【AI加油站】大模型课程系列二：大模型应用：从提示工程到AI智能体——系统化知识地图--合集（附PDF下载）

西南财经大学《大模型应用：从提示工程到AI智能体》课程系统梳理了大模型从原理到落地的全链路知识。以下是核心内容提炼：

一、大模型基础

1. 定义与特征

• 基于Transformer架构，参数量达亿级至万亿级（如GPT-3的1750亿参数），通过预训练+微调实现多任务泛化。

• 典型应用：文本生成、翻译、情感分析、问答系统。

• 从统计语言模型（N-gram）→神经语言模型（RNN/LSTM）→预训练大模型（BERT/GPT）。

二、提示工程（Prompt Engineering）

1. 核心原则

• 明确任务：避免模糊指令（如“写故事”→“写400字童话，主角为小老鼠，主题冒险与友谊”）。

• 角色设定：赋予模型特定身份（如“法律专家”），提升输出专业性。

• 上下文与输出控制：提供背景信息，限定格式、长度（如“50字内总结”）。

• 迭代反馈：通过多轮交互修正输出（如代码优化案例）。

• 情绪勒索法：添加“这对我的职业很重要”提升准确性。

三、AI智能体（Agent）

1. 核心能力

• 自主决策：动态调整策略（如ReAct框架：思考→行动→观察→循环）。

• 工具调用：集成API、数据库等外部工具（如调用天气API规划行程）。

• 记忆系统：短期记忆（上下文）+长期记忆（外部向量存储）。

• 反思机制：Reflexion框架通过自我评估和总结优化决策（如家庭任务中“用台灯检查杯子”的失败反思）。

• 任务分解：将复杂任务拆解为子目标（如旅行规划分解为订票、查天气）。

四、检索增强生成（RAG）

1. 非结构化RAG

• 结合向量数据库（如FAISS）和语义搜索，处理文本/多媒体数据，解决大模型知识过时问题。

• 应用：实时联网搜索（如查询2025年成都马拉松日期）。

• 知识图谱：GraphRAG通过实体关系（如“爱因斯坦→获得→诺贝尔奖”）增强推理。

• 数据库查询：TAG模型将自然语言转为SQL（如“票房最高的经典爱情片”→SQL查询→生成总结）。

五、工具与场景落地

1. 本地部署

• 工具：Ollama（本地运行Llama/DeepSeek）、Cherry AI（多模型客户端）。

• 优势：数据隐私保护、离线使用。

• 办公：ChatExcel自动处理表格、讯飞智文一键生成PPT。

• 创作：即梦AI生成图文、天谱乐作曲、海螺AI制作视频。

• 金融：Vestinda自动化交易策略、Swallow金融定价模型。

六、挑战与未来

• 瓶颈：高延迟、工具安全性、真实用户数据匮乏。

• 趋势：多模态工具（情感识别、3D生成）、更轻量化的工具接口设计。

一句话总结

课程贯通大模型“理论→提示优化→智能体构建→工具集成→场景落地”全链条，强调通过提示工程和RAG技术释放大模型潜能，推动AI从对话到自主行动的跨越。