大模型关键能力
覆盖长上下文、提示工程、RAG、工具调用、微调与多模态。
掌握基础模型连接真实应用的六座桥梁。
按知识依赖逐步进入
每个主题保留完整原文，并增加教学图、图例、对比表和更清晰的阅读结构。
上下文窗口与长文本
上下文窗口（Context Window）是大模型一次能"看到"的信息总量，以 token 数衡量。它决定了模型能处理多少信息，是衡量模型实用性的关键指标。本章深入探讨上下文窗口的技术原理、扩展方法和长文本处理的挑战。
04.02提示工程（Prompt Engineering）
提示工程是与大模型"对话"的艺术和科学——通过精心设计输入文本（prompt），引导模型产生更准确、更有用的输出。这是使用大模型最直接、最频繁的技术能力。本章系统讲解从基础到高级的提示工程方法。
04.03检索增强生成（RAG）
RAG（Retrieval-Augmented Generation）是当前解决大模型"知识截止"和"幻觉"问题最实用的技术方案。核心思想很简单：让模型在回答前先查阅相关资料，然后基于检索到的内容生成回答。 这类似于人类"开卷考试"——不需要记住所有知识，但需要知道在哪里找、怎么用。
04.04工具调用（Function Calling / Tool Use）
工具调用是让大模型从"只会说话"变成"能做事"的关键技术。通过 Function Calling，模型可以调用外部 API、执行代码、查询数据库、操作文件系统——这使 LLM 从纯文本生成器进化为能够与外部世界交互的智能系统。这也是智能体（Agent）的核心能力之一。
04.05微调技术（Fine-tuning）
微调是在预训练模型的基础上，用特定领域或任务的数据进一步训练模型，使其适应特定应用场景。如果说预训练让模型"通识百物"，那微调就是让模型"专精一域"。本章详解各种微调方法，重点介绍当前最实用的 LoRA 系列技术。
04.06多模态能力
多模态（Multimodal）是指 AI 系统能同时理解和生成多种类型的信息——文本、图像、音频、视频。这是大模型从"语言模型"走向"通用智能"的关键一步。本章深入解析多模态模型的技术原理和实际应用。
本章主题对照
先看每篇解决什么问题，再决定从哪里深入。
| 主题 | 核心概念 | 学习产出 |
|---|---|---|
| 上下文窗口与长文本 | 上下文窗口的演进、长上下文的技术挑战、长上下文扩展技术 | 上下文窗口（Context Window）是大模型一次能"看到"的信息总量，以 token 数衡量。它决定了模型能处理多少信息，是衡量模型实用性的关键指标。本章深入探讨上下文窗口的技术原理、扩展方法和长文本处理的挑战。 |
| 提示工程（Prompt Engineering） | 提示词的基本结构、零样本与少样本学习、思维链（Chain-of-Thought, CoT） | 提示工程是与大模型"对话"的艺术和科学——通过精心设计输入文本（prompt），引导模型产生更准确、更有用的输出。这是使用大模型最直接、最频繁的技术能力。本章系统讲解从基础到高级的提示工程方法。 |
| 检索增强生成（RAG） | RAG 的核心架构、文档解析与预处理、文本分块（Chunking） | RAG（Retrieval-Augmented Generation）是当前解决大模型"知识截止"和"幻觉"问题最实用的技术方案。核心思想很简单：让模型在回答前先查阅相关资料，然后基于检索到的内容生成回答。 这类似于人类"开卷考试"——不需要记住所有知识，但需要知道在哪里找、怎么用。 |
| 工具调用（Function Calling / Tool Use） | 工具调用的基本原理、OpenAI Function Calling 协议、多步工具调用 | 工具调用是让大模型从"只会说话"变成"能做事"的关键技术。通过 Function Calling，模型可以调用外部 API、执行代码、查询数据库、操作文件系统——这使 LLM 从纯文本生成器进化为能够与外部世界交互的智能系统。这也是智能体（Agent）的核心能力之一。 |
| 微调技术（Fine-tuning） | 微调 vs 预训练 vs RAG、全参数微调（Full Fine-tuning）、参数高效微调（PEFT） | 微调是在预训练模型的基础上，用特定领域或任务的数据进一步训练模型，使其适应特定应用场景。如果说预训练让模型"通识百物"，那微调就是让模型"专精一域"。本章详解各种微调方法，重点介绍当前最实用的 LoRA 系列技术。 |
| 多模态能力 | 多模态的基本概念、视觉语言模型（VLM）、图像生成 | 多模态（Multimodal）是指 AI 系统能同时理解和生成多种类型的信息——文本、图像、音频、视频。这是大模型从"语言模型"走向"通用智能"的关键一步。本章深入解析多模态模型的技术原理和实际应用。 |