核心摘要特性LangChainLangGraph定位LLM 应用快速开发框架状态机驱动的 Agent 编排框架工作流线性链式调用图结构、支持循环与分支状态管理无状态/简单状态完整的状态机、持久化支持适用场景快速原型、简单任务复杂 Agent、多轮对话、生产系统学习曲线较低较高一句话总结LangChain 适合快速上手和简单场景LangGraph 则是构建复杂、生产级 Agent 系统的首选。一、背景为什么需要 Agent 框架在 ChatGPT 问世后开发者们很快发现单纯调用 LLM API 远远不够。一个真正有用的 AI 应用需要工具调用搜索、计算、访问数据库上下文管理记住之前的对话内容决策能力根据情况选择不同的执行路径错误处理重试、回退、人工干预可观测性调试、监控、追踪这正是 LangChain 生态要解决的问题。LangChain 提供了构建 LLM 应用的基础组件而 LangGraph 则在此基础上为复杂 Agent 系统提供了强大的编排能力。二、LangChain 核心概念2.1 什么是 LangChainLangChain 是一个开源框架旨在帮助开发者快速构建基于大语言模型的应用。它提供了一系列标准化组件让开发者可以专注于业务逻辑而非底层实现细节。2.2 核心组件┌─────────────────────────────────────────────────────────┐ │ LangChain 架构 │ ├─────────────────────────────────────────────────────────┤ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ Models │ │ Prompts │ │ Memory │ │ │ │ (LLM/聊天) │ │ (模板管理) │ │ (上下文) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ Chains │ │ Agents │ │ Tools │ │ │ │ (链式调用) │ │ (智能代理) │ │ (工具集成) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │Retrievers│ │ Output │ │Callbacks │ │ │ │ (检索器) │ │ Parsers │ │ (回调) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ └─────────────────────────────────────────────────────────┘ Models模型LangChain 支持多种 LLM 提供商提供统一的接口fromimportfromimportfromimport# OpenAIgpt-40.7# Anthropic Claudeclaude-3-opus-20240229# 本地模型 (Ollama)llama2 Prompts提示词提示词模板让提示词可复用、可参数化fromimport# 创建提示词模板system你是一个{role}请用专业但易懂的语言回答问题。human{question}# 格式化提示词format数据科学家什么是过拟合 Chains链链是 LangChain 的核心概念将多个组件串联起来fromimportfromimportfromimport# 创建链gpt-4翻译以下文本为{language}: {text}# 使用 LCEL (LangChain Expression Language) 串联# 执行链language英文text你好世界print# Hello World Agents智能代理Agent 可以根据用户输入动态决定调用哪些工具fromimportfromimport# 定义工具tooldefget_weathercity: strstr获取指定城市的天气信息# 实际实现会调用天气 APIreturnf{city} 今天晴温度 25°Ctooldefcalculateexpression: strstr计算数学表达式returnstreval# 创建 Agentsystem你是一个有用的助手可以使用工具帮助用户。human{input}placeholder{agent_scratchpad}# 执行input北京天气怎么样顺便帮我算一下 25*42.3 LangChain 的局限性LangChain 的 Chain 设计虽然强大但存在一些限制问题说明线性流程Chain 本质是线性执行难以实现复杂的条件分支和循环状态管理弱虽然有 Memory 组件但对于复杂状态机支持不足调试困难一旦 Chain 变复杂追踪执行路径变得困难缺乏循环无法优雅地实现 “执行-评估-重试” 这类循环逻辑多 Agent 协作多个 Agent 之间的协调需要额外设计这正是 LangGraph 要解决的问题。三、LangGraph 核心概念3.1 什么是 LangGraphLangGraph 是 LangChain 团队推出的新一代 Agent 编排框架专门用于构建状态机驱动的复杂 Agent 系统。它将 Agent 工作流建模为图结构支持✅循环与分支复杂的条件逻辑✅状态持久化断点续传、人工干预✅多 Agent 协作清晰的通信模式✅流式输出实时响应✅可视化调试LangSmith Studio 集成3.2 核心概念图 节点 边 状态┌─────────────────────────────────────────────────────────────┐ │ LangGraph 工作流示例 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ START │───────▶│ 分析 │───────▶│ 判断 │ │ │ └─────────┘ └─────────┘ └────┬────┘ │ │ │ │ │ ┌──────────────┼──────────────┐│ │ │ │ ││ │ ▼ ▼ ▼││ │ ┌─────────┐ ┌─────────┐ ┌─────────┐│ │ │ 工具A │ │ 工具B │ │ 直接 ││ │ └────┬────┘ └────┬────┘ │ 回复 ││ │ │ │ └────┬───┘│ │ │ │ │ │ │ └──────┬───────┘ │ │ │ │ │ │ │ ▼ │ │ │ ┌─────────┐ │ │ │ │ 整合 │◀─────────────────┘ │ │ └────┬────┘ │ │ │ │ │ ▼ │ │ ┌─────────┐ │ │ │ END │ │ │ └─────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘ State状态状态是图中所有节点共享的数据结构通常使用 TypedDict 或 Pydantic 模型定义fromimportSequencefromimportimportclassAgentStateTypedDict# 消息历史使用 Annotated 实现自动合并Sequence# 当前执行步骤str# 是否需要人工审核bool# 执行结果strNone# 错误信息strNone关键点Annotated[type, operator.add]表示这个字段会自动追加而非覆盖状态在节点间传递每个节点可以读取和修改支持持久化到数据库实现断点续传 Nodes节点节点是工作流中的处理单元接收状态、返回更新后的状态fromimportLiteraldefanalyze_querystate: AgentStatedict分析用户查询决定下一步行动messages1# 这里可以调用 LLM 进行分析# ...returncurrent_stepanalyzeneeds_reviewFalsedefexecute_toolstate: AgentStatedict执行工具调用# 获取最后一条消息中的工具调用messages1if# 执行工具...工具执行结果returnresultreturndefshould_continuestate: AgentStateLiteraltoolsend条件边决定是否继续调用工具messages1ifreturntoolsreturnend Edges边边定义节点之间的连接方式分为三种类型fromimport# 创建图# 添加节点analyzetools# 1. 普通边 (Normal Edge): A → B无条件转移analyze# 2. 条件边 (Conditional Edge): 根据条件选择不同路径analyzetoolstoolsend# 3. 循环边: 从 tools 回到 analyze形成循环toolsanalyze3.3 完整示例构建一个 Research Agent下面是一个完整的 Research Agent 示例展示如何使用 LangGraph 构建一个能够自主搜索、分析、整合信息的智能代理fromimportSequenceLiteralfromimportfromimportfromimportfromimportfromimportimport# 定义状态 classResearchStateTypedDictSequenceliststrliststrintint# 定义工具 tooldefsearch_webquery: strstr搜索网络获取信息# 实际实现会调用搜索 APIreturnf搜索结果关于 {query} 的相关信息...tooldefextract_key_pointstext: strstr从文本中提取关键信息returnf关键点{text[:100]}...# 创建模型 gpt-40# 定义节点 defresearcher_nodestate: ResearchStatedict研究员节点分析问题决定搜索策略messages# 调用 LLM 进行分析returnmessagesdefsynthesizer_nodestate: ResearchStatedict综合节点整合研究发现生成最终答案findingsmessagesf 基于以下研究发现请综合生成一个完整的回答 研究发现 {chr(10).join(f- {f} for f in findings)} 原始问题{messages[0].content} returnmessagesdefshould_continuestate: ResearchStateLiteraltoolssynthesize决定下一步行动messages1# 如果有工具调用继续执行工具ifreturntools# 如果达到最大迭代次数进入综合阶段ifiterationsmax_iterationsreturnsynthesizereturnsynthesizedefprocess_tool_resultsstate: ResearchStatedict处理工具执行结果messages1ifisinstanceand# 这里可以添加逻辑来提取有用的发现returniterationsiterations1returniterationsiterations1# 构建图 # 添加节点researchertoolsprocess_resultssynthesizer# 定义边researcherresearchertoolstoolssynthesizesynthesizertoolsprocess_resultsprocess_resultsresearcher# 循环回去synthesizer# 编译并运行 compile# 初始状态messages请研究一下 LangGraph 的主要特点和优势research_queriesfindingsiterations0max_iterations3# 执行printmessages13.4 状态持久化LangGraph 支持将状态持久化到数据库实现断点续传和人工干预fromimportfromimport# 使用内存存储开发调试compile# 使用 SQLite 持久化生产环境- 推荐写法checkpoints.dbcompile# 或者使用内存数据库测试用:memory:compile# 执行时指定 thread_idconfigurablethread_idconversation-123# 恢复执行断点续传None# 从上次断点继续3.5 Human-in-the-Loop人工干预LangGraph 原生支持人工干预模式fromimportfromimport# 定义需要人工审核的节点defhuman_review_nodestate: AgentStatedict等待人工审核# 这个节点会暂停执行等待人工输入returnneeds_reviewTrue# 在图中添加中断点human_review# 使用 interrupt_before 在特定节点前暂停compilehuman_review# 在 human_review 前暂停# 第一次执行会在 human_review 前暂停print等待人工审核...# 人工审核后继续执行approvedTrue# 更新状态None# 继续执行四、LangChain vs LangGraph如何选择4.1 对比分析维度LangChainLangGraph学习曲线⭐⭐ 较低⭐⭐⭐⭐ 较高开发速度快速原型需要更多设计流程复杂度适合线性流程支持复杂图结构状态管理简单 Memory完整状态机可调试性一般优秀可视化生产就绪适合中小项目适合企业级应用多 Agent 支持需要额外设计原生支持错误处理基础完善的重试/回退机制人工干预不原生支持原生支持4.2 选择建议选择 LangChain 当✅ 快速原型开发验证想法✅ 工作流相对简单、线性✅ 不需要复杂的状态管理✅ 单一 Agent 即可完成任务✅ 团队成员对 Agent 开发不熟悉选择 LangGraph 当✅ 构建生产级 Agent 系统✅ 工作流复杂有循环、分支、条件判断✅ 需要状态持久化和断点续传✅ 多 Agent 协作场景✅ 需要人工干预Human-in-the-Loop✅ 需要详细的执行追踪和调试实践中很多项目从 LangChain 开始快速验证然后迁移到 LangGraph 进行生产化。两者可以无缝集成。五、LangGraph 高级特性5.1 多 Agent 协作LangGraph 原生支持多 Agent 系统常见的协作模式包括┌─────────────────────────────────────────────────────────────┐ │ 多 Agent 协作模式 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 【模式1: 层级式】 【模式2: 对等式】 │ │ │ │ ┌─────────┐ ┌─────────┐ │ │ │ 主控 │ │ Agent A │◀──────┐ │ │ │ Agent │ └────┬────┘ │ │ │ └────┬────┘ │ │ │ │ │ ▼ │ │ │ ┌─────┴─────┐ ┌─────────┐ │ │ │ │ │ │ Agent B │───────┘ │ │ ▼ ▼ └────┬────┘ │ │ ┌───────┐ ┌───────┐ │ │ │ │Worker │ │Worker │ ▼ │ │ │ A │ │ B │ ┌─────────┐ │ │ └───────┘ └───────┘ │ Agent C │ │ │ └─────────┘ │ │ │ │ 【模式3: 顺序式】 【模式4: 专家路由】 │ │ │ │ ┌───┐ ┌───┐ ┌───┐ ┌─────────┐ │ │ │ A │───▶│ B │───▶│ C │ │ Router │ │ │ └───┘ └───┘ └───┘ └────┬────┘ │ │ │ │ │ ┌───────┬───────┼───────┐ │ │ ▼ ▼ ▼ ▼ │ │ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ │ │ │专家1│ │专家2│ │专家3│ │专家4│ │ │ └─────┘ └─────┘ └─────┘ └─────┘ │ │ │ └─────────────────────────────────────────────────────────────┘示例专家路由模式fromimportLiteralfromimportfromimportclassRouterStateTypedDictstrstrstrdefrouter_nodestate: RouterStatedict路由节点分析问题分配给合适的专家questionf分析以下问题判断应该由哪位专家回答 问题{question}可选专家- math: 数学专家处理计算、公式等问题- code: 编程专家处理代码、技术问题- general: 通用专家处理一般性问题只回复专家类型math/code/generalgpt-4returnexpert_typedefmath_expertstate: RouterStatedict数学专家gpt-4f作为数学专家请回答{state[question]}returnanswerdefcode_expertstate: RouterStatedict编程专家gpt-4f作为编程专家请回答{state[question]}returnanswerdefgeneral_expertstate: RouterStatedict通用专家gpt-4f请回答{state[question]}returnanswerdefroute_to_expertstate: RouterStatestr条件边根据专家类型路由returnexpert_type# 构建图routermathcodegeneralrouterroutermathmathcodecodegeneralgeneralmathcodegeneralcompile5.2 流式输出LangGraph 支持实时流式输出提升用户体验asyncdefstream_responseapp, initial_state流式输出响应asyncforinv2eventifon_chain_startprintf\n▶ 开始执行: {event[name]}elifon_chain_endprintf✓ 完成执行: {event[name]}elifon_chat_model_stream# 流式输出 LLM tokendatachunkifprintTrueelifon_tool_startprintf\n 调用工具: {event[name]}elifon_tool_endprintf✓ 工具完成: {event[name]}# 运行import5.3 与 LangSmith 集成LangSmith 是 LangChain 生态的可观测性平台与 LangGraph 无缝集成import# 配置 LangSmithLANGSMITH_API_KEYyour-api-keyLANGSMITH_TRACINGtrueLANGSMITH_PROJECTmy-project# 之后所有 LangGraph 执行都会自动追踪# 可在 LangSmith Studio 中可视化查看六、实战案例构建智能客服系统下面是一个完整的智能客服系统示例展示 LangGraph 的实际应用fromimportSequenceLiteralfromimportfromimportfromimportfromimportfromimportfromimportimportfromimport# 状态定义 classCustomerServiceStateTypedDictSequencestrNonestrNone# technical, billing, general, escalateboolstrNoneintNone# 工具定义 tooldefcheck_order_statusorder_id: strstr查询订单状态# 模拟数据库查询12345status已发货trackingSF12345678912346status处理中trackingNoneifreturnf订单状态{order[status]}物流单号{order[tracking] or 暂无}return未找到该订单tooldefcreate_ticketcustomer_id: str, issue: str, priority: str normalstr创建工单fTK-{datetime.now().strftime(%Y%m%d%H%M%S)}returnf已创建工单 {ticket_id}问题描述{issue}优先级{priority}tooldefget_customer_infocustomer_id: strstr获取客户信息C001name张三vipTrueorders15C002name李四vipFalseorders3ifreturnf客户{info[name]}VIP{info[vip]}历史订单{info[orders]}笔return未找到客户信息tooldeftransfer_to_humanreason: strstr转人工客服returnf已提交转人工请求原因{reason}预计等待时间 3 分钟# 节点定义 defclassify_intentstate: CustomerServiceStatedict分类用户意图messages1ifelsef分析用户问题判断问题类型 问题{last_message}类型选项- technical: 技术问题- billing: 订单/支付问题 - general: 一般咨询- escalate: 要求转人工只回复类型technical/billing/general/escalategpt-40returnissue_typedeftechnical_agentstate: CustomerServiceStatedict技术支持 Agentgpt-4你是一个技术支持专家。 - 优先使用 check_order_status 查询订单状态 - 如果问题复杂无法解决使用 transfer_to_human 转人工 - 回答要专业、清晰listmessagesreturnmessagesdefbilling_agentstate: CustomerServiceStatedict账单/订单 Agentgpt-4你是一个订单和账单专家。 - 使用 check_order_status 查询订单 - 使用 get_customer_info 了解客户情况 - 确保回答准确、及时listmessagesreturnmessagesdefgeneral_agentstate: CustomerServiceStatedict通用客服 Agentgpt-4你是一个友好的客服代表。 - 耐心回答用户问题 - 如果无法处理使用 transfer_to_humanlistmessagesreturnmessagesdefescalation_handlerstate: CustomerServiceStatedict升级处理returnescalation_reason用户请求转人工messages好的我正在为您转接人工客服请稍候...defshould_continuestate: CustomerServiceStateLiteraltoolscheck_resolved判断是否继续messages1ifisinstanceandreturntoolsreturncheck_resolveddefroute_by_intentstate: CustomerServiceStatestr根据意图路由到不同 Agentreturnissue_type# 注check_resolved 函数可用于更复杂的多轮对话场景# def check_resolved(state: CustomerServiceState) - Literal[end, continue]:# 检查是否已解决# last_message state[messages][-1]# if isinstance(last_message, HumanMessage):# content last_message.content.lower()# if any(word in content for word in [谢谢, 感谢, 再见, 好的]):# return end# return continue# 构建图 # 添加节点classifytechnicalbillinggeneralescalatetools# 定义入口边classify# 根据意图路由到不同 Agentclassifytechnicaltechnicalbillingbillinggeneralgeneralescalateescalate# 技术 Agent 后续流程technicaltoolstoolscheck_resolved# 简化无工具调用则结束# 账单 Agent 后续流程billingtoolstoolscheck_resolved# 通用 Agent 后续流程generaltoolstoolscheck_resolved# 工具执行后回到分类节点toolsclassify# 升级处理直接结束escalate# 编译compile# 运行示例 if__main__messages我的订单 12345 现在什么状态customer_idNoneissue_typeNoneresolvedFalseescalation_reasonNonesatisfaction_scoreNoneprintmessages1七、最佳实践与常见问题7.1 最佳实践 1. 状态设计原则# ✅ 好的状态设计classGoodStateTypedDictSequencestrliststrdict# 用于存储临时信息# ❌ 避免过于复杂的状态classBadStateTypedDictdict# 太大str# 冗余 2. 错误处理fromimportdefsafe_nodestate: AgentStatedict带错误处理的节点try# 业务逻辑returnresulterrorNoneexceptas# 返回错误状态而非抛出异常returnerrorstrcurrent_steperror_recovery# 在图中添加错误恢复路径safe_nodelambdaerror_recoveryiferrorelsenext_steperror_recoveryerror_handlernext_stepnext_node 3. 限制迭代次数classAgentStateTypedDict# ... 其他字段intint# 默认值如 10defcheck_iteration_limitstate: AgentStatestr防止无限循环ifiteration_countmax_iterationsreturnendreturncontinue 4. 使用类型注解fromimportLiteral# 明确的类型注解有助于 IDE 补全和静态检查classMyStateTypedDictLiteralpendingprocessingcompletedfailedintdictstrstr7.2 常见问题Q1: LangGraph 和 LangChain 可以一起用吗A:可以而且推荐一起用。LangGraph 是构建在 LangChain 之上的你可以使用 LangChain 的 Models、Tools、Retrievers用 LangGraph 构建复杂的 Agent 工作流两者共享相同的组件生态fromimportfromimportfromimport# LangChain 组件在 LangGraph 中使用gpt-4# ... 在 LangGraph 节点中使用Q2: 如何调试 LangGraphA:多种方法LangSmith Studio: 可视化追踪每一步执行打印中间状态: 在节点中添加日志单元测试: 对每个节点单独测试# 打印调试defdebug_nodestate: AgentStatedictprintf当前状态: {state}printf处理后状态: {result}returnQ3: LangGraph 性能如何优化A:几个优化方向减少状态大小: 只存储必要信息并行执行: 使用async节点缓存: 对重复计算进行缓存选择合适的模型: 简单任务用小模型# 异步执行asyncdefasync_nodestate: AgentStatedictawaitmessagesreturnmessagesQ4: 如何实现人工审核Human-in-the-LoopA:使用interrupt_before或interrupt_after:compilesensitive_action# 在敏感操作前暂停# 执行到敏感操作会暂停# 人工审核后继续approvedTrueNone八、总结与展望8.1 核心要点回顾主题要点LangChain快速构建 LLM 应用的基础框架适合简单链式工作流LangGraph状态机驱动的 Agent 编排框架适合复杂、生产级系统核心概念State状态、Node节点、Edge边构成完整工作流选择建议从 LangChain 入门复杂场景迁移到 LangGraph关键特性循环/分支、状态持久化、多 Agent 协作、人工干预8.2 学习路径建议入门 LangChain │ ▼ 掌握基础概念Models, Prompts, Chains, Tools │ ▼ 学习 LangGraph 核心概念State, Node, Edge │ ▼ 构建简单 Agent单工具、线性流程 │ ▼ 进阶特性条件边、状态持久化 │ ▼ 多 Agent 协作系统 │ ▼ 生产级部署LangSmith、监控、优化8.3 生态与资源资源链接LangChain 官方文档https://python.langchain.com/docs/[1]LangGraph 官方文档https://langchain-ai.github.io/langgraph/[2]LangChain Academyhttps://academy.langchain.com/[3]LangSmithhttps://www.langchain.com/langsmith[4]GitHub 示例https://github.com/langchain-ai/langgraph/tree/main/examples[5]结语LangChain 和 LangGraph 代表了 LLM 应用开发的最佳实践。LangChain 提供了快速上手的工具链而 LangGraph 则为构建复杂、可靠、可扩展的 Agent 系统提供了强大的编排能力。随着 AI Agent 技术的不断发展掌握这两个框架将成为 AI 工程师的必备技能。建议从简单的 LangChain 项目开始逐步深入 LangGraph 的复杂工作流设计最终能够构建生产级的智能系统。01什么是AI大模型应用开发工程师如果说AI大模型是蕴藏着巨大能量的“后台超级能力”那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型设计开发落地业务的应用工程师。这个职业的核心价值在于打破技术与用户之间的壁垒把普通人难以理解的算法逻辑、模型参数转化为人人都能轻松操作的产品形态。无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能还是办公场景中的自动记账工具、会议记录用的语音转文字APP这些看似简单的应用背后都是应用开发工程师在默默搭建技术与需求之间的桥梁。他们不追求创造全新的大模型而是专注于让已有的大模型“听懂”业务需求“学会”解决具体问题最终形成可落地、可使用的产品。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】02AI大模型应用开发工程师的核心职责需求分析与拆解是工作的起点也是确保开发不偏离方向的关键。应用开发工程师需要直接对接业务方深入理解其核心诉求——不仅要明确“要做什么”更要厘清“为什么要做”以及“做到什么程度算合格”。在此基础上他们会将模糊的业务需求拆解为具体的技术任务明确每个环节的执行标准并评估技术实现的可行性同时定义清晰的核心指标为后续开发、测试提供依据。这一步就像建筑前的图纸设计若出现偏差后续所有工作都可能白费。技术选型与适配是衔接需求与开发的核心环节。工程师需要根据业务场景的特点选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同选型的合理性直接影响最终产品的表现。同时他们还要对行业相关数据进行预处理通过提示词工程优化模型输出或在必要时进行轻量化微调让基础模型更好地适配具体业务。此外设计合理的上下文管理规则确保模型理解连贯需求建立敏感信息过滤机制保障数据安全也是这一环节的重要内容。应用开发与对接则是将方案转化为产品的实操阶段。工程师会利用选定的开发框架构建应用的核心功能同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通确保数据流转顺畅。在这一过程中他们还需要配合设计团队打磨前端交互界面让技术功能以简洁易懂的方式呈现给用户实现从技术方案到产品形态的转化。测试与优化是保障产品质量的关键步骤。工程师会开展全面的功能测试找出并修复开发过程中出现的漏洞同时针对模型的响应速度、稳定性等性能指标进行优化。安全合规性也是测试的重点需要确保应用符合数据保护、隐私安全等相关规定。此外他们还会收集用户反馈通过调整模型参数、优化提示词等方式持续提升产品体验让应用更贴合用户实际使用需求。部署运维与迭代则贯穿产品的整个生命周期。工程师会通过云服务器或私有服务器将应用部署上线并实时监控运行状态及时处理突发故障确保应用稳定运行。随着业务需求的变化他们还需要对应用功能进行迭代更新同时编写完善的开发文档和使用手册为后续的维护和交接提供支持。03薪资情况与职业价值市场对这一职业的高度认可直接体现在薪资待遇上。据猎聘最新在招岗位数据显示AI大模型应用开发工程师的月薪最高可达60k。在AI技术加速落地的当下这种“技术业务”的复合型能力尤为稀缺让该职业成为当下极具吸引力的就业选择。AI大模型应用开发工程师是AI技术落地的关键桥梁。他们用专业能力将抽象的技术转化为具体的产品让大模型的价值真正渗透到各行各业。随着AI场景化应用的不断深化这一职业的重要性将更加凸显也必将吸引更多人才投身其中推动AI技术更好地服务于社会发展。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】