目录

1 LLM (大语言模型)

2 Transformer (自注意力机制)

3 Prompt (提示词)

4 理解API

5 Function Calling (函数调用)

6 Agent (智能体)

7 MCP (模型上下文协议)

8 A2A (Agent通信协议)

9 未来假想

本文尽量用最简单的方式, 帮读者理解 LLM, Transformer, Prompt, Function calling, MCP, Agent, A2A 等这些基本概念。表述时不追求绝对准确, 尽量通俗易懂。部分内容有个人理解的成份, 内容难免疏漏, 欢迎指正。注意: 本文需要你有基本的代码阅读能力。当然非开发阅读也不会很困难。

01 LLM (大语言模型)

本质就是文字接龙。

把问题当成输入，把大模型当成函数，把回答当成输出。

大模型回答问题的过程，就是一个循环执行函数的过程。

另外有必要了解一下，AI技术爆发于2023年，ChatGPT经过了几次迭代才崭露头角。

• Transformer架构。
• 参数爆发增长。
• 人工干预奖励模型。

思考题: 语言能代表智能吗?

02 Transformer (自注意力机制)

自注意力机制就是动态关联上下文的能力。如何实现的呢？

• 每个分词就是一个 token
• 每个token 都有一个 Q, K, V 向量 (参数)
  • Q 是查询向量
• K 是线索向量
• V 是答案向量
• 推理的过程:
  • 当前token 的Q 与 前面所有的 K 计算权重
• 每个 token 的V加权相加得到一个 token预测值
• 选择 N 个与预测值最接近的 token, 掷骰子选择

最简化示例: 小明吃完冰淇淋，结果 => 肚子疼。

首先分词及每个token的 Q, K, V向量。

token	Q（查询）	K（键）	V（值）	语义解释
小明	[0.2, 0.3]	[0.5, -0.1]	[0.1, 0.4]	人物主体
吃完	[-0.4, 0.6]	[0.3, 0.8]	[-0.2, 0.5]	动作（吃完）
冰淇淋	[0.7, -0.5]	[-0.6, 0.9]	[0.9, -0.3]	食物（冷饮，可能致腹泻）
结果	[0.8, 0.2]	[0.2, -0.7]	[0.4, 0.1]	结果（需关联原因）

接着开始推理:

1. 使用最后一个 token 的 Q（“结果”的 Q 向量）

Q_current = [0.8, 0.2]

2. 计算 Q_current 与所有 K 的点积（相似度）

点积公式：Q·K = q₁k₁ + q₂k₂

Token	K向量	点积计算	结果
小明	[0.5, -0.1]	0.8 * 0.5 + 0.2*(-0.1) = 0.4 - 0.02	0.38
吃完	[0.3, 0.8]	0.8 * 0.3 + 0.2 * 0.8 = 0.24 + 0.16	0.4
冰淇淋	[-0.6, 0.9]	0.8*(-0.6) + 0.2 * 0.9 = -0.48 + 0.18	-0.3
结果	[0.2, -0.7]	0.8 * 0.2 + 0.2*(-0.7) = 0.16 - 0.14	0.02

3. Softmax 归一化得到注意力权重

将点积结果输入 Softmax 函数

Token	点积	指数值（e^x）	权重
小明	0.38	e^0.38 ≈ 1.46	1.46 / 2.74 ≈ 0.53
吃完	0.4	e^0.40 ≈ 1.49	1.49 / 2.74 ≈ 0.54
冰淇淋	-0.3	e^-0.30 ≈ 0.74	0.74 / 2.74 ≈ 0.27
结果	0.02	e^0.02 ≈ 1.02	1.02 / 2.74 ≈ 0.37

4. 加权求和 V 向量生成上下文向量

将权重与对应 V 向量相乘后相加：

Token	权重	V向量	加权 V 向量
小明	0.53	[0.1, 0.4]	0.53*[0.1, 0.4] ≈ [0.053, 0.212]
吃完	0.54	[-0.2, 0.5]	0.54*[-0.2, 0.5] ≈ [-0.108, 0.27]
冰淇淋	0.27	[0.9, -0.3]	0.27*[0.9, -0.3] ≈ [0.243, -0.081]
结果	0.37	[0.4, 0.1]	0.37*[0.4, 0.1] ≈ [0.148, 0.037]

最终上下文向量：

[0.053−0.108+0.243+0.148,0.212+0.27−0.081+0.037]=[0.336,0.438]

5. 预测下一个 token

模型将上下文向量 [0.336, 0.438] 与候选 token 的嵌入向量对比：

嵌入向量不作过多解释, 只要知道QKV三个向量可从嵌入向量计算得到即可

候选词	嵌入向量	相似度（点积）	概率
肚子疼	[0.3, 0.5]	0.336 * 0.3 + 0.438 * 0.5 ≈ 0.101 + 0.219 = 0.320	最大概率（例如 65%）
头疼	[0.2, 0.1]	0.336 * 0.2 + 0.438 * 0.1 ≈ 0.067 + 0.044 = 0.111	次之（例如 20%）
开心	[-0.5, 0.8]	0.336*(-0.5) + 0.438 * 0.8 ≈ -0.168 + 0.350 = 0.182	较低（例如 15%）

最终模型选择最高概率的 “肚子疼” 作为下一个 token。

注意在实际场景中，预测的下一个token是不确定的，是因为有一个掷骰子的操作，大模型会在概率最大的几个token中随机挑选一个作为最终输出。

03 Prompt (提示词)

对于这个词大家并不陌生。我们用chatGPT时经常会用到， “你是一个…”

但你真的理解它吗？

与ai对话时的这种预设角色，其实并不是严格意义上的 prompt。

为什么这么说呢？先看一下API。

04 理解API

我们前面提到过大语言模型的 本质就是文字接龙，相对应的使用大模型也比较简单。可以参见deepseek的文字接龙 api 请求：

这里比较重要的几个部分，需要理解:

1. temperature 温度

Temperature（温度） 是一个控制生成文本随机性和多样性的关键参数。它通过调整模型输出的概率分布，直接影响生成内容的“保守”或“冒险”程度。看几个典型场景:

场景	温度
代码生成/数学解题	0
数据抽取/分析	1
通用对话	1.3
翻译	1.3
创意类写作/诗歌创作	1.5

2. tools 工具支持

大模型对 function calling 的支持，后面再详细介绍。

3. 角色和信息

这一部分是ai对话的主体。其中role 定义了四个角色。

• system 系统设定。
• user 用户回复。
• assistant 模型回答。
• tool 是配合function call工作的角色，可以调用外部工具。

回到前一章的问题，ai对话时其实是user部分输入的内容，所以system角色的设定内容才应该是严格意义上的Prompt。

这有啥区别呢? (user 与 system?)

个人一个合理的猜测: system的内容在Transformer推理中拥有较高的权重。所以拥有较高的响应优先级。

4. 关于多轮对话

因为LLM是无状态的。我们要时刻记得文字接龙的游戏，因此在实际操作中也是这样的。

• 在第一轮请求时，传递给 API 的 messages 为。

• 大模型回答。

• 当用户发起第二轮问题时，请求变成了这样

05 Function Calling (函数调用)

仅仅一个可以回答问题的机器人，作用并不太大。

要完成复杂的任务，就需要大模型的输出是稳定的，而且是可编程的。

因此OpenAI 推出了 function calling的支持。也就是前面提到的 tools参数相关内容。

1. 基本流程

• 工具声明及用户输入

• 模型检测到需要使用工具，返回相关工具参数

• 开发者根据方法名和参数，调用相关工具方法

• 将工具方法的返回值，附加到请求中，再次请求大模型

• 得出最终结果

"The current temperature in Paris is 14°C (57.2°F)."

• 总结一下

2. 实现原理(猜测)

a. 实现方式一: prompt 遵循 (示例)

提前设置规则:

b. 实现方式二: 模型训练特定优化

对结构化输出有特定要求，可能需要特定训练吧。这个不太确定?

06 Agent (智能体)

包含: 大模型，任务规划，上下文记忆，工具调用。它是大模型能力的拓展。其实只要对API进行简单的封装，只要能完成特定任务，都可以称为智能体。比如下面的例子:

1. 创建AI客服系统

![图片](https://i-

这个智能体，主要包括:

1. 配置了一个 prompt: “你是一个电商客服，可查询订单状态”
2. 引入 query_order 工具

07 MCP (模型上下文协议)

通过上面的智能体调用工具的示例我们可以看到，每接入一个工具，都需要编写相应的接入代码。经常写代码的我们都知道，这不是好的架构设计。 好的设计应该把动态改变的部分 ( tools的声名和调用分离出来 )，做为一个独立的模块来拓展。这就有了大众追捧的 MCP: -----(哪有这么玄，都是程序员的常规操作啊…)

遵循这套协议，可以实现工具与Agent的解耦。你的Agent 接入MCP协议的client sdk后。接入工具不再需要编写工具调用代码，只需要注册 MCP Server就可以了。而MCP Server可由各个服务商独立提供。

MCP Server做什么呢?

1. 声明提供的能力 ListTools。
2. 调用能力的方式 CallTool。

来看一下MCP Server的部分代码 (红框中就是做上面两个事，不难理解) :

08 A2A (Agent通信协议)

A2A本质是对 MCP协议的拓展，按字面意思就是 Agent to Agent. 有兴趣的自己详细看吧。

在这套协议下，一个智能体要引入其它的智能体的能力，也变得可插拔了。

09未来假想

如同蒸汽机，电，计算机这些伟大的技术一样。AI会成为下一个彻底改变人类生活工作方式的新技术。

1. 现在AI编程能力越来越强，程序员是不是要失业了?

职业不会消失，消失的只有人。但是AI编程的确会重塑整个行业。

我预想几年后，纯粹的业务代码工程师可能会消失。而会增加更多的AI编程工程师。

AI编程工程师的职责是解决AI模糊性的问题。而工具的引入就是增加确定性的手段。

我们程序员可以把自己的积累通过 mcp server的方式，挂载到项目agent 上去。这样我们就可以解放双手，去解决更多有挑战性的问题。

2. 当前我们有哪些工作可以由AI来处理?

理论上一切重复性的工作都可以交由AI完成。保险起见，创造性的工作暂时可以只作为参考。

• 日常的反馈分析。
• 团队知识库。
• 个人知识库。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发