大模型基础认知与Prompt提示词工程完整笔记

摘要：本文从零梳理大模型基础原理、技术演进、训练流程、运行机制、行业应用，系统讲解Prompt提示词工程全套实战方法，包含零样本/少样本/RAG/角色设定/格式约束/思维链技巧，最后总结大模型风险体系与合规治理方案，适合AI入门、面试复习、职场实战。

一、大模型基础认知
1.1 生成式人工智能（AIGC）
定义：让人工智能产生结构化、复杂内容的技术，核心是赋予AI自主创作能力。
常见品类：对话类大模型、绘图类大模型、多模态模型、语音大模型等。
实用能力：修改论文、撰写邮件、文案润色、内容创作、问题解答，可作为全能办公助理。
局限性：模型受训练数据限制，存在固有偏见、知识滞后与幻觉问题。
1.2 大模型整体认知与技术演变
（1）大模型优点
能够整合海量数据与知识库，根据用户需求智能提炼、总结、重组内容，高效输出高质量答案。
（2）技术演变脉络
人工智能为顶层总领域，整体呈现嵌套式层级递进发展关系：
人工智能（总领域）→ 两大分支：机器学习ML、深度学习DL → 生成式人工智能（AIGC）
（3）机器学习 ML 三大学习范式

  • 监督学习：依托标注数据集训练，用于分类、预测任务。
  • 无监督学习：基于无标注原始数据，自主挖掘数据规律。
  • 强化学习：模型自主试错、迭代优化，提升决策能力。
    （4）深度学习 DL 神经网络架构
    深度学习依托神经网络实现，主流三大架构：
  1. 卷积神经网络 CNNs
  2. 循环神经网络 RNNs
  3. Transformer 网络（大模型核心基础架构）
    1.3 大模型训练完整流程
    预训练 → 监督微调（SFT）→ RLHF（人类反馈强化学习）
    核心目标：让模型输出贴合人类价值观与使用偏好，减少幻觉、规避有害及违规内容。
    1.4 大模型分类体系
    （1）底层技术划分
    基于Transformer架构：大语言模型（LLM）、多模态模型。
    （2）任务场景划分
    多模态模型可处理文本、图像、音频、视频等多格式输入。
    模态类型
    应用场景
    视觉+文本
    VQR视觉问答、图像字幕、图文检索、文生图、图生图
    音频+文本
    语音生成、语音摘要、语音识别、语音转写
    音频+视觉
    音生图、虚拟人演讲人脸生成
    1.5 大模型工作运行原理
    用户通过 Prompt（提示词） 与大模型完成交互。
    （1）分词与词表映射
    分词化：将句子拆分为最小语义单元 Token。
    分词粒度：
  • 词粒度：适用于英文等西方语言
  • 字符粒度：中文最直接分词方式
  • 子词粒度：词根、词缀拆分
    （2）文本生成过程
    采用自回归生成：根据已有Token，概率预测下一个最大概率Token，逐字生成，直到达到长度阈值或终止Token。
    1.6 大模型应用场景（通义系列为例）
  • 通义千问：通用大语言模型
  • 通义万相：图像+文本生成模型
  • 通义百聆：语音大模型
  • 通义灵码：代码辅助开发
  • 通义听悟：会议速记、同声传译
  • 通义法睿：法律垂直场景
  • 通义晓密：智能客服咨询
  • 通义星尘：虚拟角色个性化创建
  • 通义点金：金融财报、研报分析

二、AI大模型的使用（Prompt提示词工程）
2.1 批量数据处理方案

  • 几十份数据：人工整理
  • 上百份数据：大模型批量处理
  • 上万份数据：调用API自动化批量处理
    2.2 提示词优化体系
    （1）提示词工程步骤
    理解任务需求 → 构建有效提示词 → 评估提示词效果 → 持续迭代优化
    （2）核心提示词技巧
    ① 零样本提问（直接提问）
    不提供案例，依靠模型原生能力完成任务。要求：简洁、具体、无歧义、上下文完整。
    ② 少样本提示（增加示例）
    提供少量示例，让模型学习任务规则，适合分类、判别任务。海量专业场景可结合 RAG检索增强生成。
    示例选择原则：代表性、多样性、格式统一、可模型自生成。
    ③ 角色分配设定
    给模型设定身份、性格、职业、目标、语言风格、约束规则，实现专业化输出。支持动态调整角色状态。
    ④ 限定输出风格与格式
    风格限定：文体、语气、作者风格、情感基调、句式修辞。
    格式限定：字数、段落结构、列表、表格、JSON、学术引用、公文格式。
    ⑤ 思维链 CoT 复杂任务拆解
    引导模型分步推理，避免跳步，大幅降低逻辑错误。
    （3）提示词框架分类
  • 纯指令型
  • 背景+指令型
  • 指令/背景+输出指示型
  • 综合复合型提示（高精度任务首选）
    （4）通用模型与推理模型选用策略
    简单、高时效任务使用通用模型；复杂逻辑、多步推理任务使用推理模型；可组合使用实现Agent决策+执行。

三、大模型风险与合规治理
3.1 风险来源
（1）个人信息风险
训练阶段隐私泄露、推理阶段用户隐私采集泄露。
（2）内容安全风险
模型幻觉、虚假内容生成，来源于数据缺陷、模型缺陷、使用不当、环境因素。
（3）模型安全风险
传统软件漏洞 + 生成模型特有攻击（Prompt注入、对抗攻击）。
（4）知识产权风险
训练数据版权、生成内容版权纠纷。
3.2 风险治理方案
（1）个人信息治理
数据分级分类、隐私脱敏、拒绝隐私生成、合规处理。
（2）内容安全保障
应用层风险拦截、内容溯源与声明、模型风险评测、训练阶段安全对齐。
（3）模型安全防控
鲁棒性对抗测试、公平性优化、可解释性溯源。
（4）知识产权保护
数据合规获取、内容溯源、制度革新监管。

四、总结
本文完整覆盖大模型底层原理、训练逻辑、运行机制、行业应用、Prompt工程全套技巧、模型风险与合规体系，是一套可直接用于学习、面试、工作落地的完整版笔记。