在本月25日的Meta Connect开发者大会上，Meta发布了其最新Llama 3.2模型家族。同时，Llama Stack也作为一个重磅成果被推到前台。在Meta的官方陈述中，Llama Stack是一套全面的工具，目的在于简化在各种企业计算环境中部署 AI的复杂度，可以帮助开发者更简便、更快速地为不同规模的企业开发大模型应用。
Agentic Apps（智能体应用层）
端应用程序：这是整个架构的最顶层，代表基于大模型构建的最终用户应用程序。这些应用包括各种AI驱动的工具和服务。
Agentic System API（智能体API层） 智能体服务协调层，包含以下组件：
PromptStore（提示词库）：用于管理和存储用于与AI模型交互的各种提示词。
Assistant（助手）：通用的AI助手接口或服务。
Shields（防护盾）：用于实现安全措施和保护机制。
Memory（记忆）：用于管理AI系统的上下文和长期记忆。
Orchestrator（协调器）：负责协调各个组件的工作，确保系统平稳运行。
Model Toolchain API（模型工具链API层） 模型开发和生产工具，包括：
Batch Inference（批量推理）：用于大规模数据的模型推理。
Realtime Inference（实时推理）：用于需要即时响应的场景。
Quantized Inference（量化推理）：通过模型量化提高推理效率。
Continual Pretraining（持续预训练）：允许模型在新数据上不断学习和更新。
Evals（评估）：包括Harness（测试框架）、EvalData（评估数据）和Safety（安全性评估）。
Finetuning（微调）：用于在特定任务上优化模型。
Pretraining（预训练）：用于从头开始训练大模型。
Reward Scoring（奖励评分）：用于强化学习或对模型输出进行评分。
Synthetic Data Generation（合成数据生成）：创建合成数据集以增强训练。
Data（数据层）
Pretraining（预训练数据）：用于初始模型训练的大规模数据集。
Preference（偏好数据）：用于个性化或调整模型行为的数据。
Post training（后训练数据）：用于模型训练后的优化或评估。
Models（模型层）
Core（核心模型）：基座AI模型。
Safety（安保模型）：专门用于确保AI输出的安保模型。
Customized（定制模型）：针对特定任务或领域优化的模型。
Hardware（硬件层）
GPUs（图形处理器）：用于加速AI计算。
Accelerators（加速器）：其他类型的AI专用硬件加速器。
Storage（存储）：用于存储大规模数据集和模型。
3、企业大模型应用架构的核心关注点开发者能以最小的学习曲线入门，通过底层API获取基础的ML工具支持，再通过高层API实现业务需求； 企业能根据具体业务需求定制化扩展，无论是增强数据安全性，还是提高模型的推理速度，架构都能灵活适应； 维护更简便，开发者只需在不同层次进行局部优化或调整，而无需修改整个系统架构。
输入安全防护模型：这一模型确保用户输入在进入基座模型之前已经过过滤，防止恶意输入导致不合适的生成结果。这可以包括检测提示词注入（Prompt Injection）攻击或识别不合法的输入请求。 输出安全防护模型：这个模型将对基座模型的输出内容进行安全检查，避免生成潜在有害或不适合展示的内容。例如，如果模型生成的内容与系统安全标准不符，输出层将过滤或修改该内容，以确保产品输出符合相关法律要求、企业管理规定和社会道德规范。
Llama Guard 3 (8B) 输入/输出审核模型，支持8种语言，并针对特定的工具调用（例如搜索和代码解释器）进行了优化。它的主要功能是对输入和输出进行审查和过滤，确保生成的内容符合安全标准。 Llama Guard 3 (11B Vision) 支持图像推理安全，属于视觉安全模型，专用于检测和过滤多模态提示和响应中的有害内容。 Llama Guard 3 (1B) 这是一个轻量级的输入/输出文本审核模型，适合在边缘设备上部署，同时也有移动端优化的版本。可用于实时检测和过滤不合适的文本内容，适合需要快速审核的场景。 Prompt Guard 专为保护基于LLM（大语言模型）的应用程序免受恶意提示词攻击。 Code Shield：代码安全防护模型，对生成的有害或不安全代码进行过滤。 CyberSec Eval 2：用于量化LLM安全风险和能力的基准测试套件。
4、总结：