AI Agent 乃是 2025 年的热门议题，尤是生成式人工智能，为 AI Agent 赋予了更为广阔的契机。伴随 chatGPT 的声名鹊起，生成式人工智能已然成为当下最为炙手可热的创业项目。就人工智能大模型而论，其本质仍旧是基于 BERT 演进而来，现阶段，大模型的微调与预训练已并非艰深的技术。
对于意欲研习人工智能的同窗而言，不再如往昔那般需要熟稔 pyTorch、tensorflow、神经网络、线性知识、矩阵知识等诸多枯燥的基础学识。倘若您时常关注人工智能的发展态势，Hugging Face 这一平台想必不会感到陌生，它作为大模型的托管平台，能够在此觅得全世界 80%的开源大模型，同时能够于这个平台展开试验并运行这些大模型。
Hugging Face 提供了一个 Python 库，能够轻松下载并训练最为先进的预训练模型。运用这些预训练模型，能够降低计算成本与碳足迹，并节省从头开始训练模型的时间，此模型即为 Hugging Face TransFormers。虽说 transFormers 与 transFormer 仅一字之差，然而它们实属于不同的概念。TransFormer 系由谷歌团队于 2017 年的论文《Attention Is All You Need》中提出的一种深度学习模型架构。而 TransFormers 指的是 Hugging Face 公司开发的一个 Python 库，全称为“transformers”。该库为各类基于 Transformer 架构的预训练模型提供了支持，并为开发者给予了便捷高效的方式来运用和微调这些模型。
Hugging Face Transformers 由 Hugging Face 公司开发，乃是一款性能强劲的 Python 库，其正式名称为“transformers”。于自然语言处理和深度学习领域，娴熟运用该库，乃是开启人工智能研究与实践之门的关键一步。
欲深入掌控 Hugging Face Transformers 库，需要系统性学习一系列关键知识。其中，pipeline 模块将各类自然语言处理任务予以封装，极大地简化了操作流程；datasets 库则供应了丰富多样的数据集加载与预处理工具。分词器用于将文本分割成模型可处理的单元，乃是文本处理的基础环节。此外，掌握模型的加载与保存，能够有效地管理和复用训练完毕的模型；理解模型的训练和微调机制，可针对特定任务优化模型性能，令模型于实际应用场景中发挥出最优效能。
