随着大模型生态的爆发式发展，相关的开源项目也开始爆炸性增长，不止是新项目，大量之前已经有的项目也开始与大模型产生或多或少的相关性，但是哪些是大模型领域的核心项目，哪些项目在真正引领着生态的前进，以及生态的全景图相对于以往的应用全景图是否产生了破坏性的结构变化，这些我们需要冷静地观察和分析，也需要借助数据的力量。

本演讲将围绕开源大模型与开源 AI 开发生态，整体介绍该领域下的开源项目全景，以不同生态位的一些热门开源项目为入口点，包括模型研发、训练框架和应用工具等不同 AI 技术领域，通过分析社区数据，探讨开源大模型与开源 AI 生态的快速协同发展，以及它们对整个技术产业影响，揭示 AI 生态中的开源项目如何相互关联、相互依赖，判断这些项目中的关键节点和项目发展趋势。

演讲大纲

1. 案例研究：从热点新闻到社区数据
2. 生态全景：从社区关联到生态关系网
3. 热点洞察：趋势上的项目与项目的趋势
4. 回到架构：我可以怎样利用这个全景图

实践痛点

GenAI 时代，技术的演变与发展日新月异，几乎每天都有新的名词和新兴的开源项目涌现。对于开发者而言，这些项目之间有怎样的关联，处于生态中的哪个位置，可以怎样为我所用，如何寻找到同类型的产品/工具是一个共性的痛点，希望本演讲能起到一个提纲挈领的概览作用，给广义上的非 AI 背景的开发者一些启示和帮助。

演讲亮点

• 结合数据分析，提供对开源项目发展的深刻洞察
• 探讨不同层面项目之间的协同作用与创新
• 展示实际案例，洞察开源大模型和开源 AI 开发生态的发展趋势

听众收益

• 对于进入 AI 领域，想要快速上手的开发者或架构师，应该重点关注哪些在趋势上的项目，以及这些项目的关系是什么样的
• 对于一般开发者，了解开源和 GenAI 的碰撞让开源和开发生态发生了哪些变化，有哪些趋势，自己可以考虑如何应对趋势，利用趋势，成为趋势
• 对于一般架构师和分析师，学习一种方法，在遇到一个有限了解的新领域、新趋势面前，如何借助开源社区的开放数据，迅速找到趋势和入手点

本演讲将探讨智能体（Agent）技术的发展历程和未来方向。首先回顾 LLM 时代主要开源项目，分析过去两年 Agent 领域的实质性进展，包括推理能力、记忆机制等；探讨多 Agent 协作的潜力及其对社会的影响。最后，分享在 AI 快速发展的时代，智能体技术将如何塑造我们的未来，我们又该如何引导其发展，给出我的思考的判断。

演讲提纲

1. 过去两年的 LLM 和 Agent

   1.1 LLM 是什么

   1.2 过去两年 Benchmark 的变化

   1.3 业界发展：Foundation Multi-Agent、推理、世界模型、长期记忆、动作记忆、

   1.4 MetaGPT：我们在做什么，从底层结构看什么是对的

   1.5 学术工作一瞥：自动实验系统；自动 SOP 生成；FACT；MetaGPT X

2. LLM Agent 相关的开源项目

   2.1 思考：Agent 热潮的到来和方向

   2.2 MetaGPT：发展历程，我们做对了什么

3. 通往 Multi-Agent 结局的一些想法

   3.1 业界：人类社会的终局，Life 3.0，怎么对待智能体，智能体怎么互相对待，世界需要什么样的智能体？

   3.2 思考：多 Agent 协作会给我们带来什么？

   3.3 Agent Protocol

4. 参与开源 Agent 项目的一些建议

实践痛点
Agent 协作的复杂性与可控性：随着多 Agent 系统的发展，协调多个智能体高效协作同时保持系统稳定性和可控性成为一大挑战。这涉及到任务分配、冲突解决、信息共享和整体性能优化等多个方面，需要更先进的协作框架和管理策略。

演讲亮点

• o1 推理突破：探讨最新的推理技术（包括开源 o1），如何显著提升 Agent 的问题解决能力
• 记忆机制创新：介绍情境记忆、程序记忆和动作记忆等新型记忆机制，及其对 Agent 性能的革命性影响
• 自动化学术研究：展示自动实验系统和自动 SOP 生成等前沿应用，揭示 AI 如何加速科研进程

听众收益

• 洞悉 Agent 技术发展趋势：了解从单一智能体到多智能体协作的演进，把握行业最新动向
• 深入理解技术突破：掌握 Agent 领域近两年的关键进展，包括推理能力、记忆机制等核心技术的发展
• 前瞻性思考与实践指导：探讨多 Agent 协作对未来的影响，获得参与开源 Agent 项目的实用建议

本次演讲将从大模型的现状与挑战出发，分析 Transformer/GPT 崛起背后的优势，我们将讨论这些模型面临的挑战，如可解释性和资源消耗等，探讨开发者如何将 Transformer/GPT 应用于实践，并展望未来的发展趋势。

演讲提纲

1. 引言：大模型现状洞察

2. Transformer / GPT 的崛起

• 迅速占据优势地位的原因
• 核心优势与应用场景

3. 面临的挑战：难以解决的问题（如可解释性、资源消耗等）

4. 回顾 RNN 发展

• RNN 的局限性与历史背景
• 模型演化的其他可能性

5. RWKW 社区

• RWKW 社区的动态与发展
• 开发者与用户的需求

6. 开发者的实践

• 如何利用 Transformer/GPT
• 与传统方法的对比与创新玩法

7. 结论

• 对开发者的启示
• 未来发展趋势与思考

实践痛点

• 模型的机械记忆力不如 Transformer，但可以用调用外部工具（比如外部存储）来解决

演讲亮点

• RWKV 的时间复杂度和空间复杂度都低于 Transformer，大幅降低推理算力的需求，也可以让大模型在端侧部署
• 具备长 CoT 的能力

听众收益

• 了解新型大模型架构的趋势
• 端侧模型的新市场机会