ChatGPT与大模型研究

在不断演进的人工智能（AI）开发版图中，协议正快速成为连接模型、工具与外部系统的“结缔组织”。近几个月里，围绕新协议以增强智能体之间的互操作性与协同的活动激增。其中最引人注目的包括 Anthropic

到目前为止，我们已经探讨了如何构建功能强大的单智能体系统——这些智能体借助工具、知识、记忆与编排层来解决复杂任务。经过正确配置后，它们能够调用广泛的知识与集成，独立行动，表现出很强的能力。不过，当我们

正如前几章所述，AI 智能体的一项关键特性与差异化优势在于它们能够与外部世界交互。LLM 虽能理解、推理并生成文本，但归根结底仍受限于其训练数据与当前上下文窗口。若要超越被动对话、执行真实而有用的动作

大型语言模型（LLM）本质上是无状态的，尽管它们看起来连贯且善于对话。它们只“知道”你在当前提示里告诉它的内容。除非你显式加入，否则不存在持久的上下文或历史。若设计得当，记忆能让智能体随时间保持一致、

自大型语言模型（LLM）问世与 AI 应用爆发以来，开发者面临的挑战日益增多：如何有效管理与协调日趋复杂的 AI 系统。随着 AI 智能体能力与自主性不断增强，它们的行为必须被结构化、监控并优化——且

本章将回顾 AI 智能体 的演进历程，从早期的机器人流程自动化（RPA）到当今复杂的多智能体架构。我们将界定“什么才是真正的 AI 智能体”，拆解其关键组成，并考察正在重塑全球各行各业的不同类型的 A

在过去两年里，大型语言模型（LLMs）重塑了人工智能的版图。从简单的基于提示词的交互到横跨各行业的复杂应用，LLM 的能力在架构、训练技术与微调策略上的突破推动下迅速演进。随着这些能力的提升，从 Ch

在上一章，你已经熟悉了一些开源库，它们为你提供了一组强化学习（RL）环境。然而，RL 的最新进展，尤其是与深度学习（DL）的结合，使我们如今能够解决远比以往更具挑战的问题。这在一定程度上要归功于 DL

在第 1 章讨论了大量强化学习（RL）的理论概念之后，本章开始做点实践。你将学习 Gymnasium 的基础——它为 RL 智能体与大量 RL 环境提供统一 API。最初，这套 API 由 OpenA

时间维度上对最优决策的自动学习是一个普遍且常见的问题，已在许多科学与工程领域中被研究。在我们不断变化的世界中，即便看起来是静态的输入—输出问题，如果考虑时间因素也可能变成动态问题。例如，假设你要解决一

本章内容 理解创建并部署网页的流程 使用 ChatGPT 提示生成完整网页 复制生成的网页代码 将代码保存为 HTML 文件 将你的网页文件部署到网上 要相信 ChatGPT 可以在不学任何网页开发代

3.1 为什么你应该阅读本章 首先，说明我们的顶层目标。为简单起见，我们要学习一项新的实操技能：文本分析 / 自然语言处理（NLP）。这项技能在全球就业市场上需求很大，对各类公司都很有用，不论其业务领

2.1 为什么你应该学习 NLP 如今各个领域的数据可获得性呈爆炸式增长。全球每天产生的数据量平均以艾字节（exabytes）计，达到数百艾字节。无论从哪个标准看，这都是极其庞大的数据量，其中美国贡献

1.1 为什么你应该读本章 本章作为全书的导言，介绍了接下来章节将如何借助机器（例如计算机和机器人）来处理语言。为什么自然语言处理（NLP）重要？ NLP 能够分析语言的意义。这里的“语言”指人们日常

本章直面“氛围式编码（vibe coding）”与 AI 辅助工程中的关键问题——如何确保在 AI 协助下产出的代码安全、可靠且可维护。如果最终软件漏洞丛生或动辄崩溃，再快的开发速度与生产率也毫无意义

本章将视角从“通过提示快速做原型”转向“在 AI 协助下开发完整的 Web 应用”。Web 应用通常包含三个部分：前端（常用框架如 React、Angular 或 Vue）、后端（API、数据库、服务

本章将探讨 AI 驱动的 vibe 编码 如何加速软件开发的原型阶段。原型制作的核心在于快速把想法变成可运行的模型；借助 AI 助手，开发者能把原本需要数天的工作压缩到数小时，并高效地对概念进行迭代。

你已经学会了如何通过提示让 AI 生成代码，而且此时多半也用这些技巧产出了些代码。接下来进入关键阶段：确保这些代码正确、安全、且可维护。 作为开发者，你不能拿到 AI 的输出就稀里糊涂地上线。你需要审

你已经看到，像 Cursor、Cline、Copilot 与 Windsurf 这样的 AI 编码助手如何改变了软件构建方式，承担了大量的繁琐工作与样板代码——大约 70% 的工作量。[1] 但把“玩