/>

近年来，大语言模型（LLM）智能体在各类任务中展现出卓越能力（Xia

等，2025）。

然而，受限于固定的上下文窗口，现有智能体在长上下文和多轮交互场景中存在显著局限性（Liu

等，2025）。

为实现可靠的长期交互，LLM

智能体需要稳健的记忆系统来高效管理和利用历史经验（Dev

&

Taranjeet，2024；Fang

&

等，2025）。

尽管近期研究已广泛探索

LLM

智能体的记忆模块设计，但现有系统仍存在检索效率欠佳和令牌利用率低的问题（Fang

等，2025）。

一方面，许多现有系统通过全上下文扩展保留完整交互历史（Li

等，2024），但这种方法会引入大量冗余信息（Hu

等，2025）。

具体而言，在长期交互过程中，用户输入和模型响应会积累大量低熵噪声（如重复日志、非任务导向对话），降低记忆缓冲区的有效信息密度。

这种冗余不仅会影响记忆检索和下游推理（常导致中间上下文退化现象（Liu

等，2023）），还会在检索和二次推理过程中产生显著的计算开销。

另一方面，部分智能体框架通过基于迭代推理流程的在线过滤缓解噪声（Yan

等，2023）。

尽管此类方法提升了检索相关性，但依赖重复的推理循环，导致计算成本高昂，包括延迟增加和令牌消耗上升。

因此，这两种范式均未能实现记忆和计算资源的高效分配。

为解决这些局限性，本文提出

SimpleMem——

一种受互补学习系统（CLS）理论（Kumaran

等，2016）启发、围绕结构化语义压缩设计的高效记忆框架。

SimpleMem

的核心目标是在固定上下文和令牌预算下提升信息效率。

为此，本文设计了支持动态记忆压缩、组织和自适应检索的三阶段流水线：（1）语义结构化压缩：采用熵感知过滤机制，保留语义效用高的信息，丢弃冗余或低价值内容；将保留的信息重构为紧凑的记忆单元，并结合稠密语义嵌入、稀疏词汇特征和符号元数据进行联合索引，支持多粒度检索。

（2）递归记忆整合：受生物记忆整合过程启发，引入异步过程对存储的记忆进行增量重组；不再逐字积累情景记录，而是将相关记忆单元递归整合为高层抽象表示，实现对重复或结构相似经验的总结，同时减少语义冗余。

（3）自适应查询感知检索：采用查询感知检索策略，根据估计的查询复杂度动态调整检索范围；通过轻量级符号和语义约束剪枝无关候选，构建贴合任务需求的精准上下文。

这种自适应机制在推理性能和令牌效率之间取得了良好平衡。

本文的主要贡献是

SimpleMem——

一种基于结构化语义压缩的高效记忆框架，通过规范化的记忆组织、整合和自适应检索提升信息效率。

如图

所示，实证实验表明，SimpleMem

分数达到当前最优水平，较

智能体的高效记忆框架，旨在通过三阶段流水线在受限的上下文和令牌预算下提升信息利用率。

如图

所示，该系统通过三阶段流程运行：首先介绍语义结构化压缩过程，该过程过滤冗余交互内容并将原始对话流重构为紧凑的记忆单元；其次介绍递归整合，一种将相关记忆单元增量整合为高层抽象表示并维持紧凑记忆拓扑的异步过程；最后介绍自适应查询感知检索，该过程根据估计的查询复杂度动态调整检索范围，为下游推理构建精准且令牌高效的上下文。

/>

2.1

语义结构化压缩

长期交互的主要瓶颈是上下文膨胀，即原始低熵对话的积累。

例如，现实场景中的大量交互片段由寒暄对话或冗余确认构成，这些内容对下游推理贡献甚微，却消耗大量上下文容量。

为解决这一问题，本文引入一种在源头主动过滤和重构信息的机制。

首先，将输入对话分割为固定长度的重叠滑动窗口Wt，每个窗口代表近期交互的一个短连续片段，作为评估新信息是否应被存储的基本单元。

随后，采用非线性门控机制Φgate评估这些对话窗口的信息密度，以确定哪些窗口用于索引。

对于每个窗口Wt，计算信息分数H(Wt)，该分数综合捕捉新实体的引入情况和相对于近期交互历史Hprev的语义新颖性。

形式上，设Enew表示出现在Wt中但未出现在Hprev中的命名实体集合。

信息分数定义为：

/>

其中E(⋅)表示语义嵌入函数，α控制实体级新颖性和语义分歧的相对重要性。

信息分数低于阈值τredundant的窗口被视为冗余，排除在记忆构建之外（既不存储也不进一步处理），以防止低效用交互内容进入记忆缓冲区。

对于含有效信息的窗口，系统执行分割步骤：

/>

对于通过过滤的窗口，应用分割函数Fθ将每个含有效信息的窗口分解为一组上下文无关的记忆单元mk。

这一转换通过将纠缠的对话转换为独立的事实或事件级陈述，解决了对话流中隐含的依赖关系。

形式上，Fθ由指代消解模块（Φcoref）和时间锚定模块（Φtime）组成：

/>

其中，Φextract识别候选事实陈述，Φcoref将模糊代词替换为具体实体名称（例如，将“He

agreed”改为“Bob

agreed”），Φtime将相对时间表达（例如，将“next

Friday”转换为“2025-10-24”）转换为绝对的ISO-8601时间戳。

这种规范化确保每个记忆单元独立于其原始对话上下文，仍可被准确理解和使用。

2.2

结构化索引与递归记忆整合

接下来，系统需要组织生成的记忆单元，以支持高效的长期存储和可扩展检索。

该阶段包含两个组件：（i）用于即时访问的结构化多视图索引；（ii）用于减少冗余和维持紧凑记忆拓扑的递归整合。

为支持灵活精准的检索，每个记忆单元通过三种互补表示进行索引：首先，在语义层，使用嵌入模型将条目映射到稠密向量空间vk，捕捉抽象含义并支持模糊匹配（例如，查询“hot

drink”时检索到“latte”）；其次，词汇层生成聚焦于精确关键词匹配和专有名词的稀疏表示，确保特定实体不会在向量空间中被稀释；最后，符号层提取时间戳和实体类型等结构化元数据，支持确定性过滤逻辑。

形式上，这些映射构成综合记忆库M：

/>

该设计允许系统基于概念相似性、精确关键词匹配或结构化元数据约束灵活查询信息。

尽管多视图索引支持高效访问，但在长期交互过程中简单积累记忆单元会导致冗余和碎片化。

为解决这一问题，本文引入异步后台整合过程，对记忆拓扑进行增量重组。

整合机制基于语义相似性和时间邻近性识别相关记忆单元。

对于两个记忆单元mi和mj，定义亲和度分数ωij：

/>

其中第一项捕捉语义相关性，第二项使模型倾向于分组时间邻近性强的事件。

当一组记忆单元形成密集聚类C（通过成对亲和度超过阈值τcluster判定），系统执行整合步骤：

/>

该操作将重复或密切相关的记忆单元合成为高层抽象表示Mabs，捕捉其共享的语义结构。

例如，系统不会保留多个诸如“用户在早上8点点了一杯拿铁”的独立记录，而是将其整合为单一抽象模式，如“用户经常在早上喝咖啡”。

原始细粒度条目被归档存储，在减少活跃记忆大小的同时，保留了必要时恢复详细信息的能力。

因此，活跃记忆索引始终保持紧凑，检索复杂度随长期交互历史的增长平稳扩展。

2.3

自适应查询感知检索

记忆条目组织完成后，另一项挑战是在受限的上下文预算下高效检索相关信息。

标准检索方法通常获取固定数量的上下文条目，这往往导致信息不足或令牌浪费。

为解决这一问题，本文引入自适应查询感知检索机制，根据估计的查询复杂度动态调整检索范围，在不牺牲推理准确率的前提下提升检索效率。

首先，提出用于信息检索的混合评分函数S(q,mk)，该函数聚合第二阶段建立的三层索引信号。

对于给定查询q，相关性分数计算如下：

/>

其中第一项衡量稠密嵌入空间中的语义相似性，第二项捕捉精确的词汇相关性，指示函数I(⋅)强制执行实体过滤等硬性符号约束。

基于混合评分，可按相关性对候选记忆进行排序。

然而，当查询需求变化时，检索固定数量的Top-ranked条目仍然效率低下。

为解决这一问题，本文估计查询复杂度Cq∈[0,1]，该指标反映查询是可通过直接事实查找解决，还是需要基于多个记忆条目的多步推理。

轻量级分类器基于查询长度、句法结构和抽象程度等特征预测Cq。

/>

基于该动态深度，系统调整检索范围：对于低复杂度查询（Cq→0），仅检索Top-kmin个高层抽象记忆条目或元数据摘要，最小化令牌使用；相反，对于高复杂度查询（Cq→1），将检索范围扩展至Top-kmax，包括更多相关条目及相关细粒度细节。

最终上下文Cfinal通过拼接这些剪枝后的结果合成，确保以最小的计算浪费实现高准确率：

/>

/>

本节在基准数据集上评估SimpleMem，以回答以下研究问题：（1）在复杂的长期推理和时间锚定任务中，SimpleMem是否优于其他记忆系统？（2）SimpleMem能否在检索准确率和令牌消耗之间实现更优权衡？（3）所提出的组件效果如何？（4）观察到的性能和效率提升源于哪些因素？

3.1

实验设置

基准数据集：采用LoCoMo基准（Maharana等，2024），该数据集专门设计用于测试LLM处理长期对话依赖的能力。

数据集包含200至400轮的对话样本，包含复杂的时间转换和交错主题。

评估集由1986个问题组成，分为四种不同的推理类型：（1）多跳推理：需要整合多个不连续轮次信息的问题（例如，“基于X上周所说和Y今天所说的内容……”）；（2）时序推理：测试模型理解事件排序和绝对时间线的能力（例如，“X发生在Y之前吗？”）；（3）开放域：基于对话上下文的常识问题；（4）单跳推理：需要精确匹配特定事实的直接检索任务。

基线模型：将SimpleMem与代表性的记忆增强系统进行比较：LOCOMO（Maharana等，2024）、READAGENT（Lee等，2024）、MEMORYBANK（Zhong等，2024）、MEMGPT（Packer等，2023）、A-MEM（Xu等，2025）、LIGHTMEM（Fang等，2025）和Mem0（Dev

&

Taranjeet，2024）。

骨干模型：为测试不同能力规模下的稳健性，在多个LLM后端实例化每个基线和SimpleMem：GPT-4o、GPT-4.1-mini、Qwen-Plus、Qwen2.5（1.5B/3B）和Qwen3（1.7B/8B）。

实现细节：语义结构化压缩采用大小为10的滑动窗口，设置基于熵的显著性阈值τ=0.35以过滤低信息交互内容。

记忆索引采用LanceDB实现多视图设计：稠密语义嵌入使用text-embedding-3-small（1536维），稀疏词汇索引使用BM25，符号属性采用基于SQL的元数据存储。

当记忆聚类内的平均成对语义相似性超过τcluster=0.85时，触发递归整合。

检索阶段采用自适应查询感知检索，根据估计的查询复杂度动态调整检索深度，范围从简单查找的kmin=3到复杂推理查询的kmax=20。

评估指标：报告F1分数、BLEU-1（准确率）、对抗成功率（对干扰项的稳健性）和令牌成本（检索/延迟效率）。

LongMemEval-S采用其标准准确率类指标。

3.2

主要结果与分析

在从高性能专有模型（GPT-4o系列）到高效开源模型（Qwen系列）的多种LLM上评估SimpleMem。

表1和表2展示了LoCoMo基准上的详细性能对比。

表1

高性能模型（GPT-4.1系列和Qwen3-Plus）在LoCoMo基准上的性能表现。

SimpleMem实现了卓越的效率-性能平衡

/>

高性能模型上的表现

如表1所示，SimpleMem在所有评估模型中持续优于现有记忆系统。

在GPT-4.1-mini上，SimpleMem的平均F1分数达到43.24，显著优于最强基线Mem0（34.20），较全上下文基线LoCoMo（18.70）提升超过24个百分点。

在时序推理任务中观察到显著提升，SimpleMem的F1分数达到58.62，高于Mem0的48.91，证明语义结构化压缩在解析复杂时间线方面的有效性。

类似地，在旗舰模型GPT-4o上，SimpleMem保持领先地位，平均F1分数为39.06，优于Mem0（36.09）和A-Mem（33.45）。

这些结果证实，递归整合机制有效提炼了高密度知识，使配备SimpleMem的小型模型能够优于采用传统记忆系统的大型模型。

令牌效率

SimpleMem的核心优势在于推理时的效率。

如表1和表2最右侧列所示，LoCoMo和MemGPT等全上下文方法每次查询消耗约16,900个令牌。

相比之下，SimpleMem将令牌使用量减少约30倍，平均每次查询仅消耗530-580个令牌。

此外，与Mem0（约980个令牌）和A-Mem（约1200+个令牌）等优化检索基线相比，SimpleMem在令牌使用量减少40%-50%的同时，实现了更优的准确率。

例如，在GPT-4.1-mini上，SimpleMem仅使用531个令牌就实现了当前最优性能，而ReadAgent消耗更多令牌（643个）却取得了远低于SimpleMem的准确率（7.16

F1）。

这验证了基于熵的过滤和自适应剪枝的有效性，在不牺牲信息密度的前提下严格控制上下文带宽。

小参数量模型上的表现

表2突出展示了SimpleMem赋能小参数量模型的能力。

在Qwen3-8B上，SimpleMem实现了33.45的平均F1分数，显著优于Mem0（25.80）和LightMem（22.23）。

关键的是，配备SimpleMem的3B参数模型（Qwen2.5-3B）实现了17.98的F1分数，较采用Mem0的相同模型（13.03）提升近5个百分点。

即使在极轻量的Qwen2.5-1.5B上，SimpleMem仍保持稳健性能（25.23

F1），优于采用劣质记忆策略的大型模型（例如，采用Mem0的Qwen3-1.7B分数为21.19）。

不同任务类型的稳健性

按任务分解性能，SimpleMem展现出均衡的能力。

在单跳问答任务中，SimpleMem持续领先（例如，GPT-4.1-mini上F1分数为51.12），证明其在事实检索方面的精准度。

在复杂的多跳场景中，SimpleMem在GPT-4.1-mini上显著优于Mem0和LightMem，表明其分子表示成功连接了分散的事实，无需昂贵的迭代检索循环即可实现深度推理。

表2

高效模型（小参数量）在LoCoMo基准上的性能表现。

SimpleMem即使在1.5B/3B模型上也展现出稳健性能，常常优于采用基线记忆系统的大型模型

/>

3.3

效率分析

对计算效率进行全面评估，考察端到端系统延迟以及记忆索引和检索的可扩展性。

为评估实际部署可行性，在LoCoMo-10数据集上使用GPT-4.1-mini测量了完整生命周期成本。

如表3所示，SimpleMem在所有操作阶段均展现出卓越效率。

在记忆构建方面，该系统实现了最快的处理速度，每个样本仅需92.6秒。

这较现有基线有显著提升，较Mem0快约14倍（1350.9秒），较A-Mem快超过50倍（5140.5秒）。

这种巨大的速度提升直接归功于语义结构化压缩流水线，该流水线以简洁的单遍方式处理数据，避免了Mem0所需的复杂图更新或A-Mem固有的迭代总结开销。

除构建阶段外，SimpleMem还保持着最低的检索延迟，每个样本仅需388.3秒，较LightMem和Mem0快约33%。

这一优势源于自适应检索机制，该机制动态限制检索范围，并在访问细粒度细节之前优先考虑高层抽象表示。

通过将检索限制在最相关的记忆条目，系统避免了图基记忆系统中常见的、占延迟主导的邻居遍历和扩展操作。

在考虑洞察获取总时间时，SimpleMem较Mem0实现了4倍加速，较A-Mem实现了12倍加速。

关键的是，这种效率提升并未以牺牲性能为代价；相反，SimpleMem在所有对比方法中实现了最高的平均F1分数。

这些结果支持本文的核心主张：结构化语义压缩和自适应检索产生了比原始上下文保留或图中心记忆设计更紧凑、更有效的推理基础，实现了准确率和计算效率的卓越平衡。

表3

不同记忆系统的构建时间、检索时间、总实验时间和平均F1分数对比（在LoCoMo-10上使用GPT-4.1-mini测试）

/>

消融实验

为验证特定认知机制与计算增益的对应关系，使用GPT-4.1-mini后端进行了组件级消融实验。

研究了三个关键组件的贡献：（1）语义结构化压缩；（2）递归记忆整合；（3）自适应查询感知检索。

结果总结于表4。

语义结构化压缩的影响

将所提出的压缩流水线替换为标准的基于块的存储，会导致时序推理性能大幅下降。

具体而言，移除语义结构化压缩后，时序推理F1分数下降56.7%，从58.62降至25.40。

这一下降表明，若没有指代消解和相对时间表达转换为绝对时间戳等上下文规范化步骤，检索器难以区分时间线上的事件。

因此，性能退化至与依赖原始或弱结构化上下文的传统检索增强生成系统相当的水平。

递归记忆整合的影响

禁用后台整合过程会导致多跳推理性能下降31.3%。

若不将相关记忆单元整合为高层抽象表示，系统在推理过程中必须检索更多碎片化条目。

这种碎片化增加了上下文冗余，并在复杂查询中耗尽可用上下文窗口，表明递归整合对于将分散证据合成为紧凑且信息丰富的表示至关重要。

自适应查询感知检索的影响

移除自适应检索机制并恢复为固定深度检索，主要会降低开放域和单跳任务的性能，分别下降26.6%和19.4%。

在缺乏查询感知调整的情况下，系统要么为实体特定查询检索不足的上下文，要么为简单查询引入过多无关信息。

这些结果凸显了动态调整检索范围以在推理过程中平衡相关性和效率的重要性。

表4

GPT-4.1-mini后端的完整消融分析。

“差异”列表示相对于完整SimpleMem模型的性能下降百分比。

结果证实每个阶段对特定推理能力有显著贡献

/>

3.5

案例研究：长期时间锚定

为说明SimpleMem如何处理长期对话历史，图3展示了一个代表性的多会话示例，跨度为两周，包含约24,000个原始令牌。

SimpleMem在摄入过程中过滤低信息对话，仅保留高效用记忆条目，将存储的记忆减少至约800个令牌，同时不丢失任务相关内容。

时间规范化：“last

week”和“yesterday”等相对时间表达在不同会话中指向不同的绝对时间。

SimpleMem在记忆构建时将其解析为绝对时间戳，确保在长期交互间隔内实现一致的时间锚定。

精准检索：当查询Sarah过去的艺术作品时，自适应检索机制结合语义相关性和符号约束，排除无关活动，仅检索时间有效的条目。

系统正确识别相关画作，同时忽略语义相关但无关的主题。

该示例表明，结构化压缩、时间规范化和自适应检索共同使系统能够在扩展交互历史下实现可靠的长期推理。

/>

start="4">

相关工作

/>

LLM智能体的记忆系统

近期方法通过虚拟上下文或结构化表示管理记忆。

虚拟上下文方法（包括MEMGPT（Packer等，2023）、MEMORYOS（Kang等，2025）和SCM（Wang等，2023））通过分页或基于流的控制器扩展交互长度（Wang等，2024b），但通常存储原始对话日志，导致冗余并增加处理成本。

同时，结构化和图基系统（如MEMORYBANK（Zhong等，2024）、MEM0（Dev

&

Taranjeet，2024）、ZEP（Rasmussen等，2025）、A-MEM（Xu等，2025）和O-MEM（Wang等，2025））施加结构先验以提高连贯性，但仍依赖原始或最低限度处理的文本，保留了影响长期检索的指代和时间模糊性。

相比之下，SimpleMem采用语义压缩机制，将对话转换为独立的、自包含的事实，在存储前明确解决指代和时间模糊性。

上下文管理与检索效率

除记忆存储外，高效访问历史信息仍是核心挑战。

现有方法主要依赖长上下文模型或检索增强生成（RAG）。

尽管近期LLM支持扩展上下文窗口（OpenAI，2025；Deepmind，2025；Anthropic，2025），且提示压缩方法旨在降低成本（Jiang等，2023a；Liskavetsky等，2025），但实证研究揭示了“中间遗忘”效应（Liu等，2023；Kuratov等，2024）——推理性能随上下文长度增加而下降，同时终身智能体面临高昂的计算开销。

RAG基方法（Lewis等，2020；Asai等，2023；Jiang等，2023b）（包括GRAPHRAG（Edge等，2024；Zhao等，2025）和LIGHTRAG（Guo等，2024）等结构化增强变体）将记忆与推理解耦，但主要针对静态知识库优化，限制了其在动态、时间敏感情景记忆中的有效性。

相比之下，SimpleMem通过自适应剪枝和检索提高检索效率，联合利用语义、词汇和元数据信号，支持按实体和时间戳进行精准过滤，同时根据查询复杂度动态调整检索深度，以最小化令牌使用。

/>

本文提出SimpleMem——一种受语义无损压缩原则指导的高效记忆架构。

通过将记忆重新想象为一种代谢过程，SimpleMem实现了动态连续体：语义结构化压缩在源头过滤噪声，递归整合将碎片化事实转化为高阶分子洞察，自适应空间剪枝动态调整检索带宽。

在LoCoMo基准上的实证评估证明了SimpleMem的有效性和效率。

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。

那些率先拥抱

的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。

我整理出这套

大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

/>​​

/>

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。

从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

/>

/>智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。

麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

/>

​​

/>

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

/>

AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

/>

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

/>

④各大厂大模型面试题目详解

/>

⑤

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE

Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。

目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。

这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

/>

/>

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。

学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

/>

/>

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能

‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

/>

​