自2022年底ChatGPT爆火以来，在过去2年多的时间里，银行业大模型建设如火如荼，头部银行构建从算力、模型、数据到平台的企业级大模型应用支撑体系，并已在知识助手、代码助手、智能客服等内部流程赋能型场景实现降本增效、优化体验。

但行业对大模型的价值期待远不止于此。深入核心业务环节，实现差异化竞争优势，才是实现大模型投入产出最大化的关键。智能体（AI Agent）的出现有望实现变革型突破。

在《[2025年AI Agent应用最佳实践报告]》，沙丘智库认为智能体（AI Agent）是指具有自主性或半自主性的智能实体，能够利用人工智能技术在数字或物理环境中感知、决策、采取行动并实现目标。与Copilot、聊天机器人等相比，AI Agent能够自主规划和行动，实现用户预设的目标。

随着大模型技术的发展，“场景+智能体”将成为下一步金融创新的主要领域。银行将更加关注开发具有更高自主性和协作性的智能体，这些智能体能够在没有人工干预的情况下执行复杂的任务，从而实现更高效率的业务流程、更精准的风险管理以及更优质的客户体验。

通过对银行业智能体建设的长期跟踪调研，沙丘智库观察到银行业智能体建设进展如下：

首先，在智能体平台建设方面，头部银行已经率先构建面向全行的智能体平台，提供流程编排、插件开发、Agent部署等全方位功能支持，促进智能体应用的加速落地。

从头构建智能体是一项复杂的任务，需要手动集成AI模型和代码库等不同组件，对开发人员的技能要求较高，对大多数企业来说，这一过程既具有挑战性又耗时。因此，智能体开发平台应运而生，旨在为开发和部署AI Agent提供一站式解决方案，使开发人员能够更轻松地专注于应用程序逻辑，而不是处理大模型幻觉、工具集成、编排等；

在《[2025年中国AI Agent开发平台市场跟踪报告]》中，沙丘智库认为，大模型技术的快速发展使得企业当前对智能体应用的真实需求并不明确，智能体开发平台有助于帮助企业建立敏捷开发、迅速试错的能力，使企业能够高效、安全地开发和部署智能体。

当前，工商银行、交通银行、平安银行、北京银行等在大模型建设方面领先的企业已经搭建了智能体平台。例如，交通银行建设全栈自主可控的智能体平台，降低智能体开发门槛。打造设计中心、知识中心、工具中心、服务中心、管理中心五大功能模块，支持自然语言交互式配置和可视化“拖拉拽”链式编排两种智能体应用创建方式，同时提供开闭源大模型库、知识库以及数学计算、文档解析、图像识别等智能工具库，显著提高智能体应用创建效率，并通过智能体市场实现智能体应用的标准化上架，形成智能体共享资产库，为全行用户提供开箱即用的智能体应用工具。

其次，在智能体应用场景方面，风险管理、网络运维、数据洞察等“决策类场景”是银行探索智能体的优先场景。

风险管理是银行业务的核心环节之一，智能体在风险识别、评估和监控方面发挥了重要作用。例如，工商银行采集全行信贷业务专家的知识、经验、工作方法论等先验知识，在企业基模基础上，通过SFT和强化学习，实现了对于信贷风险多关联任务识别能力构建，初步形成了基于企业内先验知识+微调训练+强化学习的风险决策类等难问题的突破。

网络运维是银行业务稳定运行的重要保障，智能体在监控、故障排查和自动化处理方面表现出色。例如，邮储银行告警研判智能体基于行内运维知识库进行知识萃取，结合大模型推理能力，自动生成告警排查思维链，并在告警处置过程中，基于大小模型协同实现行内常见告警自动排查及生成处置建议。

数据洞察是银行提升决策科学性和精准性的关键，智能体在数据分析、市场预测和客户洞察方面发挥价值。例如，上海银行智能问数平台采用多Agent架构，为业务团队和领导提供更低门槛、高效和智能的数据查询与分析服务。

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。

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】