从VM到容器：高并发架构下的容器化改造关键路径
2026/9/6 5:51:06
09 大语言模型（LLM）演进与 Prompt 入门
系列文章目录
01 NLP入门：什么是自然语言处理 ✅
02 文本预处理：从原始文本到干净语料 ✅
03 文本向量化：词袋模型与 TF-IDF ✅
04 词向量 Word2Vec：让词变成向量 ✅
05 循环神经网络 RNN 与 LSTM 详解 ✅
06 注意力机制与 Seq2Seq ✅
07 Transformer 架构详解 ✅
08 预训练语言模型：BERT 与 GPT ✅
09 大语言模型（LLM）演进与 Prompt 入门 ✅
10 NLP 实战：情感分析项目全流程
前言
走到这一篇，我们终于来到了 NLP 最火的前沿——大语言模型（Large Language Model, LLM）。
2022 年底 ChatGPT 横空出世，5 天用户破百万，2 个月破亿，成为史上增长最快的应用。从那以后，"大模型""Prompt""Agent"这些词频繁出现在我们眼前。
站在整个专栏的视角看：前 8 篇我们讲了 NLP 的基础（表示、序列模型、Transformer、预训练），这一篇我们将把这些知识"串"起来，理解 LLM 是怎么来的，以及普通人如何用Prompt（提示词）驾驭它。
一句话结论：大语言模型是"Transformer + 海量数据 + 规模效应 + 人类对齐"的产物；Prompt 是与大模型高效对话的"指令语言"。
1. 从 GPT 到大语言模型：关键的三步跃迁
回顾上一篇，GPT 已经具备"预测下一个词"的能力。但要变成今天无所不能的 LLM，还需要三把"钥匙"：
第一把钥匙：规模效应（Scaling）
GPT 系列不断堆大参数和数据：
| 模型 | 年份 | 参数量 | 关键意义 |
|---|---|---|---|
| GPT-1 | 2018 | 1.1 亿 | 验证预训练范式 |
| GPT-2 | 2019 | 15 亿 | 零样本能力初现 |
| GPT-3 | 2020 | 1750 亿 | 涌现能力，少样本学习 |
| ChatGPT | 2022 | — | RLHF 对齐，对话体验质变 |
| GPT-4 | 2023 | 万亿级（推测） | 多模态、更强推理 |
💡关键概念：涌现（Emergence）——当模型规模超过某个临界点后，会突然"冒出来"很多小模型不具备的能力（如逻辑推理、代码生成、翻译、创意写作），这是大模型最迷人的地方。
第二把钥匙：人类反馈对齐（RLHF）
只是"预测下一个词"的模型会一本正经地胡说八道（幻觉）。ChatGPT 的突破在于引入了RLHF（基于人类反馈的强化学习）：
步骤1：让模型生成多个回答 步骤2：人类对回答排序（哪个更好） 步骤3：用排序训练"奖励模型" 步骤4：用奖励模型 + 强化学习微调大模型，让它学会"讨人喜欢"
RLHF 让模型从"会说话"进化到"会好好说话"——更安全、更有用、更符合人类偏好。
第三把钥匙：指令微调（Instruction Tuning）
用海量"指令-回答"对微调模型，让它学会遵循人类的指令。这就是为什么我们能用自然语言指挥大模型干活。
2. 什么是 Prompt（提示词）
2.1 核心思想
Prompt（提示词/提示工程）就是你输入给大模型的那段指令文字。因为大模型是通过"理解指令"来工作的，所以怎么问，直接决定了答得好不好。
Prompt 就是和 AI 对话的"编程语言"——你不是写代码，而是用文字"编写"模型的输出。
2.2 为什么 Prompt 这么重要
| 对比 | 传统 NLP | 大模型时代 |
|---|---|---|
| 开发方式 | 训练/微调模型 | 写 Prompt（可零代码） |
| 数据需求 | 大量标注数据 | 无需标注（提示词即可） |
| 迭代速度 | 慢（重新训练） | 快（改 Prompt 即可） |
对于绝大多数应用场景，"写一个好 Prompt" 比 "微调一个模型" 更快、更便宜、更实用。
3. Prompt 的万能公式
一个高质量的 Prompt，通常包含以下要素：
[角色/背景] + [任务目标] + [具体要求] + [输出格式] + [示例]
3.1 角色设定（Role）
给模型设定一个身份，能显著提升输出质量：
❌ 差："帮我写一段话介绍Python" ✅ 好："你是一名资深Python技术讲师，请面向零基础学员写一段话介绍Python"
3.2 任务明确（Task）
说清楚"要做什么"：
❌ 模糊："帮我处理这段文字" ✅ 明确："请将下面这段文字压缩成50字以内的摘要，保留关键信息"
3.3 输出格式（Format）
指定输出结构，便于使用：
请用以下格式输出： - 优点： - 缺点： - 改进建议：
3.4 给出示例（Few-shot）
给 1-2 个示例，模型会"照葫芦画瓢"：
请判断以下评论的情感（正面/负面）： 例1：这家店服务态度特别好 → 正面 例2：等了两个小时还没上菜 → 负面 例3：味道一般，价格偏贵 → ？
4. 常用 Prompt 技巧
| 技巧 | 说明 | 示例 |
|---|---|---|
| 角色扮演 | 设定专家身份 | "你是一名法律顾问……" |
| 分步思考 | 让模型一步步推理 | "请先分析，再得出结论"（Chain-of-Thought） |
| 约束字数 | 控制输出长度 | "控制在100字以内" |
| 少样本示例 | 给示例让模型模仿 | 见上方 3.4 |
| 追问细化 | 一轮对话逐步深入 | "还不够具体，请举例说明" |
| 否定约束 | 明确不要什么 | "不要使用专业术语，用大白话" |
💡进阶技巧：CoT（思维链）——当模型回答复杂问题时，引导它"一步一步想"，能显著提升准确率。这是 Prompt 工程中最著名的技巧之一。
问题：一家商店有12个苹果，卖出5个，又进了8个，请问现在有多少个？ 回答：请逐步思考： 1. 原来有12个苹果 2. 卖出5个后：12 - 5 = 7 个 3. 又进了8个后：7 + 8 = 15 个 所以现在有15个苹果。
5. 用 Python 调用大模型（OpenAI 风格 API）
如今，几乎所有大模型（OpenAI、DeepSeek、通义千问等）都提供风格统一的 API。下面是一个标准调用模板：
import os from openai import OpenAI client = OpenAI( api_key=os.getenv("API_KEY"), # 从环境变量读取密钥 base_url="https://api.openai.com/v1" # 不同模型替换为对应 base_url ) response = client.chat.completions.create( model="gpt-4o-mini", # 选择模型 messages=[ {"role": "system", "content": "你是一名中文写作助手"}, {"role": "user", "content": "请用三句话介绍大语言模型"}, ], temperature=0.7, # 控制随机性，0-1之间 ) print(response.choices[0].message.content)常用参数说明
| 参数 | 作用 | 建议 |
|---|---|---|
model | 选择模型 | 按任务和预算选择 |
messages | 对话消息（system/user/assistant） | system 设角色 |
temperature | 控制输出随机性 | 0=稳定，1=更有创造性 |
max_tokens | 输出最大长度 | 按需设置 |
stream | 是否流式输出 | 长回答建议开启 |
⚠️提示：国内使用推荐 DeepSeek、通义千问、豆包等模型，API 风格与 OpenAI 兼容，只需更换
base_url和model名。
6. 大模型能做什么（NLP 视角）
回到我们整个专栏的主线，看看大模型覆盖了哪些之前学过的任务：
| 传统 NLP 任务 | 大模型时代的做法 |
|---|---|
| 文本分类 | 直接写 Prompt："请判断情感" |
| 命名实体识别 | 写 Prompt："请抽取人名、地名、机构名" |
| 机器翻译 | 直接说："翻译成英文" |
| 文本摘要 | 直接说："帮我总结要点" |
| 问答系统 | 直接对话提问 |
| 对话系统 | 本身就是对话模型 |
大模型把很多传统 NLP 任务的门槛降到了"写 Prompt"，但这并不意味着基础不重要——恰恰相反，理解底层的表示、序列、注意力机制，才能更好地驾驭大模型、诊断问题、微调模型。这就是本专栏铺垫 8 篇基础的意义。
7. 大模型的局限与挑战
幻觉（Hallucination）：一本正经地编造不存在的"事实"
上下文窗口有限：一次能处理的文本长度有限
成本与延迟：大模型推理成本高、响应慢
知识截止：训练数据有时间限制，需要配合检索（RAG）
安全性：可能被诱导生成有害内容（需对齐与防护）
总结
这一篇我们站在了 NLP 的前沿：
LLM 三大跃迁：规模效应（涌现）、人类对齐（RLHF）、指令微调
Prompt 是什么：与大模型对话的"指令语言"
Prompt 万能公式：角色 + 任务 + 要求 + 格式 + 示例
常用技巧：角色扮演、CoT 思维链、少样本、约束输出
API 调用：几行代码调用大模型
大模型局限：幻觉、上下文窗口、成本、安全
下一篇，也是本专栏的最后一篇，我们将把前面 9 篇的知识全部用起来，从零完成一个完整的情感分析项目，跑通"数据 → 预处理 → 向量化 → 训练 → 评估 → 部署"的全流程。
📌下篇预告：10 NLP 实战：情感分析项目全流程 —— 专栏收官实战。
参考资料
Brown et al.Language Models are Few-Shot Learners(GPT-3), 2020
Ouyang et al.Training language models to follow instructions with human feedback(InstructGPT/RLHF), 2022
OpenAI Prompt Engineering Guide：https://platform.openai.com/docs/guides/prompt-engineering
Wei et al.Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, 2022