本项目内容兼顾理论与实战，旨在帮助你系统性地掌握从单个智能体到多智能体系统的设计与开发全流程。因此，尤其适合有一定编程基础的AI开发者、软件工程师、在校学生以及对前沿AI技术抱有浓厚兴趣的自学者。在学习本项目之前，我们希望你具备基础的Python编程能力，并对大语言模型有基本的概念性了解（例如，知道如何通过API调用一个LLM）。项目的重点是应用与构建，因此你无需具备深厚的算法或模型训练背景。 项目分为五大 助每一个学习者掌握从零到一训练自定义场景智能体模型的能力。 如何贡献 我们是一个开放的开源社区，欢迎任何形式的贡献！ 报告 Bug - 发现内容或代码问题，请提交 Issue 提出建议-对项目有好想法，欢迎发起讨论 完善内容-帮助改进教程，提交你的 Pull Request 分享实践-在"社区贡献精选"中分享你的学习笔记和项目 致谢 核心贡献者 陈思州-项目负责人 (Datawhale 黄宏晗-DW贡献者团队（深圳大学，Extra04内容贡献） 特别感谢 感谢 @Sm1les 对本项目的帮助与支持 感谢所有为本项目做出贡献的开发者们 Star History 如果这个项目对你有帮助，请给我们一个 Star！ 读者交流群 扫描二维码加入读者交流群，与更多学习者交流讨论 关于 Datawhale 扫描二维码关注 Datawhale 公众号，获取更多优质开源内容 开源协议

人工智能日益成为未来AI更好、跟专属地服务于每一个人的发展趋势。通过云端的公共大模型和本地大模型之间的混合，可以让每一个人都拥有自己的个人大模型，实现AI真正惠及到每一个人。 这样的混合人工智能，对承载本地大模型的终端的交互能力、智能算力、应用场景、安全保护等方面都提出更高要求。在历史的召唤下，PC再一次成为AI普惠的首选终端，将承担起为用户带来划时代全新AI体验的历史使命，使PC再一次焕发新的 ，使AI真正成为每个人的专属助理（Personal AI Twin）。 本白皮书旨在探讨AI与PC结合的历史必然性，以及新一代PC一一AI PC一一的基本定义、价值及产品特征，以及对AI及PC产业生态带来的改变，并对未来的市场发展做出概要性预测，为AI PC加速发展、产业生态共创升级提供框架性指导。 ## 第一章 AI PC的历史使命： AI普惠首选终端 图1 PC与AI大模型的天然匹配 人 动。 ## 压缩之后依然具备通用场景服务能力 个人大模型需要具备强大的AI能力，满足用户日益增长的AI需求和任务复杂度。这需要本地、公共大模型互为补充、各有所为。模型终端化的关键是将大模型压缩到适合终端的规模，以便实现本地推理和实时响应。为此，模型蒸馏、压缩等技术变得至关重要。 模型蒸馏通过训练“教师”网络监督“学生”网络进行学习；模型压缩则是通过剪裁、量化等方法对模型进行压缩。这些技术可以

JavaScript 功能、脚本语言 3 JavaScript 实现 ECMAScript > DOM BOM 4 在 HTML 中使用 JavaScript ➢直接嵌入 ➢外部引入 JS 代码压缩 ## 1 JavaScript 简史 ## 时代背景 ➢1995 年，拨号上网，速度仅 28.8kbit/s ## 诞生目的 用于表单验证，网速很慢，最好能将服务器语言负责的表单输入验证操 ➢弹出新浏览器窗口 ➢移动、缩放和关闭浏览器窗口 ➢获取浏览器详情信息，如浏览器版本、语言等 ➢获取浏览器所加载页面的详细信息，如 URL 等 ➢获取用户显示分辨率的详细信息，如显示屏幕的高度、宽度等 ➢对 cookie 的支持 ➢ HTML5 将主要的 BOM 方法纳入规范。 ### 3.3 BOM（浏览器对象模型）简介