大模型时代:与 AI 对话的艺术

大模型:AI 的一次革命

2022 年 11 月,ChatGPT 发布,5 天用户破百万。此后,DeepSeek、豆包、Kimi、通义千问……大模型改变了人与计算机交互的方式。到 2025 年,DeepSeek-R1 以仅约 600 万美元的训练成本,实现了媲美顶级模型的推理能力,让高性能 AI"飞入寻常百姓家"。

什么是大语言模型

**大语言模型(LLM)**是用海量文本训练的超大 AI,能理解和生成人类语言。

"大"体现在:

• 训练数据大:读完了几乎整个互联网的文本(几万亿个词)
• 参数量大:模型内部有数千亿个"参数"(相当于神经突触)
• 算力消耗大:训练一次花费数百万到上千万美元(但 DeepSeek 证明了可以更少)

2025-2026 年主流大模型:国外的有 GPT-5、Claude 4.6、Gemini 3.1;国内的有 DeepSeek-V3.2、通义千问 Qwen、豆包。它们各有所长——DeepSeek 擅长数学和代码,豆包擅长中文,Gemini 擅长多模态(文字+图片+视频)。

原理:文字接龙

大模型的本质出人意料地简单——预测下一个字。

你输入:"今天天气真"
AI 预测下一个字最可能是:"好"(80%)、"不错"(10%)、"热"(5%)...

然后把这个字接上去,再预测下一个字……一个字一个字地"接龙",就生成了完整的回答。

为什么这么简单的原理能产生惊艳的效果?因为模型读了太多文本,它"记住"了语言的规律、知识、逻辑——虽然它并不真正"理解",但生成的文字看起来像是理解的。

Prompt:与 AI 沟通的关键

**Prompt(提示词)**是你给 AI 的输入。同一个 AI,不同的 Prompt,效果天差地别。

对比:模糊 vs 精准

❌ 模糊提问:

"帮我分析一下屏幕时间"

AI 可能给你一段泛泛而谈的废话。

✅ 精准提问:

"我是一 名高一学生。这是我一周的屏幕时间数据(单位:小时): 周一 3.5,周二 4.2,周三 3.8,周四 5.1,周五 6.5,周六 8.2,周日 7.6 请帮我:

1. 计算日均和总量
2. 找出规律(工作日 vs 周末)
3. 给出 3 条具体改进建议 用表格呈现"

AI 会给出结构化、有数据、有建议的完整报告。

Prompt 提问框架:RTCF

写好 Prompt 的秘诀——用 RTCF 框架:

要素	含义	例子
Role 角色	让 AI 扮演什么角色	"你是一位数据分析师"
Task 任务	要做什么	"分析这组数据并给出建议"
Context 背景	给出背景信息	"我是一名高一学生,这是我一周的屏幕时间"
Format 格式	要求输出格式	"用表格呈现,分三个部分"

完整示例:

"你是一位健康顾问(R)。我是一名高一学生(C)。这是我一周屏幕时间:3.5, 4.2, 3.8, 5.1, 6.5, 8.2, 7.6 小时(C)。请分析规律并给出 3 条改进建议(T),用表格呈现(F)。"

AI 的能力边界

大模型很强,但不是万能的:

✅ AI 擅长	❌ AI 不擅长
总结、改写、翻译	实时信息(它不知道昨天发生了什么)
写代码、改 bug	精确数学计算(可能算错)
头脑风暴、创意	事实核查(可能编造)
数据分析、解释	代替你的判断和思考

AI 是学习的加速器,不是思考的替代品(这句话我们在第二章就说过,现在你应该更理解了)。

---

📱 动手实践:Prompt 对比实验

打开 DeepSeek(链接在下方),用同一个主题,分别试这两种 Prompt,对比回答质量:

实验 1(模糊): "告诉我怎么学好 Python" 实验 2(精准): "你是一位信息科技老师。我是高一学生,刚学完 Python 的变量和 if 语句。请给我制定一个 4 周的 Python 学习计划,每周列出具体目标和学习内容,用表格呈现。"

感受差距了吗?好问题比好答案更重要——这就是 Prompt 工程的价值。

🛠️ 工具推荐

🤔 思考

• 为什么"预测下一个字"这么简单的原理,能产生这么强大的能力?
• 你在生活中用 AI 时,有没有因为提问方式不好而得到差结果的经历?
• 如果 AI 对一个问题给出了你不懂的答案,你怎么判断它是否正确?

📝 知识小结

• 大语言模型(LLM):用海量文本训练,核心原理是"预测下一个字"
• **Prompt(提示词)**决定 AI 回答的质量
• RTCF 框架:Role(角色)+ Task(任务)+ Context(背景)+ Format(格式)
• AI 擅长总结/创意/代码,不擅长实时信息/精确计算/事实核查
• 好问题比好答案更重要