本文基于2026年大模型技术迭代趋势深入探讨Text-to-SQL技术的应用演进、现存痛点及优化方案结合DB-GPT平台完成Agent应用实战适配小白入门与程序员进阶学习全程干货可直接套用建议收藏备用从传统规则驱动系统到2026年主流大模型赋能Text-to-SQL技术不断突破但仍面临查询意图偏差、数据幻觉、结果不稳定等核心挑战。文中提出提示工程、模型微调、RAG/Agent增强三大优化路径并通过真实汽车数据集实操展示其在提升SQL生成准确性、降低技术门槛方面的核心价值助力开发者快速掌握Text-to-SQL与大模型结合的实战能力。1.Text-to-SQL应用概述Text-to-SQL也称为NL2SQL是将自然语言查询转换为可在关系数据库上执行的SQL查询的技术。其核心目标是准确捕捉并反映用户意图生成相应的SQL查询确保执行后返回符合预期的结果。早在生成式人工智能LLM技术出现之前已有很多专注于Text-to-SQL任务的机器学习项目。随着大模型技术的快速发展凭借其强大的自然语言理解能力和推理能力Text-to-SQL的性能得到了显著提升的同时也大大降低了访问关系数据库和进行数据分析的门槛并能够支持各种企业级应用。Text-to-SQL技术的实际应用所面临的挑战主要在于自然语言的不确定性、数据库的复杂性和数据质量差异、自然语言到SQL语言的转换3个方面。这不仅需要模型具备强大的语言理解能力还必须深入了解SQL语法并在面对多样化的数据库结构和环境时表现良好的泛化能力。大语言模型LLMs凭借其强大的语言理解和生成能力,为Text-to-SQL技术应用发展提供了新思路LLMs能够通过理解自然语言问题的语义,建立问题与数据库模式之间的关联,并根据上下文生成正确的SQL查询。此外LLMs还具备领域适应能力和错误修正能力使其在Text-to-SQL任务中展现出显著优势。Text-to-SQL正在成为连接自然语言与结构化数据的重要桥梁为企业数据分析和决策支持开辟了新的可能性。2.Text-to-SQL的技术发展Text-to-SQL技术的核心在于将用户输入的自然语言查询精准地转化为等价的SQL查询语句从而使非技术人员也能借助日常语言与数据库进行交互。这一转换过程通常涵盖自然语言处理NLP、语义解析以及SQL生成等关键环节。当用户输入自然语言问题后系统会首先运用NLP技术来理解用户的意图然后通过语义解析把提取到的信息映射到数据库模式上最后生成相应的SQL查询语句。文本到SQL系统的发展历程宛如一部技术进化史经历了从简单到复杂、从规则驱动到数据驱动、从特定领域到跨领域通用的漫长演进。早期的文本到SQL系统主要依赖严格的规则通过人工精心编写语法规则和启发式方法试图将自然语言查询转换为SQL命令。在简单且特定的数据库应用场景中这些系统能够发挥一定的作用而随着数据复杂性的不断增加以及查询需求的日益多样其局限性也逐渐凸显出来。面对复杂的查询结构和多样的数据库模式基于规则的系统显得力不从心难以实现有效的泛化这促使了技术的进一步革新。深度学习的浪潮为文本到SQL技术应用带来了新的曙光。2017年基于序列到序列模型如LSTM和Transformer的方法开始崭露头角Seq2SQL和SQLNet等模型应运而生。这些模型采用了端到端的可微分架构直接对自然语言进行解释并生成SQL查询。相较于传统方法它们在性能、灵活性和可扩展性方面都有了显著提升能够学习自然语言与SQL之间的映射关系初步解决了一些复杂查询的生成问题。预训练语言模型PLMs的出现进一步推动了文本到SQL技术的发展。PLMs基于大规模无监督文本数据进行预训练能够学习到丰富的语言表示然后通过微调适应特定任务。在文本到SQL领域PLMs通过将自然语言查询和数据库模式整合为统一表示提升了SQL生成的准确性尤其在处理多表连接、嵌套查询等复杂任务上表现出色。不过PLMs也并非尽善尽美其在跨领域应用时仍需大量针对特定任务的微调且在理解复杂数据库模式方面存在一定的局限性。大语言模型的问世标志着文本到SQL系统进入了一个全新的阶段。这些模型凭借其海量的参数和大规模的训练数据展现出了强大的语言理解和生成能力。在文本到SQL任务中LLMs能够更有效地捕捉自然语言查询与数据库模式之间的复杂关系在零样本和少样本学习场景下表现优异显著减少了对特定任务微调的依赖提高了系统的灵活性和适应性。3.Text-to-SQL应用存在的不足当前在Text-to-SQL的实际应用中模型输出SQL的准确性尚未达到生产系统的精度要求生成和执行效果仍存在优化空间。尽管借助大语言模型LLMs的能力Text-to-SQL技术已取得了显著进展但在实际应用中仍存在一些不足之处1查询意图理解偏差由LLMs直接生成的SQL有时无法准确反映用户的查询意图导致生成的SQL逻辑不正确从而无法得到所需的查询结果。尤其在涉及多表关联和复杂筛选查询需求时这种偏差更为明显。2捏造错误数据信息在生成SQL语句时LLMs可能会产生一些看似合理但实际上并不存在的结构定义信息。这是由于大模型的幻觉问题所致模型尚未充分学习数据库信息并且对当前上下文的理解不足从而导致误导性输出。3多次生成答案不同LLMs生成的SQL信息存在不稳定性。对于同一问题的多次提问生成的内容可能不完全一致。这就需要人为干预通过择优筛选和修正优化才能确保其达到正确且可用的状态。以上情况都在一定程度上影响了实际应用的用户体验。4.利用提示工程、模型微调、RAG和Agent的优化思路为解决这些问题可考虑采用提示工程Prompt Engineering、模型微调Fine-tuning、联合检索增强生成和智能代理RAG Agent等方法以优化模型及应用的Text-to-SQL任务设计。4.1.提示工程优化通过设计特定的提示词或语句引导模型生成更贴合用户意图的输出内容。在处理SQL查询时向模型注入特定领域的知识如SQL规范、数据库架构以及数据字段注释等额外信息能够显著提升模型对于SQL语句结构和逻辑的理解能力。提示工程的关键在于将自然语言问题与必要的数据库信息转化为适用于大语言模型LLM的自然语言序列输入即问题表示。同时当允许输入一些样例以利用LLM的上下文学习能力时还需要考虑如何选择样例以及如何将这些样例有机地组织到输入序列中。通过构建包含基本提示、文本表示提示、OpenAI范式提示、代码表示提示、指令微调提示以及上下文学习等综合Prompt策略的方法在Text-to-SQL的Prompt设计中融入说明、数据结构、示例、提示或约束、领域知识及用户问题等要素能够取得较好的效果具体如下1说明如“你是一个SQL生成专家。请参考如下的数据表结构输出SQL语句。”2数据结构相当于语言翻译中的字典。即需要使用的数据库表结构把数据结构组装进Prompt包括表名、列名、列的类型、列的含义、主外键信息。3示例作为可选项也是提示工程的常见方式。即指导大模型生成SQL的参考范本。4提示或约束其他必要的指示。5领域知识可选项某些特定问题中对常识描述的解释。6用户问题用户提出的问题。融合上述元素可以得到TEXT-TO-SQL通用Prompt模板框架如下4.2.模型微调优化针对预训练模型进行定制化调整以更好地契合特定应用场景的需求。尤其在Text-to-SQL这类复杂任务中通过利用包括SQL语句的专门数据集对模型进行微调可以强化模型对SQL语言特性的理解和生成能力。这一过程不仅保留了大模型的语言理解广度还提升了处理SQL转换的精确性和效率有效避免生成SQL查询时的常见错误从而提高了整体执行效果。能够支持微调的开源框架有很多包括1DB-GPT-HubDB-GPT-Hub是一个利用大型语言模型LLMs实现Text-to-SQL解析的实验项目主要包含数据集收集、数据预处理、模型选择与构建以及微调权重等步骤。通过这一系列处理可以在提高Text-to-SQL能力的同时降低模型训练成本最终实现基于数据库的自动问答。DB-GPT-Hub采用了最新版本的预训练语言模型如GPT-3或其开源变体对大量的代码库进行训练以学习编码模式和最佳实践。这种基于Transformer架构的模型具有以下特性上下文感知模型能够理解代码块的整体结构生成的代码与其上下文紧密相关。多样性能够根据不同的编程风格生成多种可能的代码实现。可扩展性通过持续训练和整合新的代码数据可以不断提高代码生成的准确性和适用性。2LLaMA-FactoryLLaMA-Factory的目标是整合主流的高效训练微调技术适配开源模型形成一个功能丰富、适配性好的训练框架。它提供了多个高层抽象调用接口包含多阶段训练、推理测试、benchmark评测以及API Server等。使用LLaMA-Factory进行模型微调是一个涵盖从选择模型、数据加载、参数配置到训练、评估优化直至部署应用的全面且高效的流程。4.3.RAG/Agent增强1RAG增强RAG作为一种融合了检索和生成任务的人工智能技术正在引领数据库查询领域的革新。它通过增强语言模型的能力使其能够更精确地理解查询意图并生成相应的SQL语句从而实现对数据库的高效且直观的访问。Vanna是一个开源的、基于大模型和RAG框架的Text-to-SQL工具。它结合了RAG框架、大型语言模型、高质量的训练数据、持续优化、广泛的数据库支持以及开源定制特性实现了在复杂数据集上的高精度表现。RAG技术结合了检索Retrieval和生成Generation两方面的能力。在数据库查询的背景下它不仅能够检索数据库中的信息还能够根据检索到的信息生成相应的SQL查询语句。其中检索组件负责从数据库中提取与用户查询相关的数据使用索引和搜索算法快速定位信息确保查询的准确性和效率生成组件则在检索到相关信息后根据这些数据构建SQL语句。Vanna框架的工作原理可以概括为以下几个步骤用户输入用户以自然语言的形式提出查询请求。意图识别通过自然语言处理NLP引擎分析用户的查询识别其意图和关键信息。信息检索根据识别的意图检索数据库中相关的数据。SQL生成结合检索到的数据生成相应的SQL语句。执行与反馈生成的SQL语句在数据库上执行并将结果反馈给用户。2Agent增强AI Agent智能体是一种模拟人类或其他智能体行为和决策过程的系统。通过引入行动能力、长期记忆机制和工具整合能力能够感知环境、处理信息、制定策略并执行行动来完成任务。AI Agent通过一个框架规划多个方法这个框架具有一些具体模块支持整个结构的运行。在Text-to-SQL任务中这通常涉及多个步骤Agent需要了解这些步骤并提前规划具体的类型包括目标和任务分解Agent将大型任务分解为更小、更易管理的子目标以便有效地处理复杂任务。反思与改进Agent可以对过去的行为进行自我校准和自我反思从错误中学习并改进未来步骤从而提高最终结果的质量。外部工具与资源利用Agent可以调用各种外部工具集如搜索引擎、数据库接口等以扩展其功能并增强解决问题的能力。对话管理与上下文保持通过维护对话历史和关键信息Agent能够在连续提问或修正查询时保持上下文的连贯性提升用户体验。5.基于Agent的Text-to-SQL应用实践DB-GPT通过多模型管理、RAG框架、API调用、可视化、Text-to-SQL效果优化、Multi-Agents框架协作、AWEL智能体工作流编排、意图识别等多种技术支持围绕Agengt数据应用构建大模型应用基础服务能力。其中Agent的核心模块主要包括Memory、Profile、Planing、Action等围绕Agent构建多Agent之间的协作能力包括1单一Agent单个Agent有具体任务与目标不涉及多模型协作。2Auto-PlanAgent自己制定计划在多Agent协作时负责路径规划、分工协作等。3AWEL编排通过程序编排来实现多智能体的协作。本文实践内容通过本地搭建DB-GPT及大模型服务环境使用Text-to-SQL数据对话功能和创建Agent智能体Text-to-SQL应用对结构化数据集进行SQL生成分析验证。5.1.应用架构DB-GPT的Agent应用架构包括Resources、Agent、AWEL、Apps四个部分如图所示Resources是DB-GPT中智能体与外界交互的桥梁包括工具、数据库、知识库等。Agent由Profile、Memory、Planing、Action模块组成Profile模块的目的是做Agent角色认定回答的核心问题Memory即记忆模块用来存储、获取、检索信息Planning模块制定计划Action模块执行智能体的具体决策。AWEL是Agent智能体工作流表达语言通过AWEL API可以专注于大模型应用业务逻辑开发其采用分层 API 的设计包括算子层、AgentFrame层以及DSL层。Apps能够支持Text-to-SQL应用、数据应用和问答应用等。5.2.环境部署1下载DB-GPT源码2安装Miniconda环境根据系统架构类型下载对应的安装文件根据提示信息执行.sh安装文件3创建Python虚拟环境4修改.env配置文件使用代理模型OpenAI并下载Embedding模型在.env文件中配置Embedding模型在.env文件中配置代理模型4启动服务4访问服务访问浏览器地址http://localhost:56705.3.数据准备数据准备使用MySQL数据库和CSpider的car-dataset数据集car-dataset表示一个汽车相关的信息库包含了continents、countries、car_maker、model_list、car_names、cars_data数据表及相关数据实体关系及表结构字段信息如下continents数据表countries数据表car_makers数据表model_list数据表car_names数据表cars_data数据表预设问题包括单表查询、关联表查询和多表查询共9个查询问题。1单表查询问题1统计数据集中的汽车数量问题2统计数据集car_names表中不同model的汽车数量占比问题3统计数据集中各制造商的车型数量占比2关联表查询问题4查询数据集中加速用时最少的车型问题5统计数据集中不同年份生产的车型数量问题6按照质量大小进行排序查询最重的50辆汽车及其所属车型3多表查询问题7统计数据集中各国家生产的车型model数量占比问题8统计数据集中的德国汽车制造商数量是多少?问题9统计数据集中所有欧洲生产汽车的平均马力是多少?5.4.设定Prompt提示按照通用Prompt模板设计提示如下1说明你是1名数据库专家擅长使用SQL语言帮助用户进行数据分析能够根据用户提出的分析需求进行数据信息查询和处理SQL并生成计算结果请根据以下用户问题生成意图理解清晰、解答准确的SQL语句。以下cars-dataset数据集描述了1970年至1983年各国家制造商生产的406种汽车模型数据其中包括car_makers数据表生产汽车的公司信息car_names数据表具体的汽车名称信息cars_data数据表具体的汽车运行参数continents数据表大洲列表countries数据表国家列表model_list数据表制造商生产的车型信息2数据库表结构这里是数据库表的结构信息CREATETABLE car_makers ( IdINTNOTNULL AUTO_INCREMENT COMMENT制造商ID, Maker VARCHAR(255) COMMENT制造商简称, FullName VARCHAR(255) COMMENT制造商全称, Country INTCOMMENT国家ID, PRIMARY KEY (Id), FOREIGNKEY (Country) REFERENCES countries(CountryId) ); CREATETABLE car_names ( MakeId INT AUTO_INCREMENT PRIMARY KEYCOMMENT汽车ID, ModelVARCHAR(255) COMMENT车型名称, Make VARCHAR(255) COMMENT汽车名称, FOREIGNKEY (Model) REFERENCES model_list(Model) ); CREATETABLE cars_data ( IdINT AUTO_INCREMENT PRIMARY KEYCOMMENT汽车ID, MPG VARCHAR(255) COMMENT每加仑英里数, Cylinders INTCOMMENT气缸数, Edispl FLOATCOMMENT发动机排量, Horsepower VARCHAR(255) COMMENT马力, Weight INTCOMMENT重量, Accelerate FLOATCOMMENT加速时间, YearINTCOMMENT发布年份, FOREIGNKEY (Id) REFERENCES car_names(MakeId) ); CREATETABLE continents ( ContId INTNOTNULL AUTO_INCREMENT COMMENT洲ID, Continent VARCHAR(255) COMMENT洲名称, PRIMARY KEY (ContId) ); CREATETABLE countries ( CountryId INTNOTNULL AUTO_INCREMENT COMMENT国家ID, CountryName VARCHAR(255) COMMENT国家名称, Continent INTEGERCOMMENT洲ID, PRIMARY KEY (CountryId), FOREIGNKEY (Continent) REFERENCES continents(ContId) ); CREATETABLE model_list ( ModelId INTNOTNULL AUTO_INCREMENT COMMENT车型ID, Maker INTEGERCOMMENT制造商ID, ModelVARCHAR(255) UNIQUECOMMENT车型名称, PRIMARY KEY (ModelId), FOREIGNKEY (Maker) REFERENCES car_makers(Id) );3用户问题及对应SQL语句示例这里是部分用户问题及对应SQL语句示例问题统计数据集中所有在美国制造的汽车的平均马力是多少?回答SELECTAVG(cars_data.Horsepower) FROM cars_data JOIN car_names ON cars_data.Id car_names.MakeId JOIN car_makers ON car_names.MakeId car_makers.Id JOIN countries ON car_makers.Country countries.CountryId WHERE countries.CountryName USA问题统计数据集中在1970年,各个国家生产的汽车数量占比回答SELECT CountryName, COUNT(*) ASCount, (COUNT(*)/(SELECTCOUNT(*) FROM cars_data WHEREYear 1970)) * 100AS Percentage FROM cars_data a JOIN car_names b ON a.Id b.MakeId JOIN model_list c ON b.Model c.Model JOIN car_makers d ON d.Id c.Maker JOIN countries e ON e.CountryId d.Country WHERE a.Year 1970 GROUP BY CountryName4领域知识略5约束条件略6用户问题参见数据准备预设问题内容。在交互界面中将Prompt提示内容按照格式要求维护到系统中。选择[应用管理]-[提示词]-[新增Prompts],依次填写信息后保存。5.5.创建Agent应用开发自定义Agent可以通过角色定义、重载推理、构建记忆对象、定义模型输出、输出执行、执行展示等方法进行实现。这里我们使用DB-GPT提供的默认数据分析智能体(DataScientist)创建Agent应用。1添加数据源在交互界面中将数据库添加到数据源中。选择[应用管理]-[数据库]-[添加数据源]依次填写本地数据库信息后保存。2创建数据应用在交互界面中创建应用选择[应用管理] -[应用程序] -[创建应用]选择[多智能体自动规划模式]填写应用名称和描述点击确定。依次选择对应的参数:智能体选择[DataScientist]智能体、[Reporter] 智能体提示词选择提前设定的Prompt提示模型策略选择优先级策略可以按照优先级使用不同的模型。可用资源资源类型选择数据库类型参数选择之前添加的数据源推荐问题: 可以根据情况来设定默认问题。3开始对话点击开始对话输入预设问题进行问答。5.6.使用预设问题生成SQL并执行查询1单表查询问题1统计数据集中的汽车数量问题2统计数据集car_names表中不同model的汽车数量占比问题3统计数据集中各制造商的车型数量占比2关联表查询问题4查询数据集中加速用时最少的车型问题5统计数据集中不同年份生产的车型数量问题6按照质量大小进行排序查询最重的50辆汽车及其所属车型3多表查询问题7统计数据集中各国家生产的车型model数量占比问题8统计数据集中的德国汽车制造商数量是多少问题9统计数据集中所有欧洲生产汽车的平均马力是多少?5.7.与Chat Data应用比较简要生成结果比较如下注Chat Data为DB-GPT默认数据对话应用无提示优化及Agent增强5.8.结果分析将生成的结果与Chat Data原生数据对话应用的输出进行对比后发现在结果准确性方面Agent应用的表现略有提升在问题理解和SQL生成方面Agent应用依赖于其规划能力和行动策略执行过程的优化更为突出。6.总结随着生成式大语言模型的规模和训练数据的不断增长LLMs的语言理解和逻辑推理能力不断提升准确理解丰富语义并处理复杂数据关系的通用性和专业性能力也将增加。同时,利用AI Agent实现Text-to-SQL应用还可以进一步优化Agent策略以及与知识图谱、RAG等技术深入结合,拓展更多应用场景以提升其应用能力和商业价值。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。这份完整版的大模型 AI 学习资料已经上传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】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。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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。这份完整版的大模型 AI 学习资料已经上传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】