《人工智能基础与应用（第二版）》课件 项目2-探索生成式人工智能

人工智能基础与应用｜第二版项目2探索生成式人工智能从机器学习基础到大语言模型实战应用物联网工程学院（信息安全学院）

平震宇前言项目描述：一场由生成式AI引领的爆发式发展大模型元年：2022年11月30日ChatGPT发布，上线仅2个月用户突破1亿；Gemini、文心一言、DeepSeek、豆包、通义千问等大模型相继涌现。技术主线：机器学习三大范式→深度学习与神经网络→Transformer与大规模预训练模型→大语言模型实战（提示词工程）。能力落点：通用提示技巧、角色设定、结构化分解、小样本学习，应用于专业学习、学术研究与职场办公。掌握生成式AI与提示词工程，是高职学生融入智能时代、服务产业升级的重要能力基础。2.1机器学习2.2深度学习2.3大规模预训练模型2.4项目实战：大语言模型实战应用拓展主流模型提示词实践测试项目测试2前言学习目标：知识、技能、素质三位一体知识目标理解与掌握机器学习三大范式（监督、无监督、强化）及核心概念深度学习发展历程，人工神经网络结构与训练原理Transformer自注意力机制与编码器—解码器结构“预训练+微调”范式及RLHF训练过程GPT、BERT两大技术路线区别及国内外主流大模型提示词核心构成要素与七大设计原则技能目标设计与应用能设计高质量提示词能运用角色设定、分步骤拆解、小样本示例、约束限制等进阶技巧能使用DeepSeek、豆包、通义千问完成智能问答、深度推理与联网搜索能借助大模型辅助代码编写、错误调试与代码解释素质目标价值与习惯养成创新思维，规范使用AI工具与技术语言增强技术适应与学习能力，持续掌握最新知识技能增强团队合作意识与协作能力形成技术伦理意识与社会责任感，坚守AI使用规范，尊重原创32.1机器学习机器学习：让模型从数据中学习规律经典程序设计规则数据程序答案机器学习数据答案机器学习算法规则得到的规则可应用于新数据，使计算机自主生成答案——这是机器学习的核心思想图灵之问（1950年）计算机能否自己学会做事？除了“我们命令它做的任何事情”，计算机能否自我学习执行特定任务的方法？没有程序员精心编写的数据处理规则，能否通过观察数据自动学会规则？机器学习的概念正来自图灵的这个问题。基本定义多领域交叉学科融合概率论、统计学、逼近论、凸分析、计算复杂性理论等通过算法让计算机从大量数据样本中自动发现规律、形成模型对未知数据进行预测或决策，无须针对每项任务编写明确规则42.1机器学习机器学习的发展历程：五个阶段（表2-1）阶段时间段核心范式主要特征与代表成果推理期20世纪50—70年代逻辑与规则认为赋予机器逻辑推理能力即可实现智能。代表：图灵测试（1950）、逻辑理论家定理证明系统、早期控制论研究知识期20世纪70—80年代专家系统依赖专家总结规则；费根鲍姆提出知识工程；人工教给计算机知识极其困难，遭遇“知识获取瓶颈”学习期20世纪80—90年代浅层机器学习转向“让机器从数据中主动学习”；决策树、浅层神经网络相继提出，实现从“写死规则”到“数据驱动”的跨越统计期20世纪90年代—21世纪初统计学习强调严格的数学理论与泛化能力；支持向量机（SVM）凭借完备的数学基础崛起，成为主导方法深度与泛化期2006年至今端到端与预训练突破浅层结构局限，实现特征自动提取；从早期深度学习发展到自监督学习和大模型时代，机器具备生成与理解创造能力知识期→学习期：从“写死规则”转向“让数据说话”；深度学习实现特征自动提取；当前进入自监督学习与大规模预训练时代。52.1机器学习机器学习的三大范式：用“挑西瓜”来理解有老师指导监督学习妈妈告诉你：根蒂蜷缩、敲声浊响的是好瓜数据既有特征（颜色、声音），也有标签（好瓜/坏瓜）学会特征→标签的映射f(x)=y，预测新瓜用正确答案（GroundTruth）减小预测误差自学归纳无监督学习一个人去市场，没人告诉你哪个是好瓜数据只有特征，没有标签寻找内部统计规律或聚类：皮色深的一堆、个头大的一组目标：发现隐含结构、分布规律或特征表征（聚类、降维）交互试错强化学习亲自挑瓜、买单、剖开吃：甜→奖励，生→惩罚智能体在环境中通过试错学习，不被告知正确动作没有现成标签，只有行为后的反馈目标：最大化长期累积奖励总和同一个任务，三种学习方式：区别在于有没有标签，以及反馈来自“答案”还是“奖惩”。62.1机器学习监督学习的两类任务：分类与回归输出：离散类别分类（Classification）根据输入特征，将样本分配到预定义的类别之一结果预定义且离散，如识别西瓜的好坏图像识别：猫、狗、汽车等文本分类：新闻、邮件的主题，正面/负面情感输出：连续数值回归（Regression）根据已知输入与输出变量的关系，预测未知输出的数值房价预测：根据面积、位置、房龄预测售价股价预测：根据历史交易数据预测未来某时点价格判断口诀：输出是离散的类别→分类；输出是连续的数值→回归。72.1机器学习三大范式对照（表2-2）表2-2机器学习三大范式的数据特征和代表应用学习范式数据特征代表应用监督学习有标签训练数据（既有特征值，又有标签值）图像识别、垃圾邮件过滤、房价预测、医疗诊断无监督学习无标签数据（只有特征值，无标签）用户分群、异常检测、数据可视化、推荐系统强化学习无预设标签（通过与环境交互获得奖惩反馈）棋类博弈（AlphaGo）、机器人控制、自动驾驶选方法先看任务目标和数据条件。82.1机器学习关键概念①：数据集划分与特征、标签用于学习训练集用于模型参数学习。用于调优验证集用于超参数调优，选择模型与设置。用于评估测试集用于评估模型泛化能力，最终检验在未见数据上的表现。输入变量特征（Feature）描述样本的输入变量，如西瓜的色泽、根蒂、敲击声。特征工程的质量往往决定模型性能的上限。预测目标标签（Label）模型需要预测的目标值，如是否为好瓜。三者必须严格分开，防止数据泄露，避免评价结果过于乐观。92.1机器学习关键概念②：拟合状态、泛化能力与超参数过于简单欠拟合连训练数据的基本规律都未捕捉，训练集和测试集表现均不佳。恰到好处适度拟合在欠拟合与过拟合之间达到平衡，既学到核心模式，又有良好泛化能力，训练集和新数据上都表现良好。过于复杂过拟合死记硬背训练数据的噪声与细节，训练集表现优异，测试集表现极差。核心标准模型泛化能力模型在未见过的新数据上的预测能力，不只看训练数据上的表现。人工设置超参数训练前人工设置，如学习率、树的深度、神经网络层数；不通过梯度下降更新，需交叉验证或搜索调优。102.1机器学习混淆矩阵：把预测对与错拆开看（表2-3）表2-3混淆矩阵类别预测为正类（P）预测为负类（N）实际为正类TP（真正类）预测正确FN（假负类）漏报实际为负类FP（假正类）误报TN（真负类）预测正确TP真正类你说是好瓜，切开果真是甜的TN真负类你说是坏瓜没买，它确实也是生的FP假正类（误报）你说是好瓜，买回家切开是生的FN假负类（漏报）你说是坏瓜没买，朋友买了切开后诱人极了评价指标：面向同一组数据，对不同算法或不同参数给出定量好坏指标；通常需多种指标综合评估。112.1机器学习准确率、精确率、召回率与F1Accuracy准确率(TP+TN)/(TP+FP+TN+FN)预测正确占总样本的比例样本不均衡时会误导：100个瓜里99个坏瓜，全判“坏瓜”也有99%Precision查准率精确率TP/(TP+FP)预测为正的样本中，实际为正的比例“挑出来这堆瓜里有多少是好瓜”Recall查全率召回率TP/(TP+FN)实际为正的样本中，被找出来的比例垃圾邮件过滤：不能容忍把正常邮件当垃圾F1ScoreF1值2×精确率×召回率/(精确率+召回率)精确率和召回率的调和平均数衡量二者保持平衡时的性能没有“万能指标”：要结合业务，判断误报与漏报哪个代价更高。122.2深度学习深度学习的发展历程：四个阶段20世纪40—70年代萌芽与第一次兴盛1943MP神经元模型1958罗森布拉特提出感知机1969明斯基证明单层感知机无法处理异或→第一次寒冬20世纪80年代—2005年复兴与第二次寒冬1982Hopfield网络；1986反向传播推广1989杨立昆CNN用于手写数字商用识别90年代中期SVM崛起，神经网络因算力不足、深层难训练、缺乏可解释性再度低谷2006—2019年爆发与工业化2006辛顿逐层预训练，命名“深度学习”2012AlexNet夺冠：ReLU、Dropout、GPU并行VGG、GoogLeNet、ResNet（残差连接）2014GAN；2016AlphaGo；2017Transformer2020年至今迈向通用人工智能GPT系列验证“规模法则”，规模提升产生涌现能力ChatGPT、Sora：从文本到图像、视频生成向多模态、具身智能、智能体方向发展从“弱人工智能”稳步迈向通用人工智能（AGI）阶段。132.2深度学习深度学习是什么：多层网络自动学特征人工智能（AI）机器学习（ML）神经网络深度学习深度学习最大的突破：自动特征提取“深度”指层数：浅层网络1~2个隐藏层，深度网络几十甚至几百层。第1~2层（浅层）识别边缘、颜色、纹理等基本视觉元素第3~5层（中层）识别耳朵、眼睛、胡须等局部部件第6~10层（深层）整合局部特征，识别完整的“猫”输出层判断“这是一只猫”，并给出置信度图2-3：人工智能⊃机器学习⊃神经网络⊃深度学习，是逐层包含的关系。142.2深度学习人工神经网络与四个关键组件人工神经网络（ANN）：通过大量简单处理单元（神经元）的互联，构建起能够学习数据特征的复杂系统。1神经元网络的基本单元：接收前一层的多个输入信号，经数学运算整合后向下传递。2连接与权重连接是信号传递路径；权重是最重要的参数，大小代表该特征信息的重要程度。训练的本质就是寻找一组最优权重。3激活函数神经网络具备“智能”的关键。没有它，无论多深都只能处理线性问题；它引入非线性，才能模拟复杂现实。4网络层输入层“看”原始数据；隐藏层（可多层）“思考”、提取抽象特征；输出层“给出结论”。152.2深度学习MP神经元模型与激活函数1943年·麦卡洛克与皮茨MP神经元模型模拟生物神经元：树突接收信号→细胞体整合→轴突输出整合信号：输入xi×权重wi后求和阈值判断：总信号超过阈值→“兴奋”输出1；否则“抑制”输出0为后续更复杂的神经元模型与网络结构奠定基础激活函数Sigmoid输出压缩在0到1之间常用于概率预测层数较深时易梯度消失，模型“学不动”激活函数ReLU输入大于0时原样输出计算极快有效缓解深层网络难训练的问题，现代深层网络的首选简单的“开关”逻辑→更平滑、更强大的激活函数。162.2深度学习感知机与多层前馈网络1958年·罗森布拉特感知机线性二分类模型第一次实现“自动学习”：观察错误、调整权重，画出分隔两类数据的“超平面”缺陷：只能处理线性可分问题，无法解决“异或”→神经网络寒冬多层前馈网络（MLP）前向传播增加隐藏层，使模型能拟合任何复杂的非线性函数数据像流水一样从输入层流向输出层每一层都对特征进行加工和抽象深度学习的“灵魂”反向传播模型发现预测错了，将误差信号从后向前传播告诉每一层神经元：“你的权重需要调整多少”经过数以万次的循环，多层前馈网络能从杂乱的像素或文本中提炼出人类难以定义的复杂规律。172.2深度学习神经网络训练的五个步骤1初始化权重训练开始时，所有权重被随机赋值，预测几乎是随机的2前向传播一批训练样本输入网络，逐层计算，在输出层得到预测结果3计算损失用损失函数衡量预测与真实标签的差距，如均方误差（MSE）、交叉熵损失；越小越准4反向传播利用链式法则，从输出层向输入层逐层计算每个权重对损失的贡献（梯度）5梯度下降更新优化器（SGD、Adam等）沿使损失减小的方向微调权重；学习率控制步长不断重复成千上万次迭代，损失逐渐降低、预测越来越准——这就是训练循环（TrainingLoop）。182.3大规模预训练模型Transformer：自注意力取代循环结构2017年，Google《AttentionIsAllYouNeed》提出Transformer：用自注意力取代RNN，实现序列计算完全并行化，训练效率大幅提升。Query查询Q代表当前词的主观意图：“我想在句子中寻找什么样的相关信息？”Key键K代表每个词的特征标签，用于与查询向量匹配，衡量二者的相关程度。Value值V代表词的实际语义内容。当Q与某个K高度匹配时，对应的V获得更大权重，参与最终的语义汇总。应用ChatGPT、GPT-4、LLaMA、Claude、文心一言等大语言模型均以Transformer或其变种为主干网络在计算机视觉领域也展现出非常惊艳的效果。192.3大规模预训练模型注意力的直观类比：非自主提示与自主提示物体驱动非自主提示桌上有报纸、论文、咖啡杯、笔记本和书第一眼被咖啡杯吸引：特征突出，冒着热气，其他物体没有动感算法对应：简单的池化或全连接层，仅凭特征本身提取信息任务驱动自主提示喝完咖啡后你想阅读“想看书”的主观意识引导你忽略杯子，锁定书本由主观意志或先验知识引导的关注自注意力中的查询Q与之对应图2-7：Q相当于“主观意图”（自主提示）；K、V对应被关注对象自身的特征与内容。202.3大规模预训练模型Transformer的编码器—解码器架构输入我是一名学生编码器提取抽象的语义特征解码器“破译”出目标序列输出Iamastudent编码器（Encoder）理解输入为每个输入构造对应的语义表示（语义特征）；每个编码器由自注意力层和前馈网络两个子层组成，结构相同、权重不同。解码器（Decoder）生成输出使用编码器输出的语义表示，结合其他输入生成目标序列。编码器与解码器通常配套使用，但结构和用途相互独立，也可以只用其一。图2-8：编码—解码示意图212.3大规模预训练模型Transformer模型结构：多头注意力、残差与掩蔽编码器：多个相同层叠加两个子层多头自注意力（Multi-HeadSelf-Attention）层基于位置的前馈网络（Position-wiseFeed-forward）自注意力的查询、键、值都来自前一编码器层的输出每个子层采用残差连接，加法之后应用层规范化对输入序列的每个位置，输出一个D维表示向量解码器：多个相同层叠加三个子层掩蔽自注意力：每个位置只能考虑它之前的位置，保留自回归属性，预测仅依赖已生成的词元编码器—解码器注意力：查询来自前一解码器层，键和值来自整个编码器的输出前馈网络；同样使用残差连接和层规范化222.3大规模预训练模型大模型的发展历程：从词向量到万亿级参数2013Word2Vec首个把单词转换为向量的“词向量模型”，便于计算机理解和处理文本2014GAN对抗生成网络，被誉为21世纪影响力极强的算法之一，深度学习进入生成模型新阶段2017TransformerGoogle提出，基于自注意力，解决长距离依赖不足，并行能力为大模型铺路2018BERT与GPT-1BERT开创“预训练+微调”范式，主攻理解；GPT-1开创单向自回归，侧重生成2020GPT-3参数规模达1750亿，在语境学习、自然语言与代码生成上表现突出2022ChatGPT搭载GPT-3.5并结合RLHF，大幅提升对话自然度和准确性2024DeepSeek等国产大模型基于创新架构，算力效率显著提升，推动AI技术进一步发展232.3大规模预训练模型两大技术路线：BERT与GPT对比项BERTGPT架构基于Transformer编码器（Encoder-only），舍弃解码器自回归的Transformer解码器（Decoder-only），不需要编码器读取方式双向读取上下文单向：只能看到已写出的内容，逐词预测下一个词擅长语言理解：文本分类、命名实体识别等开放式文本生成：对话生成、创意写作预训练任务掩码语言模型（遮盖约15%词汇）+下一句预测（NSP）大量续写训练，掌握语言规律规模BERT-Base：12层、1.1亿参数；BERT-Large：24层、3.4亿参数GPT-3（2020）：1750亿参数，奠定GPT系列、LLaMA、DeepSeek等的技术基础形象理解：BERT像做“完形填空”的阅读者，GPT像只能往后“续写”的作家。242.3大规模预训练模型大模型预训练过程：预训练+微调（SFT、RLHF）1预训练（Pre-training）数据：数万亿词条的互联网海量数据（维基百科、代码库、书籍、新闻）自监督学习，无须人工标注：MLM（Encoder）、CLM（Decoder，生成式主流）结果：具备通用能力的基础模型2有监督微调（SFT）用高质量“指令—回答”数据集训练教模型“听懂指令”从“纯文本续写者”变为“智能助手”3人类反馈强化学习（RLHF）同一提示生成多个候选回答，由标注员或高阶AI评估器打分排序训练奖励模型，再用PPO等强化学习优化大模型回答更有用、真实、合乎伦理“预训练+微调”范式极大降低了AI应用的门槛，是大模型走向产业落地的关键。252.3大规模预训练模型同质化与涌现：规模带来的两个现象Homogenization同质化文本、图像、语音等不同领域的AI模型，逐渐统一到以Transformer为核心的基础架构一个基础模型可适配数百种下游任务极大提升AI研发效率Emergence涌现模型规模超过某一临界阈值（如GPT-3的1750亿参数）突然获得训练阶段从未明确学习过的能力：多步数学推理、类比推断、代码生成等至今仍是AI研究的前沿问题之一规模法则（ScalingLaw）：参数量与数据量的提升会产生意想不到的涌现能力。262.3大规模预训练模型国外主流大模型：GPT-5、Gemini3Pro、Claude4.5OpenAI·2025年GPT-5系列旗舰模型：更强通用推理、超长上下文、复杂任务处理内部机制在常规对话与深度推理模式间无缝切换GPT-5.2约400kToken上下文；AIME数学竞赛满分适合深度逻辑推理、超长文档分析、科研报告生成GoogleDeepMind·2025年11月Gemini3Pro百万级Token上下文，适合整本书、全文代码库文本、图像、音频、视频多模态输入“DeepThink”模式：在响应速度与推理深度间权衡适合法律审查、跨文档推理、视觉文本联合分析AnthropicClaude4.5系列Sonnet4.5、Opus4.5、Haiku4.5，覆盖轻量到旗舰快速响应与深度思考自动切换强调输出的安全性与可控性适合高质量代码生成、工作流自动化、企业级文档处理竞争格局：从“参数竞赛”转向“全模态统一”与“博士级推理能力”的较量。272.3大规模预训练模型国内主流大模型①：通义千问与DeepSeek阿里·18个月三代迭代通义千问QwenQwen2.5（2024.9）→Qwen3（2025.4）→Qwen3.5（2026.2）→Qwen3.7（2026.5.20）：从“对齐人类偏好”到“对齐任务目标”Qwen3.7-Max：自主编程、超1000次工具调用，35小时完成推理内核优化；ArenaAI国产第一、全球第五；SWE-benchVerified72.3%，成本仅为海外同级1/28Qwen3.7-Plus：视觉、语言、代码统一基座，融合GUI与CLI，稳定连续运行11小时以上；VisionArena全球前五深度求索·开源DeepSeekV3（2024年底）：MoE架构，6710亿总参数，推理激活约370亿R1（2025.1）：推理专精模型；其后有V3.1、V3.1-TerminusV4（2026）：超长代码提示词的处理与解析实现关键突破，训练全阶段数据模式理解能力无衰减研究“优化残差连接”新训练方法和“Engram”记忆模块；将通用人工智能研发置于短期商业目标之上282.3大规模预训练模型国内主流大模型②：豆包与智谱字节跳动·2026年2月进入2.0豆包大模型2.0Pro、Lite、Mini三款通用智能体模型+Code模型强化视觉感知与推理：IMO、CMO数学奥赛获金牌，超越Gemini3Pro在PutnamBench上的表现推理成本降低约一个数量级：Pro输入3.2元/百万Token，Lite仅0.6元截至2026年6月，日均使用量突破180万亿Token，中国第一、全球前三图像模型Seedream5.0Lite；视频模型Seedance2.0（最长15秒多镜头）智谱·开源GLM-5与GLM-5.2GLM-5（2026.2）：从VibeCoding迈入“完成系统工程”的智能体工程时代GLM-5.2（2026.6）：1MToken超长上下文（相当于《三体》三部曲体量）长程任务基准表现介于ClaudeOpus4.7与4.8之间，是当前排名最高的开源模型；CodeArena全球可用模型第一适配华为昇腾、摩尔线程、海光、寒武纪、昆仑芯、沐曦、壁仞、平头哥八大国产AI芯片292.3大规模预训练模型大模型的应用场景①：生活中的帮手智能家居主动感知的家庭管家平安科技利用无线感知等多模态技术，监控老人行为轨迹，识别跌倒风险并应急预警通义千问AI眼镜、智能耳机、智能指环：“一句话办事”点外卖、订酒店、导航自动驾驶小鹏第二代VLA模型2026年3月发布，取消“语言转译”环节，视觉信号直接生成动作指令脱离高精地图，靠理解场景做决策大模型将成为物理AI世界的操作系统医疗健康全科智能体“AI+中医”：从“经验主导”转向“数据赋能”中医智能体成为24小时健康顾问视觉大模型VLM分析医学影像并自动生成报告个人助理手机里的AI助手2025年生成式AI手机全球出货3.7亿~4亿部，占近30%豆包手机助手嵌入操作系统，跨App比价下单、订票、批量处理文件、查物流302.3大规模预训练模型大模型的应用场景②：工作中的顾问编程助手从补全到独立开发AI智能体十分钟内可靠完成程序员约半小时的任务ClaudeOpus4.5在SWE-bench突破80%Cursor、OpenClaw、GitHubCopilot等使效率提升10~50倍字节Trae：需求分析→编码→测试→部署闭环商业分析企业级“智能大脑”金山办公、百度智能云；SalesforceEinsteinGPT、MicrosoftCopilot自然语言操控ERP、CRM，“意图即操作”京东智能决策大模型优化采购与库存；阿里云企业大脑做画像与销量预测客户服务大模型+智能体双引擎超60%的中央及国有企业已构建“大模型+智能体”双引擎2026年国内企业级智能体市场规模预计468亿元工业制造设计、维护与高炉生成式设计智能体数小时输出数千种方案预测性维护智能体+AR眼镜指导维修宝武携手华为：高炉预测大模型分析数千传感器数据，预测炉温并给调节建议312.3大规模预训练模型大模型的应用场景③：科研助理与创造灵感科研助理科学研究的范式变革我国AI相关专利占全球60%；大模型与科研深度融合纳入“十五五”重点任务从文献检索工具变为主动参与研究全过程的智能科研伙伴科研助理数学推理与实验室自动化2025年多款推理模型在主流数学竞赛达金牌水平（GPT系列、GeminiDeepThink、DeepSeekMath）AIAgent成长为千亿级产业；科研机器人承担重复性实验操作创造灵感视频与多媒体创作RunwayGen、豆包Seedance2.0、Sora2、快手可灵Seedance2.0多镜头叙事与角色一致性，短剧“可用率”提升至90%以上“音画同出”“一人剧组”创造灵感写作、艺术与产品设计文心大模型5.0：创意写作、高难度指令执行表现突出MidjourneyV7、DALL·E3成为设计师标配创意脑暴时间从数天压缩至分钟级322.4项目实战：大语言模型实战应用提示词的构成：上下文、指令、输入、输出一条优秀的提示词＝根据[上下文]+完成[指令]+处理[输入数据]+满足[输出要求]1上下文Context提供背景信息、角色设定或约束条件，帮助模型理解场景、消除歧义。如“你是一位资深产品经理”、目标受众。2指令Instruction明确指示要执行的具体任务，是提示词的“大脑”。用明确的动词开头：总结、翻译、分类、生成，避免模糊表述。3输入Input需要模型处理的具体内容，是任务的“加工原料”：文本、代码、数据表格等，需与指令清晰区分。4输出Output明确期望的格式、长度、风格、语言：如Markdown、JSON、字数限制、语气风格。提示词的构建正从简单的“聊天”转向精准的“工程化设计”；从简单开始，逐步添加，并做好版本控制。332.4项目实战：大语言模型实战应用进阶版提示词格式与七大设计原则进阶版提示词格式（图2-12）任务+参考信息+输出要求+示例+本次输入+输出项七大设计原则1明确具体，避免模糊补充目标、受众、场景、细节2角色设定，激活专业能力行业+经验+专业技能3结构化分解，化繁为简拆成小步骤，思维链分步完成4提供示例，小样本学习给1~3个输入—输出示例5指定输出格式，规范结果表格、JSON、段落、字数6增加约束，减少偏差说明不要什么、边界条件7迭代优化，持续改进看结果、改指令、再尝试342.4项目实战：大语言模型实战应用原则一、二：明确具体；角色设定原则一明确具体，避免模糊模糊写法帮我写篇介绍人工智能的文章。清晰写法请用通俗易懂的语言，为高职一年级新生撰写一篇介绍人工智能基本概念的科普文章，篇幅约600字，包含定义、应用场景和未来发展三个部分。补充任务目标、受众、场景、细节：让模型明确“做什么、为谁做、怎么做”，并避免歧义性词汇。原则二角色设定，激活专业能力角色设定提示词示例你是一位拥有10年行业经验的软件工程师，精通Python和系统架构设计。请帮我分析以下代码存在的性能问题，并给出优化建议。[代码内容]角色要具体到“行业+经验+专业技能”，以增强针对性，适配不同风格、不同专业度的任务。模型不具备“读心术”：提示词越具体，输出越贴合需求。352.4项目实战：大语言模型实战应用原则三、四：结构化分解；小样本示例原则三结构化分解，化繁为简分步骤提示词示例（思维链）请严格按三步进行，每一步输出结果后再进行下一步：第一步：阅读实验数据，找出异常值（标注位置和具体数值）；第二步：结合常温环境下的水质检测场景，分析异常值产生的3个可能原因，不做无依据推测；第三步：针对原因提出3条具体、可操作的实验改进方案。实验数据：[数据内容]原则四提供示例，小样本学习小样本提示词示例请判断评论的情感倾向，输出“正面”“负面”或“中性”。示例1评论：这道菜味道很棒，服务也很周到！情感：正面示例2评论：等待时间太长了，很失望。情感：负面现在请判断：评论：菜品还可以，价格有点贵。情感：分步骤让模型“边想边做”；小样本比文字描述更直观，适合分类、翻译、句式转换等任务。362.4项目实战：大语言模型实战应用原则五、六、七：指定格式；增加约束；迭代优化原则五指定输出格式格式约束示例请分析以下三款智能手机的性价比，以Markdown表格呈现，包含：型号、价格（元）、核心配置、优点、缺点、推荐人群6列，每列不超过20字。手机信息：[手机参数]让输出直接可用，减少二次整理原则六增加约束约束条件示例请总结这篇论文的核心观点，要求：1.字数不超过200字；2.只包含有明确依据的内容，不做主观推测；3.使用第三人称；4.专业术语首次出现时括号注释。说明“不能做什么”，减少“幻觉”原则七迭代优化迭代做法初次尝试后，分析输出的问题：·调整指令·补充上下文·修改输出要求逐步逼近最佳效果。提示词工程是动态迭代的过程七条原则可灵活组合：任务越复杂，越需要角色+步骤+格式+约束协同。372.4项目实战：大语言模型实战应用常用工具①：DeepSeek问答系统常识、专业、历史、科技等领域详尽解答，支持上下文关联的连续追问多语言与编程辅助处理中英文等多语言任务；协助主流编程语言的代码编写、解释与调试文件上传支持图片、PDF、Word、Excel、PPT、TXT等；V4上下文窗口扩展至1MTokens智能搜索根据网络内容回答，弥补预训练数据时效性不足；知识截止2026年7月，之后信息需手动打开“联网搜索”深度思考回答前进行多步骤推理，适用于数学证明、逻辑推理、复杂分析；V3.2等版本在对话框中启用V4新能力补齐原生多模态（图片、视频联合理解），代码生成与复杂图形生成性能跃升国外以OpenAI、Anthropic、GoogleGemini为核心标杆；国内以DeepSeek、豆包、千问为核心。382.4项目实战：大语言模型实战应用常用工具②：豆包与千问字节跳动·一站式智能助手豆包智能对话：新建专属对话，按文本/图像/语音分类管理智能搜索：自然语言问答式检索，筛选、清洗、整合全网信息智能写作：先出三级标题提纲，再扩展为完整文档；可上传参考资料图像生成：多风格；中文文字精准；区域重绘、扩图、擦除智能阅读：PDF/Word/网页链接；视频生成分段总结与脑图编程辅助：100余种语言，一键修复代码错误阿里·基于Qwen3.7系列千问任务助理：规划行程、会议、学习；联动阿里生态完成物流查询、票务预订思考：思维链完整推演，奥数、高数证明、物理建模、逻辑谜题研究：自主联网多源搜索，结论附溯源链接代码：生成、补全、定位Bug、重构、生成前端可视化代码AI生图：插画、写实图、图标，提供修图构图建议翻译：100多种语种互译；AI写作：公文、营销文案、小说392.4项目实战：大语言模型实战应用专业学习赋能①：复习计划与概念讲解任务1定制个性化复习计划角色：《数据库原理》科目复习规划师个人情况：3周后考试，每晚约1.5小时；5个章节标注难度（SQL查询最薄弱）要求：表格呈现（周次、每日任务、复习方法、自测方式）；优先薄弱章节；最后一周留综合测试和查漏补缺要点：个人实际情况越具体，规划越贴合需求任务2项目案例法学习继承与多态角色：擅长生活化比喻的Java讲师；背景：高职计算机大一学生，不理解“方法重写”“向上转型”分步骤：①生活场景解释继承②同一场景解释多态与方法重写③2道由浅入深练习题附答案④3个常见错误及避免方法要点：角色设定+背景说明+分步骤指令402.4项目实战：大语言模型实战应用专业学习赋能②：代码调试、器件原理与综合题任务3代码调试与学习辅助角色：编程助教判断Python代码是否有错、指出位置与原因；给出正确代码；逐行注释解释，面向初学者要点：完整代码、运行环境、任务分解、目标受众任务4半导体器件原理讲解角色：高职微电子专业器件原理老师，擅长类比①生活场景比喻PN结②正/反向偏置的接法、载流子运动与电流③文字版伏安特性曲线（死区、导通、击穿）④2道判断题附解析任务5综合题辅助求解角色：理工科综合题辅导老师；题目：y=0与y=x²−1所围图形绕y轴旋转体的体积四步：草图→选积分方法并说明理由→列式计算→写答案并验证说明学生基础，关键步骤给公式来源大模型为学习提供四方面支持：学习辅助、资源优化、效果评估、综合能力培养。提醒：学习过程保留主动思考，先独立作答，再请模型解释错因，并回到教材核对关键结论。412.4项目实战：大语言模型实战应用学术研究赋能①：论文大纲、文献综述与润色任务6生成高质量论文大纲角色：核心期刊导师；题目：基于深度学习的工业零件表面缺陷检测系统设计；方法：YOLOv8与传统方法对比要求：摘要→结论各章，细化到二级标题；文献综述列5个子方向；说明数据集与评价指标要点：题目具体+方法+详细度+学科规范任务7文献综述：分步追问第一步：按传统方法→机器学习→深度学习梳理；分类网络、目标检测、语义分割三路线及工业挑战；800字内第二步：追问“小样本缺陷检测”的主流方案与代表论文引用须经知网等数据库核实，不直接引用未验证文献任务8学术段落润色角色：熟悉《计算机学报》规范的论文编辑修正语法与不规范表述；口语改学术用语；逻辑连贯、客观严谨保持作者核心观点不变；括号标注每处重要修改的原因422.4项目实战：大语言模型实战应用学术研究赋能②：AI辅助路线与学术诚信（表2-4）表2-4AI辅助路线研究阶段AI辅助内容AI价值使用风险选题阶段用AI头脑风暴研究方向，分析研究空白高低文献阶段用AI梳理研究脉络，生成综述框架高中（须核实引用）方案设计用AI辅助实验方案讨论和方法选型中低写作阶段用AI润色语言、检查逻辑结构高高（须保持原创）修改完善用AI检查格式规范、摘要翻译等高低学术诚信AI只能作为辅助，不能替代独立思考不直接把AI生成内容作为个人作品提交；将其作为灵感来源，经核实、改写与标注后二次创作；引用他人成果须标明出处。432.4项目实战：大语言模型实战应用职场赋能①：通用办公的七类场景1会议纪要整理按「决策事项」「待办事项」「风险预警」分类，补充责任人及时间节点2英文邮件撰写项目跟进类邮件：问候、进展、关键节点、需对方配合内容、期待回复3PPT框架生成“人工智能在企业中的应用”10页框架，每页1个核心观点，配图标与金句4报表可视化制作按地区与产品线生成双层饼图，标注同比增长率，突出重点区域5项目管理规划生成甘特图：任务分解、时间节点、责任人，标注关键路径与资源冲突6工作汇报撰写按“完成工作/进行中工作/下周计划”分类，突出成果、问题与行动7公文写作起草内部正式通知：格式规范、语言简洁，明确事项与执行要求任务9：适配全行业的通用办公场景提示词442.4项目实战：大语言模型实战应用职场赋能②：文案、网络安全方案与技术文档任务10新媒体广告文案角色：10年经验快消品牌文案策划；产品：乐源100%橙汁5条小红书文案：标题15字内+正文80~120字+3个标签；角度各异三要素：产品信息+平台特性+差异化要求；给出竞品参考任务11网络安全方案设计角色：10年经验网络安全工程师；对象：约200人制造业企业防勒索现状：WindowsServer2019，部分Win7待升级，无专业SOC团队Markdown表格：技术措施5条+管理措施3条；50字优先级建议；避免推荐商业品牌任务12工程技术文档撰写角色：资深半导体工艺工程师；培训新成员主题：MOS工艺中的多层栅氧化过程详解要求：原理、工艺步骤、参数控制与异常判断、图示、3个讨论问题；章节编号，约1000字452.4项目实战：大语言模型实战应用职场赋能③：会议纪要与季度销售分析报告任务13会议纪要与工作汇报角