Weekly Gradient (Gradient 是 AI、机器学习中的核心概念，隐喻每周的前沿话题、趋势更新)，用于分享 AI 领域过去一周最新商业动态和前沿进展，输入邮件免费订阅，获得及时更新，往期周刊直达。 同时欢迎开发者朋友关注纯技术领域的 AI 开发者日报，每日更新，实时性更高，细节更多。

Weekly Gradient 介绍

一句话，提供 AI 落地方面的优质信息和见解，节省你的时间，如果你在寻找 AI 落地方面专业可靠的内容，那么这个Weekly Gradient 就是为你准备的，订阅 Weekly Gradient 之后，每周一 8 点将向你推送过去一周 AI 领域最值得阅读的内容。

引用方可成老师的话「我们依靠阅读提升自己，而阅读最重要的是找到值得读的内容。 社交媒体的信息筛选机制，依赖的是普通用户的选择，所以“10 万+”往往反映的是社会情绪，而非文章质量。以今日头条为代表的算法推荐 app，同样在很大程度上依靠普通用户的选择，再加上你自己的阅读偏好——你是否愿意总在自己熟悉的内容套路里兜圈？至少在目前，人类的智慧在筛选信息时依然重要。所以，选内容，很多时候其实是选人。没错，这是非常传统媒体的逻辑，但这种逻辑目前依然运行得最有效」。下面我会详细展开介绍：

实践：

举一个自己例子，我是去年 3 月份体验过 LangChain之后，参与到公司内部一个类 LangChain 框架的开发，为此读了 LangChain 的源码，这也是我从 5 月份开始做LangChain 入门系列教程的动机，为此还受人邮出版社老师邀请写了一本关于 LangChain 的书籍；然后后面自己做了AI 阅读助手，又基于此继续写一些 RAG 相关的文章，年初跳槽去做面向小 B 客户的工具，我得出结论有数据积累有业务场景，toB 工具 AI 改造是非常有价值的实践方向，所以才有了这篇2024 年，基于大模型的 Agent 如何在企业落地的思考。

内容

那什么是好内容呢，我已经公开向大家分享过一些优质的信息源，技术主题和非技术主题都有，都是从实践出发，谈技术，聊产品的典范，只有通过自己的落地经验，以及综合别人的实践经历，弄脏手之后输出的观点才算数，才能给别人参考，今天这个模型颠覆，明天 AGI 要实现，什么硅基生命革命，我个人觉得太扯了，展望未来是好事，但是天天展望，都快让人 PSTD 了。

Weekly Gradient 适合谁？

Weekly Gradient 致力于服务聚焦和持续关注 AI 落地的从业者、研究者和学生提供专业服务，如果你属于以下人群中的一类，请考虑订阅 Weekly Gradient 。

1. 互联网：正在学习大模型的研发工程师、项目经理、产品经理等互联网岗位人员；
2. 传统行业：来自工业制造、金融、医疗和法律等非 IT 行业的，正在关注大模型落地的技术研发人员及工程师；
3. 学生老师：在自身研究和学习中需要使用大模型的科研人员、老师和学生。

内容包括：

✅ 关注 RAG、Agent、LLMOps、向量数据库、AI 应用开发框架等话题，追踪最新的企业级 AI 应用构建思路和经验

✅ 跟踪 Serverless GPU、推理优化、基础模型等最新进展，分享行业变动前沿

✅ 针对 AI 技术趋势热点话题，整理开源社区的观点

✅ 提供背景延伸阅读材料，供有兴趣的朋友下载和进一步阅读

✅ 资源推荐：会推荐值得关注的产品/开源项目/AI 研究者/书籍/公开课/论文…致力于让你成为自己身边或者团队最懂 AI 的，这里的懂不是精于各种新闻，熟悉各种产品名，而是结合当前阶段 AI 的能力边界，来指导你如何在业务中合理的利用 AI 的能力，在你的职业技能增加 AI 技能树，也就是我一直强调的将能落地能实践的部分，整合进自己的产品或业务，帮助自己。