ICL 是大语言模型的无参数更新学习能力—— 不用像传统模型那样通过梯度下降更新权重（W 和 b），仅靠 “上下文里的任务描述 + 示例”，就能理解任务并生成结果。# 传统学习的核心流程（你肯定懂）def model(x): return W*X + b # 初始化权重loss = 损失函数(y_pred, batch_y)grad = 反向传播(loss)W = W - lr*grad # 关键

定义：一门“优化提示词 + 掌握LLM交互技能”的学科，核心是让大语言模型更好地适配你的任务不同角色的价值研究人员：强化 LLM 的推理、问答能力；开发人员：对接 LLM 与工具，落地工程化应用；普通用户：提高 LLM 输出的安全性、准确性，甚至用专业知识增强 LLM 能力（比如给 LLM 补充医学知识，让它做更精准的健康建议）。

技术层面：从单向→双向→多任务统一，从纯文本→知识融合，从依赖微调→零样本 / 少样本，从规模增大→效率优化。核心逻辑：预训练负责 “积累通用知识”，下游适配负责 “落地具体任务”，最终目标是让模型具备「灵活、通用、贴合人类需求」的语言能力。未来方向：更小的模型体积、更高的效率、更强的知识融合能力、更精准的人类意图对齐，以及跨模态（文本 + 图像 / 语音）的统一预训练。

目标：找到使概率最大的标签序列y关键概念：发射矩阵（Emitter Matrix）：shape 为「序列长度 × 标签数」，表示每个 token 对应每个标签的概率；转移矩阵（Transition Matrix）：shape 为「标签数 × 标签数」，表示从一个标签转移到另一个标签的概率；归一化项：确保概率之和为 1；特征函数：捕捉标签转移和 token 特征的关联。

代码中我们封装了一个get_one_page_data()方法，参数是页数page，再结合for循环，实现了爬取了所有的数据。代码中我们创建了字典params，并为start键赋值为0，接着我们通过参数params吧定制的查询参数传递给。，并且随着页码的增加，小尾巴中数字部分也在增加。在此使用了time.sleep(1)来暂停1秒的目的是为了网站反爬虫，把我们给封了。中，我们只是获取了第一页的25

点击其头headers,拉到最下面，找到了Referer以及User-Agent，此值直接获取，（上面代码中的user-agent以自己电脑为准）。来说，进入此网页，打开开发者模式，点击Network->XHR,因为我们找的是评论，其英文是comment,如下我们找到了。result我们知道是获取出来的结果，但是.json的意义是什么？：字面意思是排序方式，而我们发现，短影评页的右上方的确是有这个

这个流程不是一个线性的、一次就能成功的过程，而是一个以评估为导向的、螺旋上升的迭代循环。准备数据 -> 尝试学习 -> 客观评估 -> 发现问题 -> 回头优化 -> 再次尝试，直到得到一个令人满意的解决方案。

这个流程不是一个线性的、一次就能成功的过程，而是一个以评估为导向的、螺旋上升的迭代循环。准备数据 -> 尝试学习 -> 客观评估 -> 发现问题 -> 回头优化 -> 再次尝试，直到得到一个令人满意的解决方案。