大模型根据输入生成文本、代码或工具调用请求
大语言模型（LLM）从大量的数据中学习语言和知识的规律，按照输入来生成文本、代码或者工具调用请求。
例如“帮我取消订单”，模型能够理解意图，而查询、取消操作则需要通过应用连接到真实的系统。
文本经分词器转换为 Token，再映射为数字编号
文本首先被分词器切分成 Token，然后用数字编号表示。一个 Token 可以是一个字、一个词语或者词语的一部分。
字数和 Token 数之间没有固定的比值关系。上下文容量以及很多 API 的计费都是以 Token 为单位的。
同一句话用不同的分词器来分词，得到的结果以及 Token 的数量都可能不一样。
上下文窗口容纳当前输入，并为输出预留空间
上下文窗口决定模型这一轮可以容纳多少信息：任务要求、用户问题、相关的过往历史、检索到的信息以及工具的结果，一般还会留出一定的输出空间。
历史记录要取出并放入到当前输入中，模型才可以使用。例如用户上一次给了订单号，这一次又问“发货了吗”，那么应用就应当把相关的过往信息一并提供给模型。
Prompt 向模型交代任务、背景和输出要求
Prompt 交代任务、背景以及输出的要求，可以用多条不同角色的消息来表示。要求越具体，模型就越容易理解这次要做什么。
总结下面的退款规则，只保留申请条件和到账时间。
这句话也同时限制了需要处理的材料以及需要保留的信息，比“帮我总结”更易得到符合预期的回答。
涉及权限或者格式等硬性规定的时候，仍然要进行代码校验。
幻觉示例：资料未说明到账时间，回答却给出确定时限
幻觉就是模型生成了没有根据或者和事实相悖的内容。比如说资料上没有提到退款的时间，但是回答却肯定地说“24 小时到账”。
补充资料、核实来源和校对结果可以降低风险，但是回答流畅也有可能出错。
RAG 先检索相关资料，再结合问题生成回答
RAG（Retrieval-Augmented Generation）就是检索增强生成：先查找相关的资料，然后结合资料和问题来生成答案。比如说先查一下公司退货政策，再回答定制商品可以退货吗。
检索可以使用关键词、向量或者混合的方式。回答的质量和资料是否找对、模型是否使用得当有关。
工具调用由模型提出请求，应用校验执行并回填结果
应用给模型提供工具说明，模型返回工具名称和参数，然后由应用进行校验、执行，并把结果交给模型。
例如查询订单工具接收订单号，返回发货状态。模型提出调用，代码执行操作并且控制权限。
拿到工具的结果之后，模型可以对用户进行回复，也可以根据结果再请求其他的工具。
MCP 为应用连接外部工具、资源和提示模板提供统一方式
MCP（Model Context Protocol）就是模型上下文协议，用来统一 AI 应用与外部工具、资源以及提示模板之间的连接方式。
例如取件服务可以利用 MCP 提供预约工具，那么支持 MCP 协议的应用就可以接入了。Tool Calling 负责发起工具请求，MCP 负责建立与外部能力之间的连接；本地工具也可以直接调用。
Skill 以 SKILL.md 为核心，按需附带脚本、参考资料和模板
Skill 用文件夹来封装某类任务的指令和资源，核心文件为 SKILL.md，可以附加脚本、参考资料和模板，由支持它的应用程序根据需要加载。
退货 Skill 的规定是先查订单，再核对条件，最后生成申请。Tool 提供动作，Skill 提供方法，也可以只提供写作或者审查的标准。
Memory 保存需要的信息，再按需取回到当前上下文
Memory 负责保存以及取回之后所需要的资料。
- • 短期记忆：服务当前会话，例如正在处理订单 A1003。
- • 长期记忆：跨会话保持偏好、事实或者经验，例如用户偏好的通知方式。
可以用消息、摘要、结构化数据或者向量检索来实现，取回之后再放入到当前上下文中。
比如说把“偏好短信通知”作为一个字段来保存，然后在处理订单的时候再读取它，就可以使用这个偏好了。
退货工作流示例：代码预先安排步骤和执行条件
Workflow 是由开发者事先设定好步骤、分支以及执行条件的。退货流程如下：
查订单 → 核对条件 → 用户确认 → 提交申请
流程可以调用模型，也可以并行或者循环，流转规则主要由代码来控制。
比如说不符合退货条件的话要说明原因，用户确认同意之后再提交申请，这些分支都可以提前写入流程。
Agent 根据动作结果继续判断，并在可以结束时回复
Agent 由模型参与来决定下一步的动作，调用工具并且根据反馈来推进目标。例如在订单号缺失的情况下先询问，查到没有发货之后再选择取消工具。
ReAct 用推理和行动交替的方式：判断 → 执行 → 观察 → 再判断，这是构建 Agent 的一种方式。
Workflow 和 Agent 可以一起用，比如退货的主要流程由代码来控制，“查清用户的问题”则由 Agent 根据反馈来灵活处理。自主执行还需要权限、预算以及停止条件。
模型生成内容，RAG 提供信息，Tool 执行任务，Skill 提供方法。加上记忆、流程以及反馈机制之后，就可以根据任务的需求来组合出 AI 应用了。
普通人如何抓住AI大模型的风口？
领取方式在文末
2026年入行AI大模型的黄金窗口!!!
AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启
在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。
脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。
与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。
这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️
最佳学习路线
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01 教学内容
-
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
-
大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03 入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04 视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05 行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
06 90+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
