1. 基础入门

1.1 大模型背景与基本原理

定义：大语言模型是基于Transformer架构、通过海量文本数据预训练得到的生成式AI模型，具备自然语言理解、生成、推理等通用能力，是AI智能体的核心决策与推理引擎。

主流大模型按开源属性与地域可分为三大阵营，核心代表如下：

阵营分类	核心代表模型	典型特点
闭源商用	GPT-4o / o3 / o4-mini、Claude 4 Opus、Gemini 2.5 Pro	能力上限高、服务稳定、按调用量计费
开源通用	Qwen 3、DeepSeek-V3/R1、Llama 4、Mistral Large 2	可本地化部署、数据可控、支持二次定制
国产商用	通义千问、智谱GLM-4、文心一言4.5、讯飞星火4.0、Kimi	合规性强、中文优化、本地化服务支持完善

三种主流部署方式的特性对比如下：

部署方式	核心优势	主要劣势	适用场景
本地部署（Ollama / vLLM / llama.cpp）	数据隐私可控、无网络延迟	算力要求高、运维成本高	企业内部系统、高频敏感场景
云端API调用	弹性扩缩容、免运维、快速接入	存在网络延迟、长期调用成本累积	原型开发、初期验证、低频次调用
混合部署	分层处理、灵活兼顾隐私与成本	架构复杂度高、协同逻辑复杂	企业级生产系统、分级业务场景

大模型基础API调用的最简实现如下，可直观体现大模型的基础调用逻辑：

from openai import OpenAI
# 初始化客户端，可替换为任意兼容OpenAI协议的模型服务
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")

def chat_with_llm(prompt: str) -> str:
    """
    调用大模型生成回复
    Args:
        prompt: 输入提示词
    Returns:
        模型生成的文本结果
    """
    response = client.chat.completions.create(
        model="qwen3:latest",
        messages=[{"role": "user", "content": prompt}]
    )
    # 提取模型返回的第一条消息内容

大模型与智能体的关系可以类比为大脑与完整人体的关系：

大模型是核心大脑，负责思考、推理与决策；智能体是完整的数字个体，除大脑外还配备了手脚（工具调用）、记忆（存储系统）、感官（环境感知），能够自主与外部世界交互完成复杂任务。

学习提示：跳过原理直接使用框架是常见误区。先理解Transformer、注意力机制、Token化等基础概念，后续调优与排障效率将显著提升。

1.2 提示词工程

定义：提示词工程是通过优化输入文本的结构、内容与格式，引导大模型输出符合预期结果的技术，是低成本调控大模型行为、提升输出质量的核心手段。

核心提示词技术的能力与适用场景如下：

技术类型	核心逻辑	适用场景	效果提升幅度
Zero-Shot	直接提问，依赖模型内化知识	简单通用问题、快速验证	基础输出
Few-Shot	提供2-5个示例引导输出格式与质量	格式要求严格、标准化输出场景	30%-50%
思维链（CoT）	引导模型分步推理，输出思考过程	数学计算、逻辑推理、复杂分析	40%-70%
Self-Consistency	多次采样取多数一致结果	高准确率要求的推理任务	15%-30%

结构化提示词的标准模板实现如下，可直接复用至各类业务场景：

# 结构化提示词模板：角色 + 上下文 + 任务 + 示例 + 输出约束 PROMPT_TEMPLATE = """ 【角色设定】 你是一名专业的数据分析助手，擅长从结构化数据中提取核心结论。 【上下文信息】 以下是本次分析的原始数据： {context_data} 【任务要求】 请基于上述数据完成分析，输出核心结论与业务建议。 【输出格式】 1. 核心结论：不超过3条，每条一句话 2. 业务建议：不超过2条，具备可执行性 【示例参考】 输入：月度销售额数据 输出： 1. 核心结论：6月销售额环比增长15%，华东区域贡献主要增量 2. 业务建议：加大华东区域营销投入，复制成功经验至其他区域 """

提示词工程的逻辑与给员工下达工作指令高度相似：指令越明确、上下文越充分、格式要求越清晰，交付结果的质量就越高；思维链相当于要求员工同步提交思考过程，既能降低出错概率，也方便追溯结果的推导逻辑。

趋势说明：2025-2026年，Meta-Prompting与DSPy等自动化提示词优化方案正在逐步替代手工调优，复杂场景下提示词工程的重心正向声明式编程与自动优化方向迁移。

1.3 开发环境与工具链

定义：AI智能体开发环境是包含语言运行时、模型推理工具、容器化设施与协议工具的完整技术栈，为智能体的开发、调试、部署与运行提供基础支撑。

核心工具链按功能分类如下：

工具分类	核心工具	主要用途	2026推荐选型
Python环境管理	uv / Conda / pyenv	依赖管理、Python版本控制	uv（替代pip/poetry，性能提升显著）
本地模型运行	Ollama / vLLM / llama.cpp	本地部署与调试大模型	Ollama（一键部署）、vLLM（高性能生产推理）
容器化工具	Docker + docker-compose	环境一致性、打包部署	Docker 官方镜像 + compose编排
MCP生态工具	Claude Desktop / Continue.dev / MCP注册表	MCP工具开发、调试与接入	Claude Desktop（客户端调试）、Python MCP SDK v2
Java环境	Spring AI Alibaba / Nacos	Java技术栈智能体开发	Spring Boot 3.x + Spring AI

标准开发环境的搭建流程命令如下：

# 1. 使用uv创建Python虚拟环境并安装核心依赖
uv venv agent-env
source agent-env/bin/activate
uv add langchain langgraph openai gradio

# 2. 安装Ollama并拉取本地测试模型
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen3:latest

# 3. 验证模型服务可用性
ollama list

开发工具链的作用相当于工匠的工作台：

环境管理工具是工具箱，保证工具摆放整齐、版本统一；

本地模型运行工具是工作台的加工机床，随时可以试做样品；

容器化工具是标准化包装箱，做好的产品打包后可以在任何环境正常运行。