LLM 大语言模型快速认识

大语言模型是什么？

  1. LLM = Large Language Model 大语言模型，根据上文，不断预测下一个 Token，循环续写文本
    1. 本质是：用海量文本数据训练出来的、能理解和生成人类语言的巨型神经网络；
    2. 可以把它理解成：读过几乎全网文字、会说话、会写作、会推理的超级 AI；
  2. LLM 核心能力：
    1. 聊天对话：问答、闲聊、心理咨询式对话；
    2. 内容生成：写文案、邮件、小说、剧本、周报；
    3. 翻译：多语言互译；
    4. 总结提炼：长文变摘要、视频转文字总结；
    5. 逻辑推理：解数学题、写代码、排 bug、做规划；
    6. 代码能力：写 Python/Java/JS/TS，解释代码，优化代码；
  3. LLM 关键特点：
    1. 参数巨大：百亿、千亿级别参数 （所以叫 “大” 模型）；
    2. 上下文窗口：能记住前面几千～几万字的内容；
    3. 涌现能力：模型大到一定程度，突然会推理、会举一反三；
    4. 泛化强：没专门教过的任务也能做 （零样本 / 小样本学习）；
  4. 常见知名 LLM：
    1. 开源：Llama、Mistral、Qwen （通义千问）、ChatGLM、Baichuan；
    2. 闭源商用：GPT-4o、Claude 3、Gemini、文心一言、豆包；

什么是 Token、词表（Vocab）、上下文长度（Context Window）

  1. 什么是 Token？

    1. Token = 模型处理文字的最小单位，模型不直接认识汉字 / 英文单词，它只认识 Token：
      • 英文：常见单词 = 1 个 Token；
      • 中文：1 个汉字 ≈ 1 个 Token （不同模型略有差异）；
      • 标点、空格、换行也算 Token；
    2. 作用：把人类文字 → 切成模型能处理的片段；

  2. 什么是词表 （Vocab）？

    1. 词表 = 模型认识的所有 Token 的集合，就像一本字典：
      • 英文模型词典里大多是英文词根、单词；
      • 多语言模型会加入汉字、日文、韩文等；
    2. 模型只能生成词表里有的 Token；
    3. 不在词表里的字会变成未知符号 <unk>；

  3. 什么是上下文长度 （Context Window）？

    1. 上下文长度 = 模型一次性能 “记住” 的最大 Token 数量，比如：
      • 4k = 最多记住约 3000 汉字；
      • 8k = 约 6000 汉字；
      • 128k = 约 10 万 字；
    2. 超过长度：前面内容会被遗忘或直接报错无法处理；

LLM 大语言模型工作流程

  1. 用户输入：你发给模型一段文字：问题、对话、指令等；

  2. 构建完整上下文：把以下内容拼在一起，形成一段完整文本，送给模型；

    1. 系统提示 （system prompt）；
    2. 历史对话 （之前的问与答）；
    3. 当前用户问题；

  3. Token 分词（Tokenizer）：把文字切成模型能处理的最小单位 Token：

    1. 英文：单词 / 词根；
    2. 中文：汉字 / 词语片段；
    3. 标点、空格、换行也算 Token；

  4. 检查上下文长度：如果 Token 总数超过模型上限 （如 4k、8k、128k） → 前面内容会被截断或遗忘；

  5. 转向量 Embedding：把每个 Token 变成一串数字向量 → 模型只认识数字，不认识文字；

  6. Transformer 网络推理（核心计算）：

    1. 模型做两件关键事情：
      • 自注意力机制：找出哪些词和哪些词相关，理解语义关系；
      • 多层神经网络计算：根据上文，预测下一个 Token 的概率分布；
    2. 最终输出：一个长长的概率表，每个可能的 Token 都有一个概率；

  7. 根据采样策略：生成下一个 Token：根据设置选择一个 Token，一次只生成一个 Token！

    1. 温度 temperature：越高越随机，越低越确定；
    2. Top-k / Top-p：从概率高的里面选；
    3. Greedy：直接选概率最大的；

  8. 把新 Token 加入上文：刚刚生成的 Token 拼到原文末尾 → 形成新的上下文；

  9. 循环重复：再次执行：分词 → 编码 → 推理 → 预测下一个 Token，不断逐字生成回答；

  10. 停止生成：满足任一条件就停：

    1. 生成结束标记 <|endoftext|>；
    2. 达到最大长度；
    3. 遇到停止词 （如句号、换行）；

  11. 还原成自然语言：把 Token 序列转回正常文字，做简单排版；

  12. 返回结果给用户：你看到的回答就出现了；

模型训练-从随机到智能

  • 大模型是怎么从 “完全随机” 一步步练成 “智能” 的？

  • 模型刚出生时是完全 “弱智” 的；

    • 所有参数 （几百亿个数字） 都是随机初始化的；
    • 给它一句话，它预测下一个 Token 完全是乱猜；
    • 输出就是一堆乱七八糟的字符：fjkds#@%&*；
    • 这时候它什么都不会；

  • 大模型的智能，就是 “把下一个 Token 猜得越来越准” 练出来的；

  1. 第一步：预训练 Pre-training —— 学会 “语言本身”

    1. 目标：让模型学会：语法、常识、逻辑、世界知识；
    2. 训练方式 （核心就一件事）：给模型看海量文本：书籍、网页、文章、小说……，然后做无监督预测任务 我今天去超市买了一瓶____，遮住最后一个 Token，让模型猜下一个是什么；
    3. 训练过程：
      • 模型乱猜；
      • 计算损失函数 Loss：猜得越错，Loss 越大；
      • 用反向传播 （BP） 微调所有参数，让下一次猜得准一点；
      • 重复几十亿次；
    4. 学到了什么：
      • 模型会说人话了，但不会听指令；
      • 你问它问题，它可能顺着续写，不回答；

  2. 第二步：有监督微调 SFT —— 学会 “听人话、答问题”

    1. 目标：让模型从 “会续写” 变成 “会对话、会回答问题”；
    2. 数据形式：给它大量 <指令，回答> 对，例如：
      • 问：1+1 等于几，答：2；
      • 问：写一首诗，答：……；
    3. 训练方式：继续预测下一个 Token，但这次只学 “正确回答” 的模式；
    4. 结果：
      • 模型现在：能听懂指令、能问答、能写东西、能对话；
      • 但可能：乱编事实、语气生硬、偶尔有害内容；

  3. 第三步：人类对齐 Alignment —— 变安全、变听话、变有用

    1. 主流方法：RLHF （基于人类反馈的强化学习）
    2. 步骤：
      • 人类标注：给模型多个回答打分，哪个好、哪个坏、哪个安全；
      • 训练奖励模型 RM：学会给回答打分；
      • 强化学习 PPO：让模型不断生成回答 → 奖励模型打分 → 调整参数往高分方向走；
    3. 结果模型变得：更安全、更有用、更符合人类偏好、更少胡说八道 （但不能完全杜绝）；

  4. 最终：一个看起来 “智能” 的模型诞生

    1. 它不是真的有意识，而是经过海量数据训练后，极其擅长预测下一个 Token；
    2. 因为预测得足够准，所以表现得像：理解、思考、会推理、有知识；

为什么有些模型不支持中文 / 中文很差？

  1. 核心就 4 个原因，按重要程度排序：

    1. 训练数据里几乎没有中文：很多国外模型 （原版 Llama、Pythia 等） 训练语料 99% 是英文，没见过中文，自然不会说；
    2. 词表里中文很少 / 没有：模型的 “字典” 里没收录汉字，要么乱切，要么直接变成 <unk> 未知字符；
    3. 分词器（Tokenizer）不针对中文优化：英文分词器切中文时：一个汉字切成 2～3 个 Token，浪费上下文长度，语义理解混乱；
    4. 中文和英文结构差异太大：
      • 中文：无空格、表意、语法灵活；
      • 英文：拼音文字、空格分隔，只学英文的模型无法自动泛化到中文；

  2. 有些模型 “支持中文”，但依然很烂，为什么？

    1. 只是用中文文本继续训练 （继续预训练），但量不够，效果会提升，但逻辑弱、容易胡说；
    2. 只做了中文指令微调 （SFT），基座依然英文，能回答简单问题，复杂推理直接崩；
    3. 中文数据质量差，网络爬虫、低质量小说、重复垃圾多→ 模型学到错误语法、奇怪表达、逻辑混乱；

  3. 快速判断一个模型中文好不好：

    1. 看这 4 点即可：
      • 官方是否明确说 支持中文 / 多语言；
      • 词表大小、是否专门优化中文；
      • 训练数据是否包含高质量中文；
      • 是否有中文对话微调 （如 Alpaca 中文、ShareGPT 中文语料）；
    2. 典型例子：
      • ✅ 强中文：Qwen、ChatGLM、Baichuan、Llama 2 中文微调版；
      • ❌ 弱 / 无中文：原版 Llama 1、各种英文小开源模型；

常见误区（必看）

  1. ❌ 不是万能神，会胡说八道 （幻觉）；

  2. ❌ 没有实时联网知识 （除非插件 / 搜索增强）；

  3. ❌ 没有自我意识，不会真的 “思考”；

  4. ✅ 只是强大的文字概率预测机器；

LLM 在企业中的价值与市场需求

LLM 在企业中的核心价值（可量化）

  1. 效率革命：大幅压缩人力与时间成本

    1. 办公自动化：自动写邮件、会议纪要、周报、合同初稿、财报摘要，效率提升 5–10 倍；
    2. 客服 / 售后：7×24 小时智能问答、工单自动处理、情绪安抚，人力成本降低 40–70%；
    3. 研发 / 代码：自动生成代码、单元测试、注释、Bug 定位，开发周期缩短 30–50%；
    4. 合规 / 法务：合同审查、法规比对、风险点提取，审查时间从天级缩至分钟级；

  2. 成本优化：替代重复性劳动，降低总体成本

    1. 企业运营成本平均降低 30–55%；
    2. 知识检索 / 分析：从 “人找资料” 到 “AI 秒答”，知识工作耗时减少 60%+；
    3. 私有化部署：TCO 降低 40–60%，数据不出内网、安全可控；

  3. 决策升级：从经验驱动 → 数据智能驱动

    1. 跨系统数据分析：自然语言提问 → 自动拉取 CRM/ERP/OA 数据 → 生成分析报告；
    2. 市场 / 竞品洞察：自动监控新闻、研报、招聘、专利，提炼战略信号；
    3. 风险预警：金融风控、异常交易、舆情风险，响应从秒级缩至毫秒级；

  4. 体验与营收：规模化个性化，提升转化与留存

    1. 营销 / 内容：自动生成文案、海报描述、直播话术、私域话术，转化率提升 20–40%；
    2. 个性化服务：百万用户规模下 “一对一” 推荐、定制方案，留存 / 复购提升 30%+；
    3. 产品创新：智能助手、智能搜索、智能诊断，形成差异化竞争力；

  5. 知识资产化：沉淀企业私有知识

    1. 把文档、手册、FAQ、历史案例变成可问答、可推理的知识库；
    2. 新员工培训：AI 导师、模拟问答、随问随答，上手周期缩短 50%；

  6. 安全与合规：数据可控、留痕可审计

    1. 私有化部署：数据不出企业边界，避免泄露风险；
    2. 合规审计：自动记录 AI 交互、生成、决策全链路，满足监管要求；

主流行业落地场景（2026 真实应用）

  1. 金融：

    1. 智能风控、反欺诈、贷款审批自动化、ESG 合规、研报摘要；
    2. 案例：信用卡欺诈检测 3 秒 → 80 毫秒，误报率 -42%；

  2. 制造 / 工业：

    1. 设备故障诊断、生产排程（自然语言交互）、工艺优化、质检报告；
    2. 案例：研发周期 -20%，运维人力-68%；

  3. 零售 / 电商：

    1. 智能导购、评论分析、退货自动化、选品 / 定价建议、直播文案优化；
    2. 案例：退货处理 4 小时 → 15 分钟；

  4. 政企 / 法律：

    1. 公文写作、政策解读、信访智能应答、合同审查、合规检查；

  5. 互联网 / 科技：

    1. 代码生成、测试自动化、客服机器人、内容创作、用户画像分析；

  6. 医疗 / 教育：

    1. 病历摘要、医学文献解读、智能问诊、个性化教案、作业批改；

2026 企业市场需求（规模与趋势）

  1. 市场规模（2026）

    1. 全球：大模型市场 8720 亿美元，企业级占 74.3%；
    2. 中国：大模型市场超 700 亿元，年增速 40%+；
    3. 企业渗透率：60%+ 已探索 / 部署，8 万+ 企业已落地；

  2. 企业需求五大趋势（2026 核心）

    1. 从通用 → 垂直专用行业大模型 （金融 / 制造 / 医疗 / 法律） 成为主流，专业深度 ＞ 通用广度；
    2. 从云端 API → 私有化部署金融、政企、制造优先本地 / 私有云，安全可控 ＞ 便捷；
    3. 从聊天 → 智能体 （Agent） 需求从 “问答” 升级为端到端任务执行：自动流程、多步骤决策、系统联动；
    4. 从文本 → 多模态文本 + 图像 + 音频 + 视频 + 表格，全模态理解与生成；
    5. 从大参数 → 高效低成本 MoE 架构、小而精垂直模型、推理优化，性价比优先；

  3. 企业采购优先级（2026）

    1. 安全可控 （数据不出域、可审计、合规）；
    2. 垂直适配 （懂行业术语、业务流程）；
    3. 低成本易集成 （API / 低代码 / 嵌入现有系统）；
    4. 稳定可靠 （低幻觉、高准确率、高可用）；
    5. 可扩展 （支持 Agent、多模态、长期记忆）；

大模型工程师：为什么职场竞争力极强？

  1. 供需极度失衡（2026）

    1. AI 岗位同比 +12 倍，大模型占 AI 招聘 45%；
    2. 供需比 ≈ 0.39 （1 个候选人≈2.5 个岗位）；
    3. 企业从 “要不要 AI” 变成 “抢大模型人才”；

  2. 不可替代性强

    1. 门槛高：数学 + 算法 + 工程 + 业务 复合能力；
    2. 技术迭代快：持续学习、快速落地，越资深越值钱；
    3. 直接创造价值：降本、提效、增收 可量化；

  3. 职业天花板极高

    1. 技术线：工程师 → 技术负责人 → 首席架构师 → 合伙人；
    2. 产品线：AI 产品经理 → 业务线负责人 → 创业；
    3. 专家线：垂直领域专家 → 顾问 → 学术 / 开源领袖；

前端开发可转型的热门岗位（2026 最真实方向）

岗位方向 难度 核心工作内容 所需技能（前端优势 + 新增） 薪资溢价 适合人群
AI 前端工程师 ⭐ AI 对话界面、Chat 面板、流式输出、AI 工作台 Vue/React/TS + LLM API + WebSocket +20%~40% 不想丢前端本行，想快速转型
AIGC 产品前端 ⭐ 文生图 / AI 视频 / 设计工具类交互界面 前端基础 + 多模态展示 + 富交互 +20%~40% 喜欢做体验、创意类产品界面
AI 低代码开发 ⭐ AI 辅助页面生成、可视化编排、表单搭建 低代码平台 + AI 指令生成 +15%~30% 做过低代码、中台、后台系统
大模型应用开发工程师 ⭐⭐ RAG 企业知识库、AI 客服、Prompt 工程、应用落地 前端 / Node + LangChain/RAG + API 服务 +50%~100% 想脱离纯界面，做 AI 核心应用
AI 全栈工程师 ⭐⭐ 前端 + 接口服务 + AI 链路串联、独立交付项目 前端 + Node / 服务端 + 数据库 + AI 调用 +40%~80% 能独立做项目，不想只切图
提示词 / Prompt 工程师 ⭐⭐ 指令优化、AI 输出对齐、知识库构建、评测 逻辑表达 + 业务理解 + 基础 AI 常识 +30%~70% 文笔好、逻辑强，不想写太多代码
RAG 工程师 ⭐⭐⭐ 企业知识库、文档问答、向量库、检索优化 文本处理 + 向量数据库 + AI 应用 +60%~120% 想做企业级 AI，落地性强
AI Agent 工程师 ⭐⭐⭐ 智能体流程编排、工具调用、自动化任务 业务流程 + LLM 调度 + 前端 / 服务端 +80%~150% 未来核心方向，天花板高
大模型推理 / 部署工程师 ⭐⭐⭐ 模型量化、服务部署、性能优化、API 封装 Python/Docker + 推理框架 (vLLM 等) +100%~200% 喜欢工程化、性能优化、搞部署
大模型算法工程师 ⭐⭐⭐⭐ LoRA 微调、SFT/DPO、模型训练、算法优化 Python + PyTorch + 机器学习基础 100W+ 年薪 愿意深度学习算法、彻底转 AI
AI 架构师 / 技术负责人 ⭐⭐⭐⭐⭐ 整体方案设计、技术选型、团队管理 全栈技术 + 业务架构 + AI 方案 100W~200W+ 多年经验，想走管理 / 架构路线

大语言模型如何影响软件的构建

LLM 在软件开发过程中的单点提效

  1. 编码阶段：最直接、最明显的提效

    1. 代码自动补全与生成：根据注释、函数名、上下文直接生成完整逻辑，减少大量重复打字；
    2. 快速实现常见功能：CRUD、表单验证、列表渲染、分页、正则、工具函数等，自然语言描述即可生成；
    3. 多语言 / 框架代码翻译：Java ↔ Go、JS ↔ TS、Vue2 ↔ Vue3、SQL 自动生成，大幅降低切换成本；
    4. 样板代码一键生成：接口定义、DTO、Entity、枚举、配置文件、路由表等；

  2. 调试与 Bug 修复：快速定位问题

    1. 粘贴报错信息 → 直接给出原因 + 修复方案；
    2. 分析异常堆栈、定位空指针、异步问题、依赖冲突；
    3. 解释复杂代码逻辑，帮你快速看懂别人写的 “屎山”；
    4. 提供优化建议，减少重复试错；

  3. 代码重构与优化：自动改善质量

    1. 识别重复代码、死代码、坏味道；
    2. 自动抽取函数、优化条件、简化逻辑；
    3. 提升性能、可读性、可维护性；
    4. 按规范统一代码风格；

  4. 测试环节：自动生成测试用例

    1. 生成单元测试（Jest、JUnit、PyTest 等）；
    2. 自动覆盖边界值、异常场景、空值、极端输入；
    3. 生成 Mock 数据、接口测试脚本；
    4. 自动检查测试覆盖率不足的地方；

  5. 文档编写：从 “痛苦” 到 “一键完成”

    1. 自动生成 API 文档、接口注释、参数说明；
    2. 自动生成 README、开发手册、部署指南；
    3. 根据代码逻辑生成流程图、时序图描述；
    4. 自动翻译多语言文档；

  6. 学习与查资料：替代大量搜索引擎

    1. 不懂语法、API、库用法 → 直接问；
    2. 快速理解设计模式、算法、架构思路；
    3. 解释新技术、新框架、新工具；
    4. 替代频繁翻阅官方文档、Stack Overflow；

  7. 脚本与工具编写：快速实现小工具

    1. 写自动化脚本：构建、部署、数据处理、批量操作；
    2. 写正则、解析日志、处理 JSON/CSV；
    3. 写小工具：批量重命名、数据清洗、格式转换；

  8. 需求与沟通：快速转化为技术方案

    1. 把产品模糊需求 → 整理成清晰技术任务；
    2. 自动生成接口约定、字段定义、流程说明；
    3. 快速输出技术方案、选型建议、架构思路；

  9. 环境与部署：快速解决配置问题

    1. 生成 Dockerfile、docker-compose；
    2. 生成 CI/CD 配置（GitHub Actions、Jenkins）；
    3. 解决环境冲突、依赖安装失败、打包错误；
    4. 快速排查 Nginx、跨域、网络配置问题；

AI 时代的自动化编程 5 个等级

  1. L1：辅助补全级（代码提示）

    1. 能力：单行 / 短代码补全、语法提示、变量名建议；
    2. 代表工具：早期 Copilot、IntelliCode、普通 IDE 补全；
    3. 特点：被动、局部、依赖上下文；
    4. 人仍主导：逻辑、架构、流程完全由人设计；

  2. L2：生成片段级（函数 / 模块生成）

    1. 能力：根据注释或需求生成完整函数、组件、工具类；
    2. 代表工具：Copilot、Codeium、通义代码、豆包编码；
    3. 特点：可生成可运行代码片段，但需要人工修改、拼接；
    4. 适用：CRUD、工具函数、简单组件、TS 类型；

  3. L3：任务自治级（独立完成子任务）

    1. 能力：理解完整需求，自动完成单个独立功能，例：写一个登录表单、做一个接口、写一套测试；
    2. 代表工具：Copilot Chat、Cursor、Continue、Claude Code；
    3. 特点：能理解意图、自动调试、自我修正；
    4. 边界：只能做局部任务，不能统筹整个项目；

  4. L4：系统构建级（全应用自动生成）

    1. 能力：根据自然语言需求，生成完整项目结构 + 多文件代码 + 配置 + 文档；
    2. 代表形态：AI Agent、Devika、Roo Code、AutoGPT 系编程助手；
    3. 特点：
      • 自主规划架构；
      • 自主创建文件、调用工具、联调；
      • 可生成完整前端 / 后端 / 小程序；
    4. 人做什么：提需求、验收、把控质量与安全；

  5. L5：自主进化级（自我迭代与维护）

    1. 能力：
      • 理解业务目标；
      • 自主发现 Bug、优化性能、升级依赖；
      • 自主重构、扩展功能、适配需求变化；
    2. 形态：真正的软件自治智能体；
    3. 特点：无需人工干预，持续自我进化；
    4. 当前阶段：仍在实验室阶段，未商用；

vscode 插件：AI 助手

插件名称 核心功能 价格 隐私/离线 Vue/TS/Amis支持 适合场景
GitHub Copilot 代码补全、聊天、重构、单元测试、Agent模式 $10/月 云端（隐私一般） ★★★★★ 极佳 全场景、追求效率、预算充足
Codeium 无限补全、AI聊天、代码搜索、文档生成 个人免费 云端+本地缓存 ★★★★☆ 优秀 免费优先、学生、个人开发者
Tabnine 本地模型、企业级隐私、代码风格学习 基础免费/企业$12/月起 ★★★★★ 本地/离线 ★★★★ 良好 高隐私、企业、敏感代码
Continue 开源、自定义模型（Ollama/OpenAI/Claude） 完全开源免费 ★★★★★ 本地可控 ★★★★☆ 优秀 技术极客、隐私优先、自定义
通义灵码 中文优化、Vue/TS专属、文档查询 个人免费 云端 ★★★★★ 极佳 中文用户、国内团队、Vue/TS开发
Claude Code 长上下文、复杂推理、多文件编辑、Diff预览 按API计费 云端 ★★★★ 良好 复杂重构、大型文件、深度分析
Baidu Comate 文心大模型、中文理解、私有化部署 个人免费/企业付费 云端+私有化 ★★★★ 良好 国内企业、合规要求、中文场景
CodeGeeX 多语言、测试生成、代码翻译 完全免费 云端 ★★★☆ 一般 快速原型、学习、多语言场景

  1. 🌟 最佳组合（隐私+效率+成本平衡） Continue + Tabnine（本地）：

    • Continue：自定义 Ollama 本地模型 （如CodeLlama/Qwen） 处理隐私代码；
    • Tabnine：本地补全，实时响应，保护敏感逻辑；

  2. 💰 免费最优组合 Codeium + 通义灵码：

    • Codeium：无限免费补全，日常开发主力；
    • 通义灵码：中文优化，Vue/TS/Amis 专属支持；

  3. 🏢 企业级组合 GitHub Copilot（商业） + Tabnine（企业）：

    • Copilot：生态完善，效率最高；
    • Tabnine：本地部署，合规隐私；

LLM 应用开发专有名词解释

名词 英文全称 一句话简介
LLM Large Language Model 大语言模型，能理解、生成人类语言的大规模预训练模型
AIGC AI-Generated Content 人工智能生成内容，用 AI 自动生成文本、图片、代码、音视频等
AGI Artificial General Intelligence 通用人工智能，具备人类级通用智能，可自主学习任意任务（暂未实现）
Agent AI Agent 智能体，能自主规划、调用工具、执行复杂任务的 AI 程序
Prompt Prompt 提示词，用户给AI的指令、问题或上下文，决定 AI 输出内容
GPT Generative Pre-trained Transformer 生成式预训练 Transformer 模型，OpenAI 推出的经典大模型架构
Token Token AI处理文本的最小单位，用于计量长度、计费和上下文窗口
LoRA Low-Rank Adaptation 低秩适配，轻量级微调技术，低成本让模型适配特定领域
向量数据库 Vector Database 专门存储和检索向量嵌入的数据库，用于 RAG 知识库检索
数据蒸馏 Knowledge Distillation 知识蒸馏，将大模型能力迁移压缩到小模型，兼顾效果与效率
打赏作者
您的打赏是我前进的动力
微信
支付宝
评论

你好👏🏻，我是 ✍🏻   疯狂 codding 中...

粽子

这有关于前端开发的技术文档和你分享。

相信你可以在这里找到对你有用的知识和教程。

了解更多

目录

  1. 1. LLM 大语言模型快速认识
    1. 1.1. 大语言模型是什么？
    2. 1.2. 什么是 Token、词表（Vocab）、上下文长度（Context Window）
    3. 1.3. LLM 大语言模型工作流程
    4. 1.4. 模型训练-从随机到智能
    5. 1.5. 为什么有些模型不支持中文 / 中文很差？
    6. 1.6. 常见误区（必看）
  2. 2. LLM 在企业中的价值与市场需求
    1. 2.1. LLM 在企业中的核心价值（可量化）
    2. 2.2. 主流行业落地场景（2026 真实应用）
    3. 2.3. 2026 企业市场需求（规模与趋势）
    4. 2.4. 大模型工程师：为什么职场竞争力极强？
    5. 2.5. 前端开发可转型的热门岗位（2026 最真实方向）
  3. 3. 大语言模型如何影响软件的构建
    1. 3.1. LLM 在软件开发过程中的单点提效
    2. 3.2. AI 时代的自动化编程 5 个等级
    3. 3.3. vscode 插件：AI 助手
  4. 4. LLM 应用开发专有名词解释