在与大语言模型（LLM）交互的过程中，优质的生成结果不仅依赖精心设计的提示词，API参数的合理配置同样至关重要。不少开发者和初学者容易陷入“重提示词、轻参数”的误区，最终导致模型输出要么冗长冗余、重复循环，要么风格跑偏、脱离任务预期——比如用写诗的参数配置去做数学题，结果自然差强人意。

本文结合实际开发场景与调试经验，不仅系统梳理了提示词工程的核心逻辑，更针对API调用中高频使用的参数（如温度、max_tokens、Top-K/Top-P等）给出具体调优方案，还新增了“参数调试流程”和“工具推荐”模块，帮你避开常见陷阱，快速找到适配不同场景的最优配置。

一、提示词工程：为模型搭建“精准预测轨道”

LLM提示词工程（Prompt Engineering）并非简单的“提问技巧”，而是一套通过设计、优化输入文本，引导模型生成符合需求的方法论。其核心目标是让模型在给定上下文内，精准理解任务边界、输出格式与风格要求，最终产出准确、有用的内容。

要理解提示词的作用，需先明确LLM的工作本质：它是一个“连续token预测引擎”。模型会将输入的文本（即提示词）作为上下文，基于训练数据中学习到的语言逻辑，不断预测“下一个最可能出现的token”——这个过程会循环进行，直到生成完整文本或达到长度限制。

换句话说，撰写提示词的过程，就是为模型“铺设正确预测轨道”的过程。优质的提示词通常需要包含3个核心要素：

• 角色设定：明确模型的身份（如“资深数据分析师”“技术文档撰写者”），让输出风格更贴合场景；
• 任务描述：清晰定义目标（如“分析以下数据并生成3点结论”“将这段英文技术文档翻译成中文”），避免模型理解偏差；
• 格式约束：指定输出结构（如“用Markdown列表呈现”“仅返回JSON格式，包含‘标题’和‘摘要’字段”），减少后续处理成本。

当然，提示词并非“一写定终身”，还需结合生成结果反复打磨：比如调整表述措辞（将“写一篇文章”改为“写一篇面向大学生的AI科普文，分3个小节，每节不超过300字”）、优化逻辑结构（先给示例再提要求，即Few-Shot Prompting），最终让模型的“预测方向”与你的需求完全对齐。

二、LLM参数基础：从“黑箱”到“可控变量”

提到LLM的“参数”，很多人会先想到模型训练时的“数十亿权重”——这些参数决定了模型的基础能力（如理解复杂语义、生成连贯文本）。但在API调用场景中，我们接触的是“配置参数”：它们不改变模型的底层逻辑，却能直接影响生成过程的“可控性”，比如输出长度、随机程度、重复率等。

简单来说，配置参数就像“模型的操作旋钮”：拧动不同的旋钮，即使输入相同的提示词，输出结果也可能天差地别。掌握这些参数的作用，是从“被动接收结果”到“主动控制输出”的关键。

三、大模型API核心配置参数详解

1. 输出长度控制：max_tokens的“双刃剑”

max_tokens是最基础也最容易被误解的参数——它定义了模型生成文本的“最大token数”（1个中文词约等于2个token，1个英文单词约等于1个token），但很多人误以为“调小max_tokens就能让输出更简洁”，这其实是一个误区。

• 核心作用：限制生成文本的“总长度上限”，而非“优化内容简洁度”。当模型生成的token数达到max_tokens时，会直接停止输出，可能导致内容截断（比如一句话没说完就结束）；
• 成本与效率影响：生成的token数越多，API调用成本越高（多数平台按token计费），同时响应时间也会延长——比如生成1000token的文本，比生成200token慢2-3倍；
• 正确使用场景：
  • 对输出长度有严格限制时（如生成摘要、短回复），需结合提示词明确要求（如“用一句话概括，不超过50字”），再将max_tokens设为略高于预期的值（如80token），避免截断；
  • 使用ReAct、思维链（CoT）等提示技术时，需精准控制max_tokens——比如让模型先“思考”再“输出答案”，若max_tokens过大，模型可能在“思考阶段”就生成冗余内容。

2. 随机程度调节：温度（temperature）的“创意开关”

温度（temperature）是控制模型生成“随机性”的核心参数，其本质是“调整token概率分布的平滑度”：

• 低温度（0~0.3）：模型更倾向于选择概率最高的token，输出更确定、稳定，甚至可复现（比如同一提示词多次调用，结果高度相似）；
• 高温度（0.8~2.0）：模型会“拉平”token的概率差异，低概率token也有机会被选中，输出更多样、更有创意，但可能出现逻辑混乱或偏离主题的内容。

需要特别注意：当温度设为0时（贪婪解码），模型并非100%输出完全相同的结果——若多个token的概率并列最高，模型会随机选择其中一个，此时仍可能出现微小差异。

不同场景下的温度推荐值（以DeepSeek模型为例，默认值为1.0）：

应用场景	温度范围	核心原因
代码生成/数学解题	0.0~0.2	需精准、无误差，低温度确保逻辑严谨，避免语法错误或计算错误
数据抽取/事实问答	0.3~0.8	需基于事实输出，适度随机性可避免重复，但过高可能导致信息错误
通用对话/邮件撰写	0.8~1.3	需自然流畅，适度随机性让表达更生动，避免机械感
翻译（尤其是文学翻译）	1.0~1.5	需兼顾准确性与语言美感，适度随机性可优化句式表达，避免译文生硬
创意写作/诗歌/剧本	1.5~2.0	需突破常规表达，高温度能激发更多新颖比喻、句式，提升创意性（但需多次筛选）

3. 候选词范围限制：Top-K与Top-P的“双重保险”

Top-K和Top-P是两种“过滤候选token”的采样策略，它们的作用是“缩小模型的选择范围”，避免模型选择概率极低的“奇怪token”（如无意义的生造词），同时与温度协同调节随机性。

3.1 Top-K：固定候选池大小

Top-K的逻辑很简单：从模型预测的所有token中，筛选出“概率最高的前K个token”作为候选池，再从候选池中选择下一个token。

• K=1：候选池只有1个token（概率最高的那个），模型输出完全确定，此时温度、Top-P均失效；
• K=50：候选池包含前50个高概率token，模型有一定选择空间，兼顾稳定性与多样性；
• K=100：候选池更大，模型选择更自由，随机性更强，但可能出现偏离主题的内容。

经验推荐：

• 事实性任务（如数据分析、问答）：K=20~30，缩小候选范围，确保输出准确；
• 创意性任务（如文案、故事）：K=50~100，扩大候选范围，激发更多创意。

3.2 Top-P：动态候选池（ Nucleus Sampling）

与Top-K的“固定数量”不同，Top-P是“按概率累加动态筛选”：从概率最高的token开始累加，直到总和达到阈值P，这些token组成候选池。

• P=0.8：候选池包含“概率累加达80%”的token，筛选严格，输出更聚焦；
• P=0.95：候选池包含“概率累加达95%”的token，筛选宽松，输出更多样；
• P=1.0：候选池包含所有token，相当于不筛选，此时Top-P失效。

经验推荐：

• 需精准输出的场景（如技术文档、报告）：P=0.8~0.9，确保内容聚焦；
• 需丰富表达的场景（如营销文案、散文）：P=0.95~0.99，保留更多创意空间。

Top-K与Top-P的搭配技巧

多数API支持同时设置Top-K和Top-P，此时模型会先筛选出“同时满足Top-K和Top-P条件的token”，再应用温度采样。实际使用中，不建议同时将两者设为极端值（如K=1且P=0.8），否则会导致其中一个参数失效。

推荐搭配方案：

• 常规任务：Top-K=30 + Top-P=0.95 + 温度=0.5，兼顾稳定与灵活；
• 创意任务：Top-K=80 + Top-P=0.99 + 温度=1.2，扩大选择空间，提升创意性。

4. 重复率控制：存在惩罚与频率惩罚

在生成长篇文本（如文章、对话）时，模型容易出现“重复循环”（如反复使用同一个词、句式），此时需要通过“存在惩罚（Presence Penalty）”和“频率惩罚（Frequency Penalty）”来优化。

4.1 存在惩罚（Presence Penalty）

• 作用：若某个词已经在生成文本中出现过，会降低它“再次被选中”的概率，核心是“避免同一概念的重复提及”；
• 适用场景：生成对话、长文时，防止模型反复强调同一个观点（如在推荐商品时，多次重复“性价比高”）；
• 推荐值：0.2~0.6（数值越高，抑制重复的效果越强，超过1.0可能导致文本逻辑断裂）。

4.2 频率惩罚（Frequency Penalty）

• 作用：根据词的“出现频率”调整概率——出现次数越多的词，被选中的概率越低，核心是“避免高频词的过度使用”；
• 适用场景：生成文案、报告时，防止模型反复使用虚词（如“的”“了”）或套话（如“综上所述”“由此可见”）；
• 推荐值：0.1~0.4（数值过高可能导致模型刻意回避常用词，生成生硬的表达）。

两者的核心区别：存在惩罚关注“是否出现过”，频率惩罚关注“出现过多少次”——实际使用中，建议同时设置（如存在惩罚=0.3，频率惩罚=0.2），协同抑制重复。

四、参数调优实战：从“试错”到“精准配置”

1. 参数间的关联影响：避免“无效调参”

Top-K、Top-P、温度、max_tokens这4个参数并非独立工作，而是相互影响，若搭配不当，可能导致调参无效甚至反向优化。关键关联逻辑如下：

• 温度=0时：Top-K、Top-P失效，模型仅选择概率最高的token，输出完全确定；
• Top-K=1时：温度、Top-P失效，模型仅从1个token中选择，输出完全确定；
• Top-P=0时：多数模型会默认筛选出概率最高的1个token，此时温度、Top-K失效；
• max_tokens过小：即使其他参数配置合理，也可能导致输出截断，需先确保max_tokens满足基本长度需求。

例如：若你想生成“有创意的营销文案”，却将温度设为0、Top-K=10，此时温度的“低随机性”会抵消Top-K的“宽候选池”，最终输出仍会非常呆板。

2. 不同场景的参数配置模板

模板1：事实性输出（如问答、数据报告）

• 核心需求：准确、无误差、逻辑严谨；
• 参数配置：温度=0.1_{0.3，Top-K=20}30，Top-P=0.8~0.9，存在惩罚=0.2，频率惩罚=0.1；
• 提示词配合：明确要求“基于事实回答，避免主观推测”，并指定输出格式（如“分点列出，每点不超过50字”）。

模板2：创意性输出（如文案、故事）

• 核心需求：新颖、生动、有感染力；
• 参数配置：温度=1.0_{1.5，Top-K=50}80，Top-P=0.95~0.99，存在惩罚=0.4，频率惩罚=0.3；
• 提示词配合：加入角色设定（如“你是资深文案，擅长撰写年轻人喜欢的潮流文案”），并给出1-2个示例（Few-Shot）。

模板3：精准结构化输出（如JSON、代码）

• 核心需求：格式正确、可直接使用；
• 参数配置：温度=0_{0.2，Top-K=10}20，Top-P=0.8，存在惩罚=0，频率惩罚=0；
• 提示词配合：强制指定格式（如“仅返回JSON，字段包括‘产品名’‘价格’‘卖点’，无需其他解释”），并加入格式校验提示（如“确保JSON语法正确，可直接解析”）。

3. 常见问题解决方案（新增案例分析）

3.1 重复循环缺陷：模型“原地打转”

问题表现：生成文本末尾反复出现同一短语（如“以上就是全部内容”“希望对你有帮助”），或循环重复某段逻辑；
案例：用温度=0.8、Top-K=10生成产品介绍时，模型在结尾反复重复“这款产品性价比高，性价比高，性价比高”；
解决方案：

• 降低温度（如从0.8调至0.5），减少随机选择导致的循环；
• 增加存在惩罚（如设为0.4），抑制已出现词的重复；
• 在提示词中加入“避免重复表述”的约束（如“不要反复使用同一短语，语言需多样”）。

3.2 输出过长且冗余

问题表现：模型生成的内容远超预期长度，包含大量无关信息；
案例：要求“生成100字的活动通知”，模型却生成了300字，其中包含大量活动背景介绍；
解决方案：

• 提示词中明确长度+格式（如“活动通知，100字以内，分‘时间’‘地点’‘内容’3点，每点不超过30字”）；
• 将max_tokens设为略高于预期的值（如150token），避免截断；
• 使用“停止符（stop sequence）”：在提示词末尾加入标记（如“###结束###”），并在API中设置stop=["###结束###"]，模型遇到该标记即停止输出。

3.3 输出风格过于随意

问题表现：模型生成的内容口语化、俚语多，不符合正式场景需求；
案例：要求“生成正式的会议纪要”，模型却使用“咱就是说”“搞定了”等口语化表达；
解决方案：

• 降低温度（如从1.0调至0.3），提升输出的正式度；
• 在提示词中明确角色与风格（如“你是行政专员，需生成正式、严谨的会议纪要，避免口语、俚语”）；
• 使用系统提示（System Prompt）：在Chat型API中，通过System Prompt设定身份（如“System: 你是专业的行政人员，所有输出需符合正式公文风格”）。

4. 新增：参数调试的“三步法”

很多人调参时习惯“随机修改”，效率极低。推荐一套“从粗到细”的调试流程，帮你快速定位最优配置：

1. 第一步：确定核心参数（温度+max_tokens）
   根据场景先固定温度（如事实性任务设0.2，创意任务设1.2）和max_tokens（略高于预期长度），其他参数用默认值，先确保输出“方向正确”（不偏离主题、不截断）；
2. 第二步：优化随机性与重复率（Top-K/Top-P+惩罚参数）
   若输出太呆板，调大Top-K/Top-P；若输出太混乱，调小Top-K/Top-P；若有重复，增加存在/频率惩罚，逐步优化“内容质量”；
3. 第三步：微调验证
   针对细节问题（如风格不够正式、长度略有冗余），微调单个参数（如温度从0.2调到0.3，或提示词中补充风格约束），并多次调用验证稳定性。

五、新增：参数调优工具推荐

手动调试参数效率低？这些工具可以帮你提升效率，减少“盲试”成本，尤其适合需要批量验证配置或追求精细化调优的场景：

1. 官方API调试工具：基础配置的“第一站”

几乎所有大模型厂商都会提供内置调试工具，无需额外开发，即可快速测试参数效果，适合初学者入门：

• OpenAI Playground：支持GPT-3.5/4系列模型，界面直观，可实时调整温度、Top-K、max_tokens等参数，生成结果后还能对比不同配置的差异；同时支持“保存会话”，方便后续复现调试过程，适合验证单条提示词的参数适配性。
• 阿里云通义千问API调试台：针对通义千问系列模型优化，除基础参数调节外，还提供“提示词模板库”（如文案生成、数据分析模板），可直接基于模板测试参数，减少提示词设计与参数调试的双重成本。
• 百度文心一言开发者平台调试工具：支持实时查看token消耗（生成+输入总token数），能帮助开发者精准控制max_tokens以降低成本；同时提供“历史调试记录”，可一键对比不同参数组合的输出效果，适合筛选最优配置。

核心优势：与官方模型兼容性100%，参数实时生效，无需担心第三方工具的适配问题；适合快速验证“单场景+单提示词”的参数配置。

2. 第三方可视化调优工具：批量对比与场景化适配

若需要批量测试参数或针对特定场景（如代码生成、创意写作）优化，第三方工具的“多维度对比”和“场景化模板”能大幅提升效率：

• LangChain PromptHub + Parameter Tuner：LangChain作为大模型开发框架，其PromptHub集成了参数调优功能，支持同时输入3-5组参数（如温度0.2/0.5/0.8，Top-K 20/30/50），批量生成结果后按“相关性”“流畅度”“符合度”等维度打分，快速定位最优组合；尤其适合需要结合LangChain流程（如ReAct、Chain-of-Thought）的参数调试。
• PromptBase Tuner：主打“场景化参数模板”，针对代码生成、邮件撰写、诗歌创作等20+场景提供预设参数范围（如代码生成默认温度0.1-0.3，Top-K 10-20），开发者只需选择场景、输入提示词，工具会自动生成5组候选参数配置并对比输出，适合新手快速上手特定场景的调优。
• Helicone：不仅支持参数调试，还能记录“每一次API调用的参数、成本、响应时间”，生成可视化报表（如“温度0.3时的平均响应时间比温度1.0快20%”“Top-K=30时的token利用率最高”），帮助企业级用户在“效果”与“成本”之间找到平衡，适合长期、批量的参数优化管理。

核心优势：支持批量对比、场景化适配，部分工具还能结合成本与效率数据，适合中高级开发者或团队级调优需求。

3. 本地开源工具：自定义需求的“灵活选择”

若需要结合私有数据或自定义调优逻辑（如按行业关键词过滤候选token），开源工具可提供更高的灵活性，适合技术能力较强的开发者：

• LLaMA Factory：基于开源模型（如LLaMA 2、Qwen）的调优框架，除了模型微调功能，还内置“参数搜索模块”，支持通过“网格搜索”（遍历指定参数范围的所有组合）或“随机搜索”（随机选取参数组合）自动测试输出效果，并按“BLEU分数”“困惑度（Perplexity）”等指标排序，适合针对私有模型的参数优化。
• Text Generation Inference（TGI）：Hugging Face推出的开源推理工具，支持实时调整温度、Top-P、重复惩罚等参数，同时提供“流式输出”调试功能，可模拟实际应用中的实时交互场景（如对话机器人），测试参数对“多轮对话连贯性”的影响，适合开发交互式大模型应用时的参数调试。

核心优势：可自定义调优逻辑、适配私有模型，适合需要深度定制化的调优场景，但需具备一定的代码开发能力。

六、总结：参数调优的“核心原则”

掌握了参数作用、调试方法和工具后，最终要回归到“以需求为导向”的调优逻辑——没有“万能参数”，只有“适配场景的最优配置”。记住以下3个核心原则，能帮你避开80%的调优误区：

1. 先定场景，再选参数：永远不要脱离场景谈“最佳参数”——比如温度1.5对创意写作是“加分项”，对数学解题却是“减分项”。调优前先明确核心需求：是追求“准确”还是“创意”？是“短输出”还是“长文本”？是“正式风格”还是“口语化表达”？需求越清晰，参数选择越精准。

2. 少即是多：避免过度调参：多数场景下，只需重点调整2-3个核心参数（如温度+max_tokens+Top-P），其他参数用默认值即可满足需求。过度修改参数（如同时调整温度、Top-K、Top-P、存在惩罚、频率惩罚5个参数）会增加调试复杂度，甚至导致“参数间相互抵消效果”（如高温度+低Top-K，随机性与确定性冲突）。

3. 结合提示词，1+1>2：参数调优不能替代提示词设计——比如想让输出更简洁，仅调小max_tokens会导致内容截断，而“提示词明确要求简洁+合理设置max_tokens”才能达到最佳效果。始终记住：提示词是“引导模型方向”，参数是“优化模型输出细节”，两者结合才能最大化生成质量。

最后，参数调优是一个“实践-总结-迭代”的过程。建议在实际应用中记录每一次调优的“参数组合+输出效果+场景需求”，逐步积累属于自己的“参数配置库”——比如“技术文档生成：温度0.2+Top-K 20+max_tokens 500”“短视频文案：温度1.3+Top-P 0.95+存在惩罚0.4”，后续遇到类似场景，即可快速复用并微调，大幅提升效率。

收藏本文，下次调优大模型API时，再也不用对着参数面板“一脸茫然”啦！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】