大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
     
OpenClaw和Hermes都是通用Agent系统，但侧重点不同。OpenClaw强调本地优先的Gateway控制面，擅长多入口接入和设备协同；Hermes则聚焦学习型执行循环，支持Agent经验沉淀和自我改进。两者在技能体系、记忆方式、安全策略等方面存在差异，选择时需根据实际需求权衡。
 

最近 Hermes Agent 很火，媒体、Reddit 上"I ditched OpenClaw for Hermes"的帖子接连不断，国内也有不少朋友在问同一个问题：

它们到底是同一类东西吗？Hermes 能直接替代 OpenClaw 吗？

这个问题正好点中了最容易混淆的地方。

先把共识摆出来：OpenClaw 和 Hermes 都属于通用 Agent 系统。它们都不是单点脚本，也不是某个聊天渠道里的 bot。它们都在尝试把模型、工具、会话、记忆、Skills、消息入口和本地运行环境接成一套可以长期使用的系统。

大家觉得它们像，完全正常。它们都聊 Gateway，都聊 Skills，都聊 Memory，都能接聊天入口，也都关心本地化、工具权限和用户数据迁移。

但工程重心完全不同。

OpenClaw 更像一个本地优先的 Agent Gateway，重点是把真实世界的入口、会话、设备和权限接起来。Hermes 更像一个学习型 Agent Runtime，重点是让 Agent 在执行过程中沉淀经验，下次少走弯路。

之前几篇文章里，我们分别梳理过 OpenClaw 的"作业系统"味道，拆过它最容易混的渠道、账号、Agent、会话、记忆五层关系，也拆过 Hermes 的闭环学习循环和源码实现。具体可以看下我们的往期推文。

本文把它们放在同一张思考里。

不是为了吹嘘谁更强更厉害，而是让我们一起来了解和深入分析：这两个通用 Agent 的区别是什么，它们到底在解决哪一层问题。

---

• • 它们确实是同一大类东西。 OpenClaw 和 Hermes 都可以理解为通用 Agent 系统，都不只是聊天机器人，也不只是工具集合。
• • OpenClaw 的核心资产是 Gateway 控制面。 它把 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、Matrix、Feishu、LINE、WeChat、WebChat 等入口接进来，再用 Gateway 管会话、路由、节点、工具和安全策略。
• • Hermes 的核心资产是学习型执行循环。 它强调 self-improving agent、closed learning loop、自动创建和修补 skills、FTS5 会话搜索、Honcho 用户建模，以及本地、Docker、SSH、Daytona、Singularity、Modal 六种执行后端。
• • 两者都有 Skill，但语义不同。 OpenClaw 更偏"人定义技能，系统负责加载和治理"；Hermes 更偏"Agent 做完复杂任务以后，把成功路径沉淀成 procedural memory"。
• • 安全思路不同。 OpenClaw 走信任模型 + 配置审计路线；Hermes 走纵深防御路线，从审批到容器隔离逐层收紧。
• • 迁移能做，但更像低成本试用入口。 Hermes 支持 hermes claw migrate，能导入 OpenClaw 的 persona、memory、skills、allowlist、部分 messaging settings 和 allowlisted secrets。但迁移配置，不等于迁移整套使用方式。
• • 如果你缺的是多入口助理和治理面，OpenClaw 更贴合。 如果你缺的是长期重复任务里的经验沉淀和自我改进，Hermes 更值得试。

---

OpenClaw 和 Hermes 之所以会被放在一起比较，不是误会。它们确实有相似的系统边界。

一个现代通用 Agent 系统，通常不只是"模型加提示词"。在之前那篇 Harness 文章里，我们把这几层拆开过：

• • LLM 更像引擎；
• • Agent Loop 更像工作节奏；
• • Harness 更像给 Agent 配好的工位、规范、工具链、权限和验收机制；
• • Memory、Skills、Context、工具调用、执行环境，都会影响最后的可用性。

从这个角度看，OpenClaw 和 Hermes 都已经越过了"模型包装器"的阶段。

它们都在做一件更接近真实使用的事：把 Agent 放进一个长期运行的工程环境里。

这也是容易混淆的根源。

它们都是通用 Agent，但厚度长在不同位置。

OpenClaw 把厚度长在入口、控制面和多设备协同上。

Hermes 把厚度长在执行循环、技能沉淀和跨会话经验复用上。

这一点看清楚，后面的架构、安全、迁移和选型都会更容易理解。

---

很多对比容易卡住，是因为一上来就列功能表。

功能表有用，但容易把人带偏。两个系统都支持聊天入口、工具调用、skills、memory、模型切换，于是看起来像"同类竞品"。

更有用的拆法是把 Agent 系统分成几层：入口、控制面、执行循环、经验层。

OpenClaw 的 README 里有一句话值得留意：“The Gateway is just the control plane — the product is the assistant.” 它不只是在做一个聊天机器人，更像一个本地优先、可接多入口、可接设备节点、可接 WebChat 和 Dashboard 的控制面。

Hermes 的 README 则把自己定义成"The self-improving AI agent"。值得看的地方是 built-in learning loop：从经验中创建 skills，在使用中改进 skills，搜索过去的会话，并逐步构建用户模型。

背后的团队也不同。OpenClaw 由独立开发者 Peter Steinberger 创建，凭借极简安装和多渠道接入快速积累了大量 GitHub Star。不过 Steinberger 今年 2 月加入 OpenAI，项目已交给社区基金会维护，后续的发展节奏还在观察。Hermes 背后是 Nous Research，Hermes 系列模型（Hermes 3、Hermes 4）的缔造者，对模型训练和推理优化有第一手积累，上线不到两个月社区增长很快。

用一句话概括：

OpenClaw 管入口和秩序，Hermes 管执行和经验。

---

我们之前梳理过，OpenClaw 不只是聊天窗口，它更像一个按会话串行执行的作业系统。你看到的是聊天入口，系统内部跑的是一套消息接入、路由、会话和记忆加载机制。

本文对比的语境下，这个判断仍然成立。

OpenClaw 的定位是 personal AI assistant。你把它跑在自己的设备或服务器上，然后通过熟悉的聊天入口和它交互。

它的渠道列表很长：WhatsApp、Telegram、Slack、Discord、Google Chat、Signal、iMessage、BlueBubbles、IRC、Microsoft Teams、Matrix、Feishu、LINE、Mattermost、Nextcloud Talk、Nostr、Synology Chat、Tlon、Twitch、Zalo、WeChat、WebChat。代码仓库里还有专门的 macOS menu bar app、iOS/Android node、Voice Wake、Talk Mode、Live Canvas（A2UI）。

这个细节有分量。对很多真实用户来说，Agent 的第一道门槛经常还没到 ReAct，而是这些更朴素的问题：

• • 我能不能从 Telegram 发它？
• • 我能不能从 Discord 群里唤起它？
• • 我能不能让它跑在家里的小机器上？
• • 我能不能让家人、同事、设备节点以不同权限接入？

OpenClaw 的 Gateway 正是在处理这些问题。

它先把入口和控制面做厚，再让 Agent 在这个秩序里工作。

这类系统的难点，不只是发起一次模型调用。更麻烦的是多渠道状态、会话隔离、群聊激活规则、消息分片、凭据存放、配对策略、设备节点权限、WebSocket 控制面、Dashboard，以及一堆看起来不起眼但上线后每天都会碰到的边界条件。

所以把 OpenClaw 简化成"一个工具箱"，多少有些低估它了。它更像一个 Agent 版的个人通信与设备控制平面。

更具体的可以了解我们之前整理的文章:

OpenClaw 多 Agent 实战：从"单军作战"到"龙虾军团"

OpenClaw 是怎么工作的？一条消息的旅程讲清楚

深度拆解 Clawdbot（OpenClaw）架构与实现

---

Hermes 的重心不一样。

它当然也有 CLI 和 Messaging Gateway，也能接 Telegram、Discord、Slack、WhatsApp、Signal 等入口。但如果只从"能接哪些平台"看 Hermes，就会错过它最有意思的地方。

在之前那篇 Hermes 架构拆解里，我们拆过它的几个关键模块：run_agent.py、model_tools.py、skill_manager_tool.py、hermes_state.py。

本文只抓和 OpenClaw 对比最相关的一点：Hermes 把 Agent 的执行过程当成长期资产。

它的 README 里，closed learning loop 被放在非常靠前的位置：Agent-curated memory、autonomous skill creation、skills self-improve、FTS5 session search、Honcho user modeling。

翻成工程语言，大概是四件事：

1. 1. 当前任务怎么跑，靠 Agent loop 和 tool runtime。
2. 2. 过去做过什么，靠 session store 和搜索召回。
3. 3. 哪些流程值得复用，沉淀成 skill。
4. 4. 用户长期偏好和行为模式，交给 memory provider 和 Honcho 用户建模。

代码里也能看到这条线。run_agent.py 负责完整的 tool calling conversation loop；model_tools.py 负责工具发现和分发；skill_manager_tool.py 开头就写着"Skills are the agent’s procedural memory"，允许 Agent 创建、更新、删除 skills，把成功路径变成 reusable procedural knowledge；hermes_state.py 用 SQLite + FTS5 存会话和做全文检索，支持 WAL 模式的并发读写和基于 source tag（cli、telegram、discord 等）的过滤。

Hermes 更关心的问题是：

当它完成了一个复杂任务以后，这段经验会不会消失？下次做同类任务，它能不能少试错？

这套设计想解决的，是一个老问题：

Agent 每次从零开始，成本很高。

如果它已经踩过坑、跑通过流程、修过某个复杂错误，就可以把这条路径保存下来。下一次同类任务，不需要重新"聪明"一次，只要复用之前沉淀过的工作方法。

有 Reddit 用户反馈，Agent 在两小时内自动生成了三份技能文档后，重复性研究任务的速度提升了约 40%。这类数据还需要更多验证，但方向感是清楚的。

它把很多 Agent 产品挂在嘴边的"长期记忆"，往 procedural memory 的方向又推了一步。

更具体的可以了解我们之前整理的文章:

Hermes Agent 架构拆解：会复盘、可成长的 Agent，到底怎么实现的?

很多对比会说：OpenClaw 是人工写 Skill，Hermes 是自动生成 Skill。

方向没错，但容易过度简化。

在之前那篇 Anthropic Skills 文章里，我们聊过：Skill 可以从提示词开始，但它更像一个 Agent work unit。它可以是一个目录，里面有 SKILL.md，也可以有参考资料、脚本、模板、资产和踩坑记录。

把这条线放到 OpenClaw 和 Hermes 上，会更容易看懂差异。

OpenClaw 有一套完整的技能体系。代码仓库里已经内置了 50 多个 skill 目录（1password、discord、slack、github、coding-agent、apple-notes、voice-call 等），支持 AgentSkills-compatible skill folders，每个 skill 是一个包含 SKILL.md 的目录。系统按 bundled skills、managed/local skills、personal agent skills、project agent skills、workspace skills 分层，通过加载优先级和 gating 做治理。

• • 哪些技能来自系统；
• • 哪些来自本地用户；
• • 哪些属于某个 workspace；
• • 哪些需要特定环境变量、二进制或配置；
• • 哪些优先级更高；
• • 哪些第三方 skills 要当成外部输入来处理。

Hermes 的 skill 侧重点更像"过程记忆"。

它的 skill_manager_tool.py 开头就写着：Skills are the agent’s procedural memory: they capture how to do a specific kind of task。它们记录的是"怎么做某类具体任务"，不是泛泛的偏好事实。系统提示里也会提醒 Agent：完成复杂任务、修复棘手错误、发现非平凡 workflow 后，可以用 skill_manage 把方法保存下来；如果发现 skill 过时或错误，就直接 patch。Hermes 的 skills 目录也预置了 26 个类别（research、software-development、data-science、devops、mlops 等），兼容 agentskills.io 开放标准。

OpenClaw 的 skill 更像团队里的 SOP 库。Hermes 的 skill 更像一个强执行者不断更新的工作笔记。

SOP 库的优点是可控、可审计、适合团队治理。

工作笔记的优点是贴近真实任务、迭代快、能把个体使用经验滚起来。

代价也不同。OpenClaw 的 skill 质量更多取决于人和社区。Hermes 的自动沉淀有想象力，但也需要复看和修剪，否则"经验"也可能变成"惯性错误"。

更具体的可以了解我们之前整理的文章:

Skills 详解：拆一个技能，看 Anthropic 和 OpenAI 的思路差异

Skill 到底是什么：从第一性原理深入剖析 Claude Agent Skills

---

在之前那篇 AI Memory 综述里，我们把几个词分开过：

• • Context 是这次任务的临时上下文；
• • Knowledge 更偏稳定知识；
• • Memory 会随时间变化，和用户、任务、历史互动相关；
• • Experience 是从原始记录里蒸馏出来的方法和教训。

用这组词再看 OpenClaw 和 Hermes，会更清楚。

OpenClaw 的记忆走"文件即记忆"路线。核心文件包括定义 Agent 性格的 SOUL.md、记录用户偏好的 USER.md、按日期组织的日常日志 memory/*.md，以及精选长期记忆的 MEMORY.md。语义检索工具负责查找，上下文压缩前执行一次静默记忆写入，防止压缩丢信息。更像给 Agent 一个笔记本。

Hermes 的记忆更系统化，分三层：

更像给 Agent 装了一个搜索引擎式的大脑。

所以它们都讲 Memory，但侧重点不同。

OpenClaw 的 Memory 更容易和"身份、会话、工作区边界"放在一起看。

Hermes 的 Memory 更容易和"执行轨迹、搜索召回、Skill 沉淀、用户建模"放在一起看。

更具体的可以了解我们之前整理的文章:

2026 AI Memory 最新综述：从4W分类到单/多智能体记忆机制

---

安全是容易被略过、但实际影响很大的维度。两个项目在这方面的思路差异很明显。

OpenClaw：信任模型 + 配置审计

OpenClaw 的安全模型是"personal assistant"（one trusted operator），不是多租户共享。SECURITY.md 里写得很清楚：authenticated Gateway callers are treated as trusted operators for that gateway instance。

它提供了 openclaw security audit --deep 命令来扫描网关配置风险，DM pairing、allowlist、sandbox 和 doctor 机制共同构成安全边界。代码仓库里的安全文档非常详细，覆盖了 Workspace Memory Trust Boundary、Plugin Trust Boundary、Temp Folder Boundary、Sub-agent delegation hardening 等多个层面。

不过 OpenClaw 在安全方面的历史不太平静。今年 2 月被曝出 WebSocket Token 泄露漏洞，外部安全团队发现第三方 Skill 存在数据外泄和 Prompt 注入风险，ClawHub 上也发现了一批恶意 Skill。官方的响应和修复速度不慢，但这些事件提醒我们：一个入口足够多、生态足够开放的系统，攻击面也会相应扩大。

Hermes：纵深防御 + 容器隔离

Hermes 在部署层面更强调逐层收紧。它支持六种 terminal backend（local、Docker、SSH、Daytona、Singularity、Modal），其中 NixOS 模式提供了 Namespace 隔离（ProtectSystem=strict）。

安全策略包括：

• • 危险命令审批：终端命令、文件写入等默认需要人工确认，超时未批准自动拒绝
• • 容器隔离：可以把 Agent 的执行环境限制在 Docker 或远程后端里
• • 凭据过滤：防止敏感信息泄露到上下文
• • 上下文注入扫描：检测 Prompt 注入风险

截至目前，Hermes 没有被公开披露过重大安全漏洞。当然，这也和它上线时间更短、用户规模更小有关，不能简单等同于"更安全"。

一句话区分：OpenClaw 更多在"人该怎么管 Agent"这一层做安全，Hermes 更多在"Agent 运行时该怎么被约束"这一层做安全。

更具体的可以了解我们之前整理的文章:

从误删邮箱到 Skill 投毒：OpenClaw 安全到底该怎么做

你的 Moltbot 很可能正在裸奔：安全宝典清单

---

下面这张表可以当成快速索引。

这张表核心只有一句：

OpenClaw 的价值在"接入复杂世界"，Hermes 的价值在"沉淀复杂经验"。

---

安装方式也值得看。

OpenClaw 推荐路径是：

npm install -g openclaw@latestopenclaw onboard --install-daemon 

它会引导你设置 Gateway、workspace、channels、skills、模型和守护进程（launchd/systemd user service）。文档里还会让你验证 openclaw gateway status，再打开 dashboard。

这条路径说明 OpenClaw 很关心"长期运行"和"入口可用"。你启动的不只是一段 CLI 会话，更像是在机器上装一个长期运行的 assistant 控制面。

Hermes 的快速安装是：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bashhermes 

后续常见命令包括：

hermes model # 选模型hermes tools # 配工具hermes config set # 改配置hermes gateway # 起 messaging gatewayhermes setup # 全量设置向导hermes claw migrate # 从 OpenClaw 迁移hermes doctor # 诊断 

它的文档强调模型切换（200+ 模型，一条命令换，不改代码）、CLI 和 messaging 两种入口、skills、memory、MCP、cron 定时任务、六种 terminal backend、RL trajectory 等能力。部署门槛低，$5/月的 VPS 就能跑，Daytona 和 Modal 还支持 serverless 持久化模式，闲时几乎零成本。

Hermes 首先希望你把一个会执行、会记忆、会沉淀经验的 Agent 跑起来，再按需接到聊天平台或远程环境里。

如果你只是想装一个"能在微信和 Telegram 里随叫随到的个人助理"，OpenClaw 的上手路径更贴合。

如果你想让 Agent 进入一个长期研发或研究工作流，让它跨会话记住东西、把复杂流程沉淀成技能，Hermes 的路径更贴合。

---

Hermes 对 OpenClaw 用户的迁移路径做得很直接。

安装 Hermes 后，hermes setup 会自动检测 ~/.openclaw 目录并提供迁移。也可以随时手动执行：

hermes claw migrate # 交互式迁移（full preset）hermes claw migrate --dry-run # 预览会迁什么hermes claw migrate --preset user-data # 不含 secrets 的谨慎迁移hermes claw migrate --overwrite # 覆盖已有冲突 

能迁的内容包括：

• • SOUL.md（persona 文件）
• • MEMORY.md 和 USER.md
• • 用户创建的 skills（导入到 ~/.hermes/skills/openclaw-imports/）
• • command allowlist（审批模式）
• • 部分 messaging settings（平台配置、allowed users、工作目录）
• • allowlisted secrets（Telegram、OpenRouter、OpenAI、Anthropic、ElevenLabs 等 API Key）
• • TTS assets
• • workspace instructions（AGENTS.md）

有社区实操记录值得参考：基础迁移跑完以后，Discord、Telegram 这类机器人配置、模型 API 和记忆同步，往往还要单独确认。有用户迁移后发现 Hermes 还没有配置模型，需要额外一步设置 provider 和 API Key。

真实迁移里，至少有几个边界要留意：

• • --dry-run 建议先跑一遍，看看会迁什么；
• • user-data preset 会排除 secrets，更适合谨慎迁移；
• • full preset 会导入 allowlisted secrets，但不会把所有凭据一股脑搬过去；
• • WhatsApp 这类二维码配对型渠道仍可能需要重新处理；
• • imported skills 通常要新 session 或重启后才生效；
• • OpenClaw 的 Gateway 工作方式和 Hermes 的 Gateway 工作方式不完全一样，迁移配置不等于迁移架构。

更稳妥的做法：

把迁移当成试用 Hermes 的低成本入口，而不是"一键把 OpenClaw 变成 Hermes"。

可以先迁 user-data，再试一两个重复性强的工作流。如果 Hermes 的 skill 沉淀和 session search 确实帮你减少了重复劳动，再考虑扩大使用范围。

---

这个问题可以从三个角度想。

第一，你的主要复杂度在哪？

如果复杂度在入口，比如 Telegram、Discord、Slack、WeChat、WebChat、iOS、Android、macOS 节点、群聊、私聊、配对、远程 Gateway，那 OpenClaw 更自然。

如果复杂度在任务本身，比如研究、代码修改、数据分析、日报周报、PR 审查、重复性排障、长链路自动化，那 Hermes 更值得试。

第二，你更担心不可控，还是更担心不成长？

如果更担心不可控，可以先看 OpenClaw 的 Gateway、allowlist、pairing、sandbox、doctor、workspace 边界。

如果更担心 Agent 每次都从零开始，可以先看 Hermes 的 skills self-improve、FTS5 session search、memory provider、Honcho 用户建模。

第三，你是一个人用，还是要带进团队流程？

个人折腾、研究工作流、长任务，Hermes 的成长性更有吸引力。

团队协作、多入口接入、设备联动、权限治理，OpenClaw 的控制面价值更高。

当然，也可以两者都试。

看 Hermes，就看它的学习循环有没有帮你减少重复劳动。

看 OpenClaw，就看它的 Gateway、渠道、会话和设备治理有没有让你的 Agent 更容易进入日常场景。

更直接一点：

我现在缺的，是入口、秩序，还是经验？

---

坦率说，如果只看概念，Hermes 确实更容易让人多看一眼。

"Agent 从经验里生成技能"这件事，确实切中了当前 Agent 产品的一个痛点：很多 Agent 看起来很聪明，但每次任务都像第一次上班。它能解决问题，却不一定能沉淀下来。

Hermes 把 procedural memory 拉到台前，是一个值得关注的方向。

但如果看真实使用，OpenClaw 也没有那么容易被替代。

多渠道、Gateway、设备节点、DM pairing、Dashboard、workspace、skills precedence、plugins、Voice Wake、Live Canvas、远程访问，这些东西不一定性感，但它们决定了一个 Agent 能不能进入真实生活和真实团队。

所以说"OpenClaw 过时了"，可能有些简单了。

我更倾向于这样理解：

OpenClaw 更像是在回答：Agent 如何进入世界。Hermes 更像是在回答：Agent 如何积累经验。

前者解决"我怎么触达它、约束它、让它出现在正确的地方"。

后者解决"它怎么记住做过的事、少重复犯错、把方法沉淀下来"。

更完整的 Agent 系统，最后大概率两边都少不了。

一个只会学习、但入口和权限一团糟的 Agent，不太容易长期跑在真实环境里。

一个入口很全、治理也稳、但每次复杂任务都从零开始的 Agent，用久了也会觉得累。

所以这场对比更有价值的地方，不是告诉大家今天卸载谁、安装谁。

它提醒我们：

Agent 框架的竞争，已经从"能不能调用工具"，进入到"能不能管理入口、治理风险、沉淀经验"的阶段。

这也是它们值得放在一起看的原因。

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

扫码免费领取全部内容

从入门到进阶这里都有，跟着老师学习事半功倍。

2026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。

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

适用人群

四阶段学习规划（共90天，可落地执行）

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👇👇

  

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】