文章首先指出了大模型在跨会话记忆方面的不足接着介绍了货拉拉自研的记忆系统该系统分为在线和离线两部分。在线部分负责将会话消息提炼为可复用的记忆并从记忆库中检索出与当前问题相关的记忆离线部分则负责长期维护记忆使其保持有序和有效。文章详细介绍了在线部分的设计包括任务调度、记忆提取、记忆管理和混合检索等能力并解释了它们如何协同工作以实现跨会话记忆。一、前言❝记忆不是保存过去而是让过去在需要时以正确的方式回来。人会在一次次交流中积累对一个人的了解他不感兴趣什么、买过什么、还在担心什么。对 AI 来说这些聊天历史默认不会被带进下一次会话。同一位司机已经说过不感兴趣、接过什么单、还在担心什么下一次电话里AI 却把这些全忘了。在司机外呼场景中这些被忘掉的信息会直接改变下一次沟通的起点。上次拒绝的原因、此前接过什么单、仍有哪些顾虑决定大模型外呼该怎样开场丢掉它们大模型只能重复第一次的话术既浪费沟通机会也让用户感到自己从未被理解。在用户助手场景中跨会话失忆会以另一种形式出现。用户询问“该下什么订单”时通常已在此前会话中提到过自己的行业背景、车型偏好和价格敏感度。缺少这些背景助手仍然能给出答案却无法判断什么建议真正适合这位用户。失忆的原因不在模型没有见过这些信息而在大多数实际调用中模型只能依据这一次传入的上下文判断。此前会话中的信息不会自动进入下一次调用。系统需要主动保存并在需要时把相关内容带回才能让历史影响下一次回答。于是跨会话历史的处理面临一道工程选择题完全不带历史还是每次把历史全部带上对比维度不带历史带上全部历史记忆系统本轮模型拿到什么当前请求及即时上下文累积的原始会话记录当前相关的偏好、事件和任务状态单次输入 Token低高且持续增长低且基本稳定单次调用成本与等待低高且随历史增长低且基本稳定维护投入低低中等 需要提炼、更新和召回处理状态变化的能力低 过去状态无法延续中等 保留了记录但要临时判断新旧关系高 可持续更新当前状态跨会话连续性低中等高窗口不断变长、摘要不断改进后为什么仍需要专门的记忆系统关键在于长上下文解决的是一次调用能够阅读多少材料却没有改变历史依然只是一堆原始消息的事实。历史记录不等于记忆历史记录按聊天发生顺序保留“当时说过什么”却没有把其中的信息整理成可复用的事实、关系和任务进展。后续出现新信息时系统还需要重新判断它是在补充、修正还是取代过去的记录。进一步这些信息还会变化。司机上次拒绝的原因、车型偏好和价格敏感度都会随新的顾虑、接单行为或明确意愿而修正用户助手记录的偏好也会随实际需求变化。这些信息何时发生、彼此是补充还是覆盖、下一次会话是否还用得上记忆系统都需要知道而不是把每条消息都当作同等重要的历史。❝记忆系统的意义是让历史信息拥有生命力它会随时间和后续聊天中不断更新、合并或遗忘并在需要时以合适的形式参与当下的判断与行动。那么历史该怎样被整理成能持续使用的状态货拉拉自研记忆系统把整套能力分为在线侧与离线侧。二、总体设计在线让信息可用离线让记忆可维护图中展示了货拉拉自研记忆系统的整体分工。在线侧围绕记忆库完成写入与读取两条链路会话消息经过任务调度、记忆提取和记忆管理持续被提炼为高价值记忆用户提出问题后系统通过混合检索与重排序从记忆库中取回当前问题所需的相关记忆。离线侧负责让持续积累的记忆保持有序和有效。轻度睡眠、深度睡眠和 REM 睡眠在不同层次上整理已有记忆使重复信息得到整合已变化的信息能够更新长期重要的信息得以沉淀。这套分工将记忆的即时流转与长期整理分开在线侧让新信息持续进入记忆库并在需要时重新参与回答离线侧则让记忆在长期积累后仍能保持清晰、稳定和可用。分工要解决的问题核心能力在线侧消息怎样提炼成可复用的记忆又怎样找出用户问题所需的相关记忆任务调度、记忆提取、记忆管理、混合检索离线侧长期积累的记忆怎样避免重复、过时或相互冲突并沉淀更稳定的信息轻度睡眠、深度睡眠、REM 睡眠本文是货拉拉大模型记忆系统系列的第一篇。离线侧——睡眠与梦境如何维护长期记忆——将在下一篇展开。三、让新信息变成可用记忆在线能力设计在线侧的四项能力共同构成从会话消息到 LLM 回答的闭环在线能力要解决的问题怎么解决的任务调度消息需要可靠、灵活、完整、高效地进入记忆提取消息先记录成待处理任务再按会话聚合、并发限制等机制交给记忆提取记忆提取会话记录需要保留完整证据后续使用又需要能被独立理解、准确检索的信息单元从消息中识别值得长期保留的独立信息写成一条条候选事实记忆管理独立的候选事实难以相互关联也缺少可维护的结构为候选事实补上事实存储、实体链接、用户画像、记忆关联与概念标签混合检索检索要解决的是怎样从已保存的记忆中找出用户问题真正需要的部分再交给大模型把长期积累的记忆转换为对用户问题可用的输入其中任务调度首先决定一段会话能否可靠进入记忆提取。1 任务调度架构让会话以合适的节奏进入记忆提取在货拉拉自研记忆系统的在线侧任务调度负责让会话以合适的节奏进入记忆提取。它要在几个方面取得平衡新信息要尽快可用同一会话不能被拆散理解慢模型调用也不能因故障或拥塞拖垮在线请求。它不判断内容是否值得记忆只负责把一段完整、可执行、可恢复的会话交给记忆提取。我们希望任务调度同时保证记忆提取的可靠性、灵活性、会话完整性与处理效率而非消息一来就立刻提取。整条处理链路围绕四个目标设计可靠性 消息先记录成待处理任务执行异常时系统仍能重新找到任务并继续处理。灵活性 同一条处理链路提供两种响应方式同步等到记忆写入完成再返回或先返回、由后台异步完成。会话完整性 会话聚合把同一会话的任务放进同一次记忆提取使每条消息连同它依赖的上下文一起构成完整事实。处理效率 每次记忆提取都要调用大模型速度慢、开销大聚合把相关消息合并成一次提取减少重复调用。5 万 Token 上限控制单次提取大小并发限制控制同时处理数量。其中可靠性尤其需要保障任务已经开始不等于一定能完成后台执行程序可能中断记忆提取也可能失败。情况怎么发现怎样处理避免什么正在正常处理健康检查确认后台执行程序仍正常工作继续处理不交给其他程序重复接手重复提取后台执行程序中断健康检查发现本次处理已失活回收并发资源将未完成任务放入失败队列任务永久卡住记忆提取失败本次处理明确返回错误信息延迟后重新尝试下游故障导致失败任务长期停在待处理状态后台定期检查这类任务直接安排处理任务长期被搁置多次仍无法完成达到重试上限标记为失败并保留失败信息无限消耗资源、无声丢失这样执行中断、一次提取错误和长期等待都会进入可见的处理路径能够恢复的任务按策略继续超过重试上限时保留失败原因交由后续排查和人工处理。2 记忆提取能力把会话消息变成可独立理解的事实3.2.1 记忆提取解决什么问题在货拉拉自研记忆系统中我们没有直接把任务调度提交的这批会话消息压成一段摘要因为它们仍保留着原始会话的表达方式消息按先后顺序出现有的信息依赖前后文才能理解一段会话里也常常混有请求、补充、确认和多个独立主题。我们将会话消息提炼为可独立理解的候选事实而不是直接把原始表达作为长期记忆直接保留整段会话 保留了完整的原始信息但每次使用时都要从整段消息里重新翻找、辨认哪些信息真正相关。压缩成一段摘要 内容更短但会把多条独立事实揉成一段话压缩时还容易丢掉具体条件和细节。会话记录需要保留当时表达的完整证据后续使用又需要能够独立理解、准确检索的信息单元。我们用记忆提取连接这两者从会话消息中识别值得长期保留的信息并写成一条条候选事实。每条候选事实都要在脱离原始会话后仍能独立理解因此才能成为后续检索、去重、更新和长期维护的对象。3.2.2 准备输入候选事实要脱离原始会话后仍能独立理解因此提取时不能只看当前消息。比如司机说“那就下周再联系”只有结合前文才能知道联系的是什么新信息还要与已有事实比对才能判断它是在补充、修正还是重复。记忆提取需要三类输入判断需要对应输入解决什么问题理解当前消息本轮会话消息、同一会话近期聊天记录提供候选事实的原始依据补足当前表达所处的会话语境比对已有信息近期提取的事实、根据本轮输入召回的相关事实避免连续处理时重复提取判断本轮信息是新增、补充、冲突还是重复确定判断边界观测日期、用户主动配置的重点关注内容标注消息实际发生的时间明确本次提取应优先关注的范围我们只带入完成判断所需的信息避免把全部历史再次送入模型。3.2.3 提取候选事实候选事实形成前我们先划清新旧信息的边界。一轮会话可能再次提到已有的人、项目或偏好也可能在其中补充新的事件、变化和细节。提取阶段的职责是先识别这些新增信息已有事实的合并、覆盖或删除留给后续记忆管理处理。3.2.3.1 提取范围提取范围先回答两个问题信息来自哪里以及它是否可能在后续会话中继续有用。只有同时通过这两层判断的内容才会进入候选事实。消息来源用户消息 用户透露的稳定背景、偏好、计划、经历以及请求中带出的具体条件都可能成为候选事实用户提供的文档、数据或其他资料中明确且后续可能复用的信息也应被识别出来。AI 消息 只有后续会话仍需依赖、且来源可追溯的业务信息才可以成为候选事实已确认的约定、任务结果和需要继续执行的结论都属于这类信息。系统必须保留其来源避免把 AI 的建议、推测或推荐误写成用户自己的偏好和经历。不提取的内容 问候、客套确认、空泛评价、对原话的简单复述以及仅描述当下情绪或一次性状态的表达不应直接写入长期记忆。提取时还需要覆盖常见的长期信息。以下七类是我们设置的一组检查维度而非最终的存储分类避免只抓取最显眼的话题、遗漏后续可能继续使用的信息。类别关注的信息为什么需要关注个人偏好喜好、厌恶、使用习惯直接影响后续回答、推荐和沟通方式重要个人信息稳定背景、关系、地点和重要日期为跨会话交流提供基本背景计划与意图目标、打算和即将发生的事后续可继续跟进进展、变化或完成情况接单与服务偏好订单类型、常跑区域、装卸条件和服务费用等具体选择让后续推荐和服务能够匹配司机的实际需求健康与饮食饮食限制、运动和健康相关信息关系到建议是否适用职业信息工作角色、工作习惯和职业目标影响协作方式与服务内容其他具体事实前六类未覆盖、但可能被继续追问或补充的信息避免有效信息因分类不足而被忽略以货运司机的表达为例会话中的信息是否进入候选事实原因“我开面包车”是车辆类型属于相对稳定的职业背景会影响可承接订单和后续推荐。“我常在东城区跑”是常跑区域是持续服务和订单匹配的重要条件。“我爱接搬家的订单”是反映明确的接单偏好可用于后续推荐。“没有电梯的订单不太爱接”是补充了偏好的适用条件不能只保留“爱接搬家订单”这一半信息。“今天这单货主挺磨叽”否这是对一次订单的即时评价缺少长期意义。“跑得有点累”否属于当下状态除非后续反复出现并形成可确认的持续问题否则不进入长期记忆。这七类维度的作用是让提取阶段同时看到稳定背景、明确偏好、计划意图和具体经历其中计划即使尚未发生只要表达明确也可以保留为后续验证和跟进的依据。3.2.3.2 候选事实的质量要求会话语境、已有事实和时间信息都只是本次提取的判断依据真正写出的候选事实还应满足以下要求。要求具体含义有明确依据候选事实只能来自本轮会话消息。近期聊天记录、已有事实和观测日期只用于理解、比较或解释时间不能补入消息中未出现的细节。保留变化语境独立话题分别提取涉及变化时保留变化前后、发生时间、原因和限制条件避免只留下孤立的新状态。脱离会话仍可理解单独被检索时也能看懂人名、地点、数字、专有名词和适用条件不能泛化为笼统说法。不改变事实含义可以去掉口语和寒暄但不能改变事实、动机或表达的原意“下周”等相对时间应根据观测日期换为明确日期。明确来源区分信息来自用户还是 AI避免把 AI 的建议、承诺或说明误写成用户自己的事实或偏好。例如司机说“我之前常跑东城区上个月搬到西城区了。下个月打算换辆厢式货车。你上次说这批货是易碎品需要特殊处理。”可以提取出三条候选事实司机此前常跑东城区上个月搬到西城区这条信息保留了区域变化的前后状态和时间不能只压缩成“司机在西城区”。司机计划下个月更换厢式货车 “厢式货车”是具体条件不能泛化为“司机准备换车”。AI 已告知司机本批货物为易碎品需要特殊处理 这记录的是一次已经发生的沟通来源必须标为 AI不能写成“司机认为这批货需要特殊处理”。提取完成后系统通过去重避免同一事实以多个副本进入记忆但去重删除的是副本不是重复出现的证据——同一事实再次被提及时系统仍记录这次的时间和来源作为后续判断记忆稳定性的参考信号。3 记忆管理候选事实如何成为有生命力的记忆3.3.1 记忆由哪些部分组成会话消息经过提取和去重后会写成一条条候选事实。此时每条事实都可以独立理解却仍只是彼此分散的记录仅凭单条事实无法判断哪些信息指向同一位用户、哪些内容共同构成当前背景也难以为后续更新、关联检索和维护提供统一依据。候选事实进入记忆后货拉拉自研记忆系统继续为它补上可维护的组织结构而不重新从会话中提取信息。这部分由四项能力共同完成事实存储 保存事实内容、来源、状态和管理信息为更新、删除、审计和检索建立唯一依据。实体链接 把同一人物、地点、机构或时间涉及的多条事实连接起来让分散记录能够围绕同一个对象被理解和查询。用户画像 从多条事实中维护用户较稳定、可跨会话复用的背景一次性的表达不会直接成为长期属性。关联记忆与概念标签 记录事实之间的关联以及它们涉及的主题和概念为关联| 称呼 | 用户明确表达的姓名、昵称或希望被使用的称呼 || 性别 | 用户明确表达的性别 || 年龄人生阶段 | 年龄、出生年份或青年、中年等人生阶段 || 常驻地区 | 长期居住或主要生活的城市、地区、国家 || 语言 | 常用语言、方言或语言使用偏好 || 职业工作 | 行业、岗位、职务或在职、求职等状态 |画像为后续会话提供已有的理解起点但它不是静态档案。新的事实出现后系统仍需判断它是补充背景、改变已有字段还是只应作为一段独立经历保留。3.3.5 记忆关联与概念标签面对“项目能否按期上线”这样的查询我们需要找回的不是一条最相似的记忆而是一组能够共同支撑判断的信息。语义检索可能先命中“项目原定于 7 月 30 日上线”再通过关联记忆补回已经确认需要一并理解的事实。记忆在“能否按期上线”中的作用单独有它为什么不够项目原定于 7 月 30 日上线提供原始计划只能说明原定目标不能反映当前变化本周新增权限管理需求补充范围变化不知道是否影响排期和依赖依赖服务预计 8 月 2 日完成测试补充外部依赖测试完成时间晚于原定上线日期灰度发布方案尚未确定补充发布策略上线方式和风险控制仍不明确关联记忆连接的正是这类需要一并理解的内容。新事实写入时我们会标记它与已有事实之间的关联查询命中其中一条后再按已建立的关联批量取回相关事实。这样补回的是已经确认与当前判断密切相关的信息不必在查询时临时推断所有可能关系也不会把全部语义相似内容都塞进结果。关联记忆与实体链接解决的不是同一个问题结构它回答的问题实体链接这些记忆是否指向同一个人、地点、机构或时间关联记忆理解这条记忆时还应结合哪些记忆概念标签则记录一条事实大致涉及哪些主题。它为后续检索、筛选和维护留下主题线索不表示记忆之间的因果、先后或必须共同返回的关系。概念标签可以标记的记忆便于后续知道什么项目排期项目原定于 7 月 30 日上线项目当前的时间安排需求范围本周新增权限管理需求范围是否发生变化系统依赖依赖服务预计 8 月 2 日完成测试上线还受哪些外部条件制约发布策略灰度发布方案尚未确定上线方式和风险控制是否明确一条记忆可以带有多个概念标签。例如“灰度发布方案尚未确定”既属于“项目排期”也属于“发布策略”。关联记忆补足的是判断所需的具体材料概念标签保留的是主题线索两者都不改写事实内容却让分散的事实能够被更准确地检索、组合和维护。4 混合检索怎样找到需要的记忆3.4.1 检索的职责经过提取和管理过去会话中值得保留的信息会持续沉淀为记忆货拉拉自研记忆系统在读取阶段只向大模型提供与当前问题相关的有限记忆。记忆的保存与读取面对的是两种不同的要求保存时 希望尽可能完整。今天暂时用不到的信息未来可能与新的问题重新产生关系。读取时 希望足够聚焦。大模型面对当前问题只应看到真正有助于判断的信息而不是一整段不断增长的历史。为在完整保存与聚焦读取之间建立连接我们将一次查询拆成两个相互衔接的步骤最终交给大模型的是一组围绕当前问题筛选出的有限记忆三路召回 从语义、关键词和具体对象三个角度扩大候选范围尽量找全与当前问题相关的事实记忆。两阶段排序 先融合不同召回方式提供的信号再判断候选与当前问题的实际匹配程度筛出最适合交给大模型的内容。3.4.2 三路召回用户问题通常同时包含三类线索想表达的含义、关键词或固定说法以及具体的人、地点、机构或时间。单一召回方式很难兼顾三者只看语义可能忽略专有词和明确条件只看关键词又容易漏掉措辞不同但含义相近的记忆。为补足这三类线索我们组合向量、全文和实体三种召回方式它们在当前设计中的职责并不相同召回方式它弥补什么在当前设计中的位置向量召回措辞不同、含义相近的信息确定候选记忆的基础范围全文召回关键词、缩写、固定表达只对向量候选补充精确匹配信号实体召回围绕同一人物、地点、机构或时间的信息只对向量候选补充具体对象信号向量召回先确定值得进一步判断的候选范围全文和实体召回再对这些候选补充权重而不直接扩展候选集合。这样的组合避免了将三类结果简单合并后带来大量噪声同时保留关键词和具体对象对排序的影响。三路召回以语义覆盖为基础并补充精确表达和具体对象的匹配信号为后续两阶段排序提供范围适当、信息更完整的候选记忆。3.4.3 两阶段排序三种召回给出的分数含义和范围并不相同不能直接相加因此先用粗排校准、融合成初步顺序再由精排结合候选内容判断其是否真正贴合问题。3.4.3.1 粗排一条候选记忆可能同时被语义、全文和实体检索命中也可能只出现在其中一两种检索结果里。粗排先把这些检索结果给出的分数调整到可比较的范围再按本次实际命中的召回方式融合形成候选的初步顺序。语义检索分数 向量检索使用经过 L2 归一化的查询向量与记忆向量计算相似度并换算为 01 的分数。语义分内积查询向量记忆向量查询向量和记忆向量先经过 L2 归一化消除向量长度对结果的影响此时内积等价于余弦相似度。系统使用内积完成 Top-K 检索既按语义方向比较相近程度也能在记忆规模持续增长时保持较低的检索时延。全文检索分数 BM25 原始分没有固定上限不能直接与语义分相加。系统先按用户问题里的词语数量选择一组预设参数再用 Sigmoid 将它映射到 01。全文分原始分其中m 是判断匹配强弱的参照点k 控制曲线陡峭程度。它们不是每次都临时计算出来的而是按用户问题里的词语数量从固定参数表中选择用户问题里的词语数量mk不超过 3 个5.00.746 个7.00.679 个9.00.51015 个10.00.5超过 15 个12.00.5用户问题越长BM25 原始分通常越高。系统按词语数量选择 m 和 k将不同长度问题下的原始分转换为统一的匹配强度分数越接近 1表示全文匹配越强。实体加权分数 实体加权让候选中与具体对象相关的记忆获得补充信号但不单独决定候选范围或最终位置。因此它只作为辅助权重参与融合。实体加权实体相似度关联记忆数一个实体关联的记忆越多说明它的指向范围越广补充权重应随之降低同一候选命中多个实体时只保留最强的一次实体加权。融合分 三类分数相加后按本次实际命中的召回方式计算最大可能分。融合分语义分全文分实体加权最大可能分实际命中的方式最大可能分仅语义1.0语义 全文2.0语义 全文 实体2.5每条候选都按本次实际命中的方式计算最大可能分再换算为 01 的相对分。这样比较的是候选在自身可获得信号中的匹配强度而不是它命中了多少种召回方式。粗排据此形成初步顺序供精排继续处理。3.4.3.2 精排粗排已经从大量候选中排出了初步顺序但它比较的仍是语义分、全文分和实体加权。排在前面的候选仍可能只包含相近词语或相关背景未必能直接支持当前问题的判断。粗排主要依据可计算的检索信号适合快速缩小范围精排则同时阅读用户问题和候选记忆的内容判断两者是否真正相关。比如查询“这单货什么时候要送到”时“送货前需要提前联系收货人”没有给出具体时间“这单货 8 月 15 日下午送到”才是真正的答案。3.4.4 检索不只找回事实记忆两阶段排序首先返回与当前问题最贴合的事实记忆它们构成检索的核心结果。我们交给后续回答的不只是一组相似记忆关联、画像、持久记忆和用户洞察承担的作用不同有的补充命中事实的背景有的提供稳定状态有的保留长期确认的重要信息因此按各自的规则返回并由调用方按需开启。结果类型返回方式主要作用事实记忆经三路召回与两阶段排序找到最贴合用户问题的具体信息关联记忆根据命中事实已保存的关联标识批量展开补齐理解该事实所需的背景用户画像## 直接读取当前用户画像提供稳定、可跨会话复用的用户背景持久记忆直接返回已晋升的持久记忆提供经过长期维护确认的重要信息用户洞察单独进行语义召回补充跨多条事实沉淀出的判断其中持久记忆和用户洞察来自离线侧维护下一篇展开在线检索只负责按需取回。这些结果共同构成大模型的最终输入使大模型能够基于历史对话回答当前问题而非每次都从零开始。四、总结在线侧要回答的是前言留下的那个问题历史该怎样被整理成能持续使用的状态。它的做法是把会话拆成一条条可独立理解的事实再为它们补上关联、画像和标签让分散的记录成为可维护、可取回的整体。这套能力之所以拆成四步是因为每一步要解决的问题不同会话要完整地进入处理事实要脱离上下文仍能看懂记忆要可关联可维护检索要只取回当前真正相关的内容。把判断分散到不同阶段新信息才能既尽快可用又不丢失可继续维护的结构。这样历史消息就从按时间堆积的原始内容变成不断积累、可被准确取回的记忆。至于这些记忆长期积累后如何去重、更新、避免过时与冲突是离线侧的职责我们留到下一篇。最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】