从这里开始，我们就要开始Agent相关内容的讲解说明了，感兴趣的话可以持续关注，后续会持续更新。
一、认识模型
模型可以理解为一个从海量数据里习得内在规律的数学函数或者程序。 它是一类用于处理、生成信息的算法，在设计上会去模仿人类的认知方式。 模型在大规模数据集当中挖掘隐藏模式与有效信息之后，就可以完成预测任务，也能够生成文本、图像等各类形式的输出，赋能各行各业的软件与业务应用。
我们可以把模型简单比作一座超级加工厂。 这座工厂会经过专门训练：训练人员投喂海量的样本数据，让它从中学习参考。工厂不需要人为逐条编写死板规则，而是通过大量实例自己摸索总结出内在规律，从而掌握某一项特定任务。
说到底，模型本身就是学习得来的一系列规则与模式。你输入原料，它就会依据学到的模式，输出你预期的结果。
模型的核心目标，就是挖掘输入与输出之间隐藏的规律。在这个例子里，模型学到的规则很简单：输出数组中间的数字。
训练完成后，我们给它新的数组输入 [8, 9, 10]，模型就能依靠学到的规律，预测输出结果为 9。
这个例子就是前面示意图的文字说明，用来直观理解传统机器学习模型：从样本中归纳规则，再对新样本做预测。
传统模型具备下面三个关键特征：
**1.面向特定任务：**一个模型往往只擅长解决单一任务。
- 有的模型专门用来识别图片中是否存在猫咪
- 有的模型用来预测未来的天气情况，判断明天是否下雨
- 还有的模型专门分析文本，判断一条评论属于好评还是差评
**2.依赖标注数据：**训练这类模型离不开大量带 "标准答案" 的数据，也就是标注数据。 举个例子：想要训练识别猫咪的模型，就要准备成千上万张图片，并且提前给每张图片打上「是猫」或者「不是猫」的标签。
3.参数量偏小： 参数可以理解成模型从数据里面学到的知识要点、内部规则。前面取数组中间值的例子，这个 "取中间数" 就是模型学到的一条规则。 参数数量少，代表模型整体复杂度不高，能够处理问题的能力也相对有限。
二、认识大语言模型
1. 什么是大语言模型？
大语言模型（Large Language Model，LLM）是指基于大规模神经网络（参数规模通常达数十亿至万亿级别，例如 GPT-3 包含 1750 亿参数），通过自监督或半监督方式，对海量文本进行训练的语言模型。
名词解释：
- 神经网络：一个极其高效的 "团队工作流程" 或 "条件反射链"。
例如教一个小朋友识别猫：
- 不会只给一条规则（比如 "有胡子就是猫"），因为兔子也有胡子。
- 我们会让他看很多猫的图片，他大脑里的视觉神经会协同工作：
- 有的神经元负责识别 "尖耳朵"，
- 有的负责识别 "胡须"，
- 有的负责识别 "毛茸茸的尾巴"。
- 这些神经元一层层地传递和组合信息，最后大脑综合判断："这是猫！"
神经网络就是模仿人脑的这种工作方式。
- 它由大量虚拟的 "神经元"（也就是参数）和连接组成。
- 每个神经元都像一个小处理单元，负责处理一点点信息。无数个神经元分成很多层，前一层的输出作为后一层的输入。
- 通过海量数据的训练，这个网络会自己调整每个 "神经元" 的重要性（即参数的值），最终形成一个非常复杂的 "判断流水线"。比如，一个识别猫的神经网络，某些参数可能专门负责识别猫的眼睛，另一些参数专门负责识别猫的轮廓。
简单说：神经网络就是一个通过数据训练出来的、由大量参数组成的复杂决策系统。
- 自监督学习："完形填空" 超级大师。
例如我们想学会一门外语，但没有老师给出题和批改。怎么办？
- 我们可以拿一本该语言的小说，自己玩 "完形填空"：随机盖住一个词，然后根据上下文猜测这个词是什么。
- 一开始猜得乱七八糟。
- 但不断地重复这个过程，看了成千上万本书后，对这个语言的语法、词汇搭配、上下文逻辑了如指掌。现在不仅能轻松猜对被盖住的词，甚至能自己写出流畅的文章。自监督学习就是这个过程。
- 模型面对海量的、没有标签的原始文本（比如互联网上的所有文章、网页）。
- 它自己给自己创造任务：把一句话中间的某个词遮住，然后尝试根据前后的词来预测这个被遮住的词。
- 通过亿万次这样的练习，模型就深刻地学会了语言的规律。它不需要人类手动去给每句话标注 "这是主语"、"这是谓语"。
简单说：自监督就是让模型从数据本身找规律，自己给自己当老师。
- 半监督学习："师傅领进门，修行在个人"。
例如你想学做菜：
- 师傅先教你几道招牌菜（比如麻婆豆腐、宫保鸡丁）------ 这相当于给了你一些 "有标注的数据"（菜谱和成品）。
- 然后，师傅让你去尝遍天下各种美食，自己研究其中的门道 ------ 这相当于接触海量的 "无标注数据"（各种未知的食材和味道）。
- 你结合师傅教的基本功和自己尝遍天下美食的经验，最终不仅能完美复刻招牌菜，还能创新出新的菜式。这就是 "半监督"。
先用少量带标签的数据让模型 "入门"，掌握一些基本规则，然后再让它去海量的无标签数据中自我学习和提升。这对于大语言模型来说也是一种常用的训练方式。
简单说：半监督就是 "少量指导 + 大量自学" 的结合模式。
- 语言模型：一个 "超级自动补全" 或 "语言预测器"。
例如你在用手机打字，输入 "今天天气真"，输入法会自动提示 "好"、"不错"、"冷" 等。这个输入法之所以能提示，就是因为它内部有一个小型的 "语言模型"，它根据你输入的前文，计算下一个词最可能是什么。
语言模型的核心任务就是预测下一个词。一个强大的语言模型，能够根据一段话，预测出最合理、最通顺的下一个词是什么，这样一个个词接下去，就能生成一整段话、一篇文章。
简单说：语言模型就是一个计算 "接下来最可能说什么" 的模型。
现在，我们再回头看那段描述，就一目了然了。
翻译成大白话就是： 大语言模型是一个：
- 用 "超级团队工作流程"（大规模神经网络）搭建的，拥有数百亿甚至上万亿个 "脑细胞"（参数）的 "超级自动补全系统"（语言模型）。
- 它学习的方式，主要是通过自己玩 "海量完形填空"（自监督学习），或者 "少量名师指导 + 海量自学" （半监督学习）......
- 从互联网上所有的文本数据中学会了语言的规律。
因此，它具有以下几个核心特点：
- 规模巨大： 它的 "脑细胞"（参数）特别多（通常达到数十亿甚至万亿级别），所以思考问题更复杂、更全面，就像一支百万大军和一个小分队的区别。
- 通用性强： 它不是为单一任务训练的。因为它通过 "完形填空" 学会的是整个语言世界的底层规律（语法、逻辑、知识关联），而不是只背会了 "猫的图片"。所以它能举一反三，把底层能力灵活应用到聊天、翻译、写代码等各种任务上。这种 "涌现" 能力，就像孩子通过大量阅读后，突然能写出意想不到的优美句子一样。
- 训练方式不同： 主要使用自监督学习，从海量无标注的原始文本中学习。它不依赖人工一张张地给图片标 "这是猫"，而是直接从原始文本中自学，效率极高，规模可以做得非常大。
- 交互方式革命： 我们不用点按钮、写代码，直接像对人说话一样给它指令（Prompt） 它就能听懂并执行，比如你直接说 "写一首关于春天的诗"，它就能给你写出来。
2. 主流的大语言模型
- GPT-5 (OpenAI)：支持 400k 背景信息长度，128k 最大输出标记，在多轮复杂推理、创意写作中表现突出
- DeepSeek R1 (深度求索)：开源，专注于逻辑推理与数学求解，支持 128K 长上下文和多语言 (20 + 语言) ，在科技领域表现突出
- Qwen2.5-72B-Instruct (阿里巴巴) ：通义千问开源模型家族重要成员，擅长代码生成结构化数据（如 JSON）处理角色扮演对话等，尤其适合企业级复杂任务，支持包括中文英文法语等 29 种语言
- Gemini 2.5 Pro (Google) ：多模态融合标杆，支持图像 / 代码 / 文本混合输入，适合跨模态任务 (如图文生成、技术文档解析)
其他参考：
Huggingface LLM 性能排行榜：https://huggingface.co/spaces/ArtificialAnalysis/LLM-Performance-Leaderboard
发展历程参考：
3. LLM 的能力包括哪些？
大模型，对不少人来说已变得耳熟能详，从大型科技公司到初创企业，都纷纷投身于这场技术变革。 AI 大模型不仅仅是技术圈的热门话题，它也正日新月异的速度融入我们的日常生活，改变着我们获取信息、处理工作、甚至进行创作的方式。
我们将大模型的能力归纳为四点，这不仅仅是技术指标，更是它改变世界的核心利器。
3.1 语言大师：理解与创造的革命
想象一下，你是否发生过以下类似问题：
- 对学生： 你是否为论文的开头绞尽脑汁？
- 对职场人： 一封礼貌又坚决的投诉邮件怎么写？
LLM 可以干什么？对于：
1.论文的开头：告诉大模型你的主题和观点，它能为你生成几个不同风格的引言段落。例如： "写一篇关于《在线编程学习平台》的大学生论文开头供我参考。"
2.投诉邮件：把情况告诉它，它即刻生成，你稍作修改就能发送。例如： "帮我写一封礼貌又坚决的投诉邮件，事情的经过是：xxx"
我们发现，它真正 "读懂" 了人类语言的千变万化，并能进行高质量创作。这不是简单的关键词匹配，而是理解了上下文、情感甚至潜台词。
3.2 知识巨人：拥有 "全互联网" 的记忆
我们可以问它： "用物理学原理解释为什么猫咪总能四脚着地？" 。它不仅能回答，还能类比。
我们可以让它： "对比一下古希腊哲学和春秋战国百家争鸣的异同" 。它能为我们提供清晰的思路。
可以看出，大模型是一个被压缩的、可对话的 "互联网知识库"。它通过学习海量数据，将知识内在关联，形成了一个立体的知识网络，而不仅仅是存储。
3.3 逻辑与代码巫师：从思维到实现的跨越
一个复杂的功能，对程序员来说，只需用中文描述："写一个 Python 函数，能自动爬取某个网页的最新标题并保存到 Excel 里。" 代码瞬间生成。
我们可以把一道复杂的数学题丢给它，如 "微分方程 y"-3y'+2y=3x-2e^x 的特解 y * 的形式为？" ，它不仅能给出答案，还能一步步展示解题过程，成为你的私人家教。
可以看出，大模型不仅能处理语言，还能处理严格的逻辑和编程语法。这证明了它的能力超越了 "文科"，进入了需要精确和推理的 "理科" 领域。
3.4 多模态先知：开启 "全感知" AI 的大门
想象一下，上传一张照片，再加入一段描述，AI 可实现快速的对话式创意工作流程。 https://nanobanana.im/
AI 婴儿预测和生成： "生成他们的宝宝的样子 - 父母双方特征的融合。专业的照片质量。"
可以看到，它打破 "文本" 的界限，连接视觉、听觉的世界，让 AI 更接近人类的感知方式。这是目前最前沿、最令人兴奋的能力，它让 AI 真正成为 "全能型" 助手。
4. 提示词编写技巧
编写合理且有效的提示词，是我们与 AI 进行有效对话的第一步，好的提示词能显著提升模型输出的质量和相关性。宗旨就是：将你的问题限定范围，让 AI 知道你要的答案具体要包含什么，提示词效果会大幅提升。
核心在于换位思考：想象 AI 对你提供的信息一无所知，你需要清晰、具体、无歧义地告诉它你要什么、在什么背景下、以什么方式呈现。善用示例、角色扮演、具体约束和迭代优化。 提示技巧不止一种，掌握多种技巧，并根据不同任务灵活组合使用，才是成为提示词高手的秘诀。
4.1 CO-STAR 结构化框架
**在目标设定和问题解决的场景下，清晰性和结构性是至关重要的。**而有一种方法论，在这些方面表现都非常出色，那就是 CO-STAR 框架。这个提示词编写框架，由新加坡政府技术局（GovTech）的数据科学与 AI 团队开发，重点在于确保提供给 LLM 的提示词是全面且结构良好的，从而生成更相关和准确的回答。
CO-STAR 可以拆解为六个维度。
| 模块 | 说明 | 示例 |
|---|---|---|
| Context | 任务背景与上下文 | "你是电商客服，需解答用户关于 iPhone 17 的咨询，知识库包含最新价格和库存" |
| Objective | 核心目标 | "准确回答价格、发货时间，推荐适配配件" |
| Steps | 执行步骤 | "1. 识别用户问题类型；2. 检索知识库；3. 用亲切语气整理回复" |
| Tone | 语言风格 | "口语化，避免专业术语，使用'亲～''呢'等语气词" |
| Audience | 目标用户 | "20-35 岁年轻消费者，对价格敏感，关注性价比" |
| Response | 输出格式 | "价格：XXX 元 \n 库存：XXX 件 \n 推荐配件：XXX（链接）" |
例如，我需要进行健康咨询，希望给出营养建议。那么我可以这样构建提示词：
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：你提供的所有建议都仅为通用信息，不能替代专业医疗诊断。在给出任何具体建议前，必须首先声明此免责条款。
**任务：**基于以下用户信息，提供一份个性化的每日饮食原则性建议。
用户信息：
・年龄：30 岁
・性别：男性
・目标：减脂增肌
・日常活动水平：办公室久坐，每周进行 3 次力量训练
回答要求：
- 首先，输出免责声明："请注意：以下建议为通用健康信息..."
- 核心原则应围绕 "控制总热量摄入，确保充足蛋白质"。
- 分别对早餐、午餐、晚餐和训练加餐提出各 1 条核心建议（例如：早餐应包含优质蛋白和复合碳水）。
- 推荐 2 种适合该用户的具体健康零食。
- 避免推荐任何具体的保健品或药物。
输出格式：
【免责声明】
此处输出声明
【核心原则】
・...
【分餐建议】
・早餐：...
・午餐：...
【健康零食推荐】
- ...
- ...
4.2 少样本提示 / 多示例提示
这种方式通过给 AI 提供一两个 输入 - 输出 的例子，让它 "照葫芦画瓢"。
**核心思想：**你不是在给它下指令，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，如风格仿写、数据提取、复杂格式生成。
例如：
优化前（零样本提示）：
2 🦜 9 等于多少？
优化后（少样本提示）：
根据以下示例，处理问题。
示例 1：2 🦜 3 = 5
示例 2：4 🦜 7 = 11
现在请分析这个：2 🦜 9 等于多少？
再例如：
优化前（零样本提示）：
请分析以下客户反馈，提取产品名称、情感倾向和具体问题。
反馈："我刚买的耳机，才用了一周左边就没声音了，太让人失望了。"
优化后（少样本提示）：
请根据以下示例，分析后续的客户反馈，并提取产品名称、情感倾向和具体问题。
示例 1：
・反馈："笔记本的电池续航太差了，完全达不到宣传的 10 小时，最多就 4 小时。"
・分析：
◦ 产品名称：笔记本电池
◦ 情感倾向：负面
◦ 具体问题：续航远低于宣传
示例 2：
・反馈："客服响应很快，非常专业地帮我解决了软件激活问题，点赞！"
・分析：
◦ 产品名称：客服服务
◦ 情感倾向：正面
◦ 具体问题：无
现在请分析这个：
・反馈："我刚买的耳机，才用了一周左边就没声音了，太让人失望了。"
通过示例，AI 清晰地学会了 "产品名称" 如何概括，"情感倾向" 的标签是什么，"具体问题" 如何简洁描述。这比单纯用文字描述规则要有效得多。
4.3 思维链提示
提示工程的关键目标是让 AI 更好地理解复杂语义。这种能力的高低，可以直接通过模型处理复杂逻辑推理题的表现来检验。
可以这样理解：**当好的提示词能帮助模型解决原本解决不了的难题时，就说明它确实提升了模型的推理水平。**并且，提示词设计得越出色，这种提升效果就越显著。通过设置不同难度的推理测试，可以很清晰地验证这一点。
思维链提示相较于少样本提示是一种更好的提示方法，思维链提示最常用的两种方式：
・Few-shot-CoT：少样本思维链
・Zero-shot-CoT：零样本思维链
相比于少样本提示（Few-shot），少样本思维链（Few-shot-CoT）的不同之处只是在于需要在提示样本中不仅给出问题的答案、还同时需要给出问题推导的过程（即思维链），从而让模型学到思维链的推导过程，并将其应用到新的问题中。此技巧主要用于解决复杂推理问题，如数学、逻辑或多步骤规划。
核心思想：要求 AI "展示其工作过程"，而不是直接给出最终答案。这模仿了人类解决问题时的思考方式。 适用场景：数学题、逻辑推理、复杂决策、需要解释过程的任务。
例如，手动写一个思维链作为少样本提示的示例：
Q："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？"
A："罗杰起初有五个网球，又买了两盒网球，每盒 3 个，所以，他总共买了 2×3=6 个网球，将起始的数量和购买的数量相加，可以得到他现在总共的网球数量：5+6=11，所以罗杰现在总共有 11 个网球"
在获得了一个思维链示例后，就可以以此作为样本进行 Few-shot-CoT 来解决第二个推理问题，如下所示：
示例 1：
Q："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？"
A："罗杰起初有五个网球，又买了两盒网球，每盒 3 个，所以，他总共买了 2×3=6 个网球，将起始的数量和购买的数量相加，可以得到他现在总共的网球数量：5+6=11，所以罗杰现在总共有 11 个网球"
问："食堂总共有 23 个苹果，如果他们用掉 20 个苹果，然后又买了 6 个苹果，请问现在食堂总共有多少个苹果？"
结果如下：
通过这个例子可以观察到，这就好像是 "把答案告诉了 AI"。从某种意义上说，是的，你告诉它的是 "回答这个问题的正确方式和步骤" ，而不仅仅是最终的答案，AI 会模仿你提供的范本结构和逻辑，来解决新问题。
实际上，Few-shot-CoT 的方式虽然有效，但不一定是稳定且准确的。如果想要得到稳定的正确答案，需要更高阶的提示方法。你给的例子越详细，它模仿得就越像，这更像是一种 "教学" 或 "格式化" 。当你有一个非常复杂的逻辑流程，或者你希望 AI 严格按照某种格式（比如先分析 A，再对比 B，最后总结 C）来输出时，就可以直接提供一个完美的 "思考过程" 作为范例。
4.4 自动推理与零样本链式思考
零样本思维链（Zero-shot-CoT）这是少样本思维链（Few-shot-CoT）的简化版。只需在提示词末尾加上一句魔法短语，即可激发 AI 的推理能力。
**核心思想：**通过指令 "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，即使你不太清楚具体步骤。
例如：
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 的输出可能会变成：
罗杰最初有 5 个网球。
他买了两盒网球，每盒有 3 个网球，所以买来的网球数量是：2 × 3 = 6 个网球。
因此，他现在总共有网球：5 + 6 = 11 个。
答案：11 个网球。
"一步步进行推理" 这个指令，相当于在引导模型的 "注意力机制"。它告诉模型："在生成最终答案之前，请先在你的'脑海'里（即生成的文本序列中）模拟出一个缓慢、有序的推理上下文。" 当模型开始输出 "第一步... 第二步..." 时，它实际上是在为自己创造一个更丰富、更逻辑化的上下文。它在这个自己创造的优质上下文中进行推理，最终得出的结论自然比在贫瘠的上下文中（只有原始问题）更准确。
4.5 自我批判与迭代
要求 AI 在生成答案后，从特定角度对自己的答案进行审查和优化。
**核心思想：**将 "生成" 和 "评审" 两个步骤分离，利用 AI 的批判性思维来提升内容质量。
**适用场景：**代码审查、文案优化、论证强化、安全检查。
案例：编写一段代码后进行检查
优化前：
写一个 Python 函数，计算列表中的最大值。
优化后：
请执行以下两个步骤：
步骤一：编写代码
写一个 Python 函数 find_max ，用于计算一个数字列表中的最大值。
步骤二：自我审查与优化
现在，请从代码健壮性和可读性的角度，审查你上面编写的代码。 请回答：
- 如果输入是空列表，函数会怎样？如何改进？
- 变量命名和代码结构是否清晰？能否让它更易于理解？
- 请根据你的审查，给出一个优化后的最终版本。
在实际应用中，这些技巧常常是组合使用的。例如，我们可以：
- 使用 CO-STAR 框架设定基本结构和角色。
- 在框架的 "Steps" 或 "Response" 部分，融入思维链指令。
- 对于格式复杂的输出，在最后附上少样本示例。
- 最后，要求 AI 进行自我审查。
我们更多使用 LLM 的场景大都是编写代码，如果你们用过 Cursor、Trae 这样的 AI IDE。应该不陌生在 AI 帮我们编码之前，需要配置相关的 "编码规则"--Rules。它其实就是这些 IDE 输入给 LLM 的提示词，告诉 LLM 编写代码时的注意事项与要求。
Cursor 官方提示词：Cursor Directory - Plugins for Cursor
5. 为什么 LLM 如此重要？
如果说前几年 AI 还是 "炫技" 的概念，那么大模型就是将 AI 变成一种基础资源，像电一样融入各行各业，驱动创新。
・生产力革命的 "加速器"
自动化所有基于语言和知识的工作：撰写、总结、翻译、编码、答疑...... 它将人类从重复性的脑力劳动中解放出来，让我们能更专注于创造、决策和战略思考。 它的核心价值不是替代人类，而是增强人类（Human Augmentation）。
・人机交互的 "新范式"
从 "人适应机器" 到 "机器适应人"：我们不再需要学习复杂的软件菜单或编程语言，用最自然的 "说话" 方式，就能指挥机器完成任务。技术的使用门槛被极大地降低了。
・产业智能化的 "核心引擎"
赋能千行百业：
教育： 提供一对一、无限耐心的 AI 家教。
医疗： 辅助医生看影像资料、查阅最新文献病历。
法律： 快速分析海量卷宗，提炼关键信息。
文创： 提供无限的故事灵感、设计草图、配乐方案。
它正在成为和互联网、移动支付一样重要的数字化基础设施。
这篇文章只是介绍了一下大模型的前提，后续会继续更新agent相关内容。