前　言工具和火的使用讓人類成為高級生物，語言和文字為人類形成社會組織和社會文化提供了支撐。之后，人類歷經(jīng)農(nóng)業(yè)革命、工業(yè)革命、能源革命、信息革命，終于走到今天的“智能革命”。薛定諤認(rèn)為熵減是生命的本質(zhì)，而第二熱力學(xué)定律認(rèn)為熵增是時間的本質(zhì)。宇宙中生命的意義之一就是和時間對抗，而對抗的工具就是智能，智能的基礎(chǔ)就是信息和信息熵。智能可以分為生物智能、工具自動化、人工智能等。其中人工智能（Artificial Intelligence，AI）主要是指機(jī)器智能，從早年基于知識工程和符號系統(tǒng)的傳統(tǒng)人工智能（AI 1.0）已經(jīng)進(jìn)化到當(dāng)今基于數(shù)據(jù)和統(tǒng)計(jì)學(xué)習(xí)的現(xiàn)代人工智能（AI 2.0），包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)，以及以ChatGPT和DeepSeek為代表的大模型技術(shù)（大模型也是本書討論的主要內(nèi)容）。現(xiàn)代人工智能的本質(zhì)是數(shù)據(jù)智能，基于數(shù)據(jù)模型來提供分析能力和預(yù)測能力，主要適用于三種問題場景，或者說基于三個假設(shè)才能發(fā)揮作用：一是研究對象在問題領(lǐng)域的描述數(shù)據(jù)或觀測數(shù)據(jù)要足夠豐富和完備；二是研究對象在時間變化中存在內(nèi)在規(guī)律；三是過去的數(shù)據(jù)和未來的數(shù)據(jù)是同構(gòu)的，可以以古鑒今。根據(jù)以上對人工智能的理解，我們能夠清晰地判斷當(dāng)前人工智能能做什么、不能做什么，既不忽視其技術(shù)潛力，也不盲目將其神化。很多人會把人工智能技術(shù)歸屬為計(jì)算機(jī)技術(shù)，但我認(rèn)為計(jì)算機(jī)技術(shù)僅僅是人工智能的工具，而人工智能技術(shù)的核心在于問題抽象和數(shù)據(jù)建模。若將人工智能技術(shù)比作天文學(xué)，那么計(jì)算機(jī)技術(shù)則可比作望遠(yuǎn)鏡，兩者之間關(guān)系緊密，卻又不盡相同。至于其他計(jì)算機(jī)應(yīng)用技術(shù)，例如手機(jī)應(yīng)用、網(wǎng)絡(luò)游戲、計(jì)算機(jī)動畫等技術(shù)，則可以類比為望遠(yuǎn)鏡在軍事、航海等領(lǐng)域的應(yīng)用。如果將傳統(tǒng)的計(jì)算機(jī)應(yīng)用技術(shù)稱為軟件1.0，現(xiàn)代人工智能技術(shù)則可以稱為軟件2.0。軟件1.0的核心是代碼，解決的是確定性問題，對于問題解決方案的機(jī)制和原理是可以解釋的、可以重復(fù)的；軟件2.0的核心是數(shù)據(jù)，解決的是非確定性問題，對于問題解決方案的機(jī)制和原理缺乏可解釋性和可重復(fù)性。用通俗的話來講，軟件1.0要求人們首先給出問題解決方案，然后用代碼的方式告訴計(jì)算機(jī)如何去按照方案和步驟解決問題；軟件2.0則只給出該問題的相關(guān)數(shù)據(jù)，然后讓計(jì)算機(jī)自己學(xué)習(xí)這些數(shù)據(jù)，最后找出問題的解決方案，這個方案可以解決問題，但可能和人類自己的解決方案不同，人類可能也看不懂軟件2.0的解決方案的原理，即“知其然不知其所以然”。但軟件2.0非常適合解決復(fù)雜問題和混沌問題，例如計(jì)算機(jī)視覺、語音處理、機(jī)器翻譯、藝術(shù)創(chuàng)作、數(shù)據(jù)洞察等。這類問題依賴于直覺和經(jīng)驗(yàn)，人類可能也說不清是怎么解決的，所以無法給出明確的解決方案和解決步驟，從而無法采用軟件1.0的方式讓計(jì)算機(jī)解決這些問題。至于簡單問題和繁雜問題，因?yàn)橐?guī)則明確，更適合采用自動化工具（如軟件1.0）來解決。如今，基于數(shù)據(jù)智能的人工智能技術(shù)已然邁入大模型時代。隨著ChatGPT的橫空出世和DeepSeek的快速出圈，人工智能正逐漸演變?yōu)橐环N通用技術(shù)，這種無形卻廣泛應(yīng)用的技術(shù)，其影響力堪比30年前計(jì)算機(jī)對各行業(yè)的深遠(yuǎn)變革，亦如15年前互聯(lián)網(wǎng)對各行業(yè)的深刻滲透。人工智能技術(shù)在產(chǎn)業(yè)中有五個重要的工作環(huán)節(jié)：一是算法和模型研究，二是問題抽象和場景分析，三是數(shù)據(jù)采集和處理，四是模型訓(xùn)練、推理和算力支持，五是應(yīng)用場景的軟硬件工程。（1）算法和模型研究。數(shù)據(jù)智能的本質(zhì)是從過去的數(shù)據(jù)中發(fā)現(xiàn)固定的模式和規(guī)律，假設(shè)數(shù)據(jù)是獨(dú)立同分布的，其核心工作就是用一個數(shù)學(xué)函數(shù)來模擬現(xiàn)實(shí)世界中的事物。而如何選擇合適的模型框架，并計(jì)算出模型參數(shù)，讓模型代表的數(shù)學(xué)函數(shù)盡可能穩(wěn)定地逼近現(xiàn)實(shí)世界，就是算法和模型研究的核心。在實(shí)踐中，機(jī)器學(xué)習(xí)一般采用數(shù)學(xué)公式來表示函數(shù)，深度學(xué)習(xí)則通過深度神經(jīng)網(wǎng)絡(luò)來表示函數(shù)，雖然在可解釋性上會趨向于黑盒，但在對數(shù)學(xué)函數(shù)的表達(dá)能力上往往優(yōu)于機(jī)器學(xué)習(xí)。當(dāng)前主流的大模型技術(shù)，主要依托于Transformer和Diffusion這兩大深度學(xué)習(xí)框架，其顯著特征在于參數(shù)量龐大、算力需求極高以及數(shù)據(jù)消耗巨大。從數(shù)學(xué)和理論復(fù)雜度上，大模型技術(shù)低于深度學(xué)習(xí)，深度學(xué)習(xí)技術(shù)低于機(jī)器學(xué)習(xí)；從工程復(fù)雜度上，大模型技術(shù)高于深度學(xué)習(xí)，深度學(xué)習(xí)技術(shù)高于機(jī)器學(xué)習(xí)。（2）問題抽象和場景分析。在人工智能的視角下，世界是數(shù)字化的、模型化的。如何把現(xiàn)實(shí)世界中的問題找出來，并將其轉(zhuǎn)化為抽象的數(shù)學(xué)問題，是模型訓(xùn)練和算法研究的第一步，也是人工智能技術(shù)應(yīng)用的基礎(chǔ)環(huán)節(jié)，往往還是最關(guān)鍵的步驟，這一過程需要深度結(jié)合業(yè)務(wù)理解和場景分析方能實(shí)現(xiàn)。（3）數(shù)據(jù)采集和處理。在大模型技術(shù)中，數(shù)據(jù)種類繁多，數(shù)據(jù)數(shù)量十分龐大。如何以低成本獲取海量的數(shù)據(jù)樣本并進(jìn)行標(biāo)注，往往是決定一種算法能否成功、一種模型能否順利訓(xùn)練、一個應(yīng)用能否滿足落地要求的關(guān)鍵因素。因此，針對海量數(shù)據(jù)，如何高效地進(jìn)行采集、清洗、存儲、交易、融合及分析，變得至關(guān)重要，而這些環(huán)節(jié)往往伴隨著巨大的資金投入。這有時成為人工智能研究和應(yīng)用機(jī)構(gòu)之間的競爭壁壘，甚至催生了專門進(jìn)行數(shù)據(jù)采集、處理、標(biāo)注的數(shù)據(jù)工程服務(wù)行業(yè)。（4）模型訓(xùn)練、推理和算力支持。在大模型技術(shù)中，深度神經(jīng)網(wǎng)絡(luò)的參數(shù)量高達(dá)數(shù)十億，其訓(xùn)練、測試和驗(yàn)證所依賴的數(shù)據(jù)集亦是以十億token計(jì)算的海量規(guī)模，參數(shù)迭代計(jì)算主要采用梯度優(yōu)化的數(shù)值計(jì)算方法和反向傳播策略，且尚未涵蓋模型訓(xùn)練過程中可能遭遇的系統(tǒng)中斷和模型不收斂問題。因此，整個預(yù)訓(xùn)練、后訓(xùn)練和推理過程對算力的性能和穩(wěn)定性均提出了極高的要求。當(dāng)前，專為神經(jīng)網(wǎng)絡(luò)訓(xùn)練而設(shè)計(jì)的計(jì)算機(jī)模型尚未成熟，工程實(shí)踐中普遍采用的是傳統(tǒng)的馮·諾依曼架構(gòu)計(jì)算機(jī)。這需要在計(jì)算機(jī)體系結(jié)構(gòu)設(shè)計(jì)（包括并行計(jì)算與局部組件優(yōu)化）、專用計(jì)算芯片及集群（包括GPU、TPU等）以及計(jì)算成本規(guī)劃（包括計(jì)算機(jī)、通信、存儲和云平臺等）方面進(jìn)行持續(xù)優(yōu)化與強(qiáng)化。這一過程涉及解決大規(guī)模算力支持和復(fù)雜的工程挑戰(zhàn)。（5）應(yīng)用場景的軟硬件工程。數(shù)據(jù)模型在具體場景中如何應(yīng)用，涉及大量的軟件工程、硬件工程、產(chǎn)品設(shè)計(jì)和提示詞優(yōu)化等工作。在這個工作環(huán)節(jié)中，工程設(shè)計(jì)人員主要負(fù)責(zé)把已經(jīng)訓(xùn)練好的數(shù)據(jù)模型應(yīng)用到具體的產(chǎn)品和服務(wù)中，重點(diǎn)考慮大模型的推理成本和響應(yīng)效率、軟硬件的設(shè)計(jì)和制造的成本與質(zhì)量，以及用戶體驗(yàn)等。這類工作的重點(diǎn)在于對大模型進(jìn)行微調(diào)或數(shù)據(jù)增強(qiáng)，隨后通過軟件工程、硬件工程、產(chǎn)品設(shè)計(jì)和提示詞優(yōu)化工作來完成具體的智能產(chǎn)品或提供專業(yè)的智能服務(wù)。本系列圖書的主題是以DeepSeek為代表的大模型技術(shù)的認(rèn)知、原理和應(yīng)用，既不包含傳統(tǒng)的符號系統(tǒng)和知識工程，也不包含機(jī)器學(xué)習(xí)和傳統(tǒng)深度學(xué)習(xí)的詳細(xì)內(nèi)容。傳統(tǒng)的符號系統(tǒng)和知識工程屬于傳統(tǒng)人工智能（AI 1.0）的范疇，對于理解和掌握以數(shù)據(jù)智能為核心的現(xiàn)代人工智能（AI 2.0）幾乎毫無幫助。而現(xiàn)代人工智能中的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的知識和理論內(nèi)容，主要是數(shù)據(jù)建模的邏輯和流程，以及神經(jīng)網(wǎng)絡(luò)的反向傳播策略和梯度下降算法，對于理解大模型技術(shù)的原理、工程和應(yīng)用非常關(guān)鍵，其他的具體模型（例如隨機(jī)森林、SVM、CNN、RNN等）沒有必要花費(fèi)時間和精力去系統(tǒng)全面地學(xué)習(xí)和掌握。我們試圖利用前言讓第一次接觸人工智能大模型技術(shù)的讀者能夠理解基本的數(shù)據(jù)智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)概念，從而快速進(jìn)入以DeepSeek為代表的大模型技術(shù)和應(yīng)用領(lǐng)域。為了便于讀者系統(tǒng)全面地掌握大模型和DeepSeek技術(shù)和應(yīng)用，我們規(guī)劃了“大模型技術(shù)與應(yīng)用叢書”系列圖書。本系列圖書采用三層知識結(jié)構(gòu)，每一層都包含數(shù)本著作。第一層是人工智能通識和導(dǎo)論，對人工智能的本質(zhì)原理、技術(shù)體系、行業(yè)應(yīng)用、未來發(fā)展做一個整體的介紹和討論。第二層是大模型和DeepSeek原理、生成模型和推理模型的提示詞工程、大模型應(yīng)用開發(fā)和部署、大模型訓(xùn)練和微調(diào)、大模型智能體（包括Agent和Agentic AI）、數(shù)據(jù)工程等技術(shù)內(nèi)容的講解。第三層是大模型和DeepSeek在各行業(yè)的應(yīng)用框架和案例，包括教育、金融、醫(yī)療、商業(yè)、安防、軟件開發(fā)、新媒體、影視娛樂、政企辦公管理等行業(yè)。距離ChatGPT發(fā)布已經(jīng)有兩年，大模型的語言能力和知識儲備已經(jīng)超過了人類平均水平，隨著今年年初DeepSeek的快速出圈和廣泛應(yīng)用，大模型的思考和推理能力也在逐漸達(dá)到甚至超越人類平均水平。對于廣大的AI應(yīng)用者來說，AI思維和提示詞方法已經(jīng)成為使用AI工具的有效手段。從本質(zhì)上來說，提示詞方法是一種大模型學(xué)習(xí)方法，也是一種大模型能力控制和激發(fā)方法，是普通讀者與大模型溝通的主要方法。隨著大模型的智能化程度不斷提升，人們所使用的提示詞已從難以理解的咒語式字符串，逐步演變?yōu)橐匀祟愖匀徽Z言為核心的表達(dá)方式。如今，人類需要像對待同事、專家以及合作伙伴一樣對待大模型，與之協(xié)同工作，共同生活。隨著DeepSeek-R1的發(fā)布，大模型技術(shù)全面進(jìn)入推理模型階段，大模型具備了長鏈推理和深度思考的能力。在Agent和Agentic AI的場景中，提示詞越來越復(fù)雜，越來越代碼化和程序化。但是在與人類直接進(jìn)行對話交互的場景中，提示詞技巧（尤其是結(jié)構(gòu)公式和提示詞模板）日益簡潔和直接，從原來的面向模型逐漸變成面向人類，其主要作用已經(jīng)從幫助大模型理解人類的任務(wù)背景信息和命令意圖，轉(zhuǎn)變?yōu)閹椭�人類自身梳理思維邏輯、明晰問題思路、提高語言組織和表達(dá)水平。本書作為專門討論大模型提示詞的一本書，主要包含四部分內(nèi)容：第1章介紹基于對話方式的大模型工具的原理和分類；第2章和第3章分別介紹生成模型和推理模型的提示詞技巧和差異；第4章介紹提示詞在5個行業(yè)的應(yīng)用案例，并討論讀者應(yīng)該如何運(yùn)用AI思維有效使用AI技術(shù)和工具；第5章展望AI生成與推理能力的深層次融合以及AI可能帶來的革命性變革。隨著AI應(yīng)用的不斷發(fā)展，Agent技術(shù)的應(yīng)用日益普及。近期，“提示詞工程”（Prompt Engineering）正在向“上下文工程”（Context Engineering）延伸。上下文工程研究的是如何為AI設(shè)計(jì)和構(gòu)建動態(tài)上下文，致力于在恰當(dāng)?shù)臅r機(jī)、以恰當(dāng)?shù)母袷剑瑸榇笳Z言模型提供恰當(dāng)?shù)男畔⒑凸ぞ�，確保模型具備完成任務(wù)所需的一切條件。我們可以用一個比喻來理解提示詞工程與上下文工程的關(guān)系：如果說提示詞就像一套小學(xué)一年級教材，那么上下文則是小學(xué)一年級教室里的所有東西—不僅包括教材，還涵蓋黑板、桌椅、學(xué)習(xí)用品、環(huán)境氛圍等一切影響學(xué)習(xí)效果的因素。從視角上看，提示詞是從用戶角度看問題，關(guān)注如何清晰地表達(dá)需求和指令；而上下文則是從模型角度看問題，關(guān)注模型在生成回答前所能獲取和處理的全部信息，即關(guān)注模型在決策前需要獲得哪些信息才能達(dá)到最佳表現(xiàn)。與傳統(tǒng)的提示詞工程不同，上下文工程不僅僅關(guān)注發(fā)送給模型的單一提示詞文本，而是關(guān)注模型在生成回答前所接觸到的一切信息，包括系統(tǒng)提示詞、用戶輸入、對話歷史以及工具返回信息等，從而為AI構(gòu)建一個高效的“工作環(huán)境”。上下文工程強(qiáng)調(diào)動態(tài)性和系統(tǒng)性：它是一個動態(tài)系統(tǒng)的交互，能夠根據(jù)當(dāng)前任務(wù)即時生成量身定制的上下文，而非靜態(tài)的提示詞模板。在AI Agent背景下，單純的提示詞工程已經(jīng)無法滿足復(fù)雜應(yīng)用的需求，上下文工程正在成為構(gòu)建高效智能體的關(guān)鍵思路。人工智能作為新時代最具潛力和生命力的技術(shù)之一，得到了國家和社會的廣泛支持與重點(diǎn)發(fā)展。這一領(lǐng)域人才儲備相對匱乏，但需求旺盛，職業(yè)發(fā)展空間廣闊，就業(yè)前景樂觀。這一輪以ChatGPT和DeepSeek為代表的大模型浪潮，并非一場簡單的競賽，而是一場殘酷的淘汰賽。掌握大模型技術(shù)的個人、企業(yè)和國家將占得先機(jī)。能與此次人工智能技術(shù)崛起相提并論的，或許僅有30年前計(jì)算機(jī)行業(yè)的騰飛，以及15年前互聯(lián)網(wǎng)行業(yè)的崛起。最后，真心祝愿各位讀者能夠在本系列圖書的幫助下，抓住技術(shù)升級的機(jī)遇，順利踏入人工智能技術(shù)領(lǐng)域，更好地應(yīng)用人工智能工具和技術(shù)，抓住人工智能時代紅利，成為人生贏家。北大青鳥人工智能研究院院長　肖睿2025年3月于北大燕北園