LangChain-AI应用开发框架(1) - 认识大模型，认识大语言模型 LLM，LLM 大语言模型的提示词的编写技巧

目录一、认识模型什么是模型?补充:二、认识大语言模型什么是大语言模型主流的大语言模型LLM的能力都有哪些?1. 语言大师理解与创造的革命2. 知识巨人拥有 “全互联网” 的记忆3. 逻辑与代码巫师从思维到实现的跨越4. 多模态先知开启 “全感知” AI 的大门三、提示词编写技巧1. CO‑STAR 结构化框架2. 少样本提示/多示例提示3. 思维链提示4. 自动推理与零样本链式思考5. 自我批判与迭代四、为什么 LLM 如此重要生产力革命的 “加速器”人机交互的 “新范式”产业智能化的 “核心引擎”五、AI 和 LLM 的关系摘要本文系统梳理了从传统 AI 模型到大语言模型LLM的演进脉络深入浅出地讲解了模型的基本概念、大语言模型的核心原理与主流代表并重点介绍了 CO‑STAR 框架、少样本提示、思维链等实用提示词编写技巧。文章还探讨了 LLM 在生产力、人机交互和产业智能化方面的重要价值最后厘清了 AI 与 LLM 之间的层级关系帮助读者建立对大模型技术的整体认知。一、认识模型什么是模型?模型是一个从数据中学习规律的 “数学函数” 或 “程序”。旨在处理和生成信息的算法通常模仿人类的认知功能。通过从大型数据集中学习模式和洞察这些模型可以进行预测、生成文本、图像或其他输出从而增强各个行业的各种应用。可以简单理解为模型是一个 超级加工厂这个工厂是经过特殊训练的训练师给它看了海量的例子 (数据)并告诉它该怎么做。通过看这些例子它自己摸索出了一套规则学会了完成某个 特定任务。模型就是一套学到的 规则 或者 模式, 它能根据你给的东西产生你想要的东西。最简单的比喻给模型很多组数据模型的任务就是找出输入和输出之间的规律比如输出是中间那个数)。学成之后当我们再输入 [8910] 时它能根据学到的规律预测出输出应该是 9。模型的关键特点在于1. 特定任务一个模型通常只擅长一件事。比如一个模型专门识别图片里是不是猫。一个模型专门预测明天会不会下雨。一个模型专门判断一条评论是好评还是差评。2. 需要 “标注数据”训练这种模型需要大量 “标准答案”。比如成千上万张已经标注好 “是猫” 或 “不是猫” 的图片。3. 参数较少参数是模型从数据中学到的 “知识要点” 或 “内部规则”比如上述示例中的规则仅是 中间数。参数较少说明模型的复杂度和能力相对有限。补充:刚才我们讲的这种模型是早期、传统的 AI 模型。这类模型往往一个模型只干一件事训练的时候需要大量人工标注好的标准答案参数量也不大。但是如果是大语言模型的话逻辑就不一样了。大模型属于通用模型同一个模型能干翻译、写代码、问答好多任务预训练阶段读海量公开文本不全靠人工一条条标注同时它拥有海量参数所以才有很强的通用能力。二、认识大语言模型什么是大语言模型大语言模型Large Language ModelLLM是指基于大规模神经网络参数规模通常达数十亿至万亿级别例如 GPT‑3 包含 1750 亿参数通过自监督或半监督方式对海量文本进行训练的语言模型。名词解释1. 神经网络一个极其高效的 “团队工作流程” 或 “条件反射链”。例如教一个小朋友识别猫不会只给一条规则比如 “有胡子就是猫”因为兔子也有胡子。我们会让他看很多猫的图片他大脑里的视觉神经会协同工作有的神经元负责识别 “尖耳朵”有的负责识别 “胡须”有的负责识别 “毛茸茸的尾巴”。这些神经元一层层地传递和组合信息最后大脑综合判断“这是猫”神经网络就是模仿人脑的这种工作方式。神经网络由大量虚拟的 “神经元”也就是参数和连接组成。每个神经元都像一个小处理单元负责处理一点点信息。无数个神经元分成很多层前一层的输出作为后一层的输入。通过海量数据的训练这个网络会自己调整每个 “神经元” 的重要性即参数的值最终形成一个非常复杂的 “判断流水线”。比如一个识别猫的神经网络某些参数可能专门负责识别猫的眼睛另一些参数专门负责识别猫的轮廓。简单说神经网络就是一个通过数据训练出来的、由大量参数组成的复杂决策系统。2. 自监督学习“完形填空” 超级大师。例如我们想学会一门外语但没有老师给出题和批改。怎么办我们可以拿一本该语言的小说自己玩 “完形填空”随机盖住一个词然后根据上下文猜测这个词是什么。一开始猜得乱七八糟。但不断地重复这个过程看了成千上万本书后对这个语言的语法、词汇搭配、上下文逻辑了如指掌。现在不仅能轻松猜对被盖住的词甚至能自己写出流畅的文章。自监督学习就是这个过程。模型面对海量的、没有标签的原始文本比如互联网上的所有文章、网页。它自己给自己创造任务把一句话中间的某个词遮住然后尝试根据前后的词来预测这个被遮住的词。通过亿万次这样的练习模型就深刻地学会了语言的规律。它不需要人类手动去给每句话标注 “这是主语”、“这是谓语”。简单说自监督就是让模型从数据本身找规律自己给自己当老师。3. 半监督学习“师父领进门修行在个人”。例如你想学做菜师傅先教你几道招牌菜比如麻婆豆腐、宫保鸡丁—— 这相当于给了你一些 “有标注的数据”菜谱和成品。然后师傅让你去尝遍天下各种美食自己研究其中的门道 —— 这相当于接触海量的 “无标注数据”各种未知的食材和味道。你结合师傅教的基本功和自己尝遍天下美食的经验最终不仅能完美复刻招牌菜还能创新出新的菜式。这就是 “半监督”。简单说半监督就是 “少量指导 大量自学” 的结合模式。4. 语言模型一个 “超级自动补全” 或 “语言预测器”。例如你在用手机打字输入 “今天天气真”输入法会自动提示 “好”、“不错”、“冷” 等。这个输入法之所以能提示就是因为它内部有一个小型的 “语言模型”它能根据你输入的前文计算下一个词最可能是什么。语言模型的核心任务就是预测下一个词。一个强大的语言模型能够根据一段话预测出最合理、最通顺的下一个词是什么这样一个词一个词接下去就能生成一整段话、一篇文章。简单说语言模型就是一个计算 “接下来最可能说什么” 的模型。现在我们再回头看那段描述就一目了然了。翻译成大白话就是大语言模型是一个用 “超级团队工作流程”大规模神经网络搭建的拥有数百亿甚至上万亿个 “脑细胞”参数的超级工作系统语言模型。它学习的方式主要是通过自己玩 “海量完形填空”自监督学习或者 “少量名师指导 海量自学”半监督学习。从互联网上所有的文本数据中学会了语言的规律。因此它具有以下几个核心特点规模巨大它的 “脑细胞”参数特别多 (通常达到数十亿至万亿级别)所以思考问题更复杂、更全面就像一支百万大军和一个小分队的区别。通用性强它不是为单一任务训练的。因为它通过 “完形填空” 学会的是整个语言世界的底层规律语法、逻辑、知识关联等而不是只背会了 “猫的图片”。所以它能举一反三把底层能力灵活应用到意想不到的优美句子等各种任务上。这种 “涌现” 的能力就像孩子通过大量阅读后突然能写出诗意、翻译、写代码一样。训练方式不同主要使用自监督学习从海量无标注的原始文本中学习。它不依赖人工一张张地给图片标 “这是猫”而是直接从原始文本中自学效率极高规模可以做得非常大。交互方式革命我们不用直接接、写代码直接像对人说话一样给它指令Prompt它就能听懂并执行比如你直接说 “写一首关于春天的诗”它就能给你写出来。“这里要做一个小小的澄清我们刚刚说的完形填空GPT 这类对话大模型它是从左往右根据前面文字预测下一个字它看不到后面的内容那种随便抠掉句子中间词汇的完形填空是另外一类 BERT 模型。另外大模型预训练阶段全程是自监督自学它并不会使用传统意义上的半监督学习。等它自学海量文本结束之后才会使用少量人工标注数据做对齐微调让模型学会听懂人的指令。还有我们提到的涌现能力不是单纯读很多书就会有必须模型参数规模达到一定门槛之后这些神奇的能力才会突然显现。模型学到的全部是文本统计规律它并不像人一样真正理解文字背后的含义。”主流的大语言模型GPT‑5 (OpenAI)支持 400k 背景信息长度128k 最大输出标记在多轮复杂推理、创意写作中表现突出DeepSeek R1 (深度求索)开源专注于逻辑推理与数学求解支持 128K 长上下文和多语言 (20 语言)在科技领域表现突出Qwen2.5‑72B‑Instruct (阿里巴巴)通义千问开源模型家族重要成员擅长代码生成结构化数据如 JSON处理角色扮演对话等尤其适合企业级复杂任务支持包括中文英文法语等 29 种语言Gemini 2.5 Pro (Google)多模态融合标杆支持图像 / 代码 / 文本混合输入适合跨模态任务 (如图文生成、技术文档解析)LLM的能力都有哪些?大模型对不少人来说已变得耳熟能详从大型科技公司到初创企业都纷纷投身于这场技术变革。AI 大模型不仅仅是技术圈的热门话题它也正以日新月异的速度融入我们的日常生活改变着我们获取信息、处理工作、甚至进行创作的方式。我们将大模型的能力归纳为四点这不仅仅是技术指标更是它改变世界的核心利器。1. 语言大师理解与创造的革命想象一下你是否发生过以下类似问题对学生你是否为论文的开头绞尽脑汁对职场人一封礼貌又坚决的投诉邮件怎么写LLM 可以干什么对于论文的开头告诉大模型你的主题和观点它能为你生成几个不同风格的引言段落。例如“写一篇关于《基于深度学习的晶粒度智能评级方法》的大学生论文开头供我参考。”投诉邮件把情况告诉它它即刻生成你稍作修改就能发送。例如“帮我写一封礼貌又坚决的投诉邮件事情的经过是xxx”我们发现它真正 “读懂” 了人类语言的千变万化并能进行高质量创作。这不是简单的关键词匹配而是理解了上下文、情感甚至潜台词。2. 知识巨人拥有 “全互联网” 的记忆我们可以问它“用物理学原理解释为什么猫咪总能四脚着地”。它不仅能回答还能类比:我们可以让它“对比一下古希腊哲学和春秋战国百家争鸣的异同”。它能为我们提供清晰的思路:可以看出大模型是一个被压缩的、可对话的 “互联网知识库”。它通过学习海量数据将知识内在关联形成了一个立体的知识网络而不仅仅是存储。3. 逻辑与代码巫师从思维到实现的跨越一个复杂的功能对程序员来说只需用中文描述“写一个 Python 函数能自动爬取某个网页的最新标题并保存到 Excel 里。” 代码瞬间生成。我们可以把一道复杂的数学题丢给它如 “微分方程xxxxx的特解的形式为”它不仅能给出答案还能一步步展示解题过程成为你的私人家教。可以看出大模型不仅能处理语言还能处理严格的逻辑和编程语法。这证明了它的能力超越了 “文科”进入了需要精确和推理的 “理科” 领域。4. 多模态先知开启 “全感知” AI 的大门想象一下上传一张照片再加入一段描述AI 可实现快速的对话式创意工作流程。AI 婴儿预测和生成“生成他们的宝宝的样子 — 父母双方特征的融合。专业的照片质量。”3D 图形“请把这张照片变成一个人物。在它后面放置一个印有角色形象的盒子。在它旁边添加一台计算机其屏幕显示 Blender 建模过程。在盒子前面为人偶添加一个圆形塑料底座让它站在上面。底座的 PVC 材质应具有晶莹剔透、半透明的质感并将整个场景设置在室内。”可以看到它打破 “文本” 的界限连接视觉、听觉的世界让 AI 更接近人类的感知方式。这是目前最前沿、最令人兴奋的能力它让 AI 真正成为 “全能型” 助手。三、提示词编写技巧编写合理且有效的提示词是我们与 AI 进行有效对话的第一步好的提示词能显著提升模型输出的质量和相关性。宗旨就是将你的问题限定范围让 AI 知道你要的答案具体要包含什么提示词效果会大幅提升。核心在于换位思考想象 AI 对你提供的信息一无所知你需要清晰、具体、无歧义地告诉它你要什么、在什么背景下、以什么方式呈现。善用示例、角色扮演、具体约束和迭代优化。简单示例对比:差写个故事优写一个关于太空探险的儿童故事主角是机器人小 A风格温馨包含 3 个冒险情节提示技巧不止一种掌握多种技巧并根据不同任务灵活组合使用才是成为提示词高手的秘诀。1. CO‑STAR 结构化框架在目标设定和问题解决的场景下清晰性和结构性是至关重要的。而有一种方法论在这些方面表现都非常出色那就是 CO‑STAR 框架。这个提示词编写框架是由新加坡政府技术局GovTech的数据科学与 AI 团队开发重点在于确保提供给 LLM 的提示词是全面且结构良好的从而生成更相关和准确的回答。CO‑STAR 可以拆解为六个维度例如我需要进行健康咨询希望给出营养建议。那么我可以这样构建提示词优化前模糊、低效我该怎么吃才能更健康优化后清晰、有效角色你是一个基于科学证据的 AI 营养顾问。重要约束你提供的所有建议都仅为通用信息不能替代专业医疗诊断。在给出任何具体建议前必须首先声明此免责条款。任务基于以下用户信息提供一份个性化的每日饮食原则性建议。用户信息年龄30 岁性别男性目标减脂增肌日常活动水平办公室久坐每周进行 3 次力量训练回答要求首先输出免责声明“请注意以下建议为通用健康信息…”核心原则应围绕 “控制总热量摄入确保充足蛋白质”。分别对早餐、午餐、晚餐和训练加餐提出各 1 条核心建议例如早餐应包含优质蛋白和复合碳水。推荐 2 种适合该用户的具体健康零食。避免推荐任何具体的保健品或药物。输出格式【免责声明】[此处输出声明]【核心原则】…【分餐建议】早餐…午餐…晚餐…训练加餐… 【健康零食推荐】……2. 少样本提示/多示例提示这种方式通过给 AI 提供一两个「输入‑输出」的例子让它 “照葫芦画瓢”。核心思想你不是在给它下指令而是在 “教” 它你想要的格式、风格和逻辑。适用场景格式固定、风格独特、逻辑复杂的任务如风格仿写、数据提取、复杂格式生成。例如优化前零样本提示2 9 等于多少优化后少样本提示根据以下示例处理问题。示例 12 3 5示例 24 7 11现在请分析这个2 9 等于多少再例如优化前零样本提示请分析以下客户反馈提取产品名称、情感倾向和具体问题。反馈“我刚买的耳机才用了一周左边就没声音了太让人失望了。”优化后少样本提示请根据以下示例分析后续的客户反馈并提取产品名称、情感倾向和具体问题。示例 1反馈“笔记本的电池续航太差了完全达不到宣传的 10 小时最多就 4 小时。”分析产品名称笔记本电池情感倾向负面具体问题续航远低于宣传示例 2反馈“客服响应很快非常专业地帮我解决了软件激活问题点赞”分析产品名称客服服务情感倾向正面具体问题无现在请分析这个反馈“我刚买的耳机才用了一周左边就没声音了太让人失望了。”通过示例AI 清晰地学会了 “产品名称” 如何概括“情感倾向” 的标签是什么“具体问题” 如何简洁描述。这比单纯用文字描述规则要有效得多。3. 思维链提示提示工程的关键目标是让 AI 更好地理解复杂语义。这种能力的高低可以直接通过模型处理复杂逻辑推理题的表现来检验。可以这样理解当好的提示词能帮助模型解决原本解决不了的难题时就说明它确实提升了模型的推理水平。并且提示词设计得越出色这种提升效果就越显著。通过设置不同难度的推理测试可以很清晰地验证这一点。举个例子该示例来自论文Large Language Models are Zero‑Shot Reasoners翻译一下问题杂耍者可以杂耍 16 个球。其中一半的球是高尔夫球其中一半的高尔夫球是蓝色的。请问总共有多少个蓝色高尔夫球推理结果8 个蓝色高尔夫球可以看到答案错误。该逻辑题的数学计算过程并不复杂但却设计了一个语言陷阱即一半的一半是多少。为了解决类似的逻辑问题可以使用思维链提示。思维链提示相较于少样本提示是一种更好的提示方法思维链提示最常用的两种方式Few‑shot‑CoT少样本思维链Zero‑shot‑CoT零样本思维链相比于少样本提示Few‑shot少样本思维链Few‑shot‑CoT的不同之处只是在于需要在提示样本中不仅给出问题的答案、还同时需要给出问题推导的过程即思维链从而让模型学到思维链的推导过程并将其应用到新的问题中。此技巧主要用于解决复杂推理问题如数学、逻辑或多步骤规划。核心思想要求 AI “展示其工作过程”而不是直接给出最终答案。这模仿了人类解决问题时的思考方式。适用场景数学题、逻辑推理、复杂决策、需要解释过程的任务。实际上Few‑shot‑CoT 的方式虽然有效但不一定是稳定且准确的。如果想要得到稳定的正确答案需要更高阶的提示方法。你给的例子越详细它模仿得就越像这更像是一种 “教学” 或 “格式化”。当你有一个非常复杂的逻辑流程或者你希望 AI 严格按照某种格式比如先分析 A再对比 B最后总结 C来输出时就可以直接提供一个完美的 “思考过程” 作为范例。4. 自动推理与零样本链式思考零样本思维链Zero‑shot‑CoT这是少样本思维链Few‑shot‑CoT的简化版。只需在提示词末尾加上一句魔法短语即可激发 AI 的推理能力。核心思想通过指令“请一步步进行推理并得出结论”强制 AI 在给出答案前先进行内部推理。适用场景任何需要一点逻辑思考的问题即使你不太清楚具体步骤。“一步步进行推理” 这个指令相当于在引导模型的 “注意力机制”。它告诉模型“在生成最终答案之前请先在你的‘脑海’里即生成的文本序列中模拟出一个缓慢、有序的推理上下文。” 当模型开始输出 “第一步… 第二步…” 时它实际上是在为自己创造一个更丰富、更逻辑化的上下文。它在这个自己创造的优质上下文中进行推理最终得出的结论自然比在贫瘠的上下文中只有原始问题更准确。根据《Large Language Models are Zero‑Shot Reasoners》论文中的结论从海量数据的测试结果来看Few‑shot‑CoT 比 Zero‑shot‑CoT 准确率更高。5. 自我批判与迭代要求 AI 在生成答案后从特定角度对自己的答案进行审查和优化。核心思想将 “生成” 和 “评审” 两个步骤分离利用 AI 的批判性思维来提升内容质量。适用场景代码审查、文案优化、论证强化、安全检查。案例编写一段代码后进行检查:在实际应用中这些技巧常常是组合使用的。例如我们可以使用 CO‑STAR 框架设定基本结构和角色。在框架的 “Steps” 或 “Response” 部分融入思维链指令。对于格式复杂的输出在最后附上少样本示例。最后要求 AI 进行自我审查。我们更多使用 LLM 的场景大都是编写代码如果用过 Cursor、Trae 这样的 AI IDE。应该不陌生在 AI 帮我们编码之前需要配置相关的 “编码规则” -- Rules。它其实就是这些 IDE 输入给 LLM 的提示词告诉 LLM 编写代码时的注意事项与要求。Cursor 官方提示词Cursor Directory - Plugins for Cursor四、为什么 LLM 如此重要如果说前几年 AI 还是 “炫技” 的概念那么大模型就是将 AI 变成一种基础资源像电一样融入各行各业驱动创新。生产力革命的 “加速器”自动化所有基于语言和知识的工作撰写、总结、翻译、编码、答疑…… 它将人类从重复性的脑力劳动中解放出来让我们能更专注于创造、决策和战略思考。它的核心价值不是替代人类而是增强人类Human Augmentation。人机交互的 “新范式”从 “人适应机器” 到 “机器适应人”我们不再需要学习复杂的软件菜单或编程语言用最自然的 “说话” 方式就能指挥机器完成任务。技术的使用门槛被极大地降低了。产业智能化的 “核心引擎”赋能千行百业教育提供一对一、无限耐心的 AI 家教。医疗辅助医生看影像资料、查阅最新文献病历。法律快速分析海量卷宗提炼关键信息。文创提供无限的故事灵感、设计草图、配乐方案。它正在成为和互联网、移动支付一样重要的数字化基础设施。五、AI 和 LLM 的关系AI人工智能是最大的总概念LLM大语言模型只是 AI 下面的一个分支。AI 是一个宽泛的大集合目标是让机器模拟人类的智能行为里面包含计算机视觉、语音识别、推荐算法、传统机器学习、大语言模型等一大堆技术。早期的 AI比如人脸识别、语音转文字、电商商品推荐都属于 AI但它们并不是 LLM。LLM也就是大语言模型属于生成式 AI 里面的一类专门处理文本语言。它的训练数据主要是海量文字擅长理解语言、对话、写代码、推理总结。ChatGPT、豆包这些都属于 LLM。可以简单理清层级AI人工智能最大范畴└── 生成式 AI能生成内容的 AI└── LLM 大语言模型专门处理文字的生成式 AI