AI大模型是指擁有超大規模參數（通常在十億個以上）、復雜計算結構的深度學習模型，能夠處理海量數據，完成各種復雜任務，如自然語言處理、圖像識別等。

大模型包含如下一些技術：

Prompt

Prompt提示是模型接收以生成響應或完成任務的初始文本輸入。我們給AI一組Prompt輸入，用于指導模型生成響應以執行任務。這個輸入可以是一個問題、一段描述、一組關鍵詞，或任何其他形式的文本，用于引導模型產生特定內容的響應。

Transformer

Transformer是一種用于自然語言處理（NLP）和其他序列到序列（sequence-to-sequence）任務的深度學習模型架構，它在2017年由Vaswani等人首次提出。Transformer架構引入了自注意力機制（self-attention mechanism），這是一個關鍵的創新，使其在處理序列數據時表現出色。

結構如下：

預訓練

預訓練（Pre-training）通常是指對模型進行無監督或自監督學習的過程，在大規模未標注數據上先訓練模型，以便為后續任務提供一個高質量的初始權重。這個過程對于許多復雜模型尤其是 transformer 架構（比如BERT、GPT系列等）來說極其重要。

Function calling

Function Calling 是一個允許大型語言模型（如 GPT）在生成文本的過程中調用外部函數或服務的功能。

Function Calling允許我們以 JSON 格式向 LLM 模型描述函數，并使用模型的固有推理能力來決定在生成響應之前是否調用該函數。模型本身不執行函數，而是生成包含函數名稱和執行函數所需的參數的JSON

Rag

RAG（中文為檢索增強生成） = 檢索技術 + LLM 提示。例如，我們向 LLM 提問一個問題（answer），RAG 從各種數據源檢索相關的信息，并將檢索到的信息和問題（answer）注入到 LLM 提示中，LLM 最后給出答案。

Gpts

GPTs其實就是一個模板，把你的需求告訴GPTs，它會按照你的想法去生成新的ChatGPT，相當于把你的想法寫成了一個模板，供你個性化使用。每次使用的時候直接輸入你的話題或者部分內容，這時候的ChatGPT就會按照你設定的使用規則跟你對話，直接輸出你需要的內容，而不需要你每次都輸入一定的提示指令去引導。

Langchain

LangChain 就是一個 LLM 編程框架，你想開發一個基于 LLM 應用，需要什么組件它都有，直接使用就行；甚至針對常規的應用流程，它利用鏈(LangChain中Chain的由來)這個概念已經內置標準化方案了。

Agent

智能體的英文是 Agent，AI 業界對智能體提出了各種定義。個人理解，智能體是一種通用問題解決器。從軟件工程的角度看來，智能體是一種基于大語言模型的，具備規劃思考能力、記憶能力、使用工具函數的能力，能自主完成給定任務的計算機程序。

Fine-tuning

微調是指在預訓練模型（Pre-trained model）的基礎上，針對特定任務或數據領域，對部分或全部模型參數進行進一步的訓練和調整（Fine Tune）。預訓練模型通常是在大規模數據集上訓練得到的，具有一定的通用性和泛化能力。微調的目標是在較小的目標數據集上，通過有限的訓練數據，使模型更好地適應特定任務，從而提高模型在該任務上的性能。