本课程讲解大语言模型（LLM）基础应用，核心包括提示词工程与 OpenAI API 开发，适合有基础编程能力的学习者快速上手生成式 AI 实战。
课程先教如何设计清晰、有效的提示词，引导模型输出稳定结果；再通过 Python 调用 API，实现文本生成、摘要、图像生成等功能，并完成可复用的小项目。
面向有变量、函数、JSON 基础的学习者，适合数据科学、ML 工程师、产品及技术从业者提升 AI 落地能力。
LLM 功能强大且持续迭代，但存在错误与风险；推理型 LLM 在复杂逻辑任务表现优异，提示工程的核心是清晰、简洁、结构化地引导模型输出。
知识来源
生成机制
基础模型特性
传统聊天机器人
生成式 AI 机器人
Token 本质
上下文决定 Token 值
计费与限制（关键）
ChatGPT Plus 可以零代码完成完整数据分析流程数据读取 → 清洗 → 划分 → 回归 → 分类 → 可视化 → 解释 → 优化建议
当前模型上限极大
限制持续变大
更详细 = 更少追问 = 更低总令牌
详细提示 = 更高准确率
单用户 / 单次使用
百万级用户 / 大规模系统
API 允许你：
Retrieval-Augmented Generation：让 LLM 调用外部文档知识，不修改模型参数
存储向量，支持高效相似性检索
只更新模型一小部分，节省资源
这部分是 RAG 最核心的技术底层
向量搜索 = 在向量数据库里快速找到最相似的向量因为数据量巨大，不能一个个暴力计算，所以需要高效算法：
可导航小世界算法（向量搜索的基础算法）
分层可导航小世界算法（目前工业界最常用）
FAISS（Facebook AI Similarity Search）
向量嵌入把文本变数字，余弦相似度衡量相似性，NSW 是基础向量搜索，HNSW 是分层超快版本，FAISS 是最常用工具，它们一起让 RAG 能快速从海量文档里找到相关内容。
RAG（Retrieval-Augmented Generation）
一种用图结构组织和表示领域知识的数据模型，以 ** 实体（Entities）和关系（Relationships）** 形式存储。
给模型指令（Instruction），让模型按指令执行任务。
不更新整个模型，只更新一小部分参数→ 省显存、省数据、速度快、过拟合风险低
量化版 LoRA，更小、更快。
RAG 不改变模型，低成本；微调会更新模型，效果强但成本高；PEFT 只改少量参数，高效省资源，是当下最主流的轻量化定制方法。
