本阶段的目标是：理解大模型的核心概念、能力边界、常见应用模式，以及成本评估方法。你不需要写代码，但需要建立起对AI应用的整体认知框架。

---

📌 阶段目标

• 掌握大模型（LLM）的基本原理（非数学层面）
• 理解 Token、上下文窗口、温度、top_p 等核心术语
• 区分生成式AI与判别式AI
• 了解主流模型及其特点
• 熟悉AI应用的几种典型模式（补全、对话、RAG、Agent）
• 学会评估模型选型（速度、质量、成本）

---

一、大模型（LLM）是什么？

大语言模型（Large Language Model, LLM） 是一种基于海量文本数据训练的神经网络模型，能够理解和生成自然语言。它的本质是一个 “文字接龙” 程序：给定上文，预测下文。

• 训练：通过阅读互联网、书籍、代码等海量文本，学习语言规律、事实知识、逻辑推理。
• 推理：根据你的输入（Prompt），逐词生成回答。

通俗理解：你向一位博览群书的专家提问，他根据自己读过的所有内容，组织语言回答你。

---

二、核心术语

1. Token

Token 是模型处理文本的最小单位。它不是单词，也不是字符，而是“单词的一部分”。

• 英文：hello → 1 token；unhappiness → un + happiness（2 token）
• 中文：一个汉字 ≈ 1.5–2 token。例如“你好”约 3 token。
• 代码：空格、缩进、括号都算 token。

为什么要关心 Token？

• 模型有 上下文窗口限制（一次能处理的 Token 总数）
• 按 Token 计费（输入/输出价格不同）
• 长对话、长文档会快速消耗 Token

2. 上下文窗口（Context Window）

模型一次能接收的 最大 Token 数（包括你的输入 + 模型的输出）。

• 早期模型：4K–8K Token
• 主流模型：32K–128K
• 超长文本模型：1M Token（如 Claude 200K，千问 Long）

影响：窗口越大，模型能“记住”的对话历史、参考的文档就越长。

3. 温度（Temperature）

控制模型回答的 随机性。

• 0：最保守，每次都选概率最高的词，回答确定性强。
• 1：随机性高，更有创意，但可能跑题。
• 推荐：一般任务用 0.7，需要稳定输出时用 0.1–0.3。

4. Top_p

另一种控制随机性的方式（核采样）。取概率总和达到 p 的最小词集合，从中随机选。

• 常用组合：temperature=0.7, top_p=0.9。

5. 生成式 AI vs 判别式 AI

类型	功能	举例
生成式 AI	创造新内容（文本、图像、代码）	ChatGPT、Midjourney、Stable Diffusion
判别式 AI	分类、判断、识别	垃圾邮件分类、人脸识别

大模型属于生成式 AI，但也能通过提示完成分类任务。

---

三、主流模型速览

公司	模型系列	特点	适用场景
OpenAI	GPT-4o, GPT-5	综合能力强，多模态，全球领先	通用对话、复杂推理
Anthropic	Claude 3.5/4	安全性高，编程能力强，长上下文	编程、长文档分析
阿里云	通义千问（Qwen）	中文优化好，性价比高，开源友好	中文场景、企业应用
智谱AI	GLM 系列	开源生态好，代码能力突出	编程、科研
DeepSeek	DeepSeek-V3	开源，成本极低	高性价比场景
Meta	Llama 系列	开源，社区活跃	本地部署、微调

选择建议：

• 通用中文：通义千问
• 编程：Claude、GLM、DeepSeek
• 国际业务：GPT、Claude

---

四、AI 应用的四种典型模式

1. 文本补全 / 对话

最基础的形式。用户输入一段文字，模型续写或回答问题。
示例：

用户：用Java写一个单例模式。  
模型：public class Singleton { ... }

2. 函数调用（Function Calling）

模型输出结构化数据，供程序调用外部工具（API、数据库等）。
示例：用户问“北京今天天气”，模型输出 { "tool": "get_weather", "city": "北京" }，程序据此调用天气 API。

3. RAG（检索增强生成）

让模型在生成答案时 参考外部知识库。
流程：

• 用户提问 → 检索相关文档片段 → 将片段 + 问题一起送给模型 → 模型基于事实回答。
  好处：避免幻觉，答案可溯源，适合企业内部知识问答。

4. Agent（智能体）

模型自主规划、调用工具、循环执行，完成复杂任务。
示例：让AI订机票，它自己会搜索航班、比价、填写表单，遇到问题会自我修正。

---

五、成本与评估

1. Token 计价

• 输入（用户发送的内容）和输出（模型生成的回答）分开计费，通常输出价格是输入的 2–5 倍。
• 示例（以阿里云 qwen3-30b 为例）：
  • 输入：¥0.75 / 百万 Token
  • 输出：¥3 / 百万 Token

一次对话成本估算：
假设你输入 1000 Token（约 500 汉字 + 上下文），模型输出 500 Token，则费用约为：
(1000×0.75 + 500×3) / 1,000,000 ≈ ¥0.00225，不到 1 分钱。

2. 模型选型三要素

• 速度：实时聊天需要低延迟（<2秒），批量任务可容忍慢速。
• 质量：简单任务用轻量模型，复杂推理、代码生成用旗舰模型。
• 成本：权衡质量与价格，不一定总用最强模型。

策略：对 80% 的普通对话用性价比模型（如 qwen3-30b），对 20% 的复杂任务切换至高阶模型（如 qwen-max）。

3. 免费额度

几乎所有云厂商都提供新人免费额度（例如阿里云百炼主流模型各 100 万 Token 免费，90 天有效），足够你完成阶段一、二的实践。

---

六、实践任务（无需写代码）

1. 注册一个云平台账号（推荐阿里云百炼）
   • 完成实名认证
   • 进入控制台，找到“模型广场”或“在线体验”
   • 尝试与不同模型对话（如 qwen-plus、qwen-max），感受差异
2. 理解 Token 消耗
   • 在模型体验页面，输入一段文本，查看系统显示的 Token 数量
   • 对比中英文、代码片段的 Token 消耗差异
3. 体验不同参数
   • 找支持调整温度、top_p 的界面（如百炼的“模型体验”），将温度调至 0 和 1 分别提问，观察回答变化
4. 了解 RAG 概念
   • 阅读阿里云《RAG 技术解析》或相关科普文章
   • 设想一个你工作中可以用 RAG 解决的场景（如内部文档问答）

---

七、推荐学习资源

类型	资源
视频	吴恩达《生成式 AI 入门》系列（B站有翻译）
文章	OpenAI 官方《GPT 最佳实践》英文版 中文版
文档	阿里云百炼文档《模型介绍》《计量说明》
在线体验	阿里云百炼 Playground
术语速查	大模型术语表（Google “LLM glossary”）

---