简介《大模型概念、技术与应用实践》是厦门大学大数据教学团队推出的140页PPT讲义面向高校师生、技术入门者及希望系统理解大模型的管理与业务人员帮助读者从人工智能发展脉络切入建立大模型的概念、原理与应用框架。压缩包内为1个PDF文件约14.41MB按章节组织涵盖图灵测试与人工智能诞生、人工智能思维、大模型发展历程与分类、产品与原理、应用领域及对工作生活的影响并延伸到本地部署大模型、基于大模型的智能体和AIGC应用实践。已有663人学习。内容以科普化讲解结合案例展开适合课堂讲授、自学入门和团队内部分享可帮助读者快速厘清大模型关键术语、技术边界与落地场景形成较完整的知识地图。1. 先弄明白一件事大模型到底是个什么东西很多人第一次用大模型会干同一件事把同一个问题问两遍然后盯着两个不太一样的答案发愣——是不是坏了不是。大模型不是查字典它是把见过的海量文字消化成一套「接着往下说」的本事所以每次开口都略有不同。AIGC、自然语言处理、多模态模型这些听着唬人的词说白了都是它在干活的不同侧面。这套课件做的事很朴素把大模型从哪来、是什么、怎么用按讲课的节奏一层层铺开从人工智能简史讲到本地部署和智能体不预设你有算法基础。它适合刚听说这个词、想搞明白又不想被公式劝退的人——包括完全没写过代码的职场人。2. 为什么零基础也该学从「机器能思考吗」讲到聊天窗口先回答一个很实际的问题我又不开发模型学这个干什么。因为大模型已经不是实验室里的东西了它藏在你每天打开的几个软件里帮你改邮件、写周报、做会议纪要。你不需要会造发动机但你需要知道油门和刹车在哪知道它什么时候在胡说。这套课件的第一部分正好是从历史讲起的看起来像故事其实是在告诉你这套东西的能力边界是怎么一步步长出来的。2.1 一条时间线大模型不是突然冒出来的课件里把这条线拉得很长起点是 1950 年。那一年有人发表了一篇论文开篇直接问「机器能思考吗」还顺手设计了一个判别方法后来被叫作图灵测试测试者隔着墙用键盘和一个人、一台机器分别聊天如果机器的回答让平均每个测试者产生超过 30% 的误判就认为它具备人类智能。这个 30% 不是随便定的门槛它说明从一开始判断标准就是「像不像人」而不是「懂不懂原理」。1956 年那场夏季研讨会上「人工智能」这个词第一次被正式提出这一年被称为人工智能元年。此后几十年起起落落课件把它切成几个阶段来讲你只要记住三次关键转折就够了。第一次转折在 1998 年前后现代卷积神经网络的基本结构成型机器学习从「浅层」走向「深层」计算机开始能自己从图像里找特征而不是靠人一条条写规则。第二次转折在 2017 年一种叫 Transformer 的网络结构被提出来它靠「自注意力机制」处理一句话里词与词的关系长句子不再左耳进右耳出。这一架构后来成了几乎所有大模型的底座你现在看到的每一个对话窗口血管里流的基本都是它。第三次转折在 2020 年之后。模型参数规模从几亿冲到上千亿再往后人类反馈强化学习、指令微调这些方法被加进来模型不光能接话还能听懂「请你按这个格式输出」。2022 年底搭载对话能力的产品面向大众开放大模型这个词才真正从论文里走进普通人的视野。看懂这条线你就不会觉得它是玄学。它是一层层堆出来的先有「能不能思考」的问题再有能处理长句的结构最后有足够大的规模和足够好的调教。2.2 人工智能思维先了解再区分最后协作课件里有一页讲得很实在说每个人都该具备三层能力我把它翻译成新手能直接用的三个动作。第一层是了解。你不需要知道矩阵乘法怎么算但你要知道它是在「根据上文猜下文」而不是在数据库里检索。这个认知差别决定了你的用法检索式工具你问得越精确越好生成式工具你给的背景越充分越好。很多人第一次用就翻车就是因为把后者当前者使。第二层是区分。你要能大致判断哪些事交给它省时间哪些事交给它要出事。文字润色、格式转换、头脑风暴、把一段乱糟糟的会议记录整理成条目这些它擅长涉及具体数字核算、最新政策口径、需要签字负责的判断它只能打下手最后那一下必须你自己来。第三层是协作。这一步是拉开差距的地方。同样一个工具有人用出来是玩具有人用出来是助手区别不在谁更懂技术而在谁更会把任务拆开、把要求说清、把结果再检验一遍。我第一次带新人时发现一个规律上手最快的那批人往往不是编程基础最好的而是最会把「我想要什么」写成几句具体话的人。2.3 记住三个「大」就够了参数大、数据大、算力大课件对「大模型」的定义很干脆基于深度学习技术拥有海量参数、强学习能力和泛化能力能处理和生成多种类型数据的模型。这里的「大」体现在三件事上——参数数量庞大、训练数据量大、计算资源需求高。你可以这样理解。参数像是模型内部的旋钮旋钮越多它能表达的规律越细腻训练数据像是给它看的书书越多越杂它见过的场面越全算力则是读书的时间和体力没有足够多的机器同时算前面两样都白搭。三者缺一模型要么笨要么偏要么根本训不出来。课件里举过几个量级上的例子2020 年前后出现的第三代预训练语言模型参数规模达到 1750 亿之后更新的版本据公开资料说参数量是前者的十倍以上国内也有团队做出过参数规模达 10 万亿量级的模型。数字不用记记住「亿」和「万亿」之间差着三个数量级就够了这决定了它跑在你的笔记本上还是跑在机房里。这里有个新手常犯的误会参数越多一定越好吗不一定。参数大意味着能力上限高同时也意味着更贵、更慢、更难部署。所以你会看到同一个产品往往提供好几个规格轻的跑在手机上重的跑在云端。选哪个不是看数字大小是看你的任务值不值得。3. 核心概念拆开看参数、训练、推理到底在说什么这一章是把术语翻译成人话。你不需要背定义只需要在别人提到这些词的时候脑子里能浮现出一个画面。课件在讲概念时用了一个很好用的思路先把「它像什么」讲清楚再讲「它怎么来的」。我沿着这个思路往下走中间会带一个能自己动手的小练习。3.1 参数是什么一锅汤里放了多少盐把模型想成一口大锅训练就是往里面加盐。加多少、什么时候加、加完尝一口再调这一整套动作重复几亿次最后定下来的那些「放盐的量」就是参数。这个类比能解释三件事。第一为什么参数看不见摸不着。它不是一个你能打开翻看的文件而是一堆数值单独拿出任何一个都没有意义只有全部凑在一起才构成「遇到这类问题该往哪边偏」的整体倾向。第二为什么同样的输入会有不同的输出。生成的时候模型是在一堆可能的下一句里挑一个挑的过程带一点随机性。这个随机性可以调调低了它变得死板但稳定调高了它变得灵活但容易跑偏。很多工具界面上那个叫「温度」或者「创造性」的滑块调的就是这个。第三为什么它会一本正经地胡说。因为它的目标是「说出最像样的下一句」不是「说出正确的事实」。当它没学过相关内容时它照样会按语言习惯编出一段流畅的话这就是所谓的幻觉。理解了这一层你就不会把它的每一句都当结论。3.2 训练和推理一个是背书一个是考试这两个词经常被混着用其实分工很清楚。训练是「背书」的阶段。把海量文本喂进去让模型反复猜下一个词猜错了就调整参数猜对了就略微加固。这个过程极其耗资源一次完整的训练可能要几千张卡跑上几周所以普通用户根本接触不到也不需要接触。你能下载到的所谓开源模型是别人已经背完书的成品。推理是「考试」的阶段。你输入一句话模型根据已经定下来的参数一步步算出下一个词再算下一个直到说完。这个过程对资源的要求低得多一台普通笔记本跑一个小尺寸模型是可行的只是速度慢一些。这两件事分开看很多疑问就通了。为什么我不能用自己的资料「教会」它因为训练那一步你插不进去。你能做的是在推理阶段把资料塞进提示词里或者用检索的方式先把相关段落找出来再喂给它。这个区别是新手到进阶之间最重要的一道分水岭。课件里还提到一个词叫泛化能力说的是模型学到的东西能迁移到没见过的任务上。这正是「预训练」值钱的地方一次大规模训练打底后面换个场景不用从头再来只需要少量微调甚至只改提示词。理解了这一点你就明白为什么同一个模型能写文案也能改代码——它学的不是某个具体任务是语言里的通用规律。3.3 大模型和小程序一个规则写死一个规律学出来这个对比值得单独说因为它决定了你对它的期待值。传统程序是你把规则一条条写清楚输入 A 就走路径 B出错往往是因为某条规则没考虑到。大模型反过来你不写规则你给例子、给要求让它自己归纳出该怎么做。好处是它能处理你没预料到的情况坏处是你没法保证它每次都走同一条路。放在实际场景里这意味着两件事。一是验收标准要变传统程序看「跑没跑通」大模型要看「输出能不能用」中间隔着一层人的判断。二是调试方式要变程序出 bug 你去改代码模型输出不对你去改提示词、换材料、加约束改的是「问法」而不是「算法」。课件里还提到多模态模型说的是它不只处理文字还能处理图像、音频这些类型的数据。放到使用层面就是你可以丢一张表格截图让它读或者给它一段录音转出来的文字让它整理。新手阶段用不上太复杂的能力但知道有这么个方向遇到「这个图里的数据能不能直接转成表」这种需求时你就不会傻等着。3.4 第一次动手用三句话问出一个能用的答案概念听完还是虚的动一次手就实了。这个练习不用装任何软件打开任意一个能对话的工具就能做。第一步先问一个模糊的问题比如「帮我写个活动通知」。看它的输出你会发现多半是套话因为它不知道你是谁、给谁看、什么活动。第二步把背景补上。改成「我是公司行政要给全员发一则周五下午的消防演练通知200 字以内语气正式但不生硬」。再看输出质量会明显不一样。第三步把格式定死。再加一句「分三段时间地点、需要配合的动作、注意事项不要用感叹号」。三步做完你会发现同一件事输出结果差了不止一个档次。这个过程就是我常说的把「许愿」改成「派活」。提示这个练习建议连做三次每次只改一个条件你会很直观地感受到哪一句话在起作用。这比看十页原理都管用。4. AIGC 上手实操把第一个小工具跑通AIGC 这个词指的是用人工智能生成内容文字、图片、音频都算。新手最容易上手的入口是文字因为它不需要显卡、不需要配置环境打开就能用。这一章带你做一个小工具一个能反复使用的提示词拼装器。它不联网、不调用任何接口你在自己电脑上装好 Python 就能跑跑完你会对「结构化提问」有肌肉记忆。4.1 先分清你是在聊天还是在派活同样是打字聊天和派活是两种完全不同的动作。聊天是开放的你说一句它接一句没有目标图个乐或者找个思路。派活是封闭的你心里有一个明确的交付物一份 300 字的说明、一张三列的表、一段能直接粘进文档的文字。新手最容易犯的错是用聊天的方式派活然后抱怨「它给的东西不能用」。判断自己是在聊天还是派活有个简单标准你能不能说出「什么样的输出算合格」。说不出来就是聊天说得出来就是派活。派活的时候把这四条写进去成功率会高很多。一是身份让它扮演谁。是「带新人的数据分析师」还是「严格的校对员」说话的密度和专业度完全不同。二是任务一句话说清要它干什么动词要具体。「优化一下」是模糊的「改写成 150 字以内、给门店店长看的说明」是具体的。三是材料把事实喂进去。模型不知道你的数据你把关键数字、关键背景写进去它才不会瞎编。四是要求字数、格式、语气、禁止项全写在这一段。禁止项特别有用比如「不要用专业术语」「不要分点写成连贯段落」。4.2 动手写一个能重复用的提示词模板下面这段代码做一件事把上面那四段拼成一条完整的提示词并打印出来。它只用 Python 自带的功能不需要装任何第三方库复制到本地存成prompt_builder.py用python prompt_builder.py就能跑。# prompt_builder.py # 作用把模糊需求拼装成结构完整的提示词 # 环境Python 3.8 以上只用标准库无需联网 def build_prompt(role, task, material, rules): 按 身份-任务-材料-要求 四段拼装返回一条完整提示词 parts [ f你是{role}。, # 身份决定语气和专业密度 f任务{task}, # 任务一句话说清交付物 f参考材料{material}, # 材料把事实喂进去减少编造 f输出要求{rules}, # 要求字数、格式、语气、禁止项 ] return \n.join(parts) if __name__ __main__: prompt build_prompt( role带新人的数据分析师, task把下面这段月度数据改写成给门店店长看的说明, material10 月销售额 82 万环比下降 6%其中饮品下降 12%烘焙上涨 4%, rules不超过 150 字先说结论再给原因不用专业术语结尾给一条可执行建议, ) print(prompt) print(- * 40) print(提示词长度, len(prompt), 字)跑完你会看到两段输出上半部分是拼好的提示词四行一眼能看出哪一行在管什么下半部分是这条提示词的字数。把上半部分整段复制到任意对话工具里就完成了一次「派活」。四个参数怎么改说清楚。role换成你需要的专业视角。写公文就填「有十年经验的机关文秘」做技术文档就填「写说明书的工程师」。身份不是装饰它直接影响用词习惯。task里的动词要能被验收。「整理」「改写」「对比」「列成表」都是好动词「处理一下」不是。material是最容易被跳过、也最值钱的一段。把你的原始数据、原文、背景约束原样贴进去长度不怕怕的是空着。空着它就只能编。rules决定输出的形状。字数、段落数、要不要小标题、能不能用感叹号全写这里。新手往往只写「简洁一点」结果拿回来一段既不简洁也不知道给谁看的东西。这段代码本身没什么技术含量它的价值在于逼你把想法拆成四块。用上一周你就算不打开这个脚本脑子里也会自动按这四段过一遍。4.3 跑完看什么判断输出能不能用的三条标准第一次跑完多数人的反应是「还行但有点怪」。判断哪里怪看三条。第一条事实对不对。数字、人名、时间、引用逐条对回你的材料。它有没有多加一个你没提供的数字有没有把「环比」写成「同比」这一条最要命也最容易被流畅的文笔掩盖过去。第二条形状对不对。你要求 150 字它给了 400 字你要求连贯段落它给你五个小标题。形状不对说明你的要求写得太松回去补约束不要指望它猜。第三条能不能直接用。有些输出读着通顺但你得大改才能放进文档那说明任务描述偏了。这时候不要在原输出上东补西补回到提示词改一句重新跑一遍通常比手工修更快。注意不要在一次输出上反复纠缠。大模型的输出成本很低重新生成一次往往比手工修改十分钟更划算。这个习惯越早养成越好。4.4 从单轮到多轮把一次问答变成一个小流程单次派活解决的是小任务。遇到稍微复杂一点的事比如「把一份会议记录整理成待办清单再写成邮件」一次问完通常效果一般因为它要同时干三件事。拆成三步就顺了。第一步只做提取把记录里的决定事项、责任人、时间点列成表。第二步只做判断标出哪些没有明确责任人。第三步只做改写把表转成一封给全员的邮件。每一步的输入是上一步的输出你可以在中间插一道人工检查。这就是所谓的流程化用法也是从「会用」到「用得好」之间最实在的一步。课件里提到的智能体本质上就是把这个流程再往前推一步让模型自己决定下一步调什么工具、查什么资料。新手阶段不用急着碰先把手上这三步走顺你对「什么任务适合拆、拆到多细」就有感觉了。5. 新手最容易踩的五个坑现象、原因、怎么绕过去这一章是我带人时反复讲的部分因为坑就那几个每个人都要踩一遍才信。我按「你会看到什么现象、为什么会这样、怎么处理」来写你对着自己的情况找就行。5.1 坑一把它当搜索引擎用现象问「某个规定是哪一年发布的」它给了一个年份你去核对发现错了。原因它的工作方式是根据上文接着往下说不是去数据库里查条目。它见过的文本里如果这个信息出现过很多次它大概率说对如果只出现过一两次它会按语言习惯补一个看起来很像的答案。流畅和正确是两件事。解决把「查事实」和「写东西」分开。要准确的事实去原始来源核要组织语言、改写、扩写交给它。如果确实需要它基于资料回答就把资料原文贴进提示词并且明确要求「只根据以上材料回答材料里没有的就说没有」。5.2 坑二一次问一大段什么都想要现象一条消息里塞了五个要求输出看起来每条都沾了一点但每条都不够用。原因要求越多模型越倾向于平均分配注意力结果就是每项都做到六十分。这跟人一样你让一个人同时干五件事他只会给你五个半成品。解决拆。一条消息只解决一个交付物。真要一次办多件事就明确编号「下面三件事请依次完成每件单独成段完成后停下等我确认。」编号这个动作本身就在帮它分配注意力。5.3 坑三它说得越顺你越容易信现象一段输出读起来逻辑严密、用词讲究你直接复制进了文档事后被发现里面有一个编造的引用。原因语言流畅度和你自己的警惕心是反相关的。读着费劲的内容你会去查读着顺的内容你会放过。模型恰恰最擅长把不确定的内容说得顺。解决给自己定一条硬规矩——凡是涉及数字、结论、引用、法条、人名的地方一律回原文核对。这不是不信任工具是把核对成本算在最前面。我现在改稿子事实类的内容一律单独标出来过一遍省下的时间远比返工少。5.4 坑四一上来就想本地部署现象听说本地部署不花钱、数据不外传兴冲冲去装环境折腾两天卡在依赖报错上热情直接耗尽。原因本地部署确实有它的好处数据留在自己机器上、断网也能用但它对硬件有要求对小尺寸模型的效果也要有心理准备。新手在还没搞清楚「怎么问」的时候就先去搞「怎么装」顺序反了。解决先用在线工具把提问、拆任务、验收这三件事练熟等你能稳定产出可用的结果再考虑部署。真要去试从最小尺寸的模型开始先跑通一个「输入一句话、输出一句话」的最简流程别一上来就追求效果。课件里讲本地部署那一节可以留着当参考手册遇到具体步骤再翻不必通读。5.5 坑五把「会用工具」当成「懂原理」现象用得很熟练一到要判断「这个结果靠不靠谱」「这个方案能不能落地」就说不清。原因熟练操作和理解决策逻辑是两条线。前者靠重复后者靠把概念串起来。只会前者的人工具一升级就得重新学两条线都走的人换个工具也能很快上手。解决花半天时间把「参数、训练、推理、泛化」这四个词的关系理顺能用自己的话讲给别人听就算过关。不需要看公式能说清「它为什么会有幻觉」「为什么我不能用自己的资料训练它」这两件事日常判断就够了。6. 下一步学什么一份四周的入门路线学到这里你已经知道它是什么、为什么会胡说、怎么派活、哪些坑别踩。接下来最怕的是「一放就忘」所以给一条能照着走的路线每周只做一件事。周次目标具体动作完成标志第一周把手感练出来每天用它做一件真实小事改一段文案、整理一份记录、列一个清单攒下 7 条自己觉得好用的提示词第二周把四段式用熟每条提示词都按身份、任务、材料、要求写全不跳步能不看模板直接写出四段第三周学会拆流程挑一件稍复杂的事拆成三步中间插一次人工检查输出质量明显稳定返工变少第四周补齐概念短板回看课件里原理和分类那几节用自己的话讲一遍能向别人解释幻觉和本地部署的取舍四周之后要不要往深处走看你的实际需求。偏办公应用的继续打磨提示词和流程就够了重点是积累自己行业的材料库偏技术的再去碰检索增强、微调、智能体这些方向那时候你已经有判断力不至于被术语带着跑。有个技巧值得单独说给自己建一个「提示词本」。每次写出一个效果好用的就原样存下来标注它解决什么问题。三个月后你会发现这本东西比任何教程都贴身因为它记的是你自己的场景。我第一次接触这些内容时犯的最大错误是贪多。一口气看了几十页原理笔记记了一堆真到用的时候还是只会问「帮我写个东西」。后来我改了个笨办法每学一个概念就强迫自己在当天的工作里用一次用不上就跳过不学。这个习惯一直留到现在每次碰新工具我都先问自己一句「我今天哪件事能用它」答不上来就先放着。希望这个笨办法也能帮到你。本文还有配套的精品资源点击获取
