如何学习Agent 有没有完整的学习资料-CSDN社区

kinguuuuuu 1 2025-12-22 14:57:51

如何学习Agent 有没有完整的学习资料

...全文

36 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

大家好！这周出差了两天，稍微有点忙，所以Agent学习路线出得稍微晚了一点，希望这份学习路线能够帮助大家更好地理解和实现Agent技术，在学习和应用中有所收获Agent的技术原理1、技术发展路线：API->LLM->RAG->Copilot->Agent->AGI2、基础组件：大模型基座；Memory-向量数据库、mysql；Tools-搜索引擎、多模态识别、数值计算；

本文介绍了Agent技术的学习路线、技术原理、应用场景及开源项目参考。Agent技术发展从API到AGI，涉及大模型基座、Memory、Plan、Tools等基础组件，以及ReAct、AutoGPT等技术框架。应用场景包括企业办公自动化、客服助手、AI+教育等。开源项目如AgentGPT和AutoGPT为开发者提供了友好方案。此外，文章还提到大模型AI岗位的兴起，以及如何通过学习大模型AI提升个人竞争力，包括提示词工程、RAG系统、智能体开发等技能。最后，提供了大模型AI学习的四个阶段，从初阶应用到商业闭环

多Agent 深度强化学习综述人工智能技术与咨询来源：《自动化学报》，作者梁星星等摘要近年来,深度强化学习(Deep reinforcement learning,DRL) 在诸多复杂序贯决策问题中取得巨大突破.由于融合了深度学习强大的表征能力和强化学习有效的策略搜索能力,深度强化学习已经成为实现人工智能颇有前景的学习范式.然而,深度强化学习在多Agent 系统的研究与应用中,仍存在诸多困难和挑战,以StarCraft II 为代表的部分观测环境下的多Agent学习仍然很难达到理想效果..

Agent（智能代理）是一种能够感知环境、制定决策并自主执行行动的智能系统。它是人工智能领域的重要概念，代表了从被动响应到主动行动的技术演进。

强化学习（Reinforcement Learning, RL）是一种通过与环境交互来学习最优行为策略的机器学习方法。它与监督学习和无监督学习不同，强化学习的目标是让智能体在环境中通过试错来最大化累积奖励。强化学习的核心概念包括状态（State）、动作（Action）、奖励（Reward）和策略（Policy）。深度强化学习中的Agent智能体通过与环境的交互学习最优行为策略。DQN算法通过引入深度神经网络和经验回放机制，解决了传统Q-Learning在复杂环境中的局限性。

1,168

社区成员

44

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章