企业官网建设流程全解析

建门户网站,效果好的网站建设,网站开发用啥语言,wordpress可以做网页吗在数字经济高速迭代的当下#xff0c;物流行业正迈入“规模扩张”向“效率深耕”的关键转型期#xff0c;高效协同与精准履约已然成为企业在激烈竞争中构筑核心壁垒的关键。传统物流管理模式过度依赖人工经验#xff0c;在订单量爆发式增长、客户需求日趋个性化的当下#…在数字经济高速迭代的当下物流行业正迈入“规模扩张”向“效率深耕”的关键转型期高效协同与精准履约已然成为企业在激烈竞争中构筑核心壁垒的关键。传统物流管理模式过度依赖人工经验在订单量爆发式增长、客户需求日趋个性化的当下资源错配、时效波动、成本高企等痛点愈发凸显。而以数据驱动为核心的AI智能体凭借其强大的预测推演、动态调度与全局优化能力正成为打破行业瓶颈、推动物流产业智能化跃迁的核心引擎。顺丰科技作为物流科技领域的标杆企业率先将AI智能体深度融入物流运营全流程构建起“全链路智慧管理框架”实现了从订单预判到末端交付的全周期精细化管控为大模型技术在垂直行业的落地应用树立了可借鉴的实践范本。一、顺丰全链路智慧管理框架三大核心环节的AI深度赋能顺丰打造的全链路智慧管理框架并非单一环节的技术叠加而是围绕物流运营的“事前准备-事中调度-事后优化”逻辑精准覆盖订单进入前、订单进入后、收派能力与资源管理三大核心场景通过AI智能体的动态协同实现物流效率与服务质量的双重提升。1. 订单进入前AI前置预判筑牢“未雨绸缪”的资源基础传统物流模式中“订单来了再准备”的被动响应方式往往导致旺季运力不足、淡季资源闲置的问题。顺丰通过AI智能体的前置决策能力将管理节点前移在订单正式进入系统前便完成资源布局从源头规避运营风险。多维度数据预测实现“需求可视化”AI智能体整合了近3年行业周期性数据如电商大促、节假日消费规律、区域经济活跃度、客户历史订单偏好、甚至天气与交通路况等动态信息构建了多因子预测模型。通过该模型系统不仅能精准预测未来1-7天的订单总量还能细化到不同品类如生鲜、电子产品的订单占比、高需求区域分布以及客户对“次日达”“当日达”等时效服务的偏好比例为资源准备提供“精准导航”。前瞻性资源规划打造“弹性供给池”基于前置预测结果AI智能体进一步转化为可落地的资源方案在人力层面提前识别运力缺口区域联动人力资源部门启动临时人员招募与岗前培训并通过排班算法生成“高峰弹性排班表”如在订单峰值时段增加早晚班衔接在场地与设备层面智能规划分拣中心的仓位分配如为生鲜订单预留冷链专区、网点快递柜的投放密度甚至提前调配干线运输车辆的路线与停靠站点确保订单进入时人、车、场、货已处于“随时待命”的最优状态。2. 订单进入后实时动态调度破解“瞬息万变”的运营难题订单正式进入系统后物流环节面临的最大挑战是“不确定性”——突发订单增减、交通拥堵、客户地址临时变更等情况都可能导致原计划失效。顺丰的AI智能体通过实时计算与动态调整能力让调度决策紧跟实际情况变化保障履约效率。分钟级时效预测实现“进度可追溯”与订单进入前的中长期预测不同此时AI智能体聚焦“实时数据迭代”通过对接网点扫码设备、快递员APP、运输车辆GPS等终端实时采集订单的揽收进度、在途位置、分拣节点流转信息并结合实时交通数据如高德地图拥堵指数、网点作业饱和度动态更新每一笔订单的揽收完成时效与末端派送时效。例如若某区域突发交通管制系统会立即将该区域订单的派送时效预测从“2小时内”调整为“3.5小时内”并同步推送至客户APP与快递员终端实现“时效透明化”。智能资源调度做到“供需精准匹配”基于实时时效预测与资源状态如快递员当前剩余订单量、车辆载重情况、分拣中心待处理包裹数AI智能体通过“多目标优化算法”兼顾时效、成本、资源利用率进行动态调度在路径规划上为快递员生成“最优派送路线”避免重复绕路同时优先匹配顺路订单在资源分配上若某网点突然出现订单激增系统会自动从邻近网点调派闲置快递员或车辆支援避免局部积压在分拣环节智能调整分拣机的运转速率优先处理时效要求高的订单确保“急单快转”。3. 收派能力与资源管理以“人”为核心构建“闭环式”优化体系快递员即“小哥”是物流末端服务的核心载体其收派能力与管理效率直接影响客户体验。顺丰的AI智能体并非“替代人工”而是通过“赋能管理”双路径提升小哥作业效率与管理精细化程度并形成“数据反馈-策略优化”的闭环。1收派能力AI协同作业让小哥“省时又省力”任务智能评估与协同AI智能体根据小哥的历史作业数据如日均派送量、不同区域熟悉度、大件/生鲜订单处理经验结合当前订单的时效要求、包裹重量体积、派送地址如是否有电梯、是否为偏远小区对每笔任务的“预估时长”与“作业难度”进行评级。对于难度较高的任务如大件家电配送系统会自动匹配有相关经验的小哥并通过APP推送“最优搬运路线”“客户收货时间偏好”等信息若小哥临时遇到问题如客户无法收件AI还会实时推荐“附近临时寄存点”或“改派方案”减少无效沟通成本。动态任务调整与资源匹配在小哥作业过程中AI会实时监控区域订单变化若某区域突然新增紧急订单且附近小哥运力充足系统会在征得小哥同意后智能分配顺路订单避免“空跑”若某小哥因车辆故障无法作业系统会立即将其未完成订单转接给邻近小哥并调整后续任务分配确保服务不中断。2管理效率数据驱动决策让管理“精准且高效”精细化绩效与线索输出AI智能体通过数据分析为管理人员提供多维度的绩效视图不仅能查看网点整体的订单完成率、时效达标率还能细化到单个小哥的“日均有效派件量”“客户投诉率”“异常订单处理效率”等指标。同时系统会自动识别管理中的“异常线索”例如某小哥连续多日时效不达标系统会分析是否因“负责区域订单密度过高”或“路线规划不合理”并向管理人员推送“调整该小哥负责区域”或“优化路线”的建议避免管理依赖“经验判断”。全流程监控与闭环复盘系统通过GPS、APP打卡、订单扫码等数据对区域任务执行情况进行“全程可视化监控”管理人员可实时查看小哥作业进度、车辆在途状态及时发现延误风险并干预。每日/每周结束后AI会对历史数据进行复盘分析总结订单高峰时段、高投诉区域、资源浪费节点等问题并生成“优化报告”如“每周一上午9-11点为订单高峰建议增加早班小哥数量”。这些复盘结果会反哺到“订单进入前”的预测与资源规划环节持续优化管理策略形成“监控-分析-优化-再监控”的闭环管理。通过AI智能体对三大核心环节的深度赋能顺丰不仅实现了物流全链路的效率提升——据公开数据显示其订单预测准确率提升至95%以上末端派送效率提升约20%还通过精细化管理降低了15%的资源浪费率。这一实践证明AI智能体已成为物流行业从“传统运营”向“智慧运营”转型的关键抓手而顺丰科技的探索也为更多物流企业提供了可借鉴的智能化升级路径。二、AI Agent运营决策的智能演进在智慧物流体系中AI AgentAI智能体扮演着核心角色它不仅是单一功能的工具更是能够进行自主决策、协同工作的智能大脑。1. AI Agent核心作用与解决方案AI Agent是一种基于大模型与小模型协同的解决方案其核心用途在于垂域AI模型通过对特定领域知识进行分析实现精准化结果输出和定制化的物流决策例如针对特定场景的时效预测。AI智能体它能够进行客户意图识别、自然语言理解并通过信息索引和调用小模型实现通用知识与领域知识的融合形成强大的通用理解与交互能力。2. 大小模型协同优势这种大小模型协同的架构充分利用了各自的优势大模型提供需求理解和模型编排能力如同一个高级管理者能够理解复杂任务并进行任务拆解。小模型提供深度专业知识能够针对特定问题进行精准的分析和决策优化如同具备专业技能的专家。3. AI决策演进与挑战AI决策并非一蹴而就而是在不断演进中应对挑战需求预测最初AI专注于单个领域的预测如多维度时间、多维度空间和多维度品类的预测。场景规划随后AI能力扩展到场景级规划如对场站、运力和路网进行规划将单点预测结果进行整合。运力资源匹配进一步演进为动态匹配在订单进入后AI能够实时进行车辆调度、仓位管理和集散中心资源调度将规划转化为实际行动。运力调度最终AI实现了全链路的动态调度将运力、货物和人员进行实时协同达到最优的整体效率。三、营运AI决策演进、挑战垂域AI模块将车辆调度从传统的人工经验驱动提升到智能决策的水平。其核心目标是实现车辆运力的统一调度通过综合考虑车辆的实时位置、车型、吨位、成本和司机等多重因素为每个运力需求匹配最合适的车辆资源。在引入AI之前车辆调度面临着诸多挑战运力需求多车辆类型和计费方式繁多资源供给复杂。人工调度依赖经验过度依赖人工经验难以保证每次调度的最优性。调度过程不透明管理难度大运行成本高。为解决这些痛点构建了可视化调度工作台并引入引路牌和运筹优化模型。这种解决方案旨在实现统一接入、资源统一调度和成本的最优分配最终达成调度透明化、合规化和资源应用尽用的目标。技术创新在于将历史数据与AI大模型相结合实现从归纳到生成的飞跃。模型训练AI模型通过学习历史数据能够识别最优调度方案的特征。最优调度策略生成基于这些特征AI大模型能够为新的调度需求实时生成最优的解决方案并自动识别和调用可用的资源以确保每次调度都是最优的。AI智能体AI Agent代表着前沿的探索方向。它不仅仅是一个单一功能的AI模型而是一个具备自主决策和行动能力的复杂系统。AI智能体的核心是大语言模型LLM但它还整合了记忆模块、工具调用和规划逻辑等组件能够独立完成多步骤的复杂任务。1. 大模型与智能体从“单兵”到“协同”大语言模型LLMLLM是AI智能体的大脑它的核心能力是理解和生成自然语言。它可以独立完成简单的任务比如知识问答、创意写作或代码补全。它就像一个能力出众的“单兵作战”专家。AI智能体AI智能体则将LLM的能力进行了集成和扩展。它能够根据任务需求调用外部工具如API利用记忆模块数据库存储和调用信息并基于规划逻辑来分解任务并执行。这使得AI智能体能够完成更复杂的任务比如个人数字助理、科研Agent或游戏NPC。2. 智能体能力提升点记忆力是关键要让AI智能体真正具备智能**记忆能力Memory**至关重要。这指的是智能体存储、保留和回忆信息的能力。AI智能体的记忆可以分为两种类型类型人类智能体短期记忆持续时间较短的记忆例如记住一个电话号码直到拨打完毕。在当前任务执行过程中所产生的记忆通常使用模型的上下文窗口来直接存储和调用。长期记忆持续时间较长的记忆像知识、技能、习惯比如骑自行车或打字。长期记忆是长时期保留的信息一般是指外部知识库通过向量数据库来存储和检索。3. 检索增强生成RAG为智能体注入“长期记忆”为了让AI智能体能够拥有强大的长期记忆顺丰采用了检索增强生成RAG技术。RAG的核心思想是在生成答案之前先从外部知识库Vector Database中检索相关信息然后将这些信息与用户查询一起作为上下文输入给大语言模型。RAG的工作流程如下用户查询Query用户提出一个问题。嵌入Embedding查询被转化为向量表示。检索RetrievalAI智能体在向量数据库中搜索与查询最相关的文档或信息。上下文增强Augmentation检索到的相关信息作为额外的上下文与原始查询一同送入LLM。生成GenerationLLM结合所有信息生成最终的答案。四、AI智能体技术探索AI智能体正从简单的执行工具进化为具备规划和决策能力的智能大脑。这一核心能力被称为Planning它让AI智能体能够像人类一样针对待解决的具体问题进行任务拆解和行动方案制定。人类与AI的规划流程对比人类在面对一个复杂任务时通常会遵循一套思考和执行的流程思考如何完成任务首先在大脑中构思一个总体方案。寻找可用工具然后调动手头所有的资源和工具。拆解任务将大任务拆解成可管理的子任务。执行并反思在执行过程中不断反思和学习积累经验。判断何时终止在执行完毕或达到目标时判断任务完成。AI智能体也遵循类似的规划流程但其背后是由**LLM大语言模型**驱动的大模型提示工程通过精心设计的LLM提示词引导智能体产生初步的规划思维。子任务拆解利用LLM将复杂的任务拆解成更小、更可控的子任务确保每个步骤都清晰明确。反思和完善通过LLM对子任务执行结果进行反思和总结从中吸取教训并完善未来的执行步骤持续提升任务的完成质量。核心技术让AI像人类一样思考为了赋予AI智能体强大的规划能力探索了两种核心技术思维链CoT和ReAct推理行动。思维链CoT是一种相对成熟的提示技术其核心是要求大模型将复杂的推理过程一步步地展示出来。当面对一个复杂问题时如果直接让LLM输出结果它的表现可能不佳。但当要求它“一步步思考”时LLM会像人类一样将思考过程拆分成多个步骤然后逐步推导出最终答案。这种技术显著提升了LLM在处理复杂推理任务时的表现。ReAct推理行动ReAct是一种更高级的框架它将**推理Reason和行动Act**结合起来让智能体能够更好地与外部环境进行交互。推理AI智能体像CoT一样通过内部推理来决定下一步该做什么。行动然后它会调用外部工具或API来执行行动并从环境中获得观察结果Observations。循环AI智能体将观察结果反馈给推理模块据此更新其下一步的行动计划形成一个持续的**“思考-行动-观察”循环**。这种模式让AI智能体能够动态地应对变化寻找参考资料并更正自己的错误从而在复杂的物流运营场景中提供更精准、更可靠的决策支持。在顺丰的AI智能体技术体系中**工具模块协同能力Tool**是关键一环。它让AI智能体不仅仅局限于语言模型的内部知识而是能像人类一样利用外部工具来完成更复杂的任务。Function Call让AI学会调用工具Function Call是实现AI智能体与外部工具交互的核心机制。其工作流程如下提出问题用户向AI智能体提出一个问题或指令。模型判断大语言模型LLM会首先判断这个问题是否可以通过其内部知识直接回答。调用工具如果无法直接回答模型会识别出需要调用的外部工具Function并生成调用该工具所需的参数Arguments。执行并返回这个调用请求会被发送给**工具Tool**执行。工具执行完毕后会将结果返回给LLM。生成答案LLM根据工具返回的结果结合其自身知识生成最终的答案。这个过程就像一个“助手”当它自己不知道如何完成任务时它会知道该找谁哪个工具该提供什么信息参数并将得到的结果进行整合最终给出完美的解决方案。MCP模型上下文协议大规模协同工作台为了让AI智能体能够高效、安全地调用多种外部工具使用了**MCP模型上下文协议架构。MCP构建了一个统一的客户端-服务器client-server**工作台使得大模型能够轻松地与各种外部工具和数据源进行通信。客户端MCP客户端client.py是调用LLM的核心接口它将用户的请求和相关数据发送给服务器。服务器MCP服务器MCP server接收请求并与LLM hosts如Claude进行交互。外部服务同时MCP服务器还可以调用各种远程服务Remote services如邮件、日历等以及访问本地数据源Local data sources从而实现了大模型对外部工具和数据的统一管理和调用。业务到产品的转化AI智能体的应用首先要从业务痛点出发将其转化为可解决的产品功能。业务场景深入理解物流运营的业务场景如路线规划、运力调度等。感知与规划智能体通过其感知模块感知业务场景和规划模块分解任务来理解问题。决策与反馈智能体进行决策并输出运营结果再将结果反馈给业务形成增强可解释性和增强应用性的闭环。此外在AI智能体落地过程中大模型与垂域模型的协同至关重要。大模型/微调大模型负责快速理解业务需求和宏观规划。它通过输入数据、参数选择、规则设置、目标权重等环节将复杂的任务进行分解。垂域模型分解后的子任务由垂域AI模型来处理。这些模型经过专业训练能够提供精准的决策例如在路径规划中垂域模型能够根据具体约束条件输出最优路线。五、AI智能体智能决策方案用户对话窗口智能决策助手AI智能体通过对话窗口扮演着智能决策助手的角色其核心价值在于资讯与制定用户可以通过对话形式直接获取关于航空异常调度的资讯并制定具体的调度方案。这意味着AI不再是信息的单向输出者而是能够与人共同协作提供定制化服务。解释与维护AI智能体能够解释其决策的依据让用户理解方案的合理性。同时它还具备即时维护能力在发现问题或情况变化时能够快速生成新的、更优的解决方案。价值点这种智能助手模式使得人能够通过对话进行异常方案的咨询和制定并因此快速理解、及时维护大大提升了工作效率。AI智能体在实际业务场景中的落地并非易事尤其是在垂域物流领域。核心要解决的问题之一是如何在通用场景和专业场景之间找到AI能力的最佳平衡点。智能体构建的立体架构应用层这是AI Agent与实际业务场景的交汇点。它旨在通过降低门槛、提升效率以及辅助决策和解释来降低物流运营的成本。智能体工程层该层是连接大模型与实际应用的桥梁包含了构建AI Agent所需的核心能力如提示词工程通过精心设计的提示词引导大模型产生所需的行为。知识库建设建立专业的知识库确保AI决策的准确性和可靠性。工具链建设整合各种工具和API使得AI Agent可以调用外部资源来完成任务。UI/UX交互设计直观的用户界面让AI Agent可以更好地与人进行交互。垂域基础模型层这是整个系统的基石由自研的垂域AI模型和大语言模型LLM组成。这些模型负责处理核心的物流任务如陆运/航空网络规划、资源调度和时效预测。AI Agent的场景应用从感知到执行的闭环AI Agent系统面向不同的业务场景提供有针对性的解决方案其核心是实现从“感知-决策-执行”的闭合。感知业务输入AI Agent首先需要感知业务需求这包括接收来自数据分析、问题求解和用户操作等不同渠道的输入信息。决策AI Agent决策在接收到信息后AI Agent会进行规划和决策。例如它可以自动识别异常事件如航班延误并结合外部知识库快速进行异常诊断和资源调度。执行运营结果AI Agent的决策最终转化为具体的运营结果并与业务系统进行联动自动完成任务的执行如航空资源调度和执行。AI Agent工作流设计AI Agent工作流借鉴了人类的思考过程将其分解为清晰的步骤确保决策的准确性和可控性。用户查询首先用户通过Bot或API发起查询描述业务需求。意图识别AI Agent的意图识别模块会分析用户意图判断其属于哪个业务场景并决定需要调用哪个模型。参数提取然后参数提取模块从用户查询中识别出关键参数为后续的模型调用提供数据支持。模型调用AI Agent将提取出的参数发送给后台的垂域AI模型进行计算。方案展示模型计算出结果后AI Agent将方案可视化并展示给用户。运营闭环在整个流程中系统会实时监控运营情况运行监控模块可以根据异常情况及时触发异常应对机制再次进行参数提取和模型调用确保决策的持续优化。多智能体协同服务多智能体协同模式解决了单一AI Agent能力有限的问题。以线路规划和智能体服务为例整个流程可以由多个AI Agent共同完成任务分发当用户提出一个复杂查询时运营助手Agent会首先接收请求并进行意图识别。协同工作它会根据任务类型将部分任务分发给专业的子Agent例如问题诊断Agent。问题诊断问题诊断Agent会调用数据库查询工具如MySQL查询对数据进行分析识别出问题所在。决策和返回当子Agent得出结论后会将结果返回给运营助手Agent由其进行整合并生成最终的可视化方案。LLM幻觉优化提升决策的可靠性大语言模型LLM的不稳定性和幻觉问题是其在企业级应用中面临的核心挑战因为生产系统要求100%准确的方案。预先限制在调用大模型之前通过预先定义的业务约束来限定其发挥避免其产生“天马行空”的幻觉。CoT角色化采用思维链CoT技术引导大模型进行逐步推理并为其设置角色提示词如“你是一个专业的物流调度员”以确保其输出更符合业务场景。多轮对话通过ReAct框架推理行动进行多轮对话让AI Agent在执行任务过程中能够动态地进行反思、寻找参考资料并修正自己的错误提升决策的准确性。大模型运行速度优化大模型在处理复杂请求时由于模型参数量巨大经常会出现响应慢、延迟高的问题。这直接影响了实时决策的效率。解决方案是构建一个大小模型协同的工作流框架。大模型优化采用私有部署和模型剪枝等技术将大模型进行轻量化处理使其能在高峰期快速响应。预处理和混合架构任务分解将复杂的请求分解为多个简单任务分流到不同模型避免单个大模型成为瓶颈。业务规则基于业务规则调用大批量服务处理引擎而非大模型以处理通用、重复性高的任务。数据检索利用向量数据库等技术快速检索和提取所需数据减少大模型的计算负担。层次结构构建大模型-小模型-工具的层次结构让每个模块各司其职协同工作。智能体测试确保决策的可靠性为了保证AI智能体输出的方案在实际应用中可靠构建了一套完整的智能体测试体系涵盖从基础性能到业务功能的全面测试。功能测试通过模拟业务场景验证AI智能体的功能是否正常如业务交互流程、数据准确性等。性能测试评估AI智能体的响应速度、并发量等性能指标确保其在业务高峰期也能稳定运行。稳定性测试通过压力测试、边界测试等检查AI智能体在极端情况下的表现。未来展望AI Agent的进化之路AI Agent的落地面临着从通用AI到垂域AI的挑战尤其是在数据安全、业务理解和泛化能力方面。应对之道是持续深耕领域知识Know-how并构建**“业务-产品-算法”**的闭环确保AI技术与业务流程的紧密结合。AI Agent解决方案并非单一技术而是由一套复杂且协同的技术体系支撑。大小模型协同大语言模型LLM负责理解、规划和编排而垂域小模型则负责提供深度专业的知识和精准的计算。这种协同模式有效解决了大模型的“幻觉”和不稳定性问题。多智能体协作将AI Agent从单兵作战升级为协同作战多个具备不同专长的小型AI Agent协同工作共同完成复杂任务。例如**“运营助手Agent”和“问题诊断Agent”**的协作实现了从问题识别到解决方案生成的无缝衔接。智能体测试为了确保AI Agent的可靠性需要建立了严格的测试体系涵盖功能、性能和鲁棒性等多个维度。同时AI Agent的运行速度通过模型优化和混合架构得到显著提升。那么如何系统的去学习大模型LLM作为一名从业五年的资深大模型算法工程师我经常会收到一些评论和私信我是小白学习大模型该从哪里入手呢我自学没有方向怎么办这个地方我不会啊。如果你也有类似的经历一定要继续看下去这些问题啊也不是三言两语啊就能讲明白的。所以我综合了大模型的所有知识点给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢我就曾放空大脑以一个大模型小白的角度去重新解析它采用基础知识和实战项目相结合的教学方式历时3个月终于完成了这样的课程让你真正体会到什么是每一秒都在疯狂输出知识点。由于篇幅有限⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》扫码获取~为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型学习指南路线汇总我们这套大模型资料呢会从基础篇、进阶篇和项目实战篇等三大方面来讲解。①.基础篇基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念用最易懂的方式带你入门大模型。②.进阶篇接下来是进阶篇你将掌握RAG、Agent、Langchain、大模型微调和私有化部署学习如何构建外挂知识库并和自己的企业相结合学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。③.实战篇实战篇会手把手带着大家练习企业级的落地项目已脱敏比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等从而帮助大家更好的应对大模型时代的挑战。④.福利篇最后呢会给大家一个小福利课程视频中的所有素材有搭建AI开发环境资料包还有学习计划表几十上百G素材、电子书和课件等等只要你能想到的素材我这里几乎都有。我已经全部上传到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】相信我这套大模型系统教程将会是全网最齐全 最易懂的小白专用课