大型语言模型（LLM）是一个基于深度神经网络（DNN）的复杂系统，其核心是通过海量数据训练，将文本转化为高维向量，并基于统计学规律预测下一个词的概率分布，再通过反向传播（Backpropagation）算法动态调整数以亿计的参数（Parameters），从而让向量编码的语义知识（Semantic Knowledge）不断优化；整个过程可类比于培养一位“学者”：参数规模（Model Scale） 是其神经基础，Transformer架构及其自注意力机制（Self-Attention Mechanism） 是其核心思维方式，训练数据 是其学习的“书籍”，计算量 是其投入的“资源”，涌现能力（Emergent Abilities） 是量变引发的质变与创造性“顿悟”，指令微调与人类对齐（Instruction Tuning & Human Alignment） 是社会化的沟通与伦理教育，多模态能力（Multimodal Capabilities） 扩展了其感知与交互的维度，而推理效率（Inference Efficiency） 则决定了其能否在实际场景中快速、实用地提供服务。这些特征相互关联，共同定义了大模型的综合能力（Capabilities）与实用价值
一、核心概念：理解AI如何“思考”与“生成”
🌐 基石认知
- Transformer架构：现代大模型核心，通过“注意力机制”动态聚焦关键词（如读句时识别主谓宾），实现高效语义建模。
- 向量与维度：文字→高维数字向量（如“猫”=[0.2, -1.7, 3.1…]）；维度=特征数量（768维=768个语义特征），维度越高表达越精细。
- 参数≠维度：参数是模型内部可学习的权重（如Qwen-Max约100亿参数），训练即优化参数以压缩语言规律；向量是输入经参数计算后的实时语义表示。
- 训练实质：将海量文本中的模式“编码”进参数，使模型能将新输入映射为有意义的向量分布。
- 生成公式：
输出内容 = 模型(参数) + Context(对话历史/文档) + Prompt(当前指令)
✅ 黄金法则：Prompt清晰具体 + Context提供必要背景（例：“基于上文需求，用Python写…”）
🔁 关键延伸
- 强化学习（RLHF）：通过人类偏好反馈微调模型，使输出更安全、有用（Claude/GPT系列核心优化手段）。
- RAG（检索增强生成）：先从向量库检索相关知识（如企业文档），再交由LLM生成答案——解决模型“不知道私有/最新信息”的核心方案。
二、技术框架：构建AI应用的“骨架”
| 框架 |
核心价值 |
典型场景 |
| LangChain / LlamaIndex |
连接LLM与工具链（API/数据库）、管理对话流 |
智能客服、文档问答系统 |
| RAG Pipeline |
检索（向量库）+ 生成（LLM）双阶段架构 |
企业知识库、论文助手 |
| pgvector |
PostgreSQL官方向量扩展 |
数据库内直接做语义搜索（“找相似产品描述”） |
| PGAI生态 |
PostgreSQL + pgvector/pgml等AI插件 |
减少数据搬运，数据库内嵌智能 |
| LangGraph |
构建多智能体（Agent）工作流 |
复杂任务拆解（写报告→画图→发邮件） |
💡 实施路径：LangChain + pgvector 搭建简易RAG（GitHub模板丰富）
三、工具生态：分类与安全实践
📦 本地模型工具
| 工具 |
说明 |
⚠️ 安全必读 |
| Ollama |
跨平台开源框架，支持Qwen/Llama/Gemma等百款模型本地运行；2025年7月推出Win/macOS桌面版 |
🔒 国家网信办2025年3月通报：默认配置存在未授权访问风险！✅ 必做：修改端口+设密码、禁用公网暴露、运行ollama serve --secure加固 |
🤝 AI协作工具
| 工具 |
定位 |
使用条件 |
| Claude Cowork |
Anthropic 2026年1月发布，官方定义为“Claude Code for the rest of your work” |
✅ 仅macOS（Windows版规划中）✅ 需Claude Max订阅✅ 通过Claude Desktop侧边栏启动💡 场景：整理下载文件夹、发票转Excel、会议笔记生成报告 |
| Manus |
多智能体可视化编排平台 |
适合非代码用户设计Agent工作流 |
| 阶跃AI（StepFun） |
国产大模型平台（GLM系列） |
中文场景优化，支持私有化部署 |
🤖 智能体平台
| 工具 |
背景 |
🔒 部署铁律 |
| Moltbot（原Clawdbot） |
Peter Steinberger开发，2026年1月27日因Anthropic商标争议强制更名（GitHub星标8.1万+） |
❌ 严禁在主力电脑全权限运行！✅ 首选：腾讯云Lighthouse / 阿里云轻量服务器✅ 必做：moltbot security audit定期扫描 + 严格限制邮箱/API权限💡 口号更新：“同样的龙虾灵魂，全新的虾壳”（图标保留） |
💻 开发环境工具
| 类型 |
代表工具 |
说明 |
| AI原生IDE |
Cursor, Trae, Windsurf |
深度集成代码生成/调试，支持“对话式编程” |
| 终端增强 |
Claude Code、Warp（AI命令解释）、Fig |
命令行智能提示，降低CLI门槛 |
四、主流模型
| 模型系列 |
公司 |
特点 |
推荐场景 |
| Claude 3.5 (Opus/Sonnet/Haiku) |
Anthropic |
Sonnet综合能力领先，Haiku极速廉价 |
复杂推理、长文档处理、多语言代码 |
| Qwen (通义千问) |
阿里巴巴 |
开源友好（Qwen-Max/Plus/Coder），中文深度优化 |
国内部署、代码写作、多模态 |
| DeepSeek |
深度求索 |
中文代码能力突出，API性价比高 |
中文项目开发、算法题解答 |
| GLM4.7 |
智谱AI |
Edge轻量高效，130B开源 |
移动端部署、科研实验 |
| Llama 3 / GPT-4o |
Meta / OpenAI |
开源标杆 / 多模态响应快 |
学术研究、国际项目 |
✅ 选择策略：
- 国内用户：GLM、Qwen、DeepSeek（访问快、中文强）
- 国际场景：Claude 3.5 Sonnet（当前综合能力标杆）
- 本地部署：Qwen/Mistral开源系列 + Ollama（注意安全加固！）
五、Claude能力体系：从代码到全场景协作
🔑 核心能力组件（Claude.ai平台）
| 概念 |
说明 |
实战价值 |
| MCP（Model Context Protocol） |
安全连接外部工具的“通用插座”（VS Code/数据库/Figma） |
让Claude调用真实环境能力 |
| Skills |
预置能力模块（“解释代码”“生成测试”） |
一键启用，减少Prompt编写 |
| Agents |
扮演角色自主行动（“前端工程师Agent”） |
结合MCP完成多步骤任务 |
| Rules |
用户设定约束（“注释用中文”“禁改config”） |
规范AI行为，提升可靠性 |
| Script |
用户可编写自定义脚本（Python/Shell/JS），通过 MCP 注册，完成特定任务 |
实现高度定制化自动化（如调用内部 API、处理私有数据格式、执行部署命令） |
| Plugins |
通过MCP接入的扩展（Figma→设计图转代码） |
扩展应用场景边界 |
- 三种模式
- 📝 聊天模式：日常问答
- 💻 代码模式：专注代码生成/调试（自动识别代码块）
- 🤖 Projects模式：管理长上下文项目（上传整个文件夹，跨文件理解）
- 上下文管理
- 支持200K+ tokens上下文，可上传PDF/代码库/设计稿
- Projects中文件自动关联，提问时智能引用相关代码
- 代码生成
- ✨ Prompt： 添加需求，制定PLAN
- 🎨 上传设计图：上传设计图，明确界面
- 🧠 Skills触发：固定开发要求
- 💻 hook调用：格式化代码