你是否经历过这样的场景：为了做一份竞品分析，需要从 10 个网站复制公司信息，手动粘贴到 Excel，结果格式乱七八糟，数据还要反复校对……光是整理数据就花了半天时间。
周末刚好刷到了 Firecrawl 新推出了一个 Data Agent 的功能，目标就是解决这个痛点：你只需要一句话描述需求，它就能自动帮你完成数据收集。
（注：Firecrawl 是一个专注于数据爬虫的 API 服务商，很多开发者在用）
比如官方演示视频里，只用一句话就获取了 YC 2024 所有创始人的数据，听起来还挺牛的，对吧？
不过我向来都不信这类演示视频的，通常还得自己实测看看。
今天有点时间，于是玩了下，没想到还挺超出预期的 —— 我意识到，这可能是下一个颠覆 Excel 的“基建级别”创新。
下面是我实测的过程。
实测 1：读取 OpenAI Token 消耗大户名单，并做个可交互网页
之前 OpenAI 开发者大会，公开了前 30 消耗的公司名单，是一张图片。
我们试试看让 Firecrawl 直接读看看。
我先输入了一个需求，它直接帮我转成了一个专业的 Prompt，确认完数据格式后，就开始吭哧吭哧地爬数据了，中间可以看到这个 JSON 的内容在不断被丰富。
可以看到，它后台其实跑了一个 Agent，类似 Manus 等工具，开始爬取各种网页，执行代码，并验证数据格式。大概 5 分钟后，执行完成，我们就获得了一个完整的 JSON。
下一步就是见证奇迹的时刻，我们把 JSON 复制下，贴到 AI Studio，直接要求它基于数据做个好看的可视化页面，方便呈现各个公司的信息。
很快就出来了，数字、Logo、分类啥的，都很全面。
做过类似工作的都知道，光是上面那些 Logo，找起来就得花半天。
实测 2：获取今年各家模型在编程上的评分，并做个可视化对比
数据拿到了，同样的方式，我们再做个网页看看。这次我们要求做成一个类似抖音上常见的那种呈现各个国家或地区 GDP 变化的动态柱状图。
放到 AI Studio 跑起来
效果出来了，还自己做了各种倍速播放选择，很贴心。
可以看出，到了 12 月，美国的几家公司都在冲年终绩效啊，全都拿出了看家本领，目前也是闭源模型全面领先。接下来就期待国内的 DeepSeek、Qwen 加油赶上了。
结语
Firecrawl 的定位，并不直接面向用户，而是想做开发者的“AI 基建水电煤”。我之前写过一些爬虫类小应用，也都用的它，非常方便。如果你在做和数据收集相关的 Agent，一定不要错过这个能力。
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。
