越来越多企业已经落地 AI 智能体应用，我们会不约而同的发现，AI 智能体应用在企业落地 90% 的工作都是工程架构设计（软件工程），只有 10% 是真正的 AI 大模型。
AI 智能体在企业落地中的每一个组件都是模块化的，而且逐步达成到了行业标准：比如：LangChain、Spring AI Alibaba 开发编排框架，MCP 通信交互协议等等，这些构成了 AI 智能体的生态系统。
AI 智能体应用落地的生态系统包含14层，从下到上分别为：CPU/GPU 提供商层、基础设施/基础层、数据库、ETL（提取、加载、转换）层、基础模型层、模型路由层、AI 智能体协议层、AI 智能体编排层、AI 智能体认证层、AI 智能体可观测层、工具层、认证层、记忆层、前端层等。
如上图所示，这14层只有基础模型层（10%）是 AI 大模型工作，其他13层（90%）都是架构设计工程工作，下文我们对详细剖析之。
—1—
AI 智能体生态系统架构设计剖析
0、AI 智能体生态系统总体架构设计
AI 智能体生态系统总体架构设计包含14层，从下到上分别为：CPU/GPU 提供商层、基础设施/基础层、数据库、ETL（提取、加载、转换）层、基础模型层、模型路由层、AI 智能体协议层、AI 智能体编排层、AI 智能体认证层、AI 智能体可观测层、工具层、认证层、记忆层、前端层等。
1、第一层：CPU/GPU 提供商层
这些公司为 AI 智能体提供强大的计算能力，用于训练、推理和低延迟的执行。
包括硬件厂商英伟达 GPU、谷歌 TPU、华为昇腾系列，以及公有云厂商 Azure、Google Cloud Platform（GCP）、阿里云、腾讯云、华为云等。
2、第二层：基础设施/基础层
像容器和编排工具这样的基础设施，确保 AI 智能体能够可扩展、可靠且分布式地部署。
包括 Docker、Kubernetes、Kserve、Knative、Auto Scale VMs。
3、第三层：数据层
AI 智能体需要快速访问的数据系统，用于存储记忆、检索上下文以及在结构化和向量化数据中进行实时决策。
包括 Milvus、Chroma、Pinecone、Neo4j、MongoDB、Elasticsearch、PGVector、MySQL 等。
4、第四层：ETL（提取、加载、转换）层
这些平台从各种来源收集原始数据，并将其转换成 AI 智能体可以使用的格式。
包括 Datavolo、Noodle.ai、Verodata 等。
5、第五层：基础模型层
包括大型和小型语言模型（LLMs 和 SLMs），它们构成了 AI 智能体的认知核心，支持推理、对话和行动。
包括 GPT、DeepSeek、Qwen、Claude、Grok、Llama 等大模型，以及 Yolox、PaddleOCR 等小模型。
6、第六层：模型路由层
根据成本、延迟和输出质量，将任务分配给最适合的模型，从而提高效率。
包括Martian、OpenRouter、Higress、Not Diamond 等。
7、第7层：AI 智能体协议层
定义 AI 智能体之间的交互和通信方式。像 MCP、A2A、AG-UI、ANP、ACP 这样的协议，有助于结构化的多 AI 智能体协作和上下文管理。
8、第8层：AI 智能体编排层
使 AI 智能体能够执行工作流、与其他 AI 智能体交互，并在工具和环境中进行协调。
包括 Spring AI Alibaba、LangGraph、Autogen、LlamaIndex、Swarm、Eino 等。
9、第九层：AI 智能体认证层
处理 AI 智能体在可信生态系统内的安全身份、访问控制和基于角色的权限。
包括 AWS AgentCore Identity、Azure Entry Agent ID 等。
10、第十层：AI 智能体可观测层
通过遥测、日志、反馈循环和分析来跟踪 AI 智能体的行为，以便持续改进和调试 AI 智能体。
包括 LangSmith、Langfuse、Arize、OpenTelemetry、Helicone、Opik 等。
11、第十一层：AI 智能体工具层
AI 智能体使用的 API、搜索和外部工具，用于获取实时数据、自动化决策或跨领域集成。
包括 Google Search、DuckDuckGo、Sorper、Exa 等。
12、第十二层：认证层
通过安全的身份验证和用户访问控制层来保护 AI 智能体的操作。
包括 Auth0、Okta、OpenFGA、ANON 等。
13、第十三层：记忆层
存储之前的交互和上下文知识，帮助 AI 智能体随着时间的推移进行个性化和适应。
包括 Zep、Mem0、Letta、Cgnee 等。
14、第十四层：前端层
用户与 AI 智能体无缝交互的 UI 组件，比如： Web 应用和聊天界面。
包括 Streamlit、Flask、gradio、NEXT 等。
总之，以上就是 AI 智能体应用在企业落地的生态系统，可以根据企业总的业务场景灵活选择每层中的工具和技术，但是并不是所有列出的技术都需要用来构建一个有效的 AI 智能体应用中。
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。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
