👋 欢迎阅读
🏠个人主页：愿旖旎 📘专栏传送门：算法专栏 💻当前学习内容：LangChain
📑 目录
一、知识前置讲解
二、认识模型
三、认识大语言模型
四、提示词编写
五、LLM 的接入方式
六、嵌入式模型
七、复盘（附答案）
一、前置讲解
在进入正文前，先花 10 秒了解本篇会反复用到的核心概念，带着印象去读正文，学习效率更高。
🧠 前置知识一：什么是模型
从数据中学习规律、能完成特定任务的"数学函数"，是 AI 的基本单元。
📐 前置知识二：神经网络与参数
模型的大脑：由大量参数组成的多层"判断流水线"，规模决定能力。
📚 前置知识三：自监督学习与半监督学习
模型的学习方式：从无标注数据自己找规律，或用少量标注结合大量无标注。
⌨️ 前置知识四：语言模型与提示词
模型的交互接口：语言模型是"自动补全器"，提示词是我们下指令的方式。
🧮 前置知识五：嵌入与向量
把文字/图片翻译成数字（向量）以便计算机计算，是语义搜索、RAG 的基础。
二、认识模型
模型是一个从数据中学习规律的"数学函数"或"程序"。给它喂入海量数据，它就能学会预测、生成文本或图像，从而增强各行各业的业务能力。
打个比方，可以把模型想象成一家"超级加工厂"：
-
训练师先给它看海量例子（数据），并告诉它该怎么做；
-
它看多了，自己摸索出一套规则，从此输入原料（数据）→ 输出成品（结果）。
举个具体例子，给模型输入这些数据：
| [1, 2, 3] | 2 |
| [4, 5, 6] | 5 |
模型学会的规律是"输出中间那个数"。学成之后，再输入 [8, 9, 10]，它就能预测输出 9。
模型的三个关键属性：
| 特定任务 | 一个模型通常只擅长一件事——识别图片里是不是猫、预测明天会不会下雨、判断评论是好评还是差评 |
| 需要标注数据 | 训练这类模型需要大量"标准答案"（如成千上万张标注好"是猫/不是猫"的图片） |
| 参数较少 | 参数是模型从数据中学到的"内部规则"，参数少 = 模型复杂度和能力相对有限 |
模型 = 学出来的规则，不是人写死的程序——给它数据，它自己总结规律，然后对新输入做预测。
三、认识大语言模型
3.1 什么是大语言模型
大语言模型（Large Language Model，LLM）是基于大规模神经网络（参数规模通常达数十亿至万亿级别，如 GPT-3 有 1750 亿参数）、通过自监督或半监督方式在海量文本上训练的语言模型。
拆开来看，它由四个核心概念构成：
① 神经网络 —— 模型的"大脑"
神经网络模仿人脑的工作方式，是一个"团队工作流程"。教小朋友识别猫时，不会只给一条规则（"有胡子就是猫"？兔子也有胡子），而是让他看很多猫的图片——视觉神经协同工作：
| 神经元 A | 尖耳朵 |
| 神经元 B | 胡须 |
| 神经元 C | 毛茸茸的尾巴 |
这些神经元一层层传递和组合信息，最后大脑综合判断："这是猫！"
神经网络就是模拟这个过程：由大量虚拟的"神经元"（参数）和连接组成，前一层输出作为后一层的输入。通过海量数据训练，网络自动调整每个参数的值，最终形成一套复杂的"判断流水线"——有的参数负责识别猫的眼睛，有的负责识别轮廓。
② 自监督学习 —— 自己给自己当老师
想象自学一门外语：没有老师出题批改，那就拿一本小说自己玩"完形填空"——随机盖住一个词，根据上下文猜它是什么。一开始猜得乱七八糟，但看了成千上万本书后，语法、词汇搭配、上下文逻辑都了如指掌，甚至能自己写出流畅文章。
自监督学习就是“完形填空”的过程：
| 面对数据 | 海量没有标签的原始文本（互联网上的文章、网页） |
| 创造任务 | 遮住一句话中间的词，根据上下文预测 |
| 反复练习 | 亿万次练习后，深刻学会语言规律，完全不需要人工标注语法成分 |
自监督学习 = 让模型从数据本身找规律，自己给自己当老师。
③ 半监督学习 —— 少量名师 + 海量自学
用学做菜打比方：
| 师傅教的招牌菜（麻婆豆腐、宫保鸡丁） | 少量"有标注数据" | 打下基本功 |
| 尝遍天下美食、自己研究门道 | 海量"无标注数据" | 自己摸索规律 |
结合师傅教的基本功 + 自己的品尝经验，最后不仅能复刻招牌菜，还能创新出新菜式。
半监督学习 = 少量标注数据 + 大量无标注数据，共同提升学习效果。
④ 语言模型 —— "超级自动补全"
手机打字时输入"今天天气真"，输入法会自动提示"好、不错、冷"——输入法内部就有一个小型语言模型：根据前文，计算下一个词最可能是什么。大语言模型就是这个逻辑的"超级放大版"。
3.2 大语言模型总结
大语言模型 = "大规模神经网络"（超级团队工作流程）+ 数百亿/万亿"参数"（脑细胞）+ "语言模型"（超级自动补全），通过自监督/半监督学习，从互联网海量文本中学会了语言规律。
四大特点：
| 规模巨大 | 参数数十亿至万亿级，能处理更复杂全面的信息（百万大军 vs 小分队） |
| 通用性强 | 学到的是语言世界的底层规律（语法、逻辑、知识关联），能举一反三，涌现出聊天、翻译、写代码等能力 |
| 训练方式不同 | 主要靠自监督学习从无标注文本自学，不依赖昂贵的人工标注，所以能做很大 |
| 交互方式革命 | 不用点按钮/写代码，直接用自然语言下指令（Prompt），说"写一首关于春天的诗"就能写 |
四、提示词编写
4.1 核心思想：换位思考
假设 AI 对你的信息一无所知，你需要清晰、具体、无歧义地告诉它：
| 要什么 | 明确目标 |
| 在什么背景下 | 提供上下文 |
| 以什么方式呈现 | 指定输出形式 |
再配合示例、角色扮演、具体约束、迭代优化，沟通效果显著提升。
4.2 CO-STAR 结构化框架
先看对比，感受差距：
❌ 优化前（模糊低效）：
我该怎么吃才能更健康？
✅ 优化后（清晰有效）：
角色：你是一个基于科学证据的 AI 营养顾问。重要约束：所有建议仅为通用信息，不能替代专业医疗诊断；给出具体建议前必须声明免责条款。
任务：基于以下用户信息，提供个性化每日饮食原则性建议。
用户信息：年龄 30 岁 · 男性 · 目标减脂增肌 · 办公室久坐，每周 3 次力量训练
回答要求：
先输出免责声明
核心原则围绕"控制总热量摄入，确保充足蛋白质"
早餐/午餐/晚餐/训练加餐各给 1 条核心建议
推荐 2 种适合的健康零食
不推荐任何保健品或药物
输出格式：【免责声明】→【核心原则】→【分餐建议】→【健康零食推荐】
为什么有效：把角色、约束、任务、背景、输出格式全部显式化，模型不再"猜"你的意图。
4.3 少样本提示（Few-shot Prompting）
给 AI 提供一两个"输入-输出"示例，让它照葫芦画瓢——不是在"下指令"，而是在"教"它你想要的格式、风格和逻辑。
适用场景：格式固定、风格独特、逻辑复杂的任务（风格仿写、数据提取、复杂格式生成）。
示例对比：
| ❌ 零样本 | 2 🦜 9 等于多少? |
| ✅ 少样本 | 根据以下示例处理问题。示例1：2 🦜 3 = 5；示例2：4 🦜 7 = 11；现在请分析：2 🦜 9 等于多少? |
优势：通过示例隐式传递规则，比文字描述更直观，尤其适合符号或自定义逻辑场景。
4.4 零样本链式思考（Zero-shot-CoT）
在提示词末尾加一句"魔法短语"——"请一步步进行推理并得出结论"，强制 AI 在给出答案前先进行内部推理。
适用场景：任何需要一点逻辑思考的问题，即使你不清楚具体步骤。
示例：
罗杰有五个网球，他又买了两盒网球，每盒有3个网球，请问他现在总共有多少个网球？请一步步进行推理并得出结论。
AI 输出：
罗杰最初有5个网球。 买来的网球数量：2 × 3 = 6个。 因此总共有：5 + 6 = 11个。 答案：11个网球。
本质：这句指令相当于引导模型的"注意力机制"——告诉模型"在生成最终答案前，先在文本序列中模拟出一个缓慢、有序的推理上下文"，从而减少跳跃式错误。
4.5 自我批判与迭代
要求 AI 生成答案后，从特定角度审查并优化自己的答案——把"生成"和"评审"两个步骤分离，利用 AI 的批判性思维提升质量。
适用场景：代码审查、文案优化、论证强化、安全检查。
示例：编写代码后自检
| ❌ 优化前 | 写一个Python函数，计算列表中的最大值。 |
| ✅ 优化后 | 步骤一：写一个 Python 函数 find_max；步骤二：请从代码健壮性和可读性角度审查（空列表如何处理？命名是否清晰？给出优化后的最终版本）。 |
五、LLM 的接入方式
直接与大模型提供方交互的方式有三种：
| API 远程调用 | 调云端现成接口，最主流 |
| 开源模型本地部署 | 模型跑在自己机器上 |
| SDK 官方客户端库 | API 的封装，写代码更顺手 |
5.1 API 接入（最主流）
适合：快速开发、集成到现有应用、不想管理硬件资源。
通过 HTTP 请求（RESTful API）直接调用云端的模型服务。代表厂商：OpenAI (GPT-4o)、Anthropic (Claude)、Google (Gemini)、百度文心一言、阿里通义千问、智谱 AI 等。
典型流程：
| 1. 注册获取 API Key | 平台注册，获得身份验证密钥 |
| 2. 查阅 API 文档 | 了解端点、参数（模型名/提示词/温度/最大长度） |
| 3. 构建 HTTP 请求 | 用 requests 等库，Key 放 Header，提示词放 JSON 请求体 |
| 4. 发送并处理响应 | 解析 JSON，提取生成文本 |
官方地址：https://platform.openai.com/
📷 插图位置：API 调用流程图 / 平台界面截图
5.2 本地部署（数据安全/离线）
把开源 LLM（Llama、ChatGLM、Qwen 等）部署在自己硬件上——下载权重，用推理框架加载运行，再按类似 API 的方式交互。
典型流程：
| 1. 获取模型 | Hugging Face（国外）、魔搭社区（国内）下载权重 |
| 2. 准备环境 | NVIDIA GPU + 驱动 + 推理框架 |
| 3. 选推理框架 | 见下表 |
| 4. 启动服务 | 本地 API 服务器（如 http://localhost:8000），像云端 API 一样调用 |
| vLLM | 高吞吐量推理，性能极佳 |
| TGI | Hugging Face 出品，功能全面 |
| Ollama | 一键拉取运行，小白友好 |
| LM Studio | 图形化界面，像用软件一样跑模型 |
以 Ollama 为例：
① 下载：官方地址 Ollama
📷 插图位置：Ollama 官网/下载界面截图
② 拉取模型：
| 默认存储路径 | C:\\Users\\XXX\\.ollama |
| 改路径方式一 | 配置环境变量 OLLAMA_MODELS = ${自定义路径} |
| 改路径方式二 | Ollama 界面设置 |
| 查找模型 | Ollama |
| 下载并运行 | ollama run deepseek-r1:1.5b |
📷 插图位置：存储路径设置 / 模型搜索界面截图
5.3 SDK 接入（API 的封装）
本质上是对 API 的封装简化——官方 SDK 封装底层 HTTP 细节，提供符合编程习惯的函数库。
pip install openai
from openai import OpenAI
client = OpenAI(api_key="your-api-key")
response = client.responses.create(
model="gpt-5",
input="介绍一下你自己。"
)
print(response.output_text)
六、嵌入式模型
6.1 认识嵌入模型
先区分两类模型：
| 大语言模型（生成式） | 理解输入并生成新文本（回答问题、写文章）。内部也使用嵌入技术，但目标是"创造" |
| 嵌入模型（表示式） | 不生成文本，而是为输入创建富含语义的数值表示（向量） |
嵌入（Embedding）的核心思想：计算机擅长数字，但不理解文字、图片。嵌入就是把人类符号（单词、句子、产品、用户、图片）转换成数字列表（向量），并且保留原始语义和关系——相当于把人类语言"翻译"成计算机的"数学语言"。
关键结论：既然是"数学语言"，就能用数学方式比较向量（相似度），从而实现"度量语义"。
6.2 嵌入模型的应用场景
① 语义搜索（Semantic Search）
| 传统搜索 | 关键词匹配 | 简单直接 |
| 语义搜索 | 查询和文档都转成向量，算相似度 | 即使没有确切关键词也能检索到 |
② 检索增强生成（RAG）—— 当前 LLM 应用的核心模式
| 用户提问 | 例如"今年新增的带薪育儿假政策具体怎样" |
| 语义搜索 | 嵌入模型在知识库（人事制度文档、福利备忘录）中找到相关条款 |
| 交给 LLM | 将【条款】+【问题】一起提交，生成准确具体的摘要 |
好处：答案准确且时效性强（解决知识陈旧问题），而不是凭训练数据"瞎编"。
③ 推荐系统
原理：用户和物品都转成向量——喜欢相似物品的用户向量接近，相似物品的向量也接近，算相似度即可精准推荐。
案例：用户 A 喜欢《盗梦空间》《黑镜》，系统发现与"也喜欢这两部"的用户向量很接近，而这些用户普遍还喜欢《星际穿越》——尽管 A 从没看过，系统仍会推荐它。
④ 异常检测
原理：正常数据的向量聚集在一起；新数据向量远离聚集区 = 可能是异常点（垃圾邮件、欺诈交易）。
案例：信用卡反欺诈——海量正常交易的向量形成"正常聚集区"，当一笔高额异地交易出现，向量落在聚集区外，系统自动标记为潜在欺诈并告警。
七、复盘（附答案）
💡 思考题
什么是模型？为什么说"模型是一套从数据中学到的规则"，而不是人为写死的程序？
大语言模型与"传统小模型"最核心的区别有哪些？（提示：规模、通用性、训练方式、交互方式）
为什么"自监督学习"能在不需要人工标注的情况下学会语言规律？请用"完形填空"比喻解释。
提示词为什么重要？"少样本提示"和"零样本链式思考（Zero-shot-CoT）"分别靠什么提升效果？
LLM 的三种接入方式（API / 本地部署 / SDK）各适合什么场景？嵌入模型如何实现"语义搜索"，RAG 又为什么能解决知识陈旧？
📝 答案
模型是从数据中学习规律的"数学函数"。训练师给它看海量例子，它自己摸索出规则，而不是程序员手写规则。学成后给新输入，它能根据学到的规律预测输出——所以模型本质是"学出来的规则/模式"。
四点区别：规模巨大（参数数十亿到万亿级）；通用性强（学到语言底层规律，能举一反三、涌现多种能力）；训练方式不同（自监督学习，无标注自学，不依赖人工标注）；交互方式革命（自然语言 Prompt 直接对话，不用写代码）。
自监督学习 = "完形填空"：模型面对海量无标签文本，自己给自己创造任务——遮住一个词、根据上下文预测它。亿万次练习后，深刻学会语法、词汇搭配与逻辑，因此不需要人工标注，自己就能当自己的老师。
提示词是模型理解需求的唯一通道，"清晰、具体、无歧义"才能得到高质量输出。少样本提示给一两个"输入-输出"示例，让模型照葫芦画瓢、隐式传递格式规则；零样本链式思考在末尾加"请一步步推理"，强制模型先生成有序推理过程再作答，显著提升逻辑题正确率。
API：最主流，适合快速开发、不想管理硬件；本地部署：适合数据敏感、需离线/高性能场景（vLLM/TGI/Ollama 等框架）；SDK：本质是 API 封装，代码更符合编程习惯。嵌入模型把文本转成向量，用相似度做语义匹配——没有确切关键词也能检索到；RAG 先检索知识库相关内容、再连同问题交给 LLM，注入实时外部知识，从而解决训练数据过时的问题。
🎯 闭幕
从"模型是什么"到"大语言模型"，从"提示词工程"到"LLM 接入方式"，再到"嵌入模型与 RAG"——这一篇帮你把大模型的入门地图走了一遍。
如果本文对你有帮助，欢迎：
👍 点赞 ｜ ⭐ 收藏 ｜ 👤 关注作者｜ 💬 留言交流你的疑问或补充
你的每一次互动都是我继续更新的动力，我们下一篇见！🚀
