大学计算机基础教程（AIGC+WPS融合）（微课版） 课件第三章 拥抱AI：人工智能与AIGC技术基础

第3章拥抱AI：人工智能与AIGC技术基础大学计算机基础教程（AIGC+WPS融合）AIGC工业和信息化精品系列教材——人工智能技术科技改变未来人工智能概述3.23.13.3AIGC基础提示词工程基础3.1.1人工智能的定义与发展历程人工智能（AI）这一概念被首次提出是在1956年美国达特茅斯学院的一次研讨会上，提出者为美国计算机科学家约翰·麦卡锡（JohnMcCarthy）等人，他们指出，该研究基于一项猜想——学习及一切智能行为的所有方面，在理论上都能被精确形式化描述，因此能够用机器实现对它们的模拟。这个定义将人工智能描述为一类具有高级模拟能力的机器，这类机器能够复制或模拟人类的学习特征或智能特征，且这些特征都是可以被精确描述和界定的。人工智能领域的开创者之一，美国人工智能协会前主席尼尔斯·约翰·尼尔森教授认为，人工智能是一门关于如何表达知识、获取知识和使用知识的学科；麻省理工学院教授帕特里克·温斯顿则认为人工智能就是研究如何使计算机去做过去只有人才能做的智能工作；国际标准化组织/国际电工委员会第一联合技术委员会（ISO/IECJTC1）在其发布的标准中将人工智能定义为“由计算机系统展示出的人类认知功能，包括但不限于学习、推理、感知、适应、交流、创造等。”中国科学院张钹院士则认为人工智能是用机器模仿人的智能行为。综合以上内容，我们可以认为：人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术科学。它旨在通过计算机系统和算法，使机器能够执行通常需要人类智慧才能完成的任务，包括学习、推理、感知、理解和创造等活动。人工智能的定义3.1.1人工智能的定义与发展历程人工智能的发展进入探索期，人工智能的研究开始面临诸多挑战。1966年，麻省理工学院的约瑟夫·魏泽鲍姆发布了世界上第一个聊天机器人ELIZA。ELIZA能够通过脚本识别简单的自然语言，并产生类似人类的互动。1966—1972年，美国斯坦福国际研究所研制出了机器人沙基。沙基装备了电视摄像机、三角测距仪、碰撞传感器、驱动电机及编码器，能够在没有外部控制的情况下，通过无线连接接收指令，并利用内置的人工智能算法来解析周围的环境，做出决策并执行任务。沙基是首台采用人工智能技术，运用逻辑思维自行定位物体，并在物体周围移动的移动机器人。它的问世标志着自主机器人研究的开始，为后续的机器人技术发展提供了重要的参考。然而，这一时期，受限于内存容量和处理速度，计算机无法有效地解决复杂的人工智能问题。人工智能的研究进展缓慢，未能实现预期的突破。1984年，美国人道格拉斯·莱纳特带领其团队开发Cyc项目，该项目的目标是构建一个庞大的常识知识库，使人工智能的应用能够以类似人类推理的方式工作。随着时间的推移，Cyc项目逐渐演变成一个开放的研究平台，吸引了全球众多的研究者和开发者参与其中。这不仅为人工智能研究提供了一个重要的资源，还促进了知识表示、自然语言处理和机器学习等技术的发展。在探索期，人工智能研究取得一定的突破，也遇到了较大的瓶颈，此阶段虽受制于算力与算法，但为人工智能核心技术框架奠定了基础，并催化了国际合作与跨学科创新。萌芽期3.1.1人工智能的定义与发展历程1950年，英国数学家、逻辑学家和计算机科学的先驱，有“人工智能之父”之称的艾伦·麦席森·图灵提出了著名的图灵测试，该测试的目的是判断机器是否能够展现出与人类相似的智能。按照图灵的设想，如果一台机器能够与人类展开对话而不被辨别出其机器的身份，那么这台机器便是智能的。图灵测试的问世，不仅为人工智能的研究提供了一个明确的方向，更为后续人工智能的发展奠定了理论基础。1956年，美国达特茅斯学院举行了第一次人工智能研讨会。在这次研讨会上，约翰·麦卡锡、马文·明斯基、艾伦·纽威尔、赫伯特·西蒙等科学家共同探讨了如何使机器实现智能的行为，并首次提出“人工智能”这一概念。这次研讨会标志着人工智能作为一个独立学科诞生，也奠定了未来几十年人工智能研究的基础。1959年，美国人乔治·德沃尔设计了世界上第一台可编程的工业机器人尤尼梅特。这款机器人采用模块化设计，可以根据不同的工作需求更换工具和夹具，实现生产过程的自动化，提高了生产效率，降低了劳动成本。Unimate的成功应用，标志着现代工业机器人技术的诞生。在萌芽期，人工智能的研究主要集中在理论基础的建立和基本算法的开发上，这为人工智能的后续发展奠定了坚实的理论基础。探索期3.1.1人工智能的定义与发展历程进入成长期，人工智能技术开始取得重大突破。1997年，国际商业机器公司（IBM）的计算机“深蓝”战胜了国际象棋世界冠军加里·卡斯帕罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的计算机系统，这一事件意味着人工智能取得又一个重大突破。2015年，谷歌研发出利用大量数据就能训练计算机来完成任务的第二代机器学习平台TensorFlow，这一举措使更多的研究者和开发者能够轻松地使用人工智能的深度学习技术进行创新。2016年，谷歌开发的人工智能AlphaGo（阿尔法围棋）与围棋世界冠军李世石进行了举世瞩目的人机大战，最终李世石与AlphaGo的总比分定格在1∶4，这一结果证明了人工智能在解决复杂问题上的巨大潜力，展示出人工智能在模式识别、决策制订和问题解决方面的强大能力，同时也引发了关于人工智能伦理、影响和未来发展的广泛讨论。在成长期，人工智能研究重新焕发活力，联结主义的兴起，特别是神经网络的再度崛起，为人工智能的发展注入了新的活力。同时，随着计算机算力的大幅提升和算法的进步，深度学习技术开始崭露头角，并在多个领域取得显著突破。成长期3.1.1人工智能的定义与发展历程进入爆发期，人工智能开始以惊人的速度发展。2020年，人工智能迎来一个里程碑式的突破，即GPT-3（generativepretrainedtransformer-3，生成式预训练变换器）语言模型的发布。GPT-3能够生成连贯、自然的文本，还能根据上下文进行推理和判断。这一事件标志着人工智能技术在语言理解和生成方面取得了长足的进步。2021年1月，OpenAI发布了DALL·E，它是一种能够根据文本描述生成图像的人工智能技术。这项技术的推出引发了艺术领域和科技领域的广泛关注，因为它展示出人工智能在创意方面的巨大潜力，为人工智能在图像生成、艺术创作等领域的应用提供了更多的可能性。2023年，随着以GPT系列为代表的生成式预训练大模型取得关键突破，聊天机器人的智能水平显著跃升。它们不仅能完成日常对话，还能撰写高质量文章、编写复杂代码、辅助音乐创作乃至进行多轮逻辑推理。进入2025年，我国杭州深度求索人工智能基础技术研究有限公司（简称深度求索公司）推出的DeepSeek，以“算法革命+算力平权”双重路径重构了全球AI竞争格局，其推理能力较传统模型提升约3倍，训练与推理成本大幅下降，使高性能AI不再被少数巨头所垄断，推动了模型服务的普惠化。爆发期3.1.1人工智能的定义与发展历程在大模型技术持续进步的背景下，智能体（agent）迎来快速发展。多家科技企业相继推出通用智能体框架，AI开始像“数字员工”一样深度参与实际工作流。与此同时，大模型加速从云端向手机、计算机、汽车、可穿戴设备等终端下沉，支持实时翻译、图像编辑、语音助手等功能，标志着高性能人工智能正逐步成为人人可享的基础设施。此外，具身智能将大模型的理解与决策能力赋予机器人、机械臂等物理实体，在工业制造、养老服务、危险环境作业等场景中加速落地，推动AI真正实现“能看、能听、能动手”的功能。3.1.2人工智能的核心要素数据对于人工智能技术而言，数据的价值贯穿于模型研发、应用落地的全流程，其重要性主要体现在以下4方面。在复杂决策场景中，人工智能的决策质量高度依赖数据的支撑。无论是企业的市场战略制订，还是政府的公共政策规划，都需要人工智能基于海量数据进行分析研判。（四）决策支持。人工智能模型的本质是通过算法从数据中学习规律，数据的质量与数量直接决定了模型的性能。若训练数据不足，模型则无法充分学习数据中的特征规律，往往会出现预测偏差大、输出结果不合理等问题；若数据质量低下，包含大量错误信息，模型则会“学错知识”，导致性能严重下降。（一）模型训练与性能提升。泛化能力是衡量AI模型实用性的核心指标，是指模型在面对未见过的“未知数据”时，仍能保持稳定性的能力。而大规模数据正是提升模型泛化能力的关键。（二）增强泛化能力。人工智能的应用场景日趋多元化，从医疗诊断、金融风控到工业制造、智能交通，不同场景对模型的需求存在显著差异。数据的多样性则决定了模型能否在不同场景中灵活适配。（三）提升适应性。3.1.2人工智能的核心要素算力算力即计算能力，是指计算系统处理信息和执行计算的能力，它是衡量计算设备或系统在处理人工智能任务时性能高低的关键指标。算力的高低直接影响到人工智能的运算速度、处理复杂任务的能力和效率。硬件资源硬件资源是构成算力的硬件设备，如CPU、图形处理单元（GPU）

等

各

种

处

理

器，

现

场

可

编

程

门

阵

列（FPGA）、专用集成电路（ASIC）等专用芯片，以及用于存储数据信息的存储设备等，这些硬件资源在算力中发挥着至关重要的作用。计算架构计算架构通常采用分层设计，从基础设施到云原生基础设施、人工智能开发平台，再到应用服务，每一层都承担着不同的功能和角色。其中，基础设施层是算力建设的物理基础，确保整个计算平台的基础支撑能力，为上层提供稳定、可靠的运行环境；云原生基础设施层基于云计算理念和容器化技术，实现了资源的高效利用、灵活调度及快速部署；人工智能开发平台层主要服务于人工智能模型的研发，提供了深度学习框架、模型训练与优化工具、模型版本管理服务、数据预处理及特征工程工具等在内的全套开发环境和服务；应用服务层则聚焦于将先进的人工智能技术应用于各行业领域。3.1.2人工智能的核心要素网络与存储人工智能算力网络能够把分散于各地的人工智能计算中心节点相连，进而汇聚并共享算力、数据、大模型等资源，同时也涉及相关数据的存储与流通管理。软件优化软件优化主要包括算法优化和软件框架两方面。算法优化通过对算法进行改进和优化，减少计算量、提高计算精度和效率；软件框架提供了算法开发、模型训练、推理部署等全链条的支持，优化了算法和计算流程，提高了人工智能算力的利用效率。能源管理在人工智能算力系统中，能源管理主要包括电力供应、散热和能耗监测等方面。先进的能源管理技术可以降低服务器能耗和散热成本，可以实时监测和控制能耗，提高能源利用率。3.1.2人工智能的核心要素算法算法是一系列定义明确的、有限且可执行的步骤或规则，它是计算机科学的核心概念之一，旨在解决特定问题或执行特定任务。简单来说，算法可以理解为解决某种或某类问题的一种方法或过程。人工智能算法可以理解为算法的一个子集，是一系列用于解决特定问题、模拟智能行为或进行自主学习的程序指令和规则。人工智能算法能够处理和分析大量数据，识别数据中的模式，并据此做出决策或预测，其目的在于通过模拟人类智能的运作机制，赋予机器类似人类的思考、理解、学习与创新能力。假设当前面临的任务是对海洋中的多种鱼类进行识别与分类。人工智能算法在完成这个任务时，首先会收集大量的海洋鱼类的图像数据，并标注每种鱼的种类。然后，算法会使用这些数据进行训练，学习不同鱼类的特征。当算法接收到一张新的鱼类图像时，便会计算图像与已知鱼类的相似度，并根据学习到的特征进行识别，给出最可能的分类结果。3.1.3人工智能的研究领域机器学习机器学习是人工智能领域中研究人类学习行为的一个分支，它借鉴了认知科学、生物学、哲学、统计学、计算机科学等众多学科的观点，通过归纳、一般化、特殊化、类比等基本方法探索人类的认识规律和学习过程，并建立了各种能通过经验自动改进的算法，使机器具备自动学习特定知识和技能的能力。简言之，机器学习是让机器也能像人类一样，通过观察大量的数据和训练，发现事物规律，获得某种分析问题、解决问题的能力。根据学习方式、任务类型和数据特点，机器学习主要可分为4种类型。

在无监督学习中，算法面对的是没有标签或已知结果的数据，也就是说，这些数据没有明确的“正确答案”来指导学习。无监督学习的目标是从这些数据中发现隐藏的模式、结构或关系。无监督学习

监督学习，也称监督机器学习，它使用标记数据集来训练算法，以便对数据进行分类或准确预测结果。在这个过程中，算法将学习如何根据输入数据来预测出正确的结果，就像是学生在老师的指导下，通过做练习题来学习解题方法和技巧，每次练习都有明确的正确答案可以参考。这样，学生就能逐渐掌握解题的能力，并在遇到新问题时能够应用所学的知识进行解答。监督学习3.1.3人工智能的研究领域

强化学习是一种通过智能体与环境交互来学习决策策略的机器学习方法。智能体在环境中执行动作，环境根据动作反馈奖励或惩罚信号，这一过程持续迭代，智能体通过累积经验优化策略，逐步接近全局最优解。强化学习的核心目标是通过试错机制学习最优策略，使长期累积奖励最大化，其通过动态调整行为策略实现自主学习，尤其适用于像下棋、规划行程这类需要一步一步做决策的复杂场景。强化学习

半监督学习的目标是利用同时包含有标签和无标签的数据来构建一个模型，使得模型能够在测试阶段更好地泛化到新的、未见过的数据。与监督学习不同的是，半监督学习的训练数据中只有一小部分样本是带有标签的，而大部分样本是没有标签的。半监督学习结合了监督学习和无监督学习的优点，能够在一定程度上利用未标记数据，避免过度依赖有标签数据。半监督学习3.1.3人工智能的研究领域自然语言处理自然语言一般是指人类语言，自然语言处理（NLP）是指让机器接收用户输入的自然语言，并通过算法和模型进行加工、计算等系列操作，让机器模拟人类对自然语言的理解，并返回用户所期望的结果。自然语言处理的核心任务集中在理解和生成自然语言文本上，这些任务包含多个具体任务。自然语言理解（NLU）的目标是让计算机能够分析和理解文本，提取文本中的实体、概念、情感等信息，例如，识别文本中具有特定意义的实体、确定文本中每个词的词性、识别句子中的语法结构和成分、理解句子的真正含义和上下文关系等。自然语言理解自然语言生成（NLG）的目标是让计算机能够根据给定的输入信息生成符合语法和语义规则的自然语言文本，例如，将一种自然语言文本转换为另一种自然语言文本；根据给定的主题、语境或输入数据，生成连贯、自然的文本；将计算机生成的文本转换为语音等。自然语言生成3.1.3人工智能的研究领域计算机视觉计算机视觉是使用计算机及相关设备对生物视觉进行模拟的一种技术，该技术能够通过处理采集的图片或视频来实现对相应场景的多维理解。计算机视觉是一个复杂而有趣的技术，它通过模拟人类的视觉功能，使机器能够“看到”并理解图像和视频数据。计算机视觉的任务是让计算机和其他智能设备能够理解和处理视觉信息，较为常见的任务有以下几种。图像分类是计算机视觉的基本任务之一，其目的是将给定的图像分配到预定义的类别中。图像分类01对象检测不仅可以识别图像中的对象，还可以确定它们的位置。对象检测会在图像上绘制边界框，边界框会标示对象在图像中的位置和大小。对象检测02语义分割是像素级别的分类任务，它将图像中的每个像素分配给一个类别，如人、车、道路或天空等，以更好地理解图像中每个像素的语义内容。语义分割033.1.3人工智能的研究领域图像分析是一个更广泛的概念，它涉及从图像中提取、解析和推导信息的过程，这不仅包括图像分类、对象检测和语义分割，还可能包括图像质量评估、内容理解、特征提取等操作。图像分析04人脸检测、分析和识别是计算机视觉的一个高级任务。其中，人脸检测是指在图像中定位出其中的人脸，并标出其位置；人脸分析则包括对人脸的表情、姿态、年龄、性别等进行分析；人脸识别是指对检测到的人脸进行特征提取，并将提取出的特征与已知的人脸数据库进行比对，以识别出人脸。人脸检测、分析和识别05光学字符识别（OCR）是一种通过扫描文档来自动识别文本的技术，它可以将扫描到的图片转化为文字，从而方便编辑和存储。光学字符识别063.1.3人工智能的研究领域语音交互技术语音交互技术是人工智能领域的一个重要分支，可以让机器通过声音与人类进行自然、高效的沟通。通常来说，一个完整的语音交互系统需要遵循“听、理解、回答”的流程，其中，“听”即语音识别，“理解”即自然语言理解，“回答”即自然语言生成与语音合成。语音识别是一项将人类的语音信号自动转换为机器可读的文本格式的技术。

语音识别的基本原理是通过声学模型分析声音特征并映射为音素序列，再通过发音词典将音素序列转化为候选词汇，最后利用语言模型从所有可能的词汇组合中选出最符合语言习惯的文本序列，从而完成从声音到文字的转换。（一）语音识别无论是手机助手、车载导航系统，还是智能管家和各种有声读物软件，实际上都应用了语音合成技术。语音合成的基本原理是系统性地将输入的文本序列转换为可理解的语音波形信号，其本质是对人类发声过程进行可计算建模。（二）语音合成3.1.4人工智能的应用场景02040608100103050709智慧医疗。智能安防。智能翻译。智能购物。智能健康管理。智慧教育。智慧金融。智能制造。智能出行。智能穿戴。3.1.5人工智能的伦理问题与应对人工智能伦理是一套指导人工智能技术研发与应用的价值体系、原则规范和实践准则。它旨在解决人工智能系统在决策和行为中可能引发的道德困境，确保技术发展符合人类社会的基本价值观。算法偏见是人工智能伦理中较突出和普遍的问题。它是指人工智能系统在决策过程中，由于训练数据、算法设计或应用场景等因素，对特定群体产生系统性的、不公平的倾向。从本质上看，这种偏见并非人工智能系统自身所“创造”，而是人类社会既有偏见的数字化和放大。1．算法偏见与公平性人工智能的发展高度依赖于数据，尤其是海量、多维度的个人数据。人工智能系统通过收集、分析和利用个人数据，能够提供个性化的服务，提升效率。然而，人工智能对数据的依赖也带来了前所未有的隐私挑战。数据收集的普遍性与隐蔽性使得个人信息在不知不觉中被收集，用户可能并不清楚自己的哪些信息被收集，以及用于什么目的。因此，如何在利用数据价值的同时，有效保护个人隐私，遵守“合理、合法和必要”的原则，成为人工智能伦理和法律必须解决的关键问题。在数据收集方面，应明确告知用户数据收集的目的、范围和使用方式，获得用户的明确同意；在数据存储和使用方面，应采取加密、匿名等技术手段，保障数据的安全性。2．数据隐私与个人信息保护3.1.5人工智能的伦理问题与应对人工智能对社会就业也产生了诸多影响。首先，自动化技术已显著替代制造业、客服等领域的重复性岗位，导致结构性失业风险加剧。其次，技术升级迫使劳动力向数据分析、人工智能开发等高技术岗位转型，但明显呈现出技能错位现象，即传统从业者普遍缺乏对人工智能算法等相关技术的理解和掌握水平，这导致高学历人群更容易获取到理想的工作岗位，而教育弱势群体则难以跨越知识与技能门槛。5．人工智能对社会就业的冲击随着人工智能系统自主性的提高，其行为后果的责任归属问题变得日益复杂。建立清晰的责任链条和有效的问责机制，是确保人工智能技术健康发展的必要保障。这不仅需要在技术层面确保人工智能系统的行为可追溯、可审计，通过记录系统的运行日志和决策过程，以便在出现问题时能够查明原因；更需要在法律层面明确各方主体的权利、义务和责任，制定相关的法律法规和标准，规范人工智能系统的开发、部署和使用。4．人工智能的责任归属与问责机制透明度和可解释性是建立人工智能系统可信度的关键。透明度是指人工智能系统的设计、数据来源、决策逻辑等信息应该对利益相关方公开，使其能够了解系统的基本运作方式。对于用户来说，了解人工智能系统的工作原理可以增加他们对系统的信任；对于监管机构来说，透明的人工智能系统便于进行监督和管理，以确保系统符合法律法规和伦理要求。可解释性则更进一步要求人工智能系统能够用人类可理解的语言解释其做出特定决策的具体原因。3．人工智能的透明度与可解释性人工智能概述3.23.13.3AIGC基础提示词工程基础3.2.1AIGC的定义与特征AIGC即人工智能生成内容，是指利用AI技术，通过深度学习、自然语言处理等方法，自动生成文本、图像、音频、视频等各种内容的技术体系。AIGC为众多行业带来了创新的内容生成模式与解决方案，并展现出巨大的发展潜力，其核心特征如下。依托海量数据深度学习，AIGC可以精准读懂创作诉求，自动产出内容，提升创作灵活度与效率。（1）智能化。AIGC可以大幅缩减构思、取材等阶段的投入，快速产出文案、设计初稿等作品，有效节约时间与人力成本。（2）高效性。AIGC可生成文字、图片、音视频、代码等各类内容，适配多样风格，还能按需调整成品效果。（3）多模态。AIGC支持双向实时沟通，用户可修改指令、提出修改意见，不断优化生成内容。（4）强交互。AIGC可以融合多元创作元素，助力创作者迸发灵感，满足个性化创作需求。（5）创意性。AIGC可以持续更新算法、吸纳新知，以适配各类应用场景。（6）可迭代。3.2.2AIGC的应用领域二一三三AI绘画是AIGC在视觉艺术领域的应用。借助深度学习算法，AIGC能够学习并模仿各种艺术风格，包括古典油画、现代抽象画，甚至创造出新的风格。用户只需提供简单的描述或草图，AI就能自动生成精美的图像作品，满足广告设计、游戏开发、电影制作等多场景需求。AI绘画与图像编辑依托大语言模型等技术，AIGC可以实现语句补全、语法修正、独立撰写文章、创作故事、

翻译语言，乃至进行复杂的逻辑对话。文本生成与辅助创作在音视频领域，AIGC同样发挥着重要作用。从音乐创作、语音合成到视频剪辑、特效制作，AI技术逐步取代传统的手工操作。音视频生成与编辑在软件开发领域，开发者可以使用自然语言描述需求，AIGC则能自动编写出相应的代码，极大地简化了编程流程，提高了开发效率。此外，AIGC还能辅助开发者进行代码审查、优化代码结构、预测潜在bug等，从而保证软件开发质量。代码生成与软件开发3.2.3常见的AIGC工具豆包豆包是由字节跳动研发的聚焦知识服务、内容创作的智能助手，致力于为不同需求的用户提供高效、专业的解决方案。豆包具备深度思考能力，可以串联信息、归纳重点、快速读懂网页、拆解论文、提炼报告等，其界面如图所示。3.2.3常见的AIGC工具DeepSeekDeepSeek是杭州深度求索人工智能基础技术研究有限公司倾力打造的一款前沿人工智能模型，其界面如图所示。DeepSeek具备卓越的语言理解和生成能力，无论是处理日常对话中的问题，还是应对复杂的逻辑推理、代码生成等任务，都能高效地完成。3.2.3常见的AIGC工具千问千问是由阿里巴巴达摩院自主研发的超大规模语言模型，能够妥善处理自然语言理解、文本生成、视觉解析、音频识别、工具调用、角色扮演，以及智能体交互等多重任务。千问依托于大规模、多语言、多模态的数据集进行深度预训练，具备较强的上下文理解能力，可以进行多轮对话，以确保其输出的内容与人类偏好高度契合。千问的界面如图所示。3.2.3常见的AIGC工具讯飞星火讯飞星火是由科大讯飞推出的一款全能型人工智能助手。它融合问答、写作、绘画等多种功能，旨在为用户提供便捷、高效、智能的服务，其界面如图所示。讯飞星火的应用场景非常广泛，包括智能客服、智能写作、智能问答、语言学习等。3.2.3常见的AIGC工具文心一言文心一言是百度公司打造的一款全新知识增强大语言模型，界面如图所示。文心一言具备与人对话互动、回答问题、协助创作等基本功能，更在知识增强、检索增强和对话增强等方面表现出色。3.2.3常见的AIGC工具ChatGPTChatGPT是由OpenAI开发的一种以人工智能技术驱动的自然语言处理工具，基于Transformer神经网络架构，拥有语言理解和文本生成能力。ChatGPT通过连接大量的语料库进行训练，能够进行自然、流畅的对话生成，并根据对话的上下文进行互动。ChatGPT的功能非常丰富，不仅提供文本生成、聊天机器人、语言问答、语言翻译、自动文摘提炼等功能与服务，还涵盖绘画创作与编程开发等领域。3.2.4AIGC的基本用法用户需要根据自己的需求和实际使用情况选择一个合适的AIGC工具。市面上的AIGC工具种类繁多，有的专注于文本生成，有的则擅长图像或音频创作。选择工具通常，在使用AIGC工具之前需首先完成注册，注册过程中会要求用户提供一些基本信息，如用户名、密码、邮箱地址等。注册与登录登录成功后，用户便可以开始使用AIGC工具生成内容。在主界面中，通常会有一个文本框供用户输入问题或对话内容，这些输入的问题或对话内容就是提示词。输入提示词与生成内容用户可以调整和优化生成的内容，主要有以下3种方式。

（1）修改提示词。

（2）提出进一步要求。

（3）调整模型参数。调整与优化输入提示词3.2.5AIGC的使用原则合法性原则。精准适用原则。伦理合规原则。安全可控原则。人工智能概述3.23.13.3AIGC基础提示词工程基础3.3.1提示词工程的定义提示词是用户输入给人工智能模型的指令载体，形式以文本为主，也可包含图像、音频等多模态信息，通常包括任务目标描述、背景上下文信息、输出格式要求3部分。而提示词工程就是对提示词进行系统化设计、优化与验证的全过程。3.3.2提示词工程的作用当用户想要通过多元视角去突破自身原有的认知框架时，往往需要通过设计具有创意性、探索性的提示词来实现。在生成部分内容时，用户可能会有一些比较细节的个性化需求，例如，在生成绘画内容时，对画面的色彩、构图、氛围等有特殊要求，此时也需要通过提示词来细化描述，调整画质、构

图、色彩等细节元素，从而生成符合自己需求的内容。指导创作方向是提示词的基础功能，如果用户需要生成符合预期的内容，首先就需要明确该

内容的主题、情感、风格等，以限定、规范人工智能模型的创作方向。指导创作方向控制细节表现激发深度思考0302013.3.3提示词的常见类型指令型提示词

指令型提示词是直接向人工智能下达明确任务指令，要求其完成“具体动作”的的提示词，在日常使用中极为常见。其核心特征在于目标单一、表述简洁，通常按照“动作+对象”的结构，无须铺垫复杂的背景。角色设定型提示词

角色设定型提示词先为人工智能设定特定“角色身份”和“交互场景”，再让人工智能以该角色的视角完成任务，增强交互的代入感和专业性。其关键在于明确角色的身份、能力、语气风格，使人工智能的输出符合角色定位。分析型提示词

分析型提示词要求人工智能对给定信息进行“拆解、对比、推理或总结”，输出具有逻辑性的分析结果，常用于工作汇报、问题诊断等场景。其核心在于需要提供“分析对象、分析维度”，必要时给出参考数据，帮助人工智能建立推理框架。创作型提示词

创作型提示词要求人工智能进行“创造性输出”，生成具有独特性、情感性或审美性的内容，

广泛应用于文案、故事、设计描述等场景。其特点在于需要提供“创作方向、风格、细节要求”，

且约束越具体，输出越符合预期。信息查询型提示词

信息查询型提示词以“获取特定信息”为目标，旨在让人工智能输出事实性、知识性内容，常用于答疑、调研等场景。其关键在于明确“查询范围”和“信息维度”，以避免模型输出过于宽泛或无关的内容。3.3.4提示词的设计原则指令清晰全面在设计提示词时，应避免使用类似“写一篇美食相关文案”“研判行业走势”这类意义宽泛的表述，可补充受众群体、核心主旨、呈现格式等内容，让任务指向一目了然。指令目标明确不同类型的任务所需补充的关键信息维度各有差异。例如，文本创作类任务需要明确“受

众、主题、字数、风格