模块1：AI 对话的底层逻辑
难度：⭐ 入门 | 建议时长：2-3小时
目标：理解 AI 的工作方式、关键参数、模型差异，建立正确的心智模型
1.1 AI 是怎么"说话"的
AI 不是"理解"你，而是"接话"
想象一个人读过全世界所有的书、文章、对话记录，但从来没有真正"生活"过。你说"床前明月"，他立刻接"光"——不是因为他懂李白的思乡之情，而是因为他见过一万次这个组合，知道"光"出现在这后面的概率最高。
这就是 AI 的本质：超级模式匹配器。
你输入的文字 → AI 把文字拆成碎片 → 根据训练数据预测最可能的下一个碎片 → 一个接一个生成回复
关键认知：四个"不是"
| 你以为的 AI | 实际的 AI |
|---|---|
| 像人一样"理解"含义 | 基于概率进行模式匹配 |
| 有自己的想法和观点 | 根据输入生成最可能的输出 |
| 说一次就记住了 | 每次对话有长度限制，超出就"忘了" |
| 会自动推断你的意思 | 你说什么它就处理什么，不说就不管 |
这意味着什么？
- 你说得越清楚，AI 表现越好 — 你提供的线索越多，AI 匹配到的模式越准确
- AI 不会"猜"你的意思 — 模糊的输入 = 模糊的输出
- AI 没有"常识判断" — 你认为理所当然的事情，需要明确说出来
- 同样的提示可能给出不同结果 — 因为生成过程有随机性（后面会讲到这就是 Temperature）
1.2 Token：AI 的"计量单位"
AI 不认字，认"碎片"
你和朋友聊天按"字"算，但 AI 不读"字"，它读的是 Token — 一种把文字切碎后的碎片。
类比：拼图碎片。
"我喜欢吃苹果" → 对你来说是 6 个字
→ 对 AI 来说是 ["我", "喜欢", "吃", "苹果"] 4 个 Token
"I love apples" → 对你来说是 3 个单词
→ 对 AI 来说是 ["I", " love", " apples"] 3 个 Token
中英文 Token 效率差异
同样的意思，中文通常比英文消耗更多 Token。
这是因为大部分模型的训练数据以英文为主，英文的切分更高效。
实际测试（近似值）：
"人工智能正在改变世界" → 约 7-9 个 Token
"AI is changing the world" → 约 6 个 Token
同样的意思，中文多花了约 30%-50% 的 Token。
这意味着什么？ 如果你处理很长的中文文档，会比同等长度的英文文档更快"撞墙"（触达上下文限制）。
上下文窗口：AI 的"书桌"
上下文窗口就是 AI 一次能处理的 Token 总量上限，包括你的输入和 AI 的输出。
类比：书桌大小。
4K Token ≈ 小课桌 → 能放一篇短文（约 3000 字中文）
8K Token ≈ 办公桌 → 能放几页文档
32K Token ≈ 大书桌 → 能放一本小册子
128K Token ≈ 会议桌 → 能放一本书
1M Token ≈ 图书馆桌 → 能放好几本书
内容超出"桌面大小" → 最早放上去的内容会"掉到地上"（被遗忘）
实操建议
1. 长文档分段处理：不要一次性把 10 万字塞给 AI，
分成几段分别处理，最后汇总
2. 精简你的提示词：废话越少，留给 AI 回答的空间越大
3. 了解你用的模型的窗口大小：
GPT-4o：128K Claude：200K（Opus 可达 1M）
Gemini：1M Qwen：128K
4. 注意对话累积：多轮对话中，之前所有的对话都占用窗口，
聊太久 AI 会"忘记"前面的内容
1.3 影响 AI 输出的"隐形开关"
Temperature（温度）：AI 的"冒险度"
Temperature 是最重要的参数，控制 AI 输出的随机程度。
类比：去餐厅点菜。
Temperature = 0（保守）
→ "老样子，来碗牛肉面"
→ 每次去都点一样的，稳定可靠，但永远不会有惊喜
Temperature = 0.7（适中）
→ "今天想试试新菜，但别太离谱"
→ 有一些变化和创意，偶尔给你惊喜
Temperature = 1.0（冒险）
→ "随便来，越新奇越好"
→ 可能吃到惊艳的新菜，也可能踩雷
实操对比：
提示词："用一句话形容春天"
Temperature = 0（跑3次结果一样）：
→ "春天是大地苏醒的季节，万物复苏，生机盎然。"
→ "春天是大地苏醒的季节，万物复苏，生机盎然。"
→ "春天是大地苏醒的季节，万物复苏，生机盎然。"
Temperature = 1.0（跑3次结果不同）：
→ "春天像一个赖床后终于起来的人，伸着懒腰把花都抖落了一地。"
→ "冰河炸裂的那声脆响，就是春天的敲门声。"
→ "春天是调色盘打翻在大地上的那场意外。"
Top-P（核采样）：AI 的"选择范围"
Top-P 控制 AI 从多大范围的候选词中选择。
类比：自助餐取餐。
Top-P = 0.1 → 只从最热门的几道菜里选（安全但单调）
Top-P = 0.9 → 几乎所有菜都考虑（丰富但可能选到怪菜）
一般来说，调 Temperature 就够了，Top-P 保持默认即可。
什么时候调什么参数？
| 任务类型 | 推荐 Temperature | 原因 |
|---|---|---|
| 写代码 | 0 - 0.2 | 代码要准确，不要创意 |
| 数据分析 | 0 - 0.2 | 分析要客观严谨 |
| 翻译 | 0.2 - 0.4 | 忠于原文，略有灵活 |
| 商务写作 | 0.4 - 0.7 | 专业但不死板 |
| 文案创意 | 0.7 - 1.0 | 越有创意越好 |
| 头脑风暴 | 0.8 - 1.0 | 发散思维，不怕"离谱" |
| 诗歌/故事 | 0.9 - 1.2 | 追求独特表达 |
在哪里调？
- ChatGPT：设置 → 自定义 → 高级设置（网页版功能有限）
- Claude：API 调用时设置（网页版暂不支持手动调节）
- API 调用：所有模型都支持在请求参数中设置
1.4 不同模型的"性格"差异
同一道菜，不同厨师做出来不一样
你对川菜师傅说"做道鱼"，他做水煮鱼；对粤菜师傅说同样的话，他做清蒸鱼。AI 模型也一样——同样的提示词，不同模型给出的结果风格和质量可能差异很大。
主流模型特点速查
| 模型 | 擅长 | 特点 | 类比 |
|---|---|---|---|
| GPT-4o | 全能、指令跟随 | 听话、稳定，让做什么就做什么 | 靠谱的全能员工 |
| Claude | 长文本、写作、分析 | 细腻、谨慎，会主动说"我不确定" | 认真的分析师 |
| Gemini | 多模态、信息检索 | 与 Google 生态打通，搜索能力强 | 带搜索引擎的助手 |
| DeepSeek | 推理、编程 | 性价比高，中文理解好 | 高性价比的技术宅 |
| Qwen（通义千问） | 中文理解、工具调用 | 中文场景表现优秀 | 最懂中文的助手 |
实操建议
不要只用一个模型。同一个重要任务，至少在 2 个模型上跑一遍对比。
推荐组合：
- 日常使用：GPT-4o 或 Claude（选一个主力）
- 需要创意：Claude（写作质量高）
- 处理长文档：Claude（上下文窗口大）
- 中文场景：DeepSeek 或 Qwen
- 需要联网搜索：Gemini 或带搜索的 GPT
- 预算有限：DeepSeek（API 价格低）
1.5 中英文提示词的选择
一个反直觉的事实
大部分 AI 模型用英文训练数据远多于中文。这意味着：
英文提示词 → 模型更容易匹配到高质量的训练数据 → 某些任务效果更好
中文提示词 → 更自然，但模型可能匹配到的模式少一些
什么时候用英文提示词更好？
✅ 编程相关：代码生成、调试、技术文档
英文："Write a Python function to parse JSON with error handling"
比中文效果更好，因为训练数据中的代码几乎都是英文上下文
✅ 学术/专业领域：论文解读、专业分析
英文术语更精确，不会因为翻译产生歧义
✅ 指令遵循：复杂的格式要求、多步骤任务
一些模型对英文指令的遵循度更高
什么时候用中文更好？
✅ 中文写作：文案、邮件、报告、公众号文章
AI 需要理解中文的语感和表达习惯
✅ 中国特色场景：法律法规、节日文化、本地商业
"帮我写一段中秋节的祝福语" 用中文更地道
✅ 面向中文读者：最终输出给中国人看的内容
用中文提示 → 中文输出更自然
混合策略（推荐）
对于重要任务，可以混合使用：
方式1：英文指令 + 中文内容
"Summarize the following Chinese article in 3 bullet points,
output in Chinese:
[粘贴中文文章]"
方式2：中文指令 + 英文关键术语
"请分析这段代码的 performance bottleneck，
给出 optimization 建议，用中文回答"
方式3：英文思考 + 中文输出
"Think through this problem in English,
then present your answer in Chinese:
[你的问题]"
1.6 提示词的基本组成
一个完整提示词的四大要素
类比：去餐厅点菜。
| 你说的话 | 服务员的反应 | 对应的提示词要素 |
|---|---|---|
| "随便来点吃的" | 可能上一盘你不喜欢的菜 | 只有指令，其他全缺 |
| "来一份宫保鸡丁，微辣" | 准确上菜 | 指令 + 输入 + 部分要求 |
| "我花生过敏，想吃辣的鸡肉菜，50以内，用小碗装" | 推荐最合适的选择 | 四要素齐全 |
┌──────────────────────────────────────────┐
│ 完整的提示词 │
│ │
│ 1. 指令（Instruction）— 你要 AI 做什么 │
│ 例：翻译、总结、分析、创作... │
│ │
│ 2. 上下文（Context）— 背景信息是什么 │
│ 例：目标读者、使用场景、前提条件 │
│ │
│ 3. 输入数据（Input）— 需要处理什么内容 │
│ 例：一段文本、一个问题、一组数据 │
│ │
│ 4. 输出要求（Output）— 你想要什么样的结果 │
│ 例：格式、长度、语气、风格 │
│└──────────────────────────────────────────┘
实际例子
只有指令： "翻译这句话" → 翻译什么？翻译成什么语言？❌
四要素齐全：
【指令】请将以下中文翻译成英文
【上下文】这是一封商务邮件的开头，收件人是美国客户
【输入】"今天天气真好，希望你一切顺利"
【输出要求】使用正式的商务英语，语气友好专业
小贴士：不是每次都需要四个要素齐全。简单任务用"指令+输入"就够，复杂任务才需要完整的四要素。
1.7 动手练习
练习1：Token 感知体验
把同一段话（100字左右）分别用中文和英文发给 AI，要求 AI 估算 Token 数量，感受中英文的差异。
练习2：Temperature 对比实验
用同一个提示词（比如"用一句话形容秋天"），在不同 Temperature 下各跑 3 次，观察输出的变化。
练习3：模型对比
选一个你常用的任务（比如"总结一段新闻"），分别在 2-3 个不同模型上运行，记录各自的输出差异。
练习4：改写模糊提示词
将以下模糊提示词改写为包含四要素的完整版本：
- "帮我写个方案"
- "总结一下这篇文章"
- "写一首诗"
本章小结
✅ AI 是"超级接话王"，基于模式匹配工作，不是真的"理解"
✅ Token 是 AI 的计量单位，中文比英文消耗更多 Token
✅ 上下文窗口是 AI 的"书桌"，超出限制就会遗忘
✅ Temperature 控制随机性：写代码用低温，搞创意用高温
✅ 不同模型有不同"性格"，重要任务多模型对比
✅ 中英文提示词各有优势，可以混合使用
✅ 完整提示词 = 指令 + 上下文 + 输入数据 + 输出要求