整个"大模型提示词工程"课件的总目录与学习契约，它先告诉你为什么必须学提示词（"内功"），再铺开五条能力主线：发展史与幻觉、编写规范、进阶技术、安全、文本处理实战。 图注：原图是一张横向展开的思维导图，根节点是「课程介绍」。左侧分枝交代课程定位：面向人群（了解大模型基础知识、熟悉 Python 核心语法）、课程的重要性（三点，其中高亮框是"由于大模…

本章是提示词课程的技术主干，它把"会写提示词"升级为"会用 API 做提示词工程"：先用 API 调通云端大模型（token 计费、openai 库与 dashscope SDK 两条入口），再用 system / user / assistant 三种角色搭出对话骨架，然后把 6 类进阶提示词技术（Zero-Shot、Few-Shot、CoT、P…

这是「提示词工程」这门课的综合落地章，用同一个金融行业场景把 Zero-Shot / Few-Shot / In-context Learning 串成三条完整流水线：金融文本分类、金融信息抽取、金融文本匹配。它的价值不在算法，而在一个可复制的项目模板：角色设定 → 类别/字段 Schema → Few-Shot 示例 → 输出格式约束 → 逐条推…

提示词工程的"语法书"，先用一段话讲清 prompt 是什么，再把 OpenAI 文档提炼成 5 大原则（清晰指令 / 文本参考 / 任务拆分 / 给模型思考时间 / 借助外部工具），每个原则配"反例 vs 正例"的对照案例，可直接背下来用在学习和项目里。 一、这份材料解决什么问题 前面几章（大模型发展史、幻觉问题）回答的是"模型为什么不可靠"，这…

模型已经训好了，应用侧怎么把它变成可靠的产品，以「幻觉」为问题起点，串起提示词工程、模型微调、RAG、AI Agent 四条技术主干，并给出它们的适用边界。 一、这份材料解决什么问题 01-大模型发展史 回答的是「模型是怎么一步一步变强的」：架构（Transformer）、范式（预训练+微调）、规模（参数/数据/算力）三条线共同把 GPT-3、Ch…

用三个阶段的骨架讲清"大模型不是突然出现的"，把 1950 年至今的技术演进串成一条从"人工写规则 / 统计计数"到"用规模换能力"的因果链，重点不是背年份，而是回答"为什么会有大模型"。 一、这份材料解决什么问题 被问到的最多的不是细节，而是判断：为什么 BERT 之后还要有 GPT？为什么大家都在堆参数？为什么现在又开始讲"推理模型"和"小模型…

一段文本既可以被表示为一个稠密向量，也可以被表示为带权重的稀疏词项。BGEM3EmbeddingFunction 封装 BGE-M3 的推理过程，把文本转换成便于 Milvus 索引与检索的表示。 先分清模型与封装接口 BGE-M3 是文本嵌入模型。M3 对应多语言、多功能与多粒度，并不是“图像、音频、文本三种模态”。模型支持稠密检索、稀疏检索和多…

两路检索都返回分数，并不意味着它们可以直接加权。例如 L2 距离越小越相似，而内积通常越大越相似；即使方向相同，量级和分布也可能差得很远。 Milvus 的 WeightedRanker 用于融合多路检索结果。理解它时，要依次看候选集合、分数变换、权重与最终排序。 四个步骤 各路检索分别返回候选文档和分数。 将不同度量转换到可比较的相关性方向与范围…

搜索“吃 苹果”时，系统需要判断哪些文档更相关。TF-IDF 和 BM25 都利用词频与文档频率，但它们处理重复词与文档长度的方式不同。 统一示例和计算口径 以下空格表示已完成分词，长度按词项数量计算： D1：我 喜欢 吃 苹果 长度 4 D2：我 今天 吃 了 一个 苹果 长度 6 D3：苹果 是 一种 水果 啊 长度 5 查询：吃 苹果 文档总…

在混合检索中，关键词检索可能返回 12.8 分，向量检索可能返回 0.83 分。这两个数来自不同评分体系，直接相加没有可靠的解释。 RRF（Reciprocal Rank Fusion）改用排名位置进行融合：先看一篇文档在各路结果中排第几，再累加这些位置对应的贡献。 先统一排名的起点 本文排名从 1 开始，使用公式： RRF(d) = Σᵢ 1 /…