A I 提示工程 基础 •应用•实例醒醒 ， 开始了！大语言模型的智能基座效应 GPT 等生成式语言模型的基座效应明显 能够显著赋能不同领域、 不同形式的下游任务 Qin Y, Hu S, Lin Y, et al. Tool Learning with Foundation Models[J], arXiv:2304.08354, 2023提示工程是一个较新的学科 ，应用于开发和优化提示词 ( Prompt ） ，帮助用户有效地将语言模型用于各种应用场 景和研究领域。全面介绍提示工 程策略和技巧的深 入讨论典型领域的应用重点突出数据分 析与挖掘1走近大模型第一章 智领未来——走进大语言模型1.1 人工智能的发展历程1.2 机器学习与深度学习1.3 自然语言处理1.4 大语言模型人工智能已经从实验案例的 " 可能性 " 演变为各行各业的 " 必选项 "1.1 人工智能的发展历程机器学习 机器学习的本质是寻找函数的能力。 大数据是机器学习应用的最佳场景。 常见的机器学习算法包括有监督学习 （如决策树、 支持向量机、 朴素贝叶斯、神经网络） 、 无监督学习（如聚 类、 降维） 和强化学习等。 机器学习的工作方式将特征表示和分 析处理分离 ， 因此它能够快速应用于 各种领域。1.2 机器学习与深度学习大语言模型 大语言模型实质是一个概率模型 ， 它定义了在 给定前面词语的条件下 ，后面词语出现的概率。 比如 ，在句子 “我喜欢吃苹果” 中 ，模型 可能学到在 “我喜欢吃”后面出现 “苹果 ”的概率很大。 语义信息可以用 1000~10000 次元的词向量表 示 ， 即使在只有 1000 个维度而且每个维度只 能取 -1 或 1 两个值的情况下 ，也可以表示约21000210800 个不同的词向量。 相似词词向 量之间数值距离较近。1.3 自然语言处理 Transformer 构建一个庞大而全面的词共 生关联网络图 ，其中包含了词与词之间的 共生关联关系 ，这种关联关系也被称为注 意力。 注意力机制解决了词与词之间的长距离依 赖问题 基于 Transformer 架构的大语言模型的关 键创新在于通过计算每个词与句子中的所 有其他词之间的相关度 ，确定该词在句子 中更准确的语义表示。1.3 自然语言处理1.3 自然语言处理神经机器翻译（ 1 ）分词：将中文句子分割为单个词语单位。（ 2 ）生成词向量：为每个中文词生成固定长度的数 字向量 ，该数字向量记录了词的语义信息。（ 3 ）编码：采用由一系列计算模块串联组成的编码 器网络 ，分别处理每个...
