代码小白想要学习上手aiagent 请给我制定高效学习流程

AI Agent 被认为是大模型未来的主要发展方向之一，其发展具有以下特点和阶段： 从原理上看，中间的“智能体”通常是 LLM 或大模型，为其增加了工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。 在人工智能的发展历程中，AI Agent 并非一蹴而就，其发展可分为几个阶段，并受到符号主义、连接主义、行为主义的影响。在人工智能的黎明时期，符号人工智能作为主导范式，以对符号逻辑的依赖著称，代表之作是基于知识的专家系统。其特点是基于逻辑和规则系统，使用符号来表示知识，通过符号操作进行推理。优点是推理过程明确、可解释性强，缺点是知识获取困难、缺乏常识、难以处理模糊性。时间为 20 世纪 50 70 年代。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等。AI Agent 在辅助高效处理信息和简便信息表达方面表现出色，例如智能摘要能辅助快速筛选信息，自然语言描述可生成美观可用的图片。在工作流方面，每个人应根据自身情况找到适合的工具，如产品经理可使用 AI 进行用户画像、竞品调研、设计产品测试用例、绘制产品功能流程图等。关于 AI Agent 的未来，曾被认为异想天开的想法都可能成为现实，技术迭代会不断向前。

以下是一些好用的购物推荐的 AI Agent： AutoGPT GUI：其 GUI 已开放 waitlist，可在 https://news.agpt.co/ 注册。 MULTI·ON plugin by MULTI·ON：今年 2 月开始使用，能在笔记本电脑上自动执行许多任务。现开发了 ChatGPT 插件，功能强大。链接：https://www.multion.ai/ ，演示：https://twitter.com/DivGarg9/status/1648394059483054081 。 BabyBeeAGI：由 Yohei 本人开发，有更强的任务管理等能力，但速度较慢，适合处理复杂任务。链接：https://replit.com/@YoheiNakajima/BabyBeeAGI?v=1 。 MiniAGI：基于 GPT3.5Turbo/4 的最小通用自主代理，保留简单实用功能，可执行多种任务，如订比萨。链接：https://github.com/muellerberndt/miniagi 。 此外，智谱的 AutoGLM 经过深度测试，展现出了较好的场景理解能力，如能准确区分“帮我买一杯咖啡”和“帮我买一包咖啡豆”并打开相应应用，但目前离好用还有一定距离，存在语音识别偏差、复杂界面操作稳定性待提升、只支持安卓等问题。 Cursor 虽然免费版只有 chat 功能，但其中的 Agent 功能只要给一个模糊指令，就会自动规划和解决问题。Cline 作为一个 AI 助手，能力有保障，长期霸榜 OpenRouter token 消耗榜，新版本还推出检查点功能。实际体验中，DeepSeekV3 和 Gemini 2.0 Flash Thinking 可作为不错的候选。

AI Agent 的概念起源可以追溯到达特茅斯会议开始讨论人工智能（Artificial Intelligence），之后马文·明斯基引入“Agent”概念，至此“AI”和“Agent”彻底聚齐。心灵社会理论认为，智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果，这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。明斯基在《心灵社会》中还详细描述了不同类型的 Agent 及其功能，如专家 Agent、管理 Agent、学习 Agent 等。

AI Agent 是一个热门且复杂的概念，被认为是大模型未来的主要发展方向。 在对其深入探讨前，首先要明确其定义和总结。AI Agent 是融合了语言学、心理学、神经学、逻辑学、社会科学、计算机科学等多学科精髓的综合实体，不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。因为这些学科多以人为研究对象，致力于探索人类内在本质。 网络上对 AI Agent 的介绍往往晦涩难懂，通过必应和 Kimi 的搜索也难以获得清晰的答案。 从原理上理解，中间的“智能体”通常是 LLM 或大模型，为其增加工具、记忆、行动、规划这四个能力。目前行业里主要用到的是 langchain 框架，它把 LLM 之间以及 LLM 和工具之间通过代码或 prompt 的形式进行串接。比如长期记忆是给大模型一个数据库工具记录重要信息，规划和行动是在大模型的 prompt 层做逻辑，将目标拆解并输出固定格式指令给工具。但 langchain 或 AI Agent 不止这些，还有其他代码逻辑，主要的主干逻辑在 prompt 层和工具层。

AI Agent 是一个融合了语言学、心理学、神经学、逻辑学、社会科学、计算机科学等多个学科精髓的综合实体，不仅拥有实体形态，还蕴含丰富的概念形态，并具备许多人类特有的属性。因为这些学科大多以人为研究对象，致力于探索人类内在的本质。 同时，AI Agent 也是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。它包括以下几个概念： 1. Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作是一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 2. Router：可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 3. Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 此外，还需要三个 Agent： 1. Responser Agent：主 agent，用于回复用户（伪多模态）。 2. Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体）。 3. Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈。 这三个 Agent 每隔一段时间运行一次（默认 3 分钟），运行期间会分析历史对话，变更人物关系（亲密度，了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，有概率主动聊天（与亲密度正相关，跳过夜间时间）。

AI Agent 是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。AI Agent 包括以下几个概念： Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作是一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 Router：我们可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 总结下来，有三个 Agent： Responser Agent：主 agent，用于回复用户（伪多模态）。 Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体）。 Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈。 这三个 Agent 每隔一段时间运行一次（默认 3 分钟），期间会分析历史对话，变更人物关系（亲密度、了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，并且有概率主动聊天（与亲密度正相关，跳过夜间时间）。 对于 Java 程序员来说，可以利用 AI Agent 中的工具调用功能，例如对相关技术文档的搜索和检索，以辅助解决编程中的问题；也可以借助其分析和理解能力，对代码逻辑进行审查和优化建议等。

学习 Coze 入门可以参考以下方法： 1. 首先，可以通过体验共学快闪活动中参赛的作品来初步了解 Coze 的功能和应用。 2. 观看相关的分享回放，例如： 5 月 7 号，大聪明分享“Agent 的前世今生”，了解每个分享人最初接触 Coze 的情况以及现在的使用情况。 5 月 8 号，大圣分享“我眼中的 AI Agent 以及通过搭建知识库实例入门 Coze”。 5 月 9 号，艾木分享“Agent 系统的核心构成：Workflow 和 Multiagent Flow（以‘Dr.Know’和‘卧底’为例）”并参加线上答疑。 5 月 10 号，罗文分享“一个方法解锁 COEZ 所有插件的用法+如何自动化解锁每天抓取 X 内容+改写+发布到飞书”。 5 月 11 号，Itao 分享“和 AI 成为搭子”并参加线上答疑。 3. 了解 Coze 是字节跳动做的 AI agent 产品，中文名为扣子，它是一套工作流，能让 AI 做您想让它做的事情，并且运行更稳定。 4. 体验一些不错的扣子应用，如爸妈防骗助手、热点文章生成器等，以加深对 Coze 的理解和应用能力。

以下是关于学习使用 AI 模型的一些建议和知识： Teachable Machine： 这是由 Google 开发的机器学习工具，可应用于商品说明书、自动驾驶、教学互动等多个场景。使用步骤如下： 1. 收集数据：可上传图片、录制声音或动作视频作为训练数据。 2. 训练模型：用收集的数据训练模型，并测试其能否正确识别新的图片、声音或动作。 3. 导出模型：完成训练后，可下载或上传到网上用于其他项目。 它具有多种优势： 1. 允许用户快速、简单地创建机器学习模型，无需专业知识或编程技能。 2. 提供多种创建机器学习模型的方式，非常灵活和用户友好。 3. 支持使用文件或实时捕捉示例，用户可选择上传已有文件或实时录制。 4. 可以在本地完成训练，保护用户隐私。 5. 生成的模型是真实的 TensorFlow.js 模型，可在任何运行 JavaScript 的地方工作，还能导出到不同格式在其他地方使用。 AI 模型相关技术原理： 1. 概念：生成式 AI 生成的内容称为 AIGC。 2. 相关技术名词： AI 即人工智能。 机器学习是电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习从反馈里学习，最大化奖励或最小化损失，类似训小狗。 深度学习参照人脑有神经网络和神经元，因为有很多层所以叫深度，神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型，生成图像的扩散模型不是大语言模型，对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解。 3. 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制来处理序列数据，不依赖于循环神经网络或卷积神经网络。

以下是为您提供的关于“基于机器学习的中国股市波动率预测与美股市场对比分析”的论文框架： 一、引言 1. 研究背景和意义 阐述机器学习在金融领域的应用现状 强调股市波动率预测的重要性 说明中、美股市对比的价值 2. 研究目的和问题 明确预测股市波动率的具体目标 提出中、美股市对比的关键问题 3. 研究方法和数据来源 介绍所采用的机器学习算法 说明中国股市和美股市场的数据获取途径 二、相关理论与文献综述 1. 机器学习在股市预测中的应用 列举常见的机器学习模型及其在股市预测中的效果 分析其优缺点 2. 股市波动率的理论和测量方法 解释波动率的概念和计算方法 介绍常用的波动率模型 3. 中、美股市的特点和差异 对比两国股市的交易制度、投资者结构等方面 总结已有研究中关于中、美股市波动率的差异 三、数据预处理与特征工程 1. 数据收集与清洗 详细描述中国股市和美股市场的数据收集范围和时间跨度 处理缺失值、异常值等数据问题 2. 特征选择与构建 确定影响股市波动率的关键特征 构建新的特征变量 3. 数据标准化与归一化 说明对数据进行标准化和归一化的方法和目的 四、模型构建与训练 1. 选择合适的机器学习模型 比较不同模型（如随机森林、支持向量机、神经网络等）的适用性 确定最终选用的模型 2. 模型训练与优化 描述训练过程中的参数调整和优化方法 展示模型的性能评估指标 3. 模型验证与比较 使用交叉验证等方法验证模型的准确性 对比不同模型的预测效果 五、中国股市波动率预测结果与分析 1. 预测结果展示 以图表形式呈现中国股市波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析预测结果的准确性和可靠性 探讨影响预测效果的因素 3. 敏感性分析 研究模型参数和输入特征对预测结果的敏感性 六、美股市场波动率预测结果与分析 1. 预测结果展示 以图表形式呈现美股市场波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析美股市场预测结果的特点和差异 对比中、美股市预测结果的异同 3. 影响因素分析 探讨美股市场特有的影响波动率的因素 七、中、美股市波动率对比分析 1. 波动率特征对比 比较中、美股市波动率的均值、方差、峰度等统计特征 分析波动率的周期性和趋势性 2. 影响因素对比 对比两国股市中影响波动率的宏观经济因素、政策因素等 讨论投资者行为对波动率的影响差异 3. 风险评估与管理对比 评估中、美股市的风险水平 对比风险管理制度和策略 八、结论与展望 1. 研究结论总结 概括中、美股市波动率预测的主要成果 总结对比分析的关键发现 2. 研究的局限性 指出研究过程中存在的不足之处 3. 未来研究方向 提出进一步改进模型和拓展研究的方向 对中、美股市波动率研究的展望 数据图表要求： 1. 中、美股市历史波动率的折线图 2. 不同机器学习模型预测效果的对比柱状图 3. 中、美股市波动率特征的统计表格 4. 影响中、美股市波动率的因素的相关性矩阵图 5. 中、美股市风险评估的雷达图

以下是新手学习 AI 的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 对于中学生学习 AI，建议如下： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始学习，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习打下基础。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验 AI 的应用场景。 探索一些面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

学习提示词可以参考以下方法： 1. 基础概念学习 了解相关模型（如 Stable Diffusion）的工作原理和架构。 理解提示词如何影响生成结果。 掌握提示词的组成部分，如主题词、修饰词、反面词等。 2. 研究官方资料 通读官方文档，获取提示词相关指南。 学习开发团队和专家的教程与技巧分享。 3. 熟悉常见术语和范例 了解 UI、艺术、摄影等领域的专业术语和概念。 研究优秀的图像标题和描述作为范例。 4. 掌握关键技巧 学会组合多个词条精确描述想要的效果。 掌握使用特定符号控制生成权重。 学会处理抽象概念、情感等无形事物的描述。 5. 实践与反馈 用不同提示词生成各种风格和主题的图像。 对比结果，分析原因，总结经验。 在社区分享，请教高手获取反馈建议。 6. 创建提示词库 按主题、风格等维度建立自己的词库。 记录成功案例，方便后续参考复用。 7. 持续跟进前沿 关注模型的最新更新和社区动态。 掌握提示词的新技术、新范式和新趋势。 此外，还需注意： 1. 理解提示词的作用，它为模型提供上下文和指示，影响输出质量。 2. 学习构建技巧，明确任务目标，提供背景信息和示例，使用清晰指令，明确特殊要求。 3. 参考优秀案例，在社区、Github 等资源中寻找。 4. 多实践、迭代和优化，尝试变体并分析输出差异。 5. 活用提示工程工具，如 Anthropic 的 Constitutional AI。 6. 跟上前沿研究，关注最新成果和方法论。 提示词学习可分为五个维度，舒适的学习顺序是： 1. 场景：直接切入提示词的场景学习，对比不同场景下提示词的使用效果。 2. 工具：使用现成方便的提示词工具，包括 Meta Prompt、Al 角色定制等。 3. 有效语句：学习大量经典论文中提出的提示词语句。 4. 方法论：将有效语句及其原理整合成稳定可控的方法，自动编写稳定的提示词。 5. 思维框架：构建整体的思维框架，融入提示词学习课程。

很抱歉，暂时没有关于“基于机器学习的中国股市波动率预测与美股市场对比分析”这一论文题目的详细框架相关内容。但我可以为您提供一个大致的框架思路供您参考： 一、引言 1. 研究背景和意义 阐述中国股市和美股市场的重要性 说明波动率预测的价值 2. 研究目的和问题 明确对比分析的主要目标 提出具体的研究问题 二、文献综述 1. 机器学习在股市波动率预测中的应用 总结相关方法和模型 分析其优缺点 2. 中国股市和美股市场波动率的特征 回顾已有研究成果 指出研究空白 三、理论基础与方法 1. 机器学习算法介绍 如随机森林、支持向量机等 解释其原理和适用场景 2. 数据来源和预处理 说明中国股市和美股市场的数据来源 描述数据清洗和预处理的步骤 3. 波动率计算方法 介绍常用的波动率计算指标 四、实证分析 1. 模型构建与训练 运用所选机器学习算法构建预测模型 展示训练过程和参数调整 2. 结果评估与比较 评估中国股市和美股市场预测结果的准确性 进行对比分析 数据图表要求：绘制预测结果与实际波动率的对比图 3. 影响因素分析 探讨可能影响波动率预测的因素 数据图表要求：绘制影响因素与波动率的关系图 五、结论与展望 1. 研究结论总结 概括中国股市和美股市场波动率预测的成果 对比分析的主要发现 2. 研究的局限性 指出研究中存在的不足 3. 未来研究方向 提出进一步研究的建议和方向 以上框架仅供参考，您可以根据实际研究需求进行调整和完善。

以下是为您提供的相关学习课程，方便您零基础代码学习并搭建自己的工作流： 8 月 13 日 ComfyUI 共学： 讨论了 Config UI 的学习需求、教程分享、部署问题、应用场景，以及相关活动的规划。 分享了 Config UI 工作流在不同场景的应用、优势、弊端以及学习方法，还提及了相关的分享会和开源社区的情况。 探讨了 CONFIUI 的使用、工作流分享、报错问题及解决方案，还有相关课程的设计安排。 讨论了郭佑萌在 AI 绘图领域的工作经历，包括项目实践、技术调研、培训以及未来的教学计划等内容。 介绍了 AI 绘图课程的规划。 课程从零基础开始，从认识 config、UI 及行业概念讲起，逐步深入到环境部署、底层技术概念、提示词等内容。 介绍了 config 牛角尖大王系列，包括 control net、IP Adapter、图像放大、mask 等部分，阐述了它们的作用和玩法。 学习相关知识后初步具备搭建复杂工作流能力，会拆解分析网上热门工作流。 报错问题可分为网络、模型、工作流搭建、环境等方面，安装新插件时可参考项目地址的 requirement 文档。 规划了实战案例思路。 ComfyUI 共学快闪： 王蓉🍀🎈Wang Easy 基础搭建和转绘。 唯有葵花向日晴基础教程，工作流开发，实际应用场景。 热辣 HuolarrAI 系统课私聊图生视频。 咖菲猫咪基础教程/工作流搭建思路/各版本模型使用的优缺点。 傅小瑶 Lucky 如何制作多人转绘视频。 云尚工作流节点搭建思路。 FǎFá 热门节点功能，搭建。 森林小羊基本报错解决方式及基础工作流逻辑分析。 苏小蕊基础教程。 Sophy 基础课程。 蜂老六装一百个最新常用插件后如何快速解决冲突问题。 阿苏工作流框架设计。 aflyrt comfyui 节点设计与开发。 老宋&SD 深度解释虚拟环境部署和缺失模型的安装。 Liguo 模型训练。 啊乐福基础课程。 塵优秀案例。 风信基础课程➕平面设计应用场景。 北南基础课程。 视频工作流框架设计。 Damon 基础课程。 渔舟基础课程+工作流搭建思路。 乔木船长工作流。 ☘️基础教程。 ☘基础教程。 工作流设计+典型案例剖析。 麒白掌工作流搭建。 OutSider 风格迁移。 吴鹏基础+工作流搭建。 拾光工作流基础搭建从入门到精通。 茶浅浅。视频转绘/节点工作流介绍。 百废待.新（早睡版）工作流从入门到进阶。 电商应用场景。 AI 女友麦洛薇（0 代码 comfyui 搭建，知识图谱稳定人设，无限上下文，永久记忆，可接入飞书）： 打开 Comfyui 界面后，右键点击界面，即可找到 Comfyui LLM party 的目录，您既可以学习如何手动连接这些节点，从而实现一个最简单的 AI 女友工作流，也可以直接将工作流文件拖拽到 Comfyui 界面中一键复刻麦洛薇机器人。 飞书机器人创建： 在中创建自建应用。 进入应用获取 app_id 与 app_secret。 添加应用能力>开启机器人应用能力。 权限管理>消息与群组>选择需要的权限打开。 安全设置>将 comfyUI 运行的电脑 IP 加入白名单。 发布机器人以应用生效。 要先把创建的机器人拉到群组中或者拉进私聊。 飞书开发平台找到发送消息的开发文档。 右侧点击获取 token。 选择 receive id type，chat_id 对应群组，open_id 与 user_id 对应个人，点击选择成员，复制对应的 id 即可。 如果需要让机器人发送语音，需要自行在电脑上安装 ffmpeg。

学习不同的 AI 课程并熟练上手实操所需时间因人而异，但大致估计如下： 《雪梅 May 的 AI 学习日记》中制作微信机器人的共学课程，包含 6 个分享，每个分享 2 3 小时，需要有大块完整时间，可能需要数天甚至更长时间才能学完。 入门强化学习，如果没有基础，学习概率论和线性代数相关课程大约需要周末一天时间；吴恩达和李宏毅的课程约 25 小时；《动手学深度学习》前五章约 10 小时；王树森课程的前几节约 5 小时；《动手学强化学习》看到 DQN 部分约十几小时。 微软 AI 初学者入门课程为期 12 周、共 24 课时。 需要注意的是，这只是一个大致的估计，实际所需时间会受到个人学习能力、投入程度等因素的影响。

对于职场人士学习 AI ，可以按照以下步骤上手： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 如果您偏向技术研究方向，学习路径包括： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您偏向应用方向，学习路径包括： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 对于不会代码的职场人士，还可以参考“写给不会代码的你：20 分钟上手 Python+AI”，在接下来的 20 分钟内，循序渐进地完成以下任务： 1. 完成一个简单程序。 2. 完成一个爬虫应用，抓取公众号文章。 3. 完成一个 AI 应用，为公众号文章生成概述。

Coze 中的工作流、智能体、应用 Bot 具有以下特点、差异和共同点： 特点： 工作流：包括图像工作流，可进行图像流分类（如智能生成、智能编辑、基础编辑），按照构架配置工作流，调试效果等。 智能体：设定角色，对工作流有详细描述和调用规则，能实现从简单到复杂的不同流程自动化。 Bot：有不同的运作模式（单智能体模式和多智能体模式），可选择模型，配置技能（如插件、工作流、图像流和触发器等），还有知识区域和记忆区域。 差异： 工作流侧重于具体的任务流程配置和图像处理方面。 智能体更注重角色设定和工作流的调用规则。 Bot 则在运作模式、模型选择和技能配置上有独特之处。 共同点： 都与 Coze 平台相关，相互配合以实现各种功能。 对于新手小白逐步上手的建议： 先了解 Coze 平台的基本操作和界面。 从简单的图像工作流开始尝试，熟悉工作流的创建和配置流程。 逐步学习智能体的设定和工作流的调用规则。 再深入研究 Bot 的模式选择、模型选择和技能配置。 参考平台提供的示例和教程，多进行实践和调试。

对于非技术背景的产品经理快速上手 AI ，可以参考以下建议： 1. 从基础小任务开始： 让 AI 按照最佳实践写一个 say hello 的示例程序，并解释每个文件的作用及程序运行的逻辑，学会必备的调试技能。 若使用 o1mini ，可在提示词最后添加“请生成 create.sh 脚本，运行脚本就能直接创建插件所需要的所有文件。请教我如何运行脚本。”（Windows 机器则是 create.cmd），它会为您生成代码并给出提示，方便一次性生成多个目录和文件。 2. 明确项目需求： 通过和 AI 的对话，逐步明确项目需求。 让 AI 帮助梳理出产品需求文档，包含影响技术方案选择的细节，后续开发时每次新起聊天就把文档发给 AI 并告知在做第几点功能。 此外，在将 AI 大模型能力接入微信等应用场景时，非技术从业者需要注意解决模型存在幻觉、胡乱回答的问题。在配置问答机器人时，要关注左侧的 AI 模型、提示词、知识库这三处配置。 对于 AI 产品经理，个人划分仅供娱乐和参考： 1. 入门级：能通过 WaytoAGI 等开源网站或一些课程了解 AI 概念，使用 AI 产品并尝试动手实践应用搭建。 2. 研究级：有技术研究和商业化研究两个路径，能根据需求场景选择解决方案，或利用 Hugging face 等工具手搓出一些 AI 应用来验证想法。 3. 落地应用级：有成功落地应用的案例并产生商业化价值。 总之，AI 产品经理要懂得技术框架，不一定要了解技术细节，而是对技术边界有认知，最好能知道一些优化手段和新技术的发展。产品经理要关注的还是场景、痛点、价值。

以下是为您提供的快速上手 AI 软件的建议： 对于小白来说，要快速上手 AI 软件，可以参考以下步骤： 使用 Cursor AI 编程软件： 1. 分辨两个模式：Chat 模式可与大模型对话，Composer 模式能即时反馈，直接创建文件和填写代码。 2. 例如在 Composer 模式下输入“给我创建一个 2048 的网页游戏吧”，等待 1 2 分钟生成。 3. 生成后可能会有两个文件，可打开文件夹找到 index.html 双击运行。 4. 若环境报错双击打不开，可截图在 composer 对话框询问解决方法。 对于普通人直观初接触 AI 工具： 1. 了解最低成本能直接上手试的工具以及自己能否尝试。 2. 了解现在最普遍/最好的工具及其能达到的效果。 3. 虽然底层都是大模型，但 AI 工具各有侧重且不同公司有各自优化。 4. 为了更直观上手，可选择聊天工具、绘画工具、视频工具、音乐工具等展开体验。 关于每一种工具的详细入门、讲解和应用，WayToAIG 已经分好了类目。

以下是为您推荐的适合小白入门的 AI 课程： 1. 【野菩萨的 AIGC 资深课】：由工信部下属单位【人民邮电出版社】开设，是市面上为数不多的值得推荐的 AI 课程之一，也是全网技术更新最快的课程。课程内容涵盖 AI 绘画、视听语言和 ChatGPT 等多个体系的知识。无论您是 AI 初学者还是进阶者，这门课程都能满足您的学习需求。您可以扫码添加菩萨老师助理，了解更多信息。 2. 【Agent 共学】相关课程： 元子：小白的 Coze 之旅：https://waytoagi.feishu.cn/wiki/FaT 5 月 8 日大圣分享《Coze 全流程搭建》：https://waytoagi.feishu.cn/wiki/SA7Rw77Y6iDyQDkfmbociFU8nqh 大圣：胎教级教程：万字长文带你使用 Coze 打造企业级知识库：https://waytoagi.feishu.cn/wiki/CT3UwDM8OiVmOOkohPbcV3JCndb 安仔：Coze 全方位入门剖析免费打造自己的 AI Agent：https://waytoagi.feishu.cn/wiki/SaCFwcw9xi2qcrkmSxscxTxLnxb

对于 2025 年环境下的 AI 小白，以下是一些学习建议和学习内容，以帮助您赶上初始 AI 人的脚步： 1. 积极参与相关活动： 参加类似上海火山引擎原动力大会、camelai 的现场黑客松活动等。 参与社区共学智能体搭建的课程分享。 报名参加如 VB 等各类 AI 建模和绘画活动。 2. 学习提示词： 从复制社区里他人的提示词开始，逐渐提升自己撰写提示词的能力。 了解提示词撰写的要点，如明确主体、动作、场景，避免使用专有名词和网络名词，给 AI 清晰描述。 3. 参与社区共建： 写产品体验文章等，与其他学习者交流经验。 4. 制定学习计划： 明确学习目标和步骤，例如规划参与特定的课程和活动。 5. 学习 AI 编程： 认识到不懂代码学 AI 编程入门不易，但可借助工具。 参加如 build down tree AI 编程挑战活动。 按照后续课程安排进行系统学习。 6. 学习 AI 视频制作： 重视人物设定与剧本，包括主体、动作、场景等要素。 掌握分镜处理，明确用几个镜头表述内容。 熟悉生成与后期的流程，包括抽卡、粗检和如 AI 配音剪辑、加过渡滤镜等后期处理。 做好脚本即提示词，耐心抽卡，不断提升撰写提示词能力。 选择适合自己的工具，如剪映（主力机是 MacBook Pro 可使用 final cut）。 向 ChatGPT 询问获取灵感。 总之，要相信自己，只要不停下学习的脚步，就一定能够在 AI 领域取得进步。

对于想学习 AI 的小白，以下是一些推荐和需要注意的方面，以及技术学习路线： 一、基础知识 1. 了解 AI 基本概念 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 数学基础 学习线性代数、概率论、优化理论等。 3. 编程基础 掌握 Python、C++等编程语言。 二、学习路径 1. 偏向技术研究方向 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 2. 偏向应用方向 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 三、深入学习和实践 1. 选择感兴趣的模块深入学习 AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 2. 实践和尝试 理论学习之后，通过实践巩固知识，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 3. 体验 AI 产品 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

对于小白学习人工智能，建议从以下几个方面入手： 1. 了解 AI 基本概念：首先，阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。同时，浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅：在「」中，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。同时，建议掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品：与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 另外，您可以参考《雪梅 May 的 AI 学习日记》，其中提到适合纯 AI 小白的学习模式是输入→模仿→自发创造。同时要记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得自己的成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

对于小白学习 AI，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库中有很多大家实践后的作品、文章分享。 5. 体验 AI 产品： 与现有的 AI 产品（如 ChatGPT、Kimi Chat、智谱、文心一言等）进行互动，了解其工作原理和交互方式。 如果您是零基础小白： 1. 网上找基础课程学习。 2. 看一些科普类教程。 3. 阅读 OpenAI 的文档，理解每个参数的作用和设计原理。 4. 推荐使用的练手 Prompt 工具： 拥有一个大模型帐号，如 ChatGPT4 或国产平替：。 5. 阅读相关文档：

对于小白学习 AI，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据自身兴趣选择特定模块深入学习。 掌握提示词的技巧，因其上手容易且有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 知识库中有很多实践后的作品、文章分享，欢迎实践后进行分享。 5. 体验 AI 产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 6. 持续学习和跟进： AI 发展迅速，新成果和技术不断涌现，关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 此外，还可以参考《雪梅 May 的 AI 学习日记》，其适合纯 AI 小白，作者的学习模式是输入→模仿→自发创造，学习资源免费开源。但需注意，其中的学习内容可能因 AI 节奏快而不适用最新情况，可在 waytoAGI 社区发现自己感兴趣的 AI 领域，学习最新内容。同时，学习状态和时间安排因人而异，能学多少算多少。