大模型应用：从提示工程到AI智能体PPT(合集).pptx

大模型应用

通用人工智能与数字经济创新团队

西南财经大学;

课程简介

n本课程的核心目标是系统介绍大模型应用知识，

帮助读者掌握提示工程和AI智能体设计技术，以发挥大模型在各类任务中的最大效能。通过理论授课、实践案例分析和讨论，学生将获得对大模型和通用人工智能领域的全面了解，培养相关技能和知识，为未来在该领域的研究和应用工作打下坚实基础。;

课程信息

n课程类型：专业方向课

n学分：3

n课时：17周，1次课/周，3学时/1次课，共51学时

n教材：自编教材，《大模型应用：从提示工程到AI智能体》

n先修课程：概率论与数理统计、机器学习等;

n教学时间：1周—17周（17周）

n教学地点：周五1-3节：H301

n教学方式：概念讲解+实践+答疑;

考核方式

n考核方式（暂定）：平时成绩（50%）+期末综合项目（50%）

n平时成绩

考勤、课堂表现和平时作业（20%）+课程大实验（30%）;

第一章绪论;

目录

1.1人工智能概述

1.2自然语言处理

1.3语言模型与大语言模型

1.3.1语言模型

1.3.2大语言模型

1.4大模型应用;

?设计用于执行特定任务的智能系统

?能够像人类一样执行认知任务的智能系统;

人工智能不是机器取代人类，而是人类加强自身智慧的工具。

——马化腾

l历史与发展;;

人工智能不是机器取代人类，而是人类加强自身智慧的工具。

——马化腾;

正如人类在学习新语言时需要兼顾听、说、读、写等技能，计算机若想理解并应用人类语言，同样离不开多方面的技术协作。

在这一过程中，分词、词性标注与句法分析等基础任务构成NLP的根基，而机器翻译、问答系统、文本摘要等应用任务则代表了NLP在更广泛场景中的应用实践。;

l基础技术——词法分析

1.分词：将文本分解为独立的词汇单元，是中文等语言处理的必要步骤。传统方法包括基于规则的最大匹配法和基于统计的语言模型方法。

面临的挑战：

?分词规范：确定词语边界的规则或指导原则。;

l基础技术——词法分析

2.命名实体识别（NER）：识别文本中的特定实体。现代NER技术??采用深度学习方法，如BERT。;

l基础技术——词法分析

3.词性标注：为句子中的每个词标注其词性（如名词、动词、形容词等），帮助计算机理解句子结构。

比如在“小明正在认真地学习”这句话中

“小明”是名词（表示人）

“正在”是助词（表示时态）

“认真”是形容词（表示状态）

“地”是助词（表示方式）

“学习”是动词（表示动作）;

l基础技术——句法分析、语义分析、篇章分析

4.句法分析：

包括短语结构分析和依存句法分析，用于解析句子的结构和语法关系。

5.语义分析：

通过词义消歧、语义角色标注等技术，理解句子或文本的含义。

6.篇章分析：

关注多句子构成的文本，包括连贯性分析和指代消解，确保对整篇文档的理解;

文本分类与情感分析：

文本分类用于将文本分配到预设类别，如垃圾邮件识别和新闻分类。

情感分析则用于判断文本的情感倾向，广泛应用于舆情监控和用户反馈分析。;

1.3.1语言模型

?1统计语言模型

?2神经语言模型

?3预训练语言模型;

核心任务：估计语言中词序列的概率分布，即给定一个词序列，模型预测下一个词出现的概率。;;

应用：

有哪些信誉好的足球投注网站引擎（Google或者Baidu）、或者输入法的猜想或者提示

原理：;

词来简化模型的计算复杂度。

优点：

?简单

?易于实现

?能够在大规模数据集上训练出有效的模型

缺点：

?无法捕捉长距离的依赖关系，模型的上下文窗口有限

?随着N的增大，模型的参数空间急剧膨胀，导致计算开销和存储需求增加

?统计语言模型主要依赖于大量的标注数据和统计信息，无法有效理解和生成语言的深层次语义;

1.3.1语言模型：统计语言模型

2.神经语言模型（NeuralLanguageModel，NLM）：是一种基于统计学概率的模型，用于描述词序列的概率分布。;

具体操作：

?首先，模型在海量无标注文本上进行预训练，就像让它“博览群书”一样，学习语言的基本规律和知识；

?然后，再针对特定任务进行微调，就像人类将通用知识应用到专业领域一样。;;

BERT：基于Transformer的双向编码器预训练模型。利用大规模的无监督数据预训练，然后通过微调（fine-tuning）来应用于各种N