最近我一直在思考持续学习特别是它与长期运行的代理之间的关系并且使用 MLX 进行了一些玩具实验。目前这种结合了提示压缩和递归子代理的方案实际上非常有效。看来我们可以用这种方法走得很远。提示压缩当上下文窗口接近满时模型生成一个更短的摘要然后使用该摘要从头开始。递归子代理将任务分解成更小的任务以处理有限的上下文窗口。递归子代理可能永远都会有用。但快速压缩似乎是一种效率低下尽管非常有效的权宜之计。我知道还有另外两种替代方案1. 在线微调2. 基于内存的技术。在线微调利用模型部署过程中遇到的数据训练一些 LoRa 适配器。但我总体上对此不太看好。除了为每个用例/用户部署定制模型/适配器所带来的工程挑战之外还存在一些根本性问题在线微调本质上是不稳定的。如果使用目标域的数据进行训练可能会严重破坏模型原本不具备的能力。一种解决方法是维护一个包含新旧数据的混合数据集。但这很快就会变得非常复杂。用于在线微调的数据究竟是什么样的你们是否根据目标领域生成问答对来训练模型此外在容量有限的情况下如何对混合数据中的信息进行优先级排序也是一个问题。基于记忆的技术本质上是一种保留有用信息并丢弃无用信息的策略。这更接近人类记忆信息的方式“不用则废”。要实现这一点你只需要以下几点驱逐/保留策略。例如“如果在最近 10k 个令牌中至少被访问过一次则保留该记忆”。该政策需要能够高效计算。为模型提供一个存储和访问长期记忆的空间。或许使用访问频率较低的键值缓存就足够了。但为了高效访问大容量内存分层数据结构可能更合适。以下是一段不太成功的实验代码github.com/awni/mylm基本上你是在和本地运行的模型聊天。你时不时地让模型进入睡眠状态以便将短期记忆过渡到长期记忆。/sleep 命令运行相同的模型根据上下文生成问答对。LoRA 使用新的问答对以及之前会话中的任何问答对来微调模型重置KV缓存模型应该记住之前的缓存数据。我发现既要让模型学习历史又要避免对其大脑造成损伤这确实是一个挑战。CIM上下文交互记忆也许你正在逐渐发现 C- I-M (上下文交互记忆架构的必要性因为你已经达到了无状态 LLM 的物理极限。您对前两种方法的诊断非常准确提示压缩只是一种生物学上的变通方法试图将状态强行放入无状态的交互层失忆的 CPU中。在线微调本质上是不稳定的因为它将 CPU模型权重与数据库状态混为一谈不可避免地会导致灾难性的遗忘。你的第三个直觉——记忆——是正确的方向。但基于使用频率的驱逐策略“不用就失去”对于生产型代理来说过于简单。在真正的 C- I-M架构中内存层长期分层状态不受访问时间的影响而是严格由上下文图硬编码的本体和业务边界控制。系统保存内存并非仅仅因为最近访问过而是因为上下文表明它具有结构价值或代表状态变更。别再试图修改提示符或微调计算参数了。要从架构层面构建状态。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】