2025大模型入门必读：Prompt指令技巧精讲，看这一篇就够了！

一、提示词的基本概念

在人工智能生成内容（AIGC）迅速发展的今天，如何有效地与AI大模型沟通，让它们产出我们真正需要的内容，已经成为一项重要技能。而这项技能的核心，就是本文要深入探讨的"提示词工程"（Prompt Engineering）。

1.1 什么是提示词

提示词（Prompt）是用户输入给AI大模型的指令，是人类与AI之间沟通的桥梁。一个好的提示词能够明确地传达我们的意图，引导AI生成符合我们期望的内容。

在实践中，提示词就像是我们给予AI的一个任务描述，它告诉AI：“我需要你做什么”、“以什么方式做"以及"输出什么样的结果”。

1.2 提示词的功能特性

提示词工程的核心在于三个环节：输入、大模型处理和输出。

• 输入（Input）：用户以自然语言的形式描述任务需求和目标。这个阶段，我们需要清晰、准确地表达我们的需求。

• 大模型处理：AI大模型接收提示词后，会基于自身训练的数据和能力进行处理。在这个阶段，模型会解析提示词中的指令，理解用户意图，并准备相应的输出。

• 输出（Output）：大模型根据提示词生成相应的内容。输出的质量和相关性很大程度上取决于提示词的质量。

1.3 提示词工程的重要性

在AI应用过程中，提示词工程具有以下几方面的重要性：

• 提高输出质量：精心设计的提示词能显著提升AI输出的相关性、准确性和有用性。
• 节省资源和时间：有效的提示可以减少反复尝试的次数，提高效率。
• 实现复杂任务：通过结构化的提示词，可以引导AI完成更复杂、更具挑战性的任务。
• 跨领域应用：提示工程的技巧可以应用于各种不同领域的AI任务中。

正如有句话所说：“给AI的提示就像是给艺术家的草图，越详细，越能得到符合期望的作品。”

二、提示词的基本构成要素

2.1 提示词是一门学习引导AI思考的艺术

提示词工程本质上是一门学习如何引导AI思考和推理的艺术。要设计有效的提示词，我们需要理解其基本构成要素。

2.2 四大核心组成部分

2.2.1 指令（Instruction）

指令是提示词的核心，它明确告诉AI需要做什么。例如：

“分析以下文本的情感倾向”

“将以下段落翻译成英文”

“创建一个关于太空探索的故事大纲”

好的指令应当：①清晰直接，避免歧义；②具体说明任务的性质和目标；③适当使用动词开头，如“分析”、“总结”、“创建”等。

2.2.2 上下文（Context）

上下文为AI提供必要的背景信息，帮助它更好地理解任务。上下文可以包括：①相关的背景知识；②任务的来源和目的；③特定领域的专业信息；④时间、地点等环境因素。

例如，在请求AI分析一篇文章时，提供该文章的发表背景、作者立场或写作目的会极大地提高分析的质量。

2.2.3 输入数据（Input Data）

输入数据是AI需要处理的具体内容，可以是：①文本段落；②数据集；③问题描述；④要求翻译或总结的材料。提供高质量、相关的输入数据对于获得好的结果至关重要。

2.2.4 输出指示符/格式（Output Indicator/Format）

输出指示符明确告诉AI应该以什么形式呈现结果。例如：

“请以表格形式列出”

“请用JSON格式返回结果”

“请分点概述，每点不超过30字”

“请以第一人称回答”

明确的输出格式要求能确保AI的回应符合我们的使用需求。

三、提示词的五大基本原则

3.1 原则一：清晰性与具体性

3.1.1 核心理念

AI大模型的本质是预测下一个词，因此，提示词的清晰性和具体性对于引导AI正确理解我们的意图至关重要。模糊不清的指令往往会导致不准确或不相关的回应。

3.1.2 如何实现清晰与具体

• 使用明确的指令：避免使用"或许"、"可能"等模糊修饰语，直接说明需要什么。

• 避免歧义：一个提示词应该只有一种合理的解释，避免多重指令混合。

• 使用具体的量化指标：如"提供3个例子"、"分析500字左右"等。

• 结构化你的提示：使用分段、标题或编号等方式使提示词条理清晰。

3.1.3 实践技巧

在提示词中需要使用精确的术语和定义，此外，需明确说明你需要的是事实、观点、分析还是创意。在复杂任务中，建议将大任务分解为小步骤。

例如，不要仅仅说"写一篇关于气候变化的文章"，而是应该说"写一篇800字的文章，分析气候变化对北极地区生物多样性的三大主要影响，并引用最近五年的研究数据"。

3.2 原则二：提供充足的上下文

3.2.1 核心理念

上下文是AI理解任务范围和深度的关键。充足的上下文能够帮助AI更准确地理解我们的需求，从而提供更相关的回应。

3.2.2 如何提供有效上下文

• 明确任务背景：说明为什么需要这个信息，以及它将如何被使用。
• 提供相关信息：包括任何可能影响输出的背景知识或条件。
• 解释专业术语：如果涉及特定领域的专业词汇，提供必要的解释。
• 设定适当的范围：明确说明任务的范围边界，避免AI回答过于宽泛或狭窄。

3.2.3 实践技巧

• 在提示词开始时提供简短的背景介绍。
• 如果有参考资料，可以引用或附上相关内容。
• 说明受众是谁，帮助AI调整回答的语调和复杂度。

例如，不要仅仅说“解释量子计算”，而是应该说“为一个高中科学俱乐部的学生解释量子计算的基本原理，他们已经理解了基本的物理概念，但对量子力学没有接触过”。

3.3 原则三：明确任务与目标

3.3.1 核心理念

明确地表达我们需要AI做什么，以及希望达到什么目的，是获得满意回答的关键。AI需要理解不仅是任务本身，还有任务背后的目标。

3.3.2 如何明确任务与目标

• 说明任务类型：是分析、创作、翻译还是解释等。
• 阐明任务目的：这个任务是为了什么，希望解决什么问题。
• 指定期望的结果形式：是需要详细解释、简短概述还是创意方案。
• 设定评估标准：说明如何判断任务完成的好坏。

3.3.3 实践技巧

• 使用清晰的动词开头，如“分析”、“比较”、“创建”等。
• 明确说明你期望看到的具体结果。
• 在适当情况下，提供成功完成任务的示例或参考。

例如，不要仅仅说“写一篇市场分析”，而是应该说“撰写一份市场分析报告，评估人工智能在医疗行业的应用前景，重点关注成本效益、技术可行性和法规挑战三个方面，目的是为一家医疗科技初创公司提供市场进入策略参考”。

3.4 原则四：考虑受众

3.4.1 核心理念

AI的回应应该适应不同受众的需求和理解水平。在提示词中明确指出目标受众，可以帮助AI调整内容的复杂度、专业性和表达方式。

3.4.2 如何针对受众优化提示词

• 明确受众背景：说明受众的知识水平、专业背景或年龄段。
• 指定内容复杂度：根据受众特点要求简单易懂或深入专业的内容。
• 设定适当的语调：根据场合需要正式、轻松或专业的语调。
• 考虑文化背景：如果内容会被不同文化背景的人阅读，注意避免文化偏见或误解。

3.4.3 实践技巧

• 在提示词中明确说明：“这个内容将面向…”。
• 提供受众可能已有的知识点和可能感兴趣的方面。
• 指定适合受众的例子或类比。

例如，不要仅仅说“解释区块链技术”，而是应该说“为没有技术背景的商业管理人员解释区块链技术，重点介绍其商业价值和应用场景，避免过多技术细节，使用商业领域的类比和例子”。

3.5 原则五：迭代思维

3.5.1 核心理念

复杂问题往往需要分步骤思考。通过引导AI采用迭代思维，可以获得更深入、更全面的回答。

3.5.2 如何促进迭代思维

• 引导步骤化思考：要求AI先分析问题，然后逐步推导结论。
• 鼓励多角度考虑：要求AI从不同视角审视问题。
• 设置反思环节：要求AI在给出答案后，对答案进行评价或提出改进。
• 促进持续优化：通过多轮对话，不断完善和深化回答。

3.5.3 实践技巧

• 在提示词中明确说明：“请按以下步骤思考…”。
• 鼓励AI首先分析问题，然后再给出解决方案。
• 要求AI在给出结论前考虑多种可能性。

例如，不要仅仅说“分析公司扩张的可行性”，而是应该说“请分析公司扩张到海外市场的可行性，首先分析当前市场状况和公司优势，然后评估潜在市场的机会与挑战，接着考虑资源需求和风险因素，最后基于以上分析给出建议和可能的实施路径”。

四、提示词的七大常见技巧

4.1 技巧一：零样本提示（Zero-Shot Prompting）

4.1.1 概念介绍：

零样本提示是指在不提供任何示例的情况下，直接要求AI完成任务。这种方法依赖于模型的预训练知识和泛化能力。

4.1.2 适用场景：

①简单、常见的任务；②模型已经有充分能力理解和执行的任务；③需要快速获取回答的情况；④探索模型的基本能力。

4.1.3 实践示例

“分析以下文本中的情感倾向，判断其是积极、消极还是中性。”

“将以下英文段落翻译成中文，保持原文的风格和语气。”

4.1.4 优化建议：

①提供清晰、直接的指令；②明确说明任务的性质和目标；③如果结果不理想，考虑增加示例或提供更多上下文。

4.2 技巧二：少样本提示（Few-Shot Prompting）

4.2.1 概念介绍：

少样本提示是指在提示词中提供少量示例，帮助AI理解任务模式和期望的输出形式。这种方法通过"学习示例"来引导模型生成类似的结果。

4.2.2 适用场景：

①需要特定格式或风格的输出；②任务较为复杂或不常见；③希望模型学习特定模式或规则；④需要高度一致性的多个输出。

4.2.3 实践示例：

将以下句子改写成更正式的语气：

示例1：
原句：这事儿真烦人。
改写：这个情况确实令人感到困扰。

示例2：
原句：他总是迟到，超级不靠谱。
改写：他经常无法准时到达，这显示出缺乏责任感。

现在，请改写以下句子：
原句：那个会议无聊死了，简直浪费时间。

4.2.4 优化建议

• 提供2-3个高质量的示例，确保它们代表任务的多样性。
• 示例应明确展示输入和期望的输出。
• 保持示例格式一致，便于模型识别模式。
• 示例应从简单到复杂。

4.3 技巧三：角色提示（Role Prompting）

4.3.1 概念介绍：

角色提示是指让AI扮演特定的角色或身份，从该角色的视角和专业知识出发来回答问题或执行任务。这种方法可以激活模型在特定领域的知识和表达风格。

4.3.2 适用场景

• 需要特定专业领域的知识和见解。
• 希望获得特定风格或语调的回答。
• 需要从特定视角分析问题。
• 创意写作或角色扮演任务。

4.3.3 实践示例

“请以资深金融分析师的身份，评估特斯拉最近的季度财报，重点关注其盈利能力、现金流和市场扩张策略。”

“作为一位经验丰富的儿科医生，请解释如何处理婴儿发烧的情况，包括什么时候需要就医以及家庭护理的建议。”

4.3.4 优化建议

• 明确定义角色的专业背景和特点。
• 说明角色应该具备的知识领域和专长。
• 根据角色调整语气、术语和分析深度。
• 可以定义角色的价值观或行事风格。

4.4 技巧四：明确输出格式要求（Specifying Output Format）

4.4.1 概念介绍：

明确输出格式要求是指在提示词中详细说明我们希望AI以什么形式呈现结果，例如列表、表格、JSON、HTML等特定格式。

4.4.2 适用场景

• 需要结构化数据以便进一步处理。
• 希望信息以特定格式展示以提高可读性。
• 需要将AI输出集成到其他系统或工具中。
• 希望获得一致、标准化的多个输出。

4.4.3 实践示例

“分析以下三家公司的财务表现，并以表格形式呈现结果，包括以下指标：营收增长率、净利润率、资产回报率和负债比率。”

“将以下客户反馈进行情感分析，并以JSON格式返回结果，包含每条反馈的ID、主要情感倾向（积极/消极/中性）、情感强度（1-5分）和关键词。”

4.4.4 优化建议

• 明确说明所需格式的具体细节和结构。
• 如有必要，提供格式示例。
• 说明每个字段或部分的预期内容。
• 指定任何特殊的格式要求或限制。

4.5 技巧五：使用约束与否定提示（Constraints & Negative Prompts）

4.5.1 概念介绍：

约束和否定提示是指在提示词中明确说明什么是不应该做的，或者设定特定的限制条件。这种方法可以帮助避免不希望的输出内容或特性。

4.5.2 适用场景

• 需要避免特定类型的内容或观点。
• 希望输出遵循特定的限制条件。
• 需要防止模型生成不相关或过于冗长的内容。
• 需要控制回答的方向或范围。

4.5.3 实践示例

“解释量子计算的基本原理，面向高中生，不使用复杂的数学公式，避免使用专业术语，如果必须使用，请提供简单解释。回答不要超过300字。”

“撰写一篇关于健康饮食的文章，不要包含具体的减肥建议，不要推荐特定品牌的产品，避免使用医学术语，重点关注日常可实施的饮食习惯。”

4.5.4 优化建议

• 清晰列出不希望出现的内容或特性。
• 提供约束的理由，帮助模型理解意图。
• 在设置约束的同时提供积极的指导。
• 使用精确的语言描述约束条件。

4.6 技巧六：思维链（Chain of Thought）

4.6.1 概念介绍：

思维链是一种引导AI展示其推理过程的技术，让模型一步步地思考和解决问题，而不是直接给出结论。这种方法可以提高复杂问题的解决质量，并使推理过程更加透明。

4.6.2 适用场景

• 复杂的逻辑推理或数学问题。
• 需要多步骤分析的决策问题。
• 希望了解AI如何得出结论的情况。
• 教学或培训目的，展示问题解决思路。

4.6.3 实践示例

“解决以下概率问题：一个袋子里有3个红球和2个蓝球，如果随机抽取2个球，求抽到至少1个红球的概率。请一步步思考，展示你的推理过程。”

“分析这家公司是否适合投资，请考虑其财务状况、市场份额、竞争优势和行业前景。在给出最终建议前，请逐步展开你的思考过程。”

4.6.4 优化建议

• 明确要求AI展示步骤化思考。
• 可以提供思考框架或引导问题。
• 鼓励考虑多种可能性和假设。
• 要求在每一步验证推理的合理性。

4.7 技巧七：任务分解提示（Task Decomposition Prompt）

4.7.1 概念介绍：

任务分解提示是指将复杂任务分解为一系列简单、可管理的子任务，然后逐步指导AI完成每个子任务。这种方法可以提高复杂任务的成功率，并获得更结构化的输出。

4.7.2 适用场景

• 高度复杂或多层次的任务
• 需要多种不同类型分析的问题
• 长期或大型项目的规划
• 需要多阶段处理的创意或研究任务

4.7.3 实践示例

“请帮我策划一个为期三天的学术会议，请按以下步骤进行：

1）首先，确定会议的主题和目标受众。

2）然后，设计会议的日程安排，包括主题演讲、分组讨论和社交活动。

3）接着，列出会议所需的资源和预算估算。

4）最后，提出宣传和参会者招募的策略。”

4.7.4 优化建议

• 将任务分解为清晰、有逻辑的步骤。
• 为每个步骤提供具体的指导和要求。
• 说明步骤之间的关系和依赖性。
• 可以要求AI在继续下一步之前确认当前步骤的完成质量。

五、提示词的六大框架

在实际应用中，以下六种框架可以帮助我们更系统地构建有效的提示词。

5.1 框架一：RICE框架

RICE框架包含四个核心要素：

• 角色（Role）：指定AI应该扮演的角色或身份。
• 指令（Instruction）：明确任务要求和期望。
• 上下文/约束（Context/Constraint）：提供背景信息和限制条件。
• 示例（Example）：提供参考示例或期望输出的样本。

RICE框架特别适合需要特定专业知识或风格的任务，如专业写作、角色扮演或技术分析。

5.2 框架二：TRACE框架

TRACE框架由六个部分组成：

• 任务（Task）：清晰定义需要完成的任务。
• 角色（Role）：指定AI应扮演的角色。
• 背景（Request）：提供任务的上下文和背景。
• 行动（Action）：具体说明需要采取的行动。
• 上下文（Context）：提供相关的背景信息和约束。
• 示例（Example）：提供参考示例。

TRACE框架适合复杂、多层次的任务，特别是那些需要丰富背景信息和具体行动指导的情况。

5.3 框架三：BROKE框架

BROKE框架包含五个关键元素：

• 背景（Background）：提供任务的整体背景。
• 角色（Role）：指定AI的角色定位。
• 目标/任务（Objectives）：明确需要达成的目标。
• 关键结果（Key Result）：说明期望的具体输出或成果。
• 进化（Evolve）：指导如何改进或发展内容。

BROKE框架特别适合需要清晰目标和可衡量结果的项目或任务。

5.4 框架四：PAS框架

PAS框架采用经典的问题-激发-解决方案结构：

• 问题（Problem）：明确定义需要解决的问题。
• 激发项（Agitation）：强调问题的紧迫性或重要性。
• 解决方案（Solution）：引导AI提供解决方法。

PAS框架适合需要解决具体问题的情况，特别是在营销、客户服务或咨询类任务中非常有效。

5.5 框架五：RACE框架

RACE框架包含四个组成部分：

• 角色（Role）：AI应扮演的角色。
• 行动（Action）：需要执行的具体行动。
• 上下文（Context）：提供相关背景和情境。
• 期望（Expectation）：明确说明期望的结果。

RACE框架注重行动导向和明确期望，适合需要具体行动建议或决策的任务。

5.6 框架六：CO-STAR框架

CO-STAR框架源于传播学，包含六个要素：

• 上下文（Context）：情境和背景信息。
• 目标（Objective）：明确的目标和意图。
• 风格（Style）：表达的风格和基调。
• 语气（Tone）：交流的语气和态度。
• 受众（Audience）：目标受众群体。
• 回应（Response）：期望的回应或反馈。

CO-STAR框架特别适合内容创作、沟通策略和营销文案等需要精确控制风格和语气的任务。

六、提示词工程的实践应用

6.1 不同场景下的提示词优化

在不同的应用场景中，提示词的构建方式也会有所不同。以下是几个常见场景的提示词优化策略：

6.1.1 模糊指令

错误示例：

“写一篇关于人工智能的文章。”

修正方法：

“写一篇1500字的文章，探讨人工智能在医疗领域的应用现状与伦理挑战，针对有基础医学知识但对AI了解有限的医疗工作者，使用专业但不过于技术化的语言。”

6.1.2 缺乏上下文

错误示例：

“分析这些数据的趋势。”

修正方法：

“分析附件中过去五年全球可再生能源投资数据的趋势，重点关注太阳能与风能投资对比，目的是为能源政策制定者提供决策参考。”

6.1.3 混合多个任务

错误示例：

“分析这个产品，给出营销建议，并写一份新闻稿。”

修正方法：

先请求分析：“请分析这款新智能手表的市场定位和竞争优势。”

然后基于分析请求营销建议：“基于上述分析，提出三个具体的营销策略建议。”

最后请求新闻稿：“现在，使用分析结果和营销建议，撰写一份300字的产品发布新闻稿。”

6.1.4 忽视受众特点

错误示例：

“解释量子计算原理。”

修正方法：

“为高中科学俱乐部的学生解释量子计算的基本原理，他们熟悉经典物理学概念但对量子物理知之甚少。使用生动的类比和简化的解释，避免深入数学公式。”

6.1.5 缺乏格式指导

错误示例：

“总结这篇研究论文。”

修正方法：

“按以下结构总结这篇关于深海微生物研究的论文：1）研究目标（1-2句）；2）使用的方法（3-4点）；3）主要发现（5点以内）；4）研究意义和应用前景（2-3句）。总字数控制在500字以内。”

七、提示词工程的高级应用

7.1 提示词的链式应用

提示词链是指将多个提示词按照逻辑顺序连接起来，形成一个完整的工作流程。每个提示词专注于一个特定任务，输出作为下一个提示词的输入。

7.1.1 应用场景

• 复杂的研究或分析项目。
• 多阶段的内容创作。
• 需要多角度评估的决策过程。
• 需要反复优化的设计工作。

7.1.2 实施方法

1）任务分解：将大型任务分解为一系列小型、连续的子任务。

2）顺序设计：确定子任务的最佳执行顺序。

3）接口设计：确保每个任务的输出能顺利成为下一个任务的输入。

4）反馈循环：在必要时加入反馈和优化环节。

7.1.3 案例示例

学术论文写作链：生成研究主题和问题 → 创建文献综述大纲 → 详细文献分析→ 研究方法设计 → 结果预测和讨论框架 → 结论和未来研究方向。

7.2 自动提示词工程

自动提示词工程是指使用算法或AI辅助生成和优化提示词的过程，减少人工试错的时间和成本。

7.2.1 主要方法

• 模板化提示词：为常见任务创建可复用的提示词模板。
• 提示词生成器：使用专门的工具自动生成特定领域的提示词。
• 提示词优化算法：通过测试和反馈自动调整提示词参数。
• 提示词库：建立和维护高效提示词的集合供团队使用。

7.2.2 实施步骤

1）收集常见任务和需求类型。

2）为每种类型设计基础提示词模板。

3）确定可变参数和选项。

4）创建用户友好的界面进行参数配置。

5）实施质量评估和自动优化机制。

7.3 提示词与其他技术的结合

提示词工程可以与其他AI和数据技术结合，发挥更大的价值。

7.3.1 提示词与数据分析

• 使用提示词指导AI分析大型数据集。
• 将数据可视化结果与提示词结合生成洞察。
• 使用提示词创建自定义报告和数据解释。

7.3.2 提示词与专业工具集成

• 将提示词工程整合到专业软件工作流程中。
• 开发插件或API连接，实现无缝工作体验。
• 创建特定领域的提示词库和最佳实践。

7.3.3 提示词与多模态AI

• 设计跨越文本、图像、音频等多种模态的综合提示词。
• 使用提示词引导AI理解和生成多模态内容。
• 探索不同模态间的转换和增强技术。

八、提示词工程的未来发展

8.1 技术趋势

随着AI技术的不断发展，提示词工程也在持续演化，主要趋势包括：

8.1.1 更智能的提示词理解

• AI模型对提示词的理解能力将更加智能化。
• 模型可能能够理解更模糊、更自然的人类指令。
• 上下文理解能力将大幅提升，减少显式说明的需要。

8.1.2 提示词自我优化

• AI可能具备自我改进提示词的能力。
• 模型可以根据用户意图推断最佳提示词形式。
• 交互式提示词优化将变得更加普遍。

8.1.3 多级提示词架构

• 提示词可能演化为具有层次结构的复杂系统。
• 元提示词可以用来指导和控制子提示词的行为。
• 专业化提示词可以处理特定领域的深度知识。

8.2 应用前景

提示词工程在未来将拓展到更多领域和应用场景：

8.2.1 企业级提示词管理

• 企业将建立专业的提示词工程团队。
• 提示词库将成为企业重要的知识资产。
• 提示词安全和合规将成为重要考量。

8.2.2 个性化AI助手

• 个人用户可以通过提示词定制专属AI助手。
• 提示词将融入用户习惯和偏好。
• 长期使用的AI助手将通过提示词演化适应用户。

8.2.3 跨语言和跨文化提示词

• 提示词工程将更加关注多语言和跨文化应用。
• 全球化提示词模板将适应不同地区的文化背景。
• 自动翻译和文化适应的提示词技术将兴起。

8.3 伦理与责任

随着提示词工程的影响力增加，相关的伦理和责任问题也需要更多关注：

8.3.1 提示词透明度

• 用户应当了解提示词如何影响AI输出。
• 商业应用中应明确披露使用的提示词策略。
• 提示词审计机制可能成为未来的监管要求。

8.3.2 防止误导和操纵

• 预防通过提示词工程产生误导性内容。
• 建立提示词使用的行业标准和最佳实践。
• 开发检测不当提示词的防护机制。

8.3.3 提示词民主化

• 确保提示词工程技能能够广泛普及。
• 开发易用的提示词工具，降低使用门槛。
• 推广提示词工程教育，提高公众认知。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】