或信息，用于 引导AI生成特定的输出或执行特定的任务。简单来说，提示语 就是我们与AI“对话”时所使用的语言，它可以是一个简单的问 题，一段详细的指令，也可以是一个复杂的任务描述。 提示语的基本结构包括指令、上下文和期望 ▪ 指令（Instruction)：这是提示语的核心，明确告诉AI你希望 它执行什么任务。 ▪ 上下文（Context)：为AI提供背景信息，帮助它更准确地理 解和执行任务。 键；创新思维能力推动了AI应用的边界拓展，而伦理 意识则确保了AI的发展与社会价值观相符。 提示语的DNA：解构强大提示语的基本元素 提示语的基本元素分类 信息类元素决定了AI在生成过程中需要处理的具体内 容，包括主题、背景、数据等，为AI提供了必要的知 识和上下文。 提示语的基本元素可以根据其功能和作用分为三个大类：信息类元素、结构类元素和控制类元素： 结构类元素用于定义生成内容的组织形式和呈现方式， ， 决定了AI输出的结构、格式和风格。 控制类元素用于管理和引导AI的生成过程，确保输出 符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成

或信息，用于 引导AI生成特定的输出或执行特定的任务。简单来说，提示语 就是我们与AI“对话”时所使用的语言，它可以是一个简单的问 题，一段详细的指令，也可以是一个复杂的任务描述。 提示语的基本结构包括指令、上下文和期望 ▪ 指令（Instruction)：这是提示语的核心，明确告诉AI你希望 它执行什么任务。 ▪ 上下文（Context)：为AI提供背景信息，帮助它更准确地理 解和执行任务。 键；创新思维能力推动了AI应用的边界拓展，而伦理 意识则确保了AI的发展与社会价值观相符。 提示语的DNA：解构强大提示语的基本元素 提示语的基本元素分类 信息类元素决定了AI在生成过程中需要处理的具体内 容，包括主题、背景、数据等，为AI提供了必要的知 识和上下文。 提示语的基本元素可以根据其功能和作用分为三个大类：信息类元素、结构类元素和控制类元素： 结构类元素用于定义生成内容的组织形式和呈现方式， ， 决定了AI输出的结构、格式和风格。 控制类元素用于管理和引导AI的生成过程，确保输出 符合预期并能够进行必要的调整，是实现高级提示语 工程的重要工具。 提示语的DNA：解构强大提示语的基本元素 提示语元素组合矩阵 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成

输出结果，其中第一列是原文，第二列是翻译后的句子，每行只给出一个句子 所提供段落的语言是中文，以下是按要求的标记表格式翻译成英文的译文： Original (Chinese) Translation (English) 捕食是一个基本的生态过程，捕食的定义为：一种生物（捕食 者）捕食了另一种生物（猎物）（Begon等，1997）。 Predation is a fundamental ecological process,defined 输出结果，每个句子单独成行。第一列为原句，第二列为修改后的句子，第三列为中文解释。请编辑以下文本： 原始句子 优化后句子 中文释义 捕食是一个基本的生态过程，捕食的定义为：一 种生物(捕食者)捕食了另一种生物(猎物)(Begon 等，1997)。 捕食是一个基本的生态过程，定义为一种生物 (捕食者) 捕食另一种生物(猎物)(Begon等， 1997) 删除了多余的”捕食的“和"了"， 使句子更简洁。 知网研学平台 斯坦福STORM 引用格式规 范 生成的引用格式标准且规范，能 够清晰准确地列出参考文献，符 合学术出版的要求，确保文献的 格式符合高水平的学术标准 引用格式较为简化，虽然能提 供基本的引用信息，但在一些 细节上缺少学术规范，适合较 为基础的文献综述 引用格式较为标准，尤其在中 文文献的引用上符合国内学术 出版的常见格式，适合中文领 域的文献综述 文章语言类似维基百科风格，

. . . 20 4.2 步骤一安装 docker . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.1 了解 docker 基本用法 . . . . . . . . . . . . . . . . . . . . 20 4.2.2 下载 docker . . . . . . . . . . . . . . . . . . 8B 参数等。 T（万亿，Trillion）：在英文里是 Trillion 的缩写，表示万亿。在 AI 大模型 中，”T” 常用来表示模型在训练中处理的 Token 数量。Token 是指模型处理的 基本单元，可以是一个单词、子词，或者字符等。 在大规模预训练语言模型的训练中，通常会提到模型是在多少个 Token 上 进行学习的，以表明模型的训练规模和数据量。例如：LLaMA3 语言模型使用 了超过 AI，专注于生成创意和艺术图像。 2.3 AI 视频工具 Figure 5: AI 视频工具 2.3.1 Sora (OpenAI 公司) 内测：由 OpenAI 开发，目前处于内部测试阶段的项目。 8 2.3.2 Runway 闭源：一个闭源的创意工具，支持通过 AI 进行视频编辑和生成。 2.3.3 Pika 闭源的图像编辑工具，专注于简化图像处理流程。 2.3.4 腾讯智影

场景1：1小时内写完一个1万字的项目书 场景：下午3点，你突然接到领导通知：“今晚4点前必须交一份10000字的智能物流园区项目方案书，客户临时提 前会议！”你大脑一片空白——手头只有零散的会议记录、几份过时的模板，且对“智能物流”技术细节不熟。电 脑右下角显示时间：3:05 PM，你手心冒汗，疯狂翻找资料，但文档光标始终停留在标题页…… 场景1：1小时内写完一个1万字的项目书 是否可用DeepSeek（深度求索）辅助处理？ 理？ 可以，但需分阶段“榨干AI效率”，核心策略：框架复制+模块填充+数据嫁接。 分步解决方案： 第一阶段：5分钟——用AI暴力生成框架（目标：3000字） 场景1：1小时内写完一个1万字的项目书 第二阶段：20分钟——用AI批量填充模块（目标：6000字） 针对每个小节单独提问，例如： “写一段‘2.1 功能分区’的内容，要求包含自动化立体仓库、AGV调度中心、冷链专区的技术参数，用数据列表形式 “用公式推算：园区建成后3年内降本增效收益，假设人工成本减少30%，分拣错误率下降25%。” 你的操作： • 将AI生成内容插入对应章节，优先保证字数达标。 场景1：1小时内写完一个1万字的项目书 第四阶段：10分钟——用AI优化与格式伪装 p统一话术： “将以下段落改写成政府报告风格，加入‘数字化转型’‘双碳战略’等关键词：{粘贴原文}” p生成图表： 指令：“将上文‘设备配置

/ 32 LLM 基础设施 01 03 02 04 向量数据库/数据库向量支持 为大模型提供高效的存储和检索能力 大模型框架及微调 (Fine Tuning) 大模型框架提供基本能力和普适性，而微调 则是实现特定应用和优化性能的关键环节 大模型训练平台&工具 提供了在不同硬件和环境中训练大语言模型 所需的基础设施和支持 编程语言 以 Python 为代表 5 / 32 调是 用较小、特定领域的数据集对模型进行后续训练，以使 其更好地适应特定的任务或应用场景。这一步骤使得通 用的大型模型能够在特定任务上表现出更高的精度和更 好的效果。 大模型框架提供了 LLM 的基本能力和普适性，而微调 则是实现特定应用和优化性能的关键环节。两者相结合， 使得 LLM 在广泛的应用场景中都能发挥出色的性能。 8 / 32 LLM 基础设施：大模型框架及微调 (Fine Tuning) LangChain 是一个帮助开发者使用 LLM 创建应用的开源框 架，它可以将 LLM 与外部数据源进行连接，并允许与 LLM 进行交互。 LangChain 于 2022 年 10 月作为开源项目推出，并于 2023 年 4 月注册成立公司，累计获得超过 3000 万美元的 投资，估值达到了 2 亿美元。 在 GitHub 上，LangChain 已经获得了超过 7 万个 Star 和 超过

. . . . . . . . . . 5 2.2 Transformer 基础架构 . . . . . . . . . . . . . . . . . . . . . . 6 2.3 LLM 基本训练方法 . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3.1 预训练（Pretraining） . . . . . . . . . . 本地部署三个步骤 一共只需要三步，就能做到 DeepSeek 在本地运行并与它对话。 第一步，使用的是 ollama 管理各种不同大模型，ollama 比较直接、干净， 一键下载后安装就行，安装过程基本都是下一步。 不知道去哪里下载的，可以直接在我的公众号后台回复：ollama，下载这个 软件，然后装上，可以拿着手机扫码下图1直达我的公众号： 教程作者：郭震，工作 8 年目前美国 AI 博士在读，公众号：郭震 8 年目前美国 AI 博士在读，公众号：郭震 AI，欢迎关注获取更多原创教程。资 料用心打磨且开源，是为了帮助更多人了解获取 AI 知识，严禁拿此资料引流、出书、等形式的商业活动 2.3 LLM 基本训练方法 2.3.1 预训练（Pretraining） LLM 训练通常采用大规模无监督学习，即：1. 从互联网上收集大量文本数 据，如书籍、新闻、社交媒体等。2. 让模型学习词语之间的概率分布，理解

Social 智能角色交互体 Innovator For Science & Industry 行业大模型 基座大模型 人机协同 Chatbot •自然语言对话 Reasoner •基本的推理和问 题解决能力 Agent •代表用户执行任 务，具备自主行 动能力 Innovator • 参与发明和创造， 增强人类的创造力 和创新能力 Organization •承担整个组织的 250.00% 300.00% 350.00% 杭州 深圳 成都 苏州 无锡 上海 青岛 厦门 宁波 北京 大模型A 大模型B 大模型C 大模型D 如何利用DeepSeek实现人机高效协作？ 基本操 作技巧 人机协 作意识 能动 意识 边界 意识

表性和发言权。鼓励人工智能企业、机构开展跨国交流合作，分享最佳操作实 践，共同制定人工智能安全国际标准。 6. 人工智能安全开发应用指引 6.1 模型算法研发者安全开发指引 （a）研发者应在需求分析、项目立项、模型设计开发、训练数据选用等 关键环节，切实践行“以人为本、智能向善”理念宗旨，遵循科技伦理规范，采 取开展内部研讨、组织专家评议、科技伦理审查、听取公众意见、与潜在目标 用户沟通交流、加强员工安全教育培训等措施。-

的交互途径、模式、方法和技术要求，包括脑机接口、在线知识 演化、动态自适应、动态识别、人机协同感知、人机协同决策与 控制等标准。 9. 智能体标准。规范以通用大模型为核心的智能体实例和 10 智能体基本功能、应用架构等技术要求，包括智能体强化学习、 多任务分解、推理、提示词工程，智能体数据接口和参数范围， 人机协作、智能体自主操作、多智能体分布式一致性等标准。 10. 群体智能标准。规范群体智能算法的控制、编队、感知、