企业官网建设流程全解析

1. 大模型 (Large Language Model, LLM)

定义：指参数量巨大（通常数十亿至万亿级别）、基于海量文本数据训练、能够理解和生成人类语言的人工智能模型。

核心特点：

• 规模效应：参数量越大，通常理解和生成能力越强。
• 涌现能力：当模型规模达到某个阈值后，会展现出训练数据中未明确编程的新能力（如推理、代码生成）。
• 通用性：一个模型可应用于多种下游任务（问答、摘要、翻译、创作等）。

代表模型：GPT系列、Claude、LLaMA、Gemini等。

2. 提示词工程 (Prompt Engineering)

定义：通过精心设计和优化输入给大模型的文本指令（提示词），以引导模型产生更准确、更符合预期的输出。

核心方法：

• 零样本提示：直接给出任务描述，不提供示例。
• 少样本提示：在任务描述中提供少量输入-输出示例。
• 思维链：要求模型“逐步思考”，展示推理过程，提升复杂问题解答的准确性。
• 角色扮演：为模型设定一个特定角色（如“资深软件架构师”），约束其回答风格和领域。

3. 智能体/代理 (Agent)

定义：一个能够感知环境、自主规划、调用工具并执行行动以实现特定目标的大模型应用系统。

核心组件：

• 规划模块：将复杂目标分解为可执行的子任务或步骤。
• 记忆模块：存储和检索过往的交互、知识或状态。
• 工具使用：能够调用外部API、函数、数据库或搜索引擎来获取信息或执行操作。
• 行动与反思：执行行动后，根据结果进行反思，调整后续策略。

典型架构：ReAct、AutoGPT、LangChain Agent。

4. 检索增强生成 (Retrieval-Augmented Generation, RAG)

定义：一种将外部知识检索与大模型生成能力相结合的技术范式。在回答用户问题时，先从知识库中检索相关文档片段，再将检索到的内容作为上下文提供给大模型，从而生成更准确、信息更实时、幻觉更少的答案。

核心流程：

1. 索引：将文档切分、向量化，存入向量数据库。
2. 检索：将用户问题向量化，从向量库中找出最相关的文本片段。
3. 增强：将检索到的片段与原始问题组合，形成增强后的提示词。
4. 生成：大模型基于增强后的提示词生成最终答案。

5. 微调 (Fine-Tuning)

定义：在预训练好的大模型基础上，使用特定领域或任务的数据集进行额外的有监督训练，使模型适应特定场景，提升在该场景下的性能。

主要方式：

• 全参数微调：更新模型的所有参数，效果最好，但成本最高。
• 参数高效微调：如LoRA、QLoRA，只训练少量新增的适配器参数，大幅降低计算和存储成本。
• 指令微调：使用指令-回答对数据进行训练，让模型更好地遵循人类指令。

6. 幻觉 (Hallucination)

定义：指大模型生成的内容看似合理、流畅，但事实上不符合现实或输入信息，即“一本正经地胡说八道”。

产生原因：模型基于概率生成文本，缺乏对真实世界的“理解”和事实核查机制。

缓解方法：RAG（提供真实依据）、提示词约束（要求注明信息来源）、模型对齐训练、后处理校验等。

7. 对齐 (Alignment)

定义：使人工智能系统的目标、价值观和行为与人类意图、伦理道德和社会规范保持一致的研究与实践。

核心目标：让AI系统变得有帮助、无害、诚实。

关键技术：

• 基于人类反馈的强化学习：通过人类对模型输出的偏好评分来训练模型。
• 宪法AI：让模型根据一套原则（宪法）进行自我批评和修正。

8. 上下文窗口 (Context Window)

定义：指大模型单次处理所能接受的输入文本（提示词+历史对话+生成内容）的最大长度（通常以Token数计）。

重要性：决定了模型能“记住”和参考多少上文信息，直接影响长文档处理、长对话和多轮任务规划的能力。

扩展技术：位置编码改进（如RoPE、ALiBi）、外推、压缩（如摘要关键信息）等。

9. Token

定义：大模型处理文本的基本单位。不是简单的单词或字符，而是通过分词器将文本切分成的子词片段。

特点：

• 中英文混合时，一个汉字通常对应1-2个Token，一个英文单词可能对应多个Token。
• 模型的理解、生成和计费通常都以Token数为基准。

10. 思维链 (Chain-of-Thought, CoT)

定义：一种提示技术，要求模型在给出最终答案前，先输出中间的推理步骤。这有助于提升模型在数学、逻辑推理等复杂任务上的表现。

变体：

• 零样本CoT：简单地在问题后加上“让我们一步步思考”。
• 少样本CoT：在提示词中提供包含推理步骤的示例。