⼤语⾔模型（Large Language Model）是指具有⼤量参数和复杂结构的深度学习模型，利⽤深度神经⽹络的强⼤能⼒，通过在海量数据上进⾏训练，学习到数据中的复杂模式和特征，从⽽在诸如语⾔理解、预测分析等多种任务中表现出⾊。⼤模型的核⼼原理是基于统计学习理论，通过优化⽬标函数来调整模型参数，使得模型能够准确地泛化到新的、未⻅过的数据上。
通俗解释：LLM是预测下⼀个字是什么的⽂本⽣成模型。
//todo，放一张大模型的图
常见大模型：
●DeepSeek
●豆包
●通义千问
●......
主要特点：
●一般来说，参数量越大，能力越强。
●具有上下文窗口限制，即：一次性能处理的最长字符数有限制。
●不通模型擅长的任务可能有所区别。
提⽰词（Prompt）是⽤⼾与⽣成式⼈⼯智能模型交互的指令或输⼊，⽤于引导模型⽣成符合预期的输出。提⽰词可以是问题、命令、场景描述或⽰例，帮助模型理解任务意图。设计优质的提⽰词是提升大模型性能和⽣成结果质量的关键，涉及语⾔清晰、上下⽂相关、意图明确等策略。
智能体获取外部信息、与外界交互的方法，比如：查询论文、联网搜索等API，即可做成插件让智能体调用。
词向量是计算机可以理解的、在统⼀标准下表⽰任意物体的⼀个数组。
例如：
●“国王”的词向量可能是[0.2, -0.1, 0.5,...]
●“王后”的词向量可能是[0.1, 0.3, 0.4,...]
这里仅是示意，实际向量维度可能更高。
如何将⽂本转换为向量？⽤Embedding模型。 Embedding是⼀种将⾼维的离散数据（如⽂字）映射到低维稠密向量空间的技术，每个Embedding模型有⾃⼰的转换标准，只有在同⼀个Embedding模型标准下的词向量才能够相互匹配与计算。不同Embedding模型降维的维数不同。
例如：
●熊猫这个词embedding之后的向量与埃菲尔铁塔embedding之后的向量的相似度是较⼩的 ，可能在0.2-0.3；
●埃菲尔铁塔和巴黎铁塔这两个词embedding之后，相似度就很⾼，可能在0.8-0.9。
●国王与王后这两个向量之间的距离 ，跟男⼈与⼥⼈之间的距离是很接近的。
RAG（检索增强⽣成）是⼀种结合检索和⽣成的⼤模型技术。它在⽣成内容前，先通过检索模块从外部知识库中获取相关信息，然后将检索结果与⽤户输⼊⼀起作为⽣成模型的输⼊，以⽣成更加准确和知识丰富的回答。这种⽅法能够显著提升模型的知识覆盖⾯和回答精准度，常⽤于问答系统、⽂档摘要和内容⽣成等场景。
