L1阶段总结
2025-07-07 21:53:33 27 举报AI智能生成
ai学习总结
作者其他创作
大纲/内容
大模型的认知
AI的概念
AI1.0-2.0的变化
基于规则的系统和早期的机器学习算法
推荐算法
以深度学习、大数据和云计算
ChatGPT
大模型的定义
是一种基于机器学习和自然语言处理技术的模型，它通过对大量的文本数据进行训练，来学习服务人类语言理解和生成的能力
注意
对话产品和基座大模型实际上是两个东西
通用人工智能的定义
简称AGI，指的是一种智能，能够理解、学习和应用知识和技能
GPT模型的发展历程
GPT-1
GPT-2
参数1.5亿
GPT-3
1750亿个参数
GPT-3.5
引入人类反馈强化学习（RLHF）
减少有害内容生成，提升对用户意图的理解
GPT-4
国产大模型介绍
通义千问
智谱清言
文心一言
DeepSeek
GPT
Generative Pre-trained Transformer
生成式 预训练 变换模型
ChatGPT 的技术原理
GPT 模型使⽤ Google 几年前推出的 Transformer 架构 来预测下⼀个单词的概率分布
大模型的训练
预训练（Pre-training ）
监督微调（SFT，Supervised Fine Tuning ）
基于人类反馈的强化学习（RLHF，Reinforcement Learning from Human Feedback ）
大模型是如何生成内容的？
简单来说就是靠"猜"！
大模型阅读了人类曾说过的所有的话
把一串 token 后面跟着的不同 token 的概率记了下来
当我们给它若干 token，大模型就能算出概率最高的下一个 token 是什么
Token是什么？
Token是模型进行语言处理的基本信息单元
OpenAI中的角色理解
system（系统）
在 OpenAI 的技术框架中，system 代表了整个系统或应用程序。System 的目标是理解用户的意图和需求，并根据这些信息生成合适的响应
user（用户）
user 代表了与系统交互的用户。用户可以是人类用户，也可以是其他系统或应用程序。User 的目标是向 system 发送请求，获取所需的信息或服务
assistant（助手）
assistant 代表了 system 生成的响应。助手可以是文本、语音、图像等形式，其目标是满足用户的请求，提供所需的信息或服务
国产大模型API调用
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv()
import os
deepseek_api_key = os.getenv("DEEPSEEK_API_KEY")
client = OpenAI(api_key=deepseek_api_key, base_url="https://api.deepseek.com")
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "你是小红书文案专家"},
{"role": "user", "content": "Hello"},
],
stream=False
)
print(response.choices[0].message.content)
from dotenv import load_dotenv
load_dotenv()
import os
deepseek_api_key = os.getenv("DEEPSEEK_API_KEY")
client = OpenAI(api_key=deepseek_api_key, base_url="https://api.deepseek.com")
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "你是小红书文案专家"},
{"role": "user", "content": "Hello"},
],
stream=False
)
print(response.choices[0].message.content)
prompt介绍及常用技巧
什么是提示词(Propmt)
所谓的提示词其实指的就是提供给模型的一个文本片段，用于指导模型生成特定的输出或回答
获得更好结果的6中策略(ChatGPT)
● write clear instructions 编写清晰的说明
● provide reference text 提供参考文本
● split complex tasks into simpler subtasks 将复杂任务拆分为更简单的子任务
● give the model time to think 给模型时间思考
● use external tools 使用外部工具
● test changes systematically 系统地测试更改
● provide reference text 提供参考文本
● split complex tasks into simpler subtasks 将复杂任务拆分为更简单的子任务
● give the model time to think 给模型时间思考
● use external tools 使用外部工具
● test changes systematically 系统地测试更改
提示语策略差异
推理模型
提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）
通用模型
需显式引导推理步骤（如通过CoT提示），否则可能跳过关键逻辑
常用技巧
使用 清晰，明确，避免模糊的词语
角色扮演
告诉用户的角色
指定输出的格式
少样本提示
Prompt 调优
高质量 prompt 核心要点：具体、丰富、少歧义
Prompt 的典型构成
角色
指示
上下文
例子
输入
输出
Prompt进阶
零样本提示
少样本提示
少样本提示的限制
链式思考(思维链COT)
少样本思维链（Few-shot Cot）
零样本COT提示
自我一致性(自洽性)
思维树(Tree-of-thought, ToT)
提示词的安全与防护
常见的提示词攻击技术
同类型目标劫持
跨类型目标劫持
用户提示泄漏
越狱攻击
越狱攻击——模拟对话
越狱攻击——角色扮演
越狱攻击——对立响应
提示词攻击防护方法
基于规则进行过滤
少样本提示
基于模型的内容识别
AI编程
分步实现需求
Coze
Coze介绍
功能
提示词
插件
工作流
图像流
知识库
RAG
数据库
存数据
0 条评论
下一页
