“ 智能体开发过程中存在很多问题，但由于其执行过程是个黑盒，因此其调试存在更多的困难。”

最近一段时间一直在搞智能体方面的开发，主要方向是数据分析智能体；采用的框架是langchain家族的Langgraph框架；原因就在于Langgraph有很强的定制功能。

但是，在实际开发的过程中却一步一步坎，面临着各种各样的问题；比如说数据分析结果不准确，找不到数据或文件，在多链路的过程中，智能体只能处理一般的需求，另一半需求被忽视。

但不能因为开发过程中存在问题，就不管不问了，毕竟功能还是要做；因此我们需要思考的是怎么解决问题，所以这里就记录一下解决问题的思路。

智能体开发过程中问题解决的思路

在智能体开发过程中最大的问题最大的问题就是不确定性，原因在于大模型完全不可控；再加上智能体是以大模型为核心的功能模块，而大模型的执行过程又是一个黑盒，虽然可以使用一些工具监控大模型的执行过程，比如说Langsmith但整体上来说，智能体的运行过程还存在很多的不可控因素。

目前我们的需求是基于pandas对excel，csv，数据库等结构化数据，使用大模型做数据分析，比如说统计；给大模型提供一个Python运行环境，并给出数据结构，让大模型根据自己的理解去生成pandas代码去执行，然后获取结果。

之后，再根据统计结果，对数据进行可视化，也就是生成图表，比如说echart表，柱状图，折线图等等。

而经过几天的demo测试，发现大模型调用pandas进行数据分析出现很多不可控的因素；比如说有时候大模型会虚构一个文件路径，导致找不到数据文件；其次，大模型生成结果不稳定，比如会生成一些和数据完全无关的内容，或者仅仅只给出一个解决问题的思路，但却不自动执行。

然后，在对数据进行统计分析之后，无法调用图表生成工具生成图表；只执行到数据分析就结束了；再有就是调用了图表生成工具，生成的结果是错误的或者无法正常生成；更有甚者，大模型会连续调用所有的工具，即使这个工具和目前的业务没什么关联。

所以，遇到这种问题应该怎么处理？

其实类似于这种问题，考验的是我们解决问题的能力，简单来说就是解决问题的方法；而不仅仅只是考验我们的技术。

对应用开发者来说，大家做开发基本上都是基于第三方的开源框架或工具；而且很多功能都已经封装好了，我们只需要会使用即可；而遇到这种问题，我们又不可能一点一点的去翻源码，而且时间上也不允许；毕竟公司招你来是解决问题的，不是让你来学习的。

因此，这时我们首先需要定位问题，然后拆解问题；比如说这个数据分析的功能，需要调用Pandas进行数据分析，然后使用图表工具生成图表。

这时如果出现问题，我们首先需要做的并不是把整个流程串起来跑；而是要学会定位问题，然后拆分问题。比如说无法生成图表是因为图表工具有问题，还是说根本没有调用图表工具；或者是第一步的数据分析就有问题，导致分析结果有问题，然后无法生成图表。

因此，这时我们应该把整个链路给拆开，先确认数据分析的结果是否有问题，是否稳定；因此我们就可以把图表生成工具给拿掉，然后只进行数据分析；如果数据分析有问题，到底是因为模型的原因，还是数据的原因，亦或者你数据分析的流程本身就有问题。

而这时我们就需要使用替换法，比如说更换模型，更换一个能力更强的模型；看看是否能够进行准确的数据分析，如果测试结果是模型有问题，那么就非常简单换一个模型就行了；而如果测试结果不是模型的问题，那么可能就是你开发的功能有问题，这时就需要去分析你的代码和逻辑是否有问题。

但我们很多人会因为嫌麻烦或就是单纯的懒，就像一次把功能给跑通；在哪里像无头苍蝇一样，到处乱转，然后偶尔还会嘀咕刚刚还好好的，然后什么都没动，为什么现在就不行了呢。

总之，遇到这种问题最好的方式就是使用调试工具或者根据自己的经验，先大概定位问题的位置，然后把影响因素控制到最小，然后再进行测试；这样才能更加准确地定位问题。

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】