摘要：本文介绍了大模型微调的基本原理和方法。主要内容包括：1. 大模型训练的核心是对下一个token进行分类预测，使用交叉熵损失计算；2. 微调方法分为全参数微调、参数高效微调（PEFT/LoRA）和提示微调三种，分别适用于不同数据量和资源场景；3. 详细介绍了使用Transformers、PEFT等框架进行微调的具体实现步骤；4. 对比了不同微调方法的优缺点和适用场景，全参数微调性能最优但资源消

调用大模型API是指：直接使调用第三方提供（的或者导入的是 OpenAI 开发的 Python SDK（软件开发工具包），本质是一套封装好的 HTTP 请求工具，方便开发者调用符合其规范的 API。

当 Agent 和 Skill 都需要连接文件、浏览器、数据库、企业系统等真实资源时，就需要一种统一标准。MCP 正是为了解决连接问题而出现的。Agent 决定并执行，Skill 教它怎么专业地做，MCP 帮它连接真实世界。

下面以 “我爱你。→ I LOVE YOU.” 的翻译任务为例，详细拆解 Transformer 架构的每一步处理过程：作用：将离散的 Token 映射为连续的低维向量（更容易捕捉语义信息）。必要性？Transformer 是并行处理序列的（无循环结构），无法像 RNN 那样自然捕捉顺序，位置编码通过正弦余弦函数注入位置信息，让模型区分不同位置的 Token。Transformer 是并行处理序列