【AI入门】大模型介绍全解析：从模型、LLM 到提示词与嵌入

👋 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

[五、LLM 的接入方式](#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：

输入	输出
$1, 2, 3$	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：

属性	说明
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：

神经元分工	负责识别
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：

步骤	做法
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：

来源	相当于	作用
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：

特点	说明
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：

要素	说明
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：

方式	提示词
❌ 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

方式	提示词
❌ 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：

方式	一句话概括
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：

步骤	做法
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

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：

步骤	做法
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

推理框架	特点
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

② 拉取模型：

事项	说明
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`

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。

cpp 复制代码

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：

模型	目标
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）

方式	原理	优势
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

环节	说明
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！🚀