企业官网建设流程全解析

generative-ai-for-beginners 第一课：生成式 AI 与大语言模型（LLM）原理、能力与教学场景实战（阿拉伯语版课程导读）

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

本文基于 generative-ai-for-beginners 课程阿拉伯语译本的第一课（translations/ar/01-introduction-to-genai/README.md）展开：课程以一家虚构教育初创公司为贯穿主线，讲清楚生成式 AI 的定义与技术演进脉络、大语言模型的内部工作机制（分词、逐 token 预测、概率采样与温度参数），以及 LLM 在摘要、创意写作、对话、文本补全、代码生成等任务上的实际应用与固有局限。读完后，你能理解“提示词（prompt）/补全（completion）”这一核心交互范式，掌握 LLM 非确定性行为的本质，并能在教育场景中规划 LLM 的落地用法。

课程导读与学习目标

第一课对应课程第 1 讲，内容定位如下：

• 商业场景引入：课程虚构初创公司的理念与使命（贯穿全部 21 讲的故事线）；
• 生成式 AI 的定义，以及技术如何演进到当前的格局；
• 大语言模型的内部工作原理；
• LLM 的主要能力与实用用例。

完成本课后的学习目标：

• 理解什么是生成式 AI，以及大语言模型如何工作；
• 知道如何在不同使用场景中（重点是教学场景）利用 LLM。

课程整体采用“先概念、后动手”的结构：第 1～3 讲打概念与责任边界基础，从第 6 讲（06-text-generation-apps/）起进入代码实战（提供 Python、JavaScript、TypeScript、.NET 多语言示例）。本课虽然没有可运行的代码，但它定义的“提示词—补全”范式与“温度”参数，正是后续所有代码示例中 API 调用参数的理论来源——例如 04-prompt-engineering-fundamentals/ 中的提示词设计练习、05-advanced-prompts/python/aoai-assignment.py 等作业脚本，都建立在本课建立的心智模型之上。

场景：我们的教育初创公司

生成式 AI 代表了当前 AI 技术的尖端，不断突破曾经被认为不可能的边界。生成式 AI 模型具备多种能力与应用，但本课程选择通过一家虚构初创公司（后文称“我们的初创公司”）来探索它如何变革教育。该公司专注于教育领域，使命宣言是：

在全球范围内提升学习的可及性，确保公平的受教育机会，并根据每位学习者的需求提供个性化的学习体验。

初创团队清楚：不借助当代最强大的工具之一——大语言模型（LLM），就无法实现这一目标。

生成式 AI 有望彻底改变当今的学习与教学方式：学生将拥有 24 小时在线的虚拟教师，可随时获取海量信息与示例；教师则能利用创新工具评估学生并给出反馈。

（注：阿拉伯语版文档中该图引用为预翻译的 WebP 压缩图translated_images/ar/students-by-DALLE2.b70fddaced1042ee.webp，原图为01-introduction-to-genai/images/下的 PNG。课程通过translated_images/<语言>/目录为各语言版本文档预置了哈希命名的 WebP 图片，以加速多语言站点加载。）

接下来定义课程全程使用的核心概念与术语。

生成式 AI 是如何来的：从专家系统到 Transformer

尽管生成式 AI 模型的公告近来引发了巨大声浪，但这项技术已经研发了几十年，最早的科研努力可追溯到 20 世纪 60 年代。如今 AI 已具备类似人类认知的能力，例如对话能力——市面上基于 GPT 模型的对话式搜索产品即是例证。

最早的 AI 原型是“打字式聊天机器人”：依赖从一组专家那里提取的知识库，并以程序形式存储于计算机中，知识库里的答案由输入文本中出现的关键词触发。但很快人们意识到，这种手写聊天机器人的方式无法规模化。

统计化路径：机器学习

20 世纪 90 年代出现转折点：统计方法被应用于文本分析，由此诞生了“机器学习”这一类算法——它们能从数据中学习模式，而无需被显式编程。该方式让机器可以模拟对人类语言的理解：统计模型在“文本—标签”配对上训练，从而能把未知的输入文本分类到一个预定义的标签上，这个标签代表消息的意图。

神经网络与现代虚拟助手

近年硬件技术的演进（能处理更多数据、完成更复杂计算）推动了 AI 研究，进而催生了被称为“神经网络”或“深度学习”算法的高级机器学习算法。

神经网络（尤其是循环神经网络 RNN）显著增强了自然语言处理，使文本语义的表示更精确——能够结合词在句子中的上下文来理解词义。

这正是 21 世纪第一个十年诞生的虚拟助手背后的技术：它们非常擅长解释人类语言、识别需求并执行满足该需求的操作，例如回复预设脚本或调用第三方服务。

当下：生成式 AI

由此我们来到了今天的生成式 AI——它可以被视为深度学习的一个子集。各概念之间的包含关系如下图所示（AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 生成式 AI）：

经过数十年研究，一种新的模型架构——Transformer——突破了 RNN 的极限，能够处理远比 RNN 更长的文本序列。Transformer 基于注意力（attention）机制，使模型可以对接收到的输入赋予不同的权重：在信息最密集的地方“投入更多注意力”，而不受该信息在文本序列中位置的限制。

近期大多数生成式 AI 模型——由于以文本为输入输出，也被称为大语言模型（LLM）——都基于这一架构。这些模型的有趣之处在于：它们在来自书籍、文章、网站等多样来源的海量无标注数据上训练之后，既能适配种类繁多的任务，又能生成语法正确且带有几分创造性的文本。因此，它们不仅极大增强了机器“理解”输入文本的能力，还赋予了机器用人类语言生成原创回复的能力。

大语言模型是如何工作的

下一讲（translations/ar/02-exploring-and-comparing-different-llms/）将探索不同类型的生成式 AI 模型；这里先聚焦 OpenAI GPT（Generative Pre-trained Transformer，生成式预训练 Transformer）系列模型，看 LLM 的内部工作方式。整个流程由三个环节构成：

1. 分词器（Tokenizer）：把文本变成数字

LLM 接收文本输入、产生文本输出。但作为统计模型，它们处理数字远比处理文本序列更擅长。因此模型的每个输入在交给核心模型之前，都会先经过分词器处理。token 是一段文本块——由可变数量的字符组成，所以分词器的主要任务是把输入切分为一个 token 数组；随后每个 token 被映射为一个token 索引，即原始文本块的整数编码。

下图是一个真实的分词示例（来自课程配图）：输入 "What is a tokenizer?" 共 20 个字符，被切分为 6 个 token，对应索引序列[2061, 318, 257, 11241, 7509, 30]。可以看到分词并不严格按单词边界切分（如 "tokenizer?" 作为一个 token 出现，且标点被编码进索引），这正是“token 由可变数量字符组成”的直观体现：

分词还直接影响成本与上下文长度：从源码结构看，本课程后续各讲（如 04-prompt-engineering-fundamentals/ 中对 token 计费的说明、06-text-generation-apps/python/ 中读取 API 返回 usage 字段的代码）都会涉及 token 统计，其底层依据就是本课的编码机制。

2. 预测输出 token：扩展窗口式生成

给定 n 个 token 作为输入（最大 n 因模型而异），模型能够预测出一个token 作为输出。这个 token 随即被并入下一轮迭代的输入中，以扩展窗口的模式不断向前推进，从而让用户最终获得一个（或数个）完整句子的回答。这也解释了为什么使用 ChatGPT 时，你可能会看到它“停在半句话”——那只是生成过程在逐 token 进行的中间状态。

3. 选择过程：概率分布与温度

输出 token 由模型按照它“在当前文本序列之后出现”的概率来选取：模型会基于训练结果，对所有可能的“下一个 token”预测出一个概率分布。但并非每次都从该分布中选出概率最高的 token——选择过程中加入了随机性，使模型呈现非确定性行为：同样的输入不一定得到完全相同的输出。这种随机性是为了模拟创造性思维过程，并可通过一个名为**温度（temperature）**的模型参数来调节。

实践含义：温度这一概念是 LLM 所有 API 调用中的核心采样参数。理解“非确定性 + 温度可调”，是读懂后续课程示例（聊天应用、检索应用、图像应用等）中请求参数配置的前提。

我们的初创公司如何用好 LLM

理解了 LLM 的内部机制后，来看它做得比较好的几类最常见任务的实战示例，并对应到我们的商业场景。LLM 的核心能力是：从一段自然语言书写的文本输入出发，从零生成文本。

那么输入和输出具体是什么形态？LLM 的输入称为提示词（prompt），输出称为补全（completion）——该术语对应模型“生成下一个 token 以补全当前输入”的机制。什么是提示词、如何设计提示词以最大化模型收益，是后续课程的重点（见第 4 讲提示词工程）。这里先说明：提示词可以包含以下四类内容。

1. 指令（instruction）

指定我们期望模型输出的类型，有时还会内嵌示例或附加数据。典型任务：

1. 摘要：对文章、书籍、产品评论等做摘要，并从非结构化数据中提取洞见；
2. 创意构思：设计文章、论文、作业等。

（课程原文为这两类任务各配有一张 ChatGPT 实际操作截图：01-introduction-to-genai/images/summarization-example.png与01-introduction-to-genai/images/creative-writing-example.png。）

2. 问题（question）

以与智能体对话的形式提出一个问题。课程配图01-introduction-to-genai/images/conversation-example.png展示了一次典型对话问答。

3. 待补全的文本（text to complete）

给出文本片段，隐式请求写作协助。课程配图01-introduction-to-genai/images/text-completion-example.png展示了这种“续写”用法。

4. 代码片段（code）

给出一段代码并要求解释、注释、文档化；或者用一句注释描述任务，要求生成执行该任务的代码。课程配图01-introduction-to-genai/images/coding-example.png展示了让模型编写代码的示例。

以上示例都比较简单，并非对 LLM 能力的穷尽展示，目的在于说明生成式 AI 的潜力——尤其（但不限于）在教育语境中的应用。从仓库结构看，这些用法分别对应后续课程的可运行实现：文本生成（06-text-generation-apps/python/aoai-app.py）、聊天应用（07-building-chat-applications/python/）、检索应用（08-building-search-applications/python/）、图像生成（09-building-image-applications/python/aoai-app.py）、函数调用（11-integrating-with-function-calling/），本课的概念在此全部落地为代码。

局限性与可信度：生成式 AI 并不完美

生成式 AI 模型的输出并不完美，模型的“创造力”有时反而会拖累它：产出可能是用户会误读为“现实包装”的词句组合，甚至具有冒犯性。需要明确三点：

• 生成式 AI并不“聪明”——至少按照更全面的智能定义（包含批判性/创造性推理、情商）而言不是；
• 它不是确定性的；
• 它不可无条件信任：捏造内容（错误的引用、内容、陈述）可能与正确信息混杂在一起，并以富有说服力、看似自信的方式呈现（即“幻觉”问题）。

这些局限将在后续课程中逐一处理，课程将给出相应的缓解手段。从课程结构看，第 3 讲（translations/ar/03-using-generative-ai-responsibly/）系统讲解负责任的生成式 AI 与缓解层次（mitigation layers），第 13 讲（translations/ar/13-securing-ai-applications/）进一步讨论 AI 应用安全，与本节构成前后呼应。

课后任务

你的任务是进一步阅读生成式 AI 的相关资料，并尝试找出一个“今天可以引入生成式 AI 但尚未引入”的领域。思考：与“老办法”相比影响有何不同？你能否做到以前做不到的事，或者只是更快？然后写一篇约 300 词的总结，描述你梦想中的 AI 初创公司是什么样的，并包含“问题（Problem）”“我会如何使用 AI（How I would use AI）”“影响（Impact）”等标题，可选地附上商业计划。

（原文档此处还提示：完成该任务后，你甚至可以考虑申请微软面向初创公司的孵化器 Microsoft for Startups Founders Hub——其提供 Azure、OpenAI 额度及导师支持等。按本仓库规范，此外部链接在本文不展开。）

知识检查

关于大语言模型，下列说法哪项正确？

1. 每次都能得到完全相同的响应。
2. 它做事完美无缺，擅长加法计算、产出可运行代码等。
3. 即使用同样的提示词，响应也可能不同。它很擅长为你提供某样东西（文本或代码）的初稿，但你需要对结果做改进。

答案：3。LLM 是非确定性的，响应会变化，但你可以通过温度（temperature）设置控制其波动幅度。也不应指望它把事做得完美——它的价值在于替你完成“重活”，通常意味着你会得到一个不错的初稿，需要逐步打磨改进。

延伸阅读与课程衔接

• 本课阿拉伯语译本：translations/ar/01-introduction-to-genai/README.md；对应英文原版：01-introduction-to-genai/README.md（文档声明：原文档以其原始语言版本为权威来源，本译文由 Co-op Translator 服务生成，可能存在机翻误差）。
• 下一课为第 2 讲“探索与比较不同 LLM 类型”：translations/ar/02-exploring-and-comparing-different-llms/README.md，将对比不同类型 LLM 的优缺点、在 Azure 上测试与比较模型、以及模型部署方式。
• 环境搭建（云端/本地/模型提供商）见课程第 00 章：00-course-setup/README.md。
• 课程总览与语言版本入口见根目录 README.md 与 translations/ar/README.md。

免责声明：本文依据的课程阿拉伯语文档由 AI 翻译服务 Co-op Translator 翻译生成。虽然力求准确，但机译可能存在错误或偏差，原文档原始语言版本应视为权威来源；关键信息建议以专业人工译本为准。

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners