第二章 大语言模型及其应用框架

第二章大语言模型及其应用框架教案单元/章节名称第二章大语言模型及其应用框架学时2学期总课次2授课时间第周，星期，第节学习目标理解大语言模型的基本概念、特征及其发展历程。掌握提示工程的核心原理与实践方法。了解检索增强生成（Retrieval-AugmentedGeneration，RAG）技术的工作机制。认识智能体技术在大语言模型应用中的作用。掌握微调在垂直领域应用中的关键要点。教学重点及解决措施重点：大语言模型的定义、规模效应和涌现能力；提示词工程的COSTAR框架；RAG的知识准备、语义检索和智能生成三大模块；智能体的LLM、规划、记忆、工具使用四个组成部分；微调技术的概念与主要方法。解决措施：以ChatGPT等大语言模型的实际应用为导入，帮助学生理解LLM对人机交互方式的改变；通过提示词优化练习让学生体验“输入设计”对输出质量的影响；通过流程图式讲解RAG和Agent，帮助学生把握不同应用框架的功能边界与适用场景。教学难点及解决措施难点：理解“涌现能力”的含义及其与模型规模之间的关系；区分提示词工程、RAG、Agent与微调的作用边界；理解RAG如何解决知识截断和模型幻觉，Agent如何通过规划、记忆与工具使用完成复杂任务。解决措施：采用“概念解释—技术流程—场景判断—实践练习”的路径组织教学；将RAG拆解为知识准备、语义检索、智能生成三个环节，将Agent拆解为大语言模型、规划、记忆、工具使用四个模块；安排学生根据不同应用场景选择合适技术方法，强化迁移理解。知识导图授课内容及教学活动设计附注（教学方法、活动形式、辅助手段等）一、引入案例导入：以ChatGPT能够进行自然对话、编写代码、创作文章、分析数据、解答学术问题等现象为切入点，引导学生思考“大语言模型为什么能够改变人机交互方式”。目标定位：结合本章学习目标，说明本课将围绕“大语言模型基础—提示词工程—RAG—智能体—微调技术”展开。前测提问：请学生举例说明自己使用过的大语言模型，并说出它在学习、工作或生活中帮助自己完成过的具体任务。案例导入经验分享目标说明二、新授：大语言模型的概念与发展（一）大语言模型的定义与核心特征教师讲解大语言模型是一类包含超大规模参数的神经网络模型，能够通过对海量文本数据的学习获得自然语言理解与生成能力。重点说明“规模效应”与“涌现能力”：当模型参数规模达到一定程度时，可能出现上下文理解、逻辑推理、知识迁移等能力。（二）大语言模型的发展历程按照教材四个阶段进行梳理：规则驱动的早期探索阶段：以人工编写规则集、基础统计方法、图灵测试和ELIZA系统等为代表。神经网络复兴与深度学习崛起阶段：深度神经网络、RNN和LSTM等推动语言处理能力提升。预训练语言模型的突破阶段：预训练模型推动自然语言理解与生成能力发展。大语言模型的蓬勃发展期：Transformer、BERT、GPT系列模型和RLHF等技术共同推动大模型应用扩展。课堂提问：为什么大语言模型不只是“简单模式识别工具”，而逐渐表现出一定的“理解”能力？教师讲授时间线梳理课堂提问三、新授：提示词工程（一）提示词工程的概念与特点提示词工程是一门融合语言理解、任务分析和创意构思的技术学科，其核心目标是通过优化输入给AI系统的文本提示，引导AI生成符合人类需求的输出内容。教师重点讲解三项特点：语义精确性、结构化思维和场景适应性。（二）提示词设计的COSTAR框架结合教材讲解六个核心要素：Context：上下文背景信息，为AI提供行业趋势、项目情况和相关背景。Objective：目标，明确任务目的和期望效果。Style：风格，根据内容性质和使用场景选择表达方式。Tone：语气，根据场合把握情感基调。Audience：受众，分析目标群体的年龄、教育背景、专业水平和需求诉求。Response：响应形式，指定输出格式、组织方式和质量标准。（三）提示词工程的应用实践讲解提示词工程在教育培训、医疗健康、商业营销、技术开发和生活服务中的应用，包括课程规划、练习题生成、健康科普、病历总结、社交媒体营销、代码开发辅助、技术文档编写、旅行攻略和职业规划等。小试牛刀：请学生优化一个劣质提示词，补充缺失的COSTAR要素，添加结构化要求、风格限制和防止AI幻觉的约束，并比较优化前后输出差异。教师讲解框架分析实践练习四、新授：检索增强生成（RAG）（一）RAG的概念与本质检索增强生成将信息检索系统与生成式大语言模型结合，旨在克服大语言模型在知识时效性和准确性方面的局限。教师重点说明RAG解决的两个核心问题：知识截断和模型幻觉。（二）RAG的系统架构与技术实现一个完整的RAG系统通常包括三个模块：知识准备模块：收集文档、网页、数据库等多源异构数据，进行清洗、分块、向量化并存入向量数据库。检索模块：将用户查询转换为向量表示，通过语义检索定位最相关的知识片段，并进行排序筛选。生成模块：将检索结果与原始查询融合为上下文，利用提示模板引导大语言模型生成准确、可靠、有据可循的回答。（三）RAG的应用价值结合教材讲解RAG在企业知识管理、专业服务和教育培训中的价值，如技术支持、内部知识共享、医疗健康咨询、法律服务、金融分析、个性化学习和教师课程设计。思考讨论：当RAG检索到的知识源之间存在冲突，或检索信息不完整时，如何避免生成误导性答案？教师讲解流程拆解问题讨论新授：智能体技术（一）Agent的概念与特性智能体是一种能够自主感知环境、制定决策并采取行动以实现特定目标的AI系统。教师围绕自主性、感知能力、决策能力、执行能力、学习能力和交互能力等特征讲解其与单纯大语言模型的区别。（二）基于大语言模型的Agent设计方法讲解智能体的四个关键组成部分：大语言模型（LLM）：负责理解输入、推理和生成响应。规划（Planning）：将复杂任务分解为可执行子任务，使用子任务分解、思维链和思维树等方法。记忆（Memory）：包括短期记忆和长期记忆，用于保持对话连贯和跨任务知识积累。工具使用（ToolUse）：调用搜索引擎、计算器、代码执行器、数据库查询、API等外部工具，扩展解决问题的能力。（三）智能体开发框架与实践介绍教材中的Coze、FastGPT、Dify和RagFlow等平台，并说明其适用场景：Coze适合快速进入AI应用开发，FastGPT适合知识库问答和工作流自动化，Dify适合生产级生成式AI应用开发，RagFlow适合复杂文档与RAG工作流。（四）Agent在任务自动化领域的应用结合教材说明智能体在创意设计、产品开发、软件测试、教育、企业服务、研究、金融、医疗、城市管理和个人生活中的应用。思考讨论：在医疗诊断、金融投资等专业领域，智能体如何与人类专家形成优势互补？教师讲授平台比较场景分析六、新授：微调技术（一）微调的概念与优势微调是在特定领域数据集上对预训练大语言模型进行额外训练，使其适应特定任务或领域的方法。教师讲解微调的优势：利用预训练模型已有语言知识、减少训练时间和计算资源、降低垂直领域数据需求、保持模型通用能力。（二）微调的主要方法与技术特点讲解全参数微调和参数高效微调（PEFT）两类方法。全参数微调更新模型全部参数，效果好但资源消耗大；参数高效微调包括Prompt-tuning、Prefix-tuning、LoRA等方法，强调在效果与效率之间取得平衡。（三）微调的实时流程与应用前景教师概括微调从数据准备到模型评估的基本流程，并结合教材说明微调在医疗、金融等专业场景中的产业化前景。场景判断：给出“企业知识库客服”“金融领域术语适配”“提示词优化生成内容”“自主分解任务并调用外部工具”等场景，请学生判断对应技术是RAG、微调、提示词工程还是智能体。教师讲解技术比较场景判断七、总结本课从大语言模型的基本概念与发展出发，系统学习了提示词工程、检索增强生成、智能体技术和微调技术四类应用框架。通过学习，学生应理解大语言模型能力形成的基础，掌握通过提示词工程与模型进行高质量沟通的方法，能够解释RAG如何增强回答的准确性与可追溯性，认识智能体如何通过规划、记忆和工具使用完成复杂任务，并初步理解微调在垂直领域应用中的价值。教师总结八、作业1.简答题（1）什么是大语言模型的“涌现能力”？它对大语言模型发展有什么