Skip to main content

7.0 学习检查表：大模型原理、Prompt 与微调

这页当成可打印检查表使用。需要完整讲解时，回到 第 7 章入口页。

大模型学习进化路径

两小时快速通读​

时间做什么能说出这句话就停
20 分钟看入口页的“Token 到答案”图“文本会变成 token、向量、上下文，再进行下一个 token 预测。”
25 分钟浏览 7.1，并运行一个 tokenizer 示例“Token 数量会影响成本和上下文限制。”
25 分钟浏览 7.2 和大模型发展史“规模、数据、Transformer 和对齐改变了模型能力。”
30 分钟运行入口页的 Prompt 测试脚本“我能用固定样本比较 Prompt 版本。”
20 分钟阅读方案选择表“在检查 Prompt、RAG、工具和校验前，不该急着微调。”

必须留下的证据​

证据最小版本
prompts/同一个任务的三个 Prompt 版本
prompt_eval_cases.csv至少五条固定输入和一个简单分数字段
structured_output_schema.json必填字段和允许的数据类型
failure_cases.md至少三个失败输出和可能原因
llm_stage_workshop_output.txt7.8.4 实操：第 7 章完整工作坊 的输出
README.md如何运行、哪些通过、哪些失败、下一步怎么试

质量闸门​

闸门通过条件
Prompt 对比同一批样本、只改一个变量、保存输出和分数。
结构化输出解析器会拒绝缺字段或类型错误。
失败分析每个失败都有可能原因：指令、输入、schema、缺少知识或安全边界。
方法选择决策表能解释为什么先用 Prompt、RAG、微调、工具或 Agent。

离章问题​

  • 你能不照抄定义，解释 token、embedding、attention、上下文窗口、预训练、Prompt、微调和对齐吗？
  • 你能每次只改一个 Prompt 变量，并用同一组输入比较结果吗？
  • 你能校验 JSON 输出，而不是相信“看起来像 JSON”的文本吗？
  • 你能说明什么时候缺少信息应该用 RAG，而不是继续加长 Prompt 吗？
  • 你能说明什么时候“长期行为适配”才可能值得微调吗？

如果答案都是可以，就进入第 8 章。第 8 章会把这些概念接到真实 LLM 应用和 RAG 系统里。