【必学收藏】A-MEM：大模型智能体的革命性记忆系统，让你的AI拥有“记忆进化“能力！

A-MEM是一种面向大语言模型智能体的创新记忆系统，基于Zettelkasten笔记法，通过动态索引和链接机制构建互联知识网络。该系统能自主生成记忆的上下文描述，智能建立记忆间关联，并实现记忆的动态演化。实验表明，在六个基础模型上，A-MEM在长期对话任务中显著优于现有基线模型，特别是在复杂推理任务中性能翻倍，为LLM智能体提供了更高效、更灵活的长期记忆解决方案。

A-Mem：面向大语言模型智能体的智能记忆系统

A-MEM: Agentic Memory for LLM Agents
文章地址：https://arxiv.org/pdf/2502.12110

速读

这篇论文提出了一种新颖的代理记忆系统（A-MEM），旨在为大型语言模型（LLM）代理提供动态组织和进化记忆的能力。

研究背景

1. 1. 背景介绍:这篇文章的研究背景是大型语言模型（LLM）代理在处理复杂现实任务时需要有效利用外部工具，但这些代理需要记忆系统来利用历史经验。现有的记忆系统虽然能够实现基本的存储和检索功能，但缺乏复杂的记忆组织能力，并且其固定的操作和结构限制了其在不同任务中的适应性。
2. 2. 研究内容:该问题的研究内容包括设计一种新的代理记忆系统，能够动态地组织记忆，并通过代理方式提高记忆系统的适应性和上下文感知能力。
3. 3. 文献综述:该问题的相关工作有：现有的记忆系统如Mem0和MemGPT等，尽管尝试通过图数据库等方式改进记忆的组织，但其固定结构和操作仍然限制了其适应性。检索增强生成（RAG）方法通过引入外部知识源来增强LLMs，但这些方法在检索阶段的自主性仍然有限。

研究方法

这篇论文提出了A-MEM系统。具体来说：

• •Zettelkasten方法:受Zettelkasten方法的启发，A-MEM通过动态索引和链接机制创建互联的知识网络。每个新记忆被构建成一个包含多个结构化属性的综合笔记，包括上下文描述、关键词和标签。
• •记忆生成:当添加新记忆时，系统会生成一个全面的笔记，并通过动态索引和链接建立与其他记忆的联系。新记忆的加入可以触发对现有历史记忆的上下文表示和属性的更新。
• •记忆进化:A-MEM通过分析历史记忆库来识别相关连接，并在新的记忆被整合时自动更新现有记忆的上下文表示和属性，从而实现记忆网络的持续优化。

摘要

尽管大语言模型（LLM）智能体能够有效利用外部工具完成复杂的现实世界任务，但它们仍需要记忆系统来利用历史经验。当前的记忆系统虽能实现基本的存储和检索功能，却缺乏完善的记忆组织方式 —— 即便近年来有研究尝试引入图数据库，这一问题仍未得到解决。此外，这些系统固定的操作流程和结构，使其在应对不同任务时的适应性受到限制。

为解决这一局限，本文提出了一种面向大语言模型智能体的新型智能记忆系统（A-Mem），该系统能够以智能体驱动的方式动态组织记忆。遵循zettelkasten 笔记法的基本原则，我们设计的记忆系统通过动态索引和链接机制，构建相互关联的知识网络：

1. 1. 当新增一条记忆时，系统会生成包含多个结构化属性的完整笔记，这些属性包括上下文描述、关键词和标签；
2. 2. 随后分析历史记忆，识别相关关联，在存在有意义相似性的记忆间建立链接；
3. 3. 此过程还支持记忆演化—— 随着新记忆的整合，它们会触发对已有历史记忆的上下文表征和属性的更新，使记忆网络能持续完善自身理解。

我们的方法将 Zettelkasten 的结构化组织原则与智能体驱动决策的灵活性相结合，实现了更具适应性和上下文感知能力的记忆管理。在六个基础模型上的实证实验表明，该系统相较于现有的最优基线模型，性能有显著提升。

基准测试代码：https://github.com/WujiangXu/AgenticMemory

可用于生产环境的智能记忆系统代码：https://github.com/WujiangXu/A-mem-sys

1 引言

大语言模型（LLM）智能体在各类任务中展现出卓越能力，近年来的研究进展使其能够自主与环境交互、执行任务并做出决策 [23, 33, 7]。它们将大语言模型与外部工具、精细的工作流程相结合，以提升推理和规划能力。尽管大语言模型智能体的推理性能较强，但仍需记忆系统来实现与外部环境的长期交互 [35]。

现有面向大语言模型智能体的记忆系统 [25, 39, 28, 21] 仅提供基础的记忆存储功能，要求智能体开发者预先定义：

• •记忆存储结构；
• •工作流程中的存储节点；
• •检索时机。

同时，为提升记忆的结构化组织能力，Mem0 [8] 遵循检索增强生成（RAG）[9, 18, 30] 的原则，将图数据库引入存储和检索过程。尽管图数据库为记忆系统提供了结构化组织方式，但其对预定义模式和关系的依赖，从根本上限制了适应性。这一局限在实际场景中十分明显：当智能体学习一种新的数学解法时，现有系统只能在预设框架内对该信息进行分类和链接，无法随着知识演化建立创新性关联或形成新的组织模式。

这种僵化的结构，再加上固定的智能体工作流程，严重限制了系统在新环境中的泛化能力，也无法在长期交互中保持有效性。随着大语言模型智能体需处理更复杂、更开放的任务（这类任务中，灵活的知识组织和持续适应能力至关重要），这一挑战愈发关键。因此，如何设计一个灵活、通用的记忆系统以支持大语言模型智能体的长期交互，仍是亟待解决的问题。

本文提出了一种新型智能记忆系统A-Mem，无需依赖静态、预定义的记忆操作，即可实现记忆的动态结构化。该方法灵感来源于Zettelkasten 笔记法[15, 1]—— 这是一种复杂的知识管理系统，通过 “原子笔记” 和灵活的链接机制构建相互关联的信息网络。我们的系统引入了智能记忆架构，使大语言模型智能体能够自主、灵活地管理记忆：

1. 1. 对于每条新记忆，构建包含多种表征的完整笔记，包括结构化文本属性（如多个特征字段）和用于相似性匹配的嵌入向量；
2. 2. A-Mem 分析历史记忆库，基于语义相似性和共享属性建立有意义的关联；
3. 3. 这一整合过程不仅会创建新链接，还支持动态演化：新记忆融入时，会触发对已有记忆上下文表征的更新，使整个记忆网络能随时间持续完善和深化理解。

本文的贡献可总结为：

• • 提出 A-Mem 智能记忆系统，支持大语言模型智能体自主生成上下文描述、动态建立记忆关联，并基于新经验实现已有记忆的智能演化；无需预定义记忆操作，即可为智能体赋予长期交互能力。
• • 设计智能记忆更新机制：新记忆会自动触发两项关键操作 ——链接生成（通过识别共享属性和相似上下文描述，自动建立记忆间的关联）和记忆演化（已有记忆可随新经验的分析动态调整，进而形成更高阶的模式和属性）。
• • 在长期对话数据集上对系统进行全面评估：在六个基础模型上，通过六个不同的评估指标与基线模型对比，验证了系统的显著提升；同时提供 T-SNE 可视化结果，直观展示智能记忆系统的结构化组织效果。

2 相关工作

2.1 大语言模型智能体的记忆系统

以往关于大语言模型智能体记忆系统的研究，探索了多种记忆管理和利用机制 [23, 21, 8, 39]。部分方法通过 “交互存储” 实现功能：

• • 利用密集检索模型 [39] 或读写记忆结构 [24] 维护完整的历史记录；
• • MemGPT [25] 采用类缓存架构，优先处理近期信息；
• • SCM [32] 提出 “自控记忆框架”，通过记忆流和控制器机制增强大语言模型的长期记忆能力。

然而，这些方法在处理多样化的现实任务时存在显著局限：尽管能提供基础记忆功能，但其操作通常受限于预定义结构和固定工作流程—— 这源于它们对僵化操作模式（尤其是记忆写入和检索过程）的依赖。这种不灵活性导致系统在新环境中的泛化能力差，在长期交互中的有效性有限。因此，设计灵活、通用的记忆系统以支持智能体的长期交互，仍是关键挑战。

2.2 检索增强生成

检索增强生成（RAG）已成为增强大语言模型能力的重要方法，其核心是整合外部知识源 [18, 6, 10]。标准 RAG 流程 [37, 34] 包括：

1. 1. 将文档分割为片段并建立索引；
2. 2. 基于语义相似性检索相关片段；
3. 3. 将检索到的上下文融入大语言模型的提示词以辅助生成。

先进的 RAG 系统 [20, 12] 进一步优化了检索前和检索后的处理步骤。在此基础上，近期研究提出了智能检索增强生成系统，这类系统在检索过程中展现出更强的自主性和适应性：

• • 可动态决定检索的时机和内容 [4, 14]；
• • 生成假设性响应以指导检索；
• • 根据中间结果迭代优化搜索策略 [31, 29]。

然而，尽管智能检索增强生成方法在检索阶段体现出智能体特性（自主决定检索时机和内容 [4, 14, 38]），我们的智能记忆系统在更基础的层面（记忆结构的自主演化）展现出智能体特性。灵感来源于 Zettelkasten 笔记法，我们的系统允许记忆：

1. 1. 主动生成自身的上下文描述；
2. 2. 与相关记忆建立有意义的关联；
3. 3. 随着新经验的出现，更新自身内容和关联关系。

这种 “检索层面” 与 “存储和演化层面” 的智能体特性差异，是我们的方法与智能检索增强生成系统的核心区别 —— 后者尽管拥有复杂的检索机制，但其知识库始终保持静态。

3 方法

我们提出的智能记忆系统灵感来源于 Zettelkasten 笔记法，实现了动态、自演化的记忆系统：无需预定义操作，即可让大语言模型智能体维持长期记忆。系统设计重点包括 “原子笔记”、灵活的链接机制和知识结构的持续演化。

3.1 笔记构建

基于 Zettelkasten 笔记法的 “原子笔记” 和灵活组织原则，我们引入了一种由大语言模型驱动的记忆笔记构建方法。当智能体与环境交互时，系统会构建结构化记忆笔记，同时捕捉显式信息和大语言模型生成的上下文理解。

记忆集合中的每条记忆笔记表示为：

其中：

• • ：原始交互内容；
• • ：交互时间戳；
• • ：大语言模型生成的关键词（捕捉核心概念）；
• • ：大语言模型生成的分类标签；
• • ：大语言模型生成的上下文描述（提供丰富的语义理解）；
• • ：具有语义关联的链接记忆集合；
• • ：笔记的密集向量表征（用于相似性匹配和检索）。

为了让每条记忆笔记除基础内容和时间戳外，还包含有意义的上下文，我们利用大语言模型分析交互内容并生成上述语义组件。笔记构建过程通过向大语言模型输入精心设计的模板实现：

遵循 Zettelkasten 笔记法的 “原子性” 原则，每条笔记仅捕捉一个独立、完整的知识单元。为实现高效检索和链接，我们通过文本编码器 [27] 计算包含笔记所有文本组件的密集向量表征：

通过大语言模型生成增强组件，系统能够从原始交互中自主提取隐含知识；而多维度的笔记结构（）则构建了丰富的表征，可捕捉记忆的不同方面，为精细化组织和检索提供支持。此外，大语言模型生成的语义组件与密集向量表征相结合，既保证了上下文完整性，又实现了计算高效的相似性匹配。

3.2 链接生成

系统实现了自主链接生成机制，无需预定义规则，即可让新记忆笔记与已有记忆建立有意义的关联。当构建好的新记忆笔记加入系统时，流程如下：

1. 1. 相似性检索：利用新笔记的语义嵌入，对已有记忆进行相似性检索。对于每个已有记忆笔记，计算相似性得分：

其中为新笔记的嵌入向量，为已有笔记的嵌入向量，相似性计算采用余弦相似度。

1. 2. 筛选候选记忆：识别出与新笔记最相关的前 k 条记忆：
2. 1. 智能链接判断：基于筛选出的候选记忆，提示大语言模型根据潜在的共同属性分析潜在关联，更新新笔记的链接集合：

每条生成的链接结构为：（即与当前笔记相关的记忆 ID 集合）。

通过 “基于嵌入的检索” 作为初始筛选步骤，系统在保证语义相关性的同时实现了高效扩展 —— 即使在大规模记忆集合中，也无需全面比较即可快速识别潜在关联。更重要的是，大语言模型驱动的分析能够实现超越简单相似性指标的精细化关联理解：语言模型可识别嵌入相似性无法捕捉的细微模式、因果关系和概念关联。这一过程既遵循了 Zettelkasten 笔记法的 “灵活链接” 原则，又充分利用了现代语言模型的能力，最终形成的记忆网络由记忆内容和上下文自然驱动，实现了知识的自然组织。

3.3 记忆演化

在为新记忆建立链接后，A-Mem 会基于文本信息和与新记忆的关联，对检索到的候选记忆进行演化。对于候选记忆集合中的每条记忆，系统会判断是否需要更新其上下文、关键词和标签。这一演化过程可形式化为：

其中为演化后的记忆，随后会替换记忆集合 M 中原有的。

这种演化方式支持记忆的持续更新和新关联的建立，模拟了人类的学习过程：随着系统处理的记忆不断增加，知识结构会愈发复杂，进而在多条记忆中发现更高阶的模式和概念。这为 “自主记忆学习” 奠定了基础 —— 通过新经验与已有记忆的持续交互，知识组织会不断丰富。

3.4 相关记忆检索

在每次交互中，A-Mem 会执行上下文感知的记忆检索，为智能体提供相关历史信息。给定当前交互中的查询文本 q，流程如下：

1. 1. 查询嵌入生成：使用与记忆笔记构建时相同的文本编码器，计算查询文本的密集向量表征：
2. 1. 相似性计算：计算查询嵌入与所有已有记忆笔记的相似性得分（采用余弦相似度）：
3. 1. 检索相关记忆：从历史记忆库中检索出与查询最相关的 k 条记忆，构建符合上下文的提示词：

这些检索到的记忆提供了相关历史上下文，帮助智能体更好地理解当前交互并生成响应，同时通过将当前交互与记忆中的过往经验关联，丰富了智能体的推理过程。

4 实验

4.1 数据集与评估方法

为评估长期对话中 “指令感知推荐” 的有效性，我们采用LoCoMo 数据集[22]—— 与现有对话数据集 [36, 13] 相比，该数据集包含更长的对话：现有数据集的对话通常约 1K tokens、涵盖 4-5 个会话，而 LoCoMo 的对话平均 9K tokens、最多涵盖 35 个会话，非常适合评估模型处理长距离依赖和维持长期一致性的能力。

LoCoMo 数据集包含多种问题类型，全面评估模型的理解能力：

1. 1. 单跳问题：可从单个会话中找到答案；
2. 2. 多跳问题：需整合多个会话的信息；
3. 3. 时间推理问题：测试对时间相关信息的理解；
4. 4. 开放域知识问题：需结合对话上下文与外部知识；
5. 5. 对抗性问题：评估模型识别 “无法回答” 查询的能力。

该数据集共包含 7512 个问答对，覆盖上述所有类别。此外，我们还使用新数据集DialSim[16] 评估记忆系统的有效性 —— 这是一个基于长期多方对话的问答数据集，源于热门电视剧（《老友记》《生活大爆炸》《办公室》），涵盖 1300 个会话（时间跨度 5 年）、约 350000 tokens，每个会话包含 1000 多个问题（来自精炼的粉丝问答网站和基于时间知识图谱生成的复杂问题）。

基线模型

我们将 A-Mem 与以下四种基线模型对比：

• •LoCoMo[22]：直接利用基础模型进行问答，不引入记忆机制。对于每个查询，将完整的历史对话和问题融入提示词，评估模型的推理能力。
• •ReadAgent[17]：通过三步法处理长上下文文档：1. 会话分页（将内容分割为可管理的片段）；2. 记忆摘要（将每个页面提炼为简洁的记忆表征）；3. 交互式查找（按需检索相关信息）。
• •MemoryBank[39]：引入创新的记忆管理系统，维护和高效检索历史交互。该系统基于 “艾宾浩斯遗忘曲线” 理论设计动态记忆更新机制，能根据时间和重要性智能调整记忆强度；同时包含用户画像构建系统，通过持续分析交互逐步完善对用户个性的理解。
• •MemGPT[25]：借鉴传统操作系统的内存层次结构，提出新型虚拟上下文管理系统。架构采用双层结构：1. 主上下文（类似 RAM），为大语言模型推理提供即时访问；2. 外部上下文（类似磁盘存储），存储超出固定上下文窗口的信息。

评估指标

我们采用两种主要评估指标：

1. 1. F1 分数：通过平衡精确率和召回率，评估答案准确性；
2. 2. BLEU-1[26]：通过衡量生成响应与真实响应的词重叠度，评估生成质量。

同时，我们还报告回答每个问题的平均 token 长度。此外，附录 A.3 中还提供了另外四种指标（ROUGE-L、ROUGE-2、METEOR、SBERT 相似度）的评估结果，以及在不同基础模型（DeepSeek-R1-32B [11]、Claude 3.0 Haiku [2]、Claude 3.5 Haiku [3]）上的实验结果。

4.2 实现细节

为保证公平性，所有基线模型和我们的方法均使用相同的系统提示词（详见附录 B）。具体实现细节如下：

• •模型部署：Qwen-1.5B/3B 和 Llama 3.2 1B/3B 模型通过 Ollama¹ 在本地实例化，使用 LiteLLM² 管理结构化输出生成；GPT 模型则调用官方结构化输出 API。
• •检索参数：记忆检索过程中，为平衡计算效率，默认选择 k=10（即检索前 10 条最相关记忆）；针对特定类别会调整该参数以优化性能，详细参数设置见附录 A.5。
• •文本嵌入：所有实验均采用 all-minilm-l6-v2 模型生成文本嵌入。

¹https://github.com/ollama/ollama

²https://github.com/BerriAI/litellm

4.3 实验结果

性能分析

在 LoCoMo 数据集上的实证评估显示：

• •非 GPT 基础模型：A-Mem 在所有类别中均持续优于所有基线模型，验证了智能记忆方法的有效性；
• •GPT 基础模型：尽管 LoCoMo 和 MemGPT 在开放域、对抗性任务等类别中表现较强（得益于其在简单事实检索上的预训练知识），但 A-Mem 在多跳任务中表现显著更优 —— 性能至少是基线模型的两倍（多跳任务需要复杂的推理链）。

在 DialSim 数据集上，A-Mem 同样持续优于 LoCoMo 和 MemGPT：F1 分数达到 3.45，相较于 LoCoMo 的 2.55 提升 35%，相较于 MemGPT 的 1.18 提升 192%（见表 2）。

A-Mem 的有效性源于其新颖的智能记忆架构：通过具有丰富上下文描述的 “原子笔记” 构建相互关联的记忆网络，实现了更有效的多跳推理；同时，系统能基于共享属性动态建立记忆关联，并利用新上下文持续更新已有记忆的描述，从而更好地捕捉和利用信息间的关联。

成本效率分析

A-Mem 在表现出强性能的同时，还具备显著的计算和成本效率：

• •Token 消耗：每次记忆操作仅需约 1200 个 token，通过 “选择性 top-k 检索” 机制，相较于基线模型（LoCoMo 和 MemGPT 需 16900 个 token），token 消耗减少 85%-93%；
• •成本：使用商业 API 服务时，每次记忆操作成本低于 0.0003 美元，大规模部署具备经济可行性；
• •速度：使用 GPT-4o-mini 时，平均处理时间为 5.4 秒；在单 GPU 上使用本地部署的 Llama 3.2 1B 时，仅需 1.1 秒。

尽管在记忆处理过程中需要多次调用大语言模型，但 A-Mem 仍保持了高效的资源利用，同时在所有测试基础模型上持续优于基线 —— 尤其是在复杂多跳推理任务中性能翻倍。这种 “低计算成本 + 高推理能力” 的平衡，凸显了 A-Mem 在实际部署中的优势。

4.4 消融实验

为评估 “链接生成（LG）” 和 “记忆演化（ME）” 模块的有效性，我们通过系统性移除关键组件进行消融实验（结果见表 3）：

• •移除 LG 和 ME：系统性能显著下降，尤其是在多跳推理和开放域任务中；
• •仅保留 LG（移除 ME）：性能处于中间水平，显著优于 “双移除” 版本，验证了链接生成在记忆组织中的基础作用；
• •完整 A-Mem：在所有评估类别中均表现最佳，尤其在复杂推理任务中优势明显。

实验结果表明：链接生成模块是记忆组织的关键基础，而记忆演化模块则为记忆结构提供了必要的优化；两个模块相辅相成，共同构成了有效的记忆系统。

4.5 超参数分析

我们通过大量实验分析了记忆检索参数 k（控制每次交互中检索的相关记忆数量）的影响。如图 3 所示，在以 GPT-4o-mini 为基础模型的实验中，我们评估了 k 取不同值（10、20、30、40、50）时，在五个任务类别上的性能。

结果呈现出明确模式：

• • 随着 k 增大，性能通常会提升，但提升幅度逐渐趋于平稳，在 k 较大时甚至略有下降；
• • 这一趋势在多跳和开放域任务中尤为明显。

这表明记忆检索存在 “平衡效应”：较大的 k 能为推理提供更丰富的历史上下文，但也可能引入噪声，并增加模型处理长序列的难度。分析显示，中等 k 值能在 “上下文丰富度” 和 “信息处理效率” 之间取得最佳平衡。

4.6 扩展性分析

为评估记忆积累过程中的存储成本，我们分析了 A-Mem 与两种基线方法（MemoryBank [39]、ReadAgent [17]）在 “存储规模 - 检索时间” 关系上的表现。实验中，三个系统使用相同的记忆内容，并在四个规模级别上测试（记忆条目数量依次为 1000、10000、100000、1000000，每次规模扩大 10 倍）。

实验结果揭示了 A-Mem 的关键扩展性特征：

• •空间复杂度：三个系统均表现出相同的线性内存增长（），符合向量检索系统的预期，证明 A-Mem 与基线相比无额外存储开销；
• •检索时间：A-Mem 展现出优异的效率，检索时间随记忆规模增长的幅度极小 —— 即使扩展到 100 万条记忆，检索时间也仅从 0.31µs 增加到 3.70µs；尽管 MemoryBank 的检索速度略快，但 A-Mem 在提供更丰富记忆表征和功能的同时，仍保持了可比的性能。

基于空间复杂度和检索时间的分析，我们认为 A-Mem 的检索机制在大规模场景下仍能保持高效；检索时间随记忆规模的缓慢增长，解决了大规模记忆系统的效率担忧，证明 A-Mem 是支持长期对话管理的高扩展性解决方案。这种 “高效 + 可扩展 + 增强记忆功能” 的组合，使 A-Mem 成为大语言模型智能体长期记忆机制的重要突破。

4.7 记忆分析

我们通过T-SNE 可视化（图 4）展示了记忆嵌入的结构，以验证智能记忆系统的结构优势。对 LoCoMo [22] 中两个长期对话样本的分析显示：

• • A-Mem（蓝色）的记忆嵌入始终呈现出更连贯的聚类模式；
• • 基线系统（红色）的记忆嵌入分布更分散，证明在缺乏 “链接生成” 和 “记忆演化” 组件时，记忆无法形成结构化组织。

这种结构化组织在对话 2 中尤为明显 —— 中心区域出现了清晰的聚类，为 “记忆演化机制” 和 “上下文描述生成” 的有效性提供了实证支持。更多可视化结果见附录 A.4。

5 结论

本文提出了一种新型智能记忆系统 A-Mem，无需依赖预定义结构，即可让大语言模型智能体动态组织和演化记忆。灵感来源于 Zettelkasten 笔记法，该系统通过动态索引和链接机制构建相互关联的知识网络，能适应多样化的现实任务。

系统的核心架构包括：

1. 1. 为新记忆自主生成上下文描述；
2. 2. 基于共享属性智能建立与已有记忆的关联；
3. 3. 通过整合新经验实现历史记忆的持续演化，并在交互过程中形成更高阶的属性。

在六个基础模型上的大量实证评估表明，A-Mem 在长期对话任务中优于现有的最优基线模型；可视化分析进一步验证了记忆组织方法的有效性。这些结果表明，智能记忆系统能显著提升大语言模型智能体在复杂环境中利用长期知识的能力。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​