社区里甚至出现过用软件通知、ESP32 硬件来提醒“Agent 已经跑完了”的小工具从侧面也可以证“人盯着循环”这件事有多普遍。当你把代价摆在手工循环旁边问题就清楚了循环本身没问题问题在于让人去当那个一刻不能离开的循环体。既然其余环节 Agent 都能跑那个“再来一轮”的位置是不是也能交给 Agent这正是循环工程要回答的问题。循环工程把循环体交给 AgentLoop Engineering 的本质一句话把循环体的执行者从“你”换成“Agent”。手工循环里那个一刻不能离开的位置现在让 Agent 顶上。你要做的是从“每一轮都判断、都接力”缩减成“开头把目标说清楚一次”。这个新循环并不神秘就是把你脑子里那几步显式地交给 Agent 去走目标由 human 通过 /goal 设定一次。这是整个循环里 human 唯一必须做、也唯一不该交出去的事方向得你来定。你也可以借助 grill-me 等机制让 AI 采访你之后总结成最终目标。DiscoveryAgent 自己去发现这一轮要做什么而不是等你逐条派活。Plan把发现的事拆成清晰、可执行的步骤。Execute动手做。可以采取 fan-out 模式同时开多个 Agent 并行各自完成一件互不相干的子任务。Verify检查目标有没有达成。这是 Loop Engineering 里我认为最重要的一环。 它是 AI 充分理解需求后拆出的验收条件Rubric极其考验模型的推理能力包括但不限于 Lint、编译、单元测试、E2E 测试等。达标就Ship不达标就带着这一轮暴露的问题回到前面 Iterate用的正是前面说的 self-prompting。Memory最容易被忽视的一环下一节重点展开。可选一步Ship 之后让 Agent 想想接下来该做什么把下一轮入口也备好循环就能自己续下去。Memory活在对话之外一轮循环跑完进展得留下来下一轮才接得上。问题是进展该留在哪里失败的教训放在哪里❌ 常见误区把所有进展都堆回 Context Window指望 Agent “记得”上一轮干了什么。但工作记忆 Context 是有限的也容易因 attention 流失而被“遗忘”就是大家常说的 AI 失忆。✅ 正确做法把进度记录在对话之外。写进文件、写进一份结构化的状态记录让它独立于任何一次对话而存在。下一轮无论由哪个 Agent 来跑都能读到“现在到哪儿了”。Memory 不在对话里循环才稳得住。在我看来Memory 才是真正区别于“前几个月大家自行探索的 Loop” 与 “Boris 等人提出的 Loop Engineering”的地方它让 Agent 看上去更像真人了。Orchestrator编排掌管目标的那个 Agent知识点Fan-out / Fan-in 是什么Fan-out一个 Orchestrator 把任务拆开同时派给多个 Agent 并行去做。Fan-in这些 Agent 各自跑完后结果再汇聚回来由一处统一收口、汇总。这一散一聚是并行循环的基本骨架散出去是为了快收回来是为了不乱。Fan-out、验收、接力这些环节需要一个总控角色统一管起来。它掌管目标、负责派活等各路 Agent 干完后汇总结果再决定是 ship 还是 iterate迭代。这个角色就是 Orchestrator编排。到这里循环工程的轮廓就完整了用户设定目标 → Orchestrator 接手 → fan-out 并行执行 → 验收后 Ship 或 Iterate → 进度写进对话之外的 Memory让循环接力下去。接下来的问题是这个 Loop 该敞开探索还是该框定边界这就要分 「Open Loop」 和 「Closed Loop」 两种形态来谈。Open Loop 与 Closed Loop预算花在哪里把循环体交给 Agent 之后最先要面对的不是“它能不能干”而是“它要花多少”。同样一句目标落到不同形态的 Loop 上开销能差出一个量级。业界把这两类形态叫做 Open Loop 与 Closed Loop差别不在谁更聪明而在于预算花在哪里、花到什么时候为止。Open Loop探索面广但开销难预估Open Loop 的入口很轻你只需要给一句话“去看看该做什么然后把它做了”剩下的全交给 Agent 自己展开。它的运转方式是先观察现状你需要给它一系列 Connectors 或 Probes列出一堆候选方向挑一个动手做完不停回头看看还有什么可做接着展开下一个。第一次听到 Open Loop多数人会觉得有些玄乎。但我朋友的创业公司 Crewlet 在这条路上已经走了 2 个月。Crewlet 的 Agent 正在管理一个名为 SuperDesign 的创业公司他们把这些数据源全部交给了一个类似中央处理器的 OpenClaw AgentGitHub 代码仓库、Sentry 日志、Google Analytics 埋点与行为数据、Supabase 业务主库、AB 实验数据以及 Stripe 支付、X / Discord 社交数据、SEO、GEO……这个 Agent 每隔一段时间“醒来”自主查看核心经营数据与近期错误日志能做的事包括发现经营指标问题并归因从错误日志中定位 Bug直接改 GitHub 代码并提交 PR 上线发现大量用户卡在付费这一步原因是 Max / Pro 账号页面说明不清给即将到期的用户发送挽回邮件改 Agent 代码、增强 Prompt Caching提性能、省开支发起 AB 实验并分析报告进而迭代自身功能效果出奇地好。好处探索面广。 Agent 常会发现你事先没想到的方向例如某个被忽略的边界条件、一处可顺手改进的地方、一个你没意识到的依赖。它不受“我只想要 X”的约束能把问题空间走得更远。代价开销难估。 因为没有清晰的终点它可以朝任意方向持续展开Token 消耗难以事前预估只能靠一个外部预算上限兜住。所以 Open Loop 更适合预算充裕、以探索为目的的场景你要的本就是“它能帮我发现什么”而不是“在固定开销内交付一件确定的事”。Closed Loop有界目标开销可控Closed Loop 换了个起点从一个有界目标出发。目标确定路径大致看得清每一步做完都有明确验收Agent 沿路径推进用验收结果决定是收敛、还是回上一步重做达标即停正因为终点和验收事先定好开销也跟着可控你能比较有把握地估出“大概几轮收敛”也不太担心它绕到无关方向上去。代价是探索面窄它基本不会给你意外惊喜。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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025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 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取 小白程序员也能掌握的大模型Loop Engineering：轻松实现自动化循环工作流
本文深入浅出地介绍了Loop Engineering的概念和实践方法旨在帮助程序员和小白快速上手大模型自动化。通过将工作流驱动者从“你”换成“AI”实现自动化循环操作大幅提升工作效率。文章详细阐述了如何设定目标、设计循环体、利用Memory机制记录进度、运用Orchestrator进行统一管理等关键步骤并提供了两个实际案例补测试和网店增长进行说明。建议初学者先从Closed Loop开始实践逐步掌握Open Loop最终实现高效、智能的自动化工作流。前言过去几个月很多人其实都在反复做同一件事写一段 Prompt → 交给 Coding Agent等它跑完 → 查看结果、做个测试不对 → 再写下一段 Prompt直到满足心中的要求时间一长你会意识到这本身就是一个循环。 只不过那个负责“再来一轮”的循环体是坐在屏幕前的人。如果连“看守”这一步也交给 AI 呢 把屏幕前的用户也换成 AI Agent就引出了最近常被提起的热词Loop Engineering。这个名字听上去抽象落到实处其实只有一句话把 Loop 的执行者从人换成 Agent。原本由你亲自跑的“发现问题—想办法—动手—检查”循环现在交给 Agent 去跑。你要做的只剩开头把目标验收标准说清楚。不少 Coding Agent 重度用户早已通过 Skill 实践类似做法只是叫法不颗粒度不同。直到 Claude Code 作者 Boris 和 OpenClaw 作者 Peter 反复提及“Loop Engineering”它才逐渐流行。本文是把这套做法的骨架梳理出来让它从“Early Adopter 的先进工作流”变成“你也能照做的步骤”。有的人说Loop Engineering 就是数字员工的开始。先看一张全景图后文要展开的环节都在这幅 Closed Loop 里目标由用户设定之后 Discovery → Plan → Execute → Verify 依次接力达标就 Ship不达标就回到 Discovery 再来一轮Memory 位于对话之外为每一轮递上进度的“接力棒”知识点让 AI 给自己写下一个 Prompt循环工程里有个思路叫 self-prompting上一轮跑完后不由人来想“下一步该问什么”而是让 Agent 根据已有进展自己写下一轮要执行的 Prompt。这一步看似不起眼却是把“人当循环体”换成“Agent 当循环体”的关键拼图。人不再负责接力循环自己续上了。手工循环你就是循环的执行者回想过去几个月与 Coding Agent 打交道的节奏大概是这样你写 Prompt → Agent 干活 → 产出结果 → 你读结果、判断哪里不对 → 再写下一段 Prompt……如此往复直到做完。这套节奏熟练到让人忽略了一个事实它本身就是一个完整的循环。发现问题、想办法、动手、检查结果每个环节都在循环也确实在转。区别只在于循环体的执行者是你自己。Agent 干完一轮就停下安静等着。真正负责“判断、决定、再来一轮”的角色由人来扮演。换句话说这一轮里是机器在等你。图里最关键的是那条折返线从“你读结果”回到“你写 Prompt”标着“人肉轮询”。人被绑在了循环里最频繁的那个位置上。代价就藏在这条红线里Agent 每跑完一轮你都得回到屏幕前查看否则循环就停在那儿不动注意力被反复切走又切回刚开始写另一份文档那边一声“完成”提示音又得切回来一天下来注意力被切得很碎上下文在几件事间反复搬运真正连续投入的时间反而不多不知你是否也有同感用 AI Coding 之后类似 ADHD注意缺陷多动障碍俗称多动症的状态反而更明显了在 macOS “灵动岛”中查看不同 Coding Agent 的进度在 ESP32 单片机上查看和控制 Agent社区里甚至出现过用软件通知、ESP32 硬件来提醒“Agent 已经跑完了”的小工具从侧面也可以证“人盯着循环”这件事有多普遍。当你把代价摆在手工循环旁边问题就清楚了循环本身没问题问题在于让人去当那个一刻不能离开的循环体。既然其余环节 Agent 都能跑那个“再来一轮”的位置是不是也能交给 Agent这正是循环工程要回答的问题。循环工程把循环体交给 AgentLoop Engineering 的本质一句话把循环体的执行者从“你”换成“Agent”。手工循环里那个一刻不能离开的位置现在让 Agent 顶上。你要做的是从“每一轮都判断、都接力”缩减成“开头把目标说清楚一次”。这个新循环并不神秘就是把你脑子里那几步显式地交给 Agent 去走目标由 human 通过 /goal 设定一次。这是整个循环里 human 唯一必须做、也唯一不该交出去的事方向得你来定。你也可以借助 grill-me 等机制让 AI 采访你之后总结成最终目标。DiscoveryAgent 自己去发现这一轮要做什么而不是等你逐条派活。Plan把发现的事拆成清晰、可执行的步骤。Execute动手做。可以采取 fan-out 模式同时开多个 Agent 并行各自完成一件互不相干的子任务。Verify检查目标有没有达成。这是 Loop Engineering 里我认为最重要的一环。 它是 AI 充分理解需求后拆出的验收条件Rubric极其考验模型的推理能力包括但不限于 Lint、编译、单元测试、E2E 测试等。达标就Ship不达标就带着这一轮暴露的问题回到前面 Iterate用的正是前面说的 self-prompting。Memory最容易被忽视的一环下一节重点展开。可选一步Ship 之后让 Agent 想想接下来该做什么把下一轮入口也备好循环就能自己续下去。Memory活在对话之外一轮循环跑完进展得留下来下一轮才接得上。问题是进展该留在哪里失败的教训放在哪里❌ 常见误区把所有进展都堆回 Context Window指望 Agent “记得”上一轮干了什么。但工作记忆 Context 是有限的也容易因 attention 流失而被“遗忘”就是大家常说的 AI 失忆。✅ 正确做法把进度记录在对话之外。写进文件、写进一份结构化的状态记录让它独立于任何一次对话而存在。下一轮无论由哪个 Agent 来跑都能读到“现在到哪儿了”。Memory 不在对话里循环才稳得住。在我看来Memory 才是真正区别于“前几个月大家自行探索的 Loop” 与 “Boris 等人提出的 Loop Engineering”的地方它让 Agent 看上去更像真人了。Orchestrator编排掌管目标的那个 Agent知识点Fan-out / Fan-in 是什么Fan-out一个 Orchestrator 把任务拆开同时派给多个 Agent 并行去做。Fan-in这些 Agent 各自跑完后结果再汇聚回来由一处统一收口、汇总。这一散一聚是并行循环的基本骨架散出去是为了快收回来是为了不乱。Fan-out、验收、接力这些环节需要一个总控角色统一管起来。它掌管目标、负责派活等各路 Agent 干完后汇总结果再决定是 ship 还是 iterate迭代。这个角色就是 Orchestrator编排。到这里循环工程的轮廓就完整了用户设定目标 → Orchestrator 接手 → fan-out 并行执行 → 验收后 Ship 或 Iterate → 进度写进对话之外的 Memory让循环接力下去。接下来的问题是这个 Loop 该敞开探索还是该框定边界这就要分 「Open Loop」 和 「Closed Loop」 两种形态来谈。Open Loop 与 Closed Loop预算花在哪里把循环体交给 Agent 之后最先要面对的不是“它能不能干”而是“它要花多少”。同样一句目标落到不同形态的 Loop 上开销能差出一个量级。业界把这两类形态叫做 Open Loop 与 Closed Loop差别不在谁更聪明而在于预算花在哪里、花到什么时候为止。Open Loop探索面广但开销难预估Open Loop 的入口很轻你只需要给一句话“去看看该做什么然后把它做了”剩下的全交给 Agent 自己展开。它的运转方式是先观察现状你需要给它一系列 Connectors 或 Probes列出一堆候选方向挑一个动手做完不停回头看看还有什么可做接着展开下一个。第一次听到 Open Loop多数人会觉得有些玄乎。但我朋友的创业公司 Crewlet 在这条路上已经走了 2 个月。Crewlet 的 Agent 正在管理一个名为 SuperDesign 的创业公司他们把这些数据源全部交给了一个类似中央处理器的 OpenClaw AgentGitHub 代码仓库、Sentry 日志、Google Analytics 埋点与行为数据、Supabase 业务主库、AB 实验数据以及 Stripe 支付、X / Discord 社交数据、SEO、GEO……这个 Agent 每隔一段时间“醒来”自主查看核心经营数据与近期错误日志能做的事包括发现经营指标问题并归因从错误日志中定位 Bug直接改 GitHub 代码并提交 PR 上线发现大量用户卡在付费这一步原因是 Max / Pro 账号页面说明不清给即将到期的用户发送挽回邮件改 Agent 代码、增强 Prompt Caching提性能、省开支发起 AB 实验并分析报告进而迭代自身功能效果出奇地好。好处探索面广。 Agent 常会发现你事先没想到的方向例如某个被忽略的边界条件、一处可顺手改进的地方、一个你没意识到的依赖。它不受“我只想要 X”的约束能把问题空间走得更远。代价开销难估。 因为没有清晰的终点它可以朝任意方向持续展开Token 消耗难以事前预估只能靠一个外部预算上限兜住。所以 Open Loop 更适合预算充裕、以探索为目的的场景你要的本就是“它能帮我发现什么”而不是“在固定开销内交付一件确定的事”。Closed Loop有界目标开销可控Closed Loop 换了个起点从一个有界目标出发。目标确定路径大致看得清每一步做完都有明确验收Agent 沿路径推进用验收结果决定是收敛、还是回上一步重做达标即停正因为终点和验收事先定好开销也跟着可控你能比较有把握地估出“大概几轮收敛”也不太担心它绕到无关方向上去。代价是探索面窄它基本不会给你意外惊喜。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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025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 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取