这样就不会产生 merge commit，提交历史会保持直线。git commit -m "你的提交信息"# 3. 在push前先更新（关键步骤）

请注意，这个过程可能需要一定的技术基础和知识储备，包括自然语言处理、知识图谱、数据库查询等方面的知识。同时，也需要一定的时间和资源投入来完成整个系统的开发和优化。

请注意，这个过程可能需要一些自然语言处理、机器学习和数据库管理的技术知识。同时，为了获得高质量的知识图谱，可能需要进行大量的数据清洗和模型调优工作。

预训练：海量无标注数据，模型自学通识打底。微调：少量专业标注数据，定向训练专属场景能力。Prompt：不改模型，靠文字指令临时控制输出。三者顺序：先预训练 → 再微调 → 日常用 Prompt 调用。零样本不给例子直接做；少样本给示例让模型模仿。

所有现代大模型底层都是。Transformer 核心是自注意力机制，擅长理解上下文。参数 = 模型的记忆和推理能力，参数越强越聪明。参数不是越大越好，要兼顾速度、成本、场景。上下文窗口：模型一次能处理和记住的文本长度。

大模型三种使用形态：在线 API、本地私有化部署、SaaS 平台。对话分：一次性单轮问答、带历史记录的多轮对话。偏低写代码，偏高搞创作。幻觉：大模型编造虚假信息、一本正经胡说八道。私密业务数据优先本地开源部署，不往外传。

闭源：只能调 API，不能本地部署、不能私自微调；开源：可下权重、本地部署、可二次微调；前端快速开发优先用闭源 API，私有化用开源；7B 小模型个人电脑就能跑，写前端代码完全够用；大模型对接本质就是调 HTTP 接口，和前端调后端接口逻辑一样。

公开模型权重，可免费下载，能在个人电脑、服务器本地部署、自己二次微调。常见：Qwen 通义千问开源版、DeepSeek、Llama、GLM。简单理解：用海量互联网文本、代码、书籍语料，训练出的超大参数规模 AI 模型，具备语言理解、内容生成、逻辑推理、代码编写四大能力。用全网海量通用数据，让模型自学人类语言常识、语法逻辑、知识体系、代码规范。，就能控制大模型的输出内容、格式、风格。前端日常写代码、

不是改模型内部的底层参数，也不是重新生成模型用专属行业数据 / 个人风格数据，给模型做专项训练作用：让模型 f适配你的业务风格、固定回答套路区别：Prompt 是临时指令，微调是永久适配风格。

大模型一次能装下、能记住的最大文字总量。上下文窗口越大：能读长文档、记很多聊天记录上下文窗口越小：聊几句就忘、不能处理长文章常见规格：4K、8K、32K、128K（K 代表千 token）单轮无记忆，多轮带历史上下文。上下文窗口：模型能容纳的最大 token 容量。输入、输出 Token 都要计费。流式输出逐字展示，一次性输出整段返回。Prompt 就是给大模型的指令，写得好答案质量翻倍。