一、六款无代码LLM、智能体和RAG构建工具
我们每周都会浏览和测试多个GitHub仓库，以寻找对AI工程师有帮助的潜力项目。
以下是我们在测试过程中发现的六款无代码LLM、智能体和RAG构建工具：
|
|Sim| 一个用于构建AI智能体工作流的拖拽式UI！Sim AI是一个轻量级、用户友好的平台，让每个人都能轻松创建AI智能体工作流。它支持所有主流LLM、MCP服务器、向量数据库等。100%开源，拥有18k星标。 |
|Transformer LabTransformer Lab 是一款用于实验大型语言模型（LLM）的应用：支持训练、微调或聊天。提供一键式LLM下载（如DeepSeek、Gemma等）。具备拖拽式UI用于检索增强生成（RAG）。内置日志记录等功能。100%开源且本地运行！
检索增强生成（RAG）是一种技术，通过结合外部知识库（如向量数据库）来增强LLM的响应，使其能提供更准确、上下文相关的信息，常用于问答或文档分析任务。这超出了基础数学范畴，但理解其概念有助于掌握现代AI应用。
|RAGFlowRAGFlow 是一款专为深度文档理解而设计的 RAG 引擎！它让你能够基于复杂文档构建企业级的 RAG 工作流，并提供可靠的引用支持。该工具支持多模态数据理解、网络搜索、深度研究等功能。它是 100% 开源的，拥有超过 68,000 颗星标！ |
注：RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术，常用于提高大语言模型在特定任务（如问答）中的准确性和可靠性，通过从外部知识库检索相关信息来辅助生成回答。
|Llama Factory| LLaMA-Factory 让你无需编写任何代码，就能训练和微调开源的大语言模型（LLMs）与视觉语言模型（VLMs）。它支持超过100种模型、多模态微调、PPO、DPO、实验跟踪等诸多功能！该项目100%开源，在GitHub上已获得62k颗星！ |
知识补充：
- PPO（Proximal Policy Optimization，近端策略优化）：一种强化学习算法，常用于微调语言模型以优化特定目标（如对话质量、安全性），它通过限制策略更新的步长来确保训练稳定性。
- DPO（Direct Preference Optimization，直接偏好优化）：一种更高效的强化学习方法，直接利用人类偏好数据来微调模型，避免了传统强化学习中复杂的奖励模型训练步骤。
- 视觉语言模型（VLMs）：指能够同时处理图像和文本的模型，例如理解图像内容并生成相关描述，是多模态AI的重要分支。
|Anything LLM| 这款一体化AI应用让你能与文档对话、使用AI智能体，它高度可配置、支持多用户，且无需繁琐的设置。可以在你的电脑上本地运行！100%开源，拥有超过48k颗星！ |
|AutoAgentAutoAgent 是一个零代码框架，让你能够使用自然语言构建和部署智能体。它具备以下特性：
- 通用大语言模型支持
- 原生自管理向量数据库
- 函数调用和ReAct交互模式
- 100% 开源，拥有超过 5k 星标！
注：向量数据库是一种专门用于存储和高效检索向量（如文本嵌入）的数据库，常用于AI应用中的相似性搜索。ReAct（Reasoning and Acting）是一种交互模式，结合推理和行动步骤，使智能体能更有效地处理复杂任务。
👉 大家还见过哪些无代码AI构建工具？欢迎在此分享！
🔥【AI与代码前沿基地】🚀 每日更新！助你抢占技术先机！
🌟 你是否：
❌ 苦恼AI技术更新太快，跟不上核心概念？
❌ 代码实操一学就会，一写就废？
❌ 想获取行业前瞻洞察，却找不到深度解析？
✅ 在这里，你将获得：
▷ 系统性AI知识库：机器学习→深度学习→大模型，零基础到进阶
▷ 最新技术速递：紧跟ChatGPT、Deepseek等全球AI突破，附实战代码
▷ 开发者工具箱：Python案例拆解+自动化实操，拒绝纸上谈兵
▷ AI解决方案：面向您的场景，端到端搭建AI解决方案
📌 点击右上角“关注”✅小木块lambda，快人一步掌握未来！
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。
)
