AI通识

一、人工智能

1.发展历程

2.AI核心制约因素

二、神经网络

1.AI神经网络

2.深度神经网络

深度神经网络（DNN）的核心在于层——数据在层与层之间流动，每一层都在做一件事：提取更抽象的特征

“深度”指的就是隐藏层的层数多。传统神经网络可能只有 1 层，而深度神经网络有几十甚至几百层。层数越多，能学到的特征越抽象：

1 2	输入层 → 隐藏层1 → 隐藏层2 → 输出层原始像素检测边缘识别形状 "这是猫"

2.1、单独的神经元

也就是这个公式

具体场景

权重就是模型对世界的认知——它编码了”哪个特征重要、重要多少”。负权重意味着”这个信号反而让我不激活”

2.2、反向传播

反向传播——它就是在回答一个问题：权重差在哪儿，往哪个方向改？

无数神经元的权重参数那么多，手动调整一定不可能实现，于是出现反向传播

流程如下

① 正向传播：输入数据 → 按当前权重逐层计算 → 得到预测值

② 计算损失：预测值 vs 真实值 → Loss（差多少）

③ 反向传播（Backprop）：
   从输出层开始，用链式法则逐层算出：
   "这个权重增大一点点，Loss 会怎么变？" → 梯度

④ 梯度下降：
   w = w - η × 梯度
   （沿着让 Loss 减小的方向，走一小步）

⑤ 回到①，循环几十万次

反向传播的核心数学是链式法则——一个复合函数求导的规则。因为网络是层层嵌套的函数，所以最终的梯度可以从输出往输入”一层一层乘回来”，而不需要对每个权重单独重算，极大地节省了计算量

三、大语言模型

1.词向量

计算机只认识数字，不认识”猫”、”狗”这些字。最原始的做法是给每个词分配一个编号（one-hot 编码），比如”猫”= [1,0,0,...]，”狗”= [0,1,0,...] 但这种表示有个致命问题：所有词之间的距离都一样，计算机无法感知”猫”和”狗”比”猫”和”汽车”更相似

词向量解决了这个问题：把每个词映射到一个高维空间中的实数向量（比如 300 维），语义相似的词，向量也相近

空间可视化

向量运算 = 语义运算

2.`Transformer`

Transformer 是 2017 年 Google 论文《Attention Is All You Need》提出的模型

注意力机制

向量加减实现注意力

四、大模型与大模型应用

1.`GPT`

2.`ChatGPT`

大模型与传统web应用相结合

具体实现

五、大模型服务

1.云服务`api`开放平台

注册即送大量额度，但是有过期时间

创建apikey

更多使用api在代码中实现

2.`api`服务

1
2
3

https://platform.deepseek.com/usage

调用时兼容 openAI 格式

3.私有部署

1	https://ollama.com/

六、大模型`API`

1.接口规范

model — 指定要调用的模型名称，比如 gpt-4o、gpt-4o-mini、deepseek-chat 等，不同提供商字段名相同，只是值不同，这也是”OpenAI 兼容格式”能通用的原因

messages — 对话历史数组，每条消息是一个对象，包含两个字段：

role：身份，固定三种值——system（系统提示词）、user（用户输入）、assistant（模型历史回复）

content：消息内容字符串

"messages": [
  { "role": "system",    "content": "你是一个专业的 Java 开发助手" },
  { "role": "user",      "content": "什么是缓存雪崩？" },
  { "role": "assistant", "content": "缓存雪崩是指..." },
  { "role": "user",      "content": "怎么解决？" }
]

多轮对话靠的就是把完整历史塞进 messages，模型本身没有记忆，每次请求都要带完整上下文

其他参数

{
  "model": "gpt-4o",
  "messages": [
    { "role": "system", "content": "你是资深 Java 后端工程师" },
    { "role": "user",   "content": "用 Redis 解决缓存雪崩" }
  ],
  "temperature": 0.3,
  "max_tokens": 1024,
  "stream": true
}

请求头设置如上

2.会话记忆

模型本身无状态，”会话记忆”完全靠客户端维护 messages 数组来实现

每轮都把完整历史带上，模型才能”记住”前面说了什么

常见策略

3.开发环境

UV包管理工具

1	https://uv.doczh.com/getting-started/installation/

创建uv项目

1	pip install uv

添加镜像源

1	setx UV_DEFAULT_INDEX "https://pypi.tuna.tsinghua.edu.cn/simple"

pyproject.toml 文件

name = "agent": 项目的名称。当你之后运行项目或将其打包时，这就是它的标识。
version = "0.1.0": 项目版本号。遵循语义化版本 (SemVer)，代表这是初始开发阶段。
description = "Add your description here": 项目的简短描述。建议修改为更有意义的内容，比如 "An AI agent powered by OpenAI"。
readme = "README.md": 指定项目的说明文件。uv 会读取这个文件作为项目在仓库（如 GitHub）或 PyPI 上的长描述。
requires-python = ">=3.13": 这是一个非常关键的设置。它告诉 uv 这个项目至少需要 Python 3.13 才能运行。

依赖管理 (dependencies)
这是你最常改动的地方。
dependencies = ["openai>=2.30.0"]: 列出了运行该项目所必需的第三方库。
这里指定了 openai 库，且版本必须大于或等于 2.30.0。
当你执行 uv sync 或 uv run 时，uv 会自动下载并安装这些库到虚拟环境中。

结合 pycharm 工具创建项目

4.原生调用大模型`api`

用 OpenAI SDK 兼容接口调用 Claude / 其他模型

很多平台（Claude、DeepSeek、千问等）都提供 OpenAI 兼容接口，只需改 base_url 和 api_key：

from openai import OpenAI

# 以 Claude 兼容接口为例（AnyRouter 等中转）
client = OpenAI(
    api_key="你的key",
    base_url="https://api.anyrouter.top/v1"  # 兼容接口地址
)

response = client.chat.completions.create(
    model="claude-sonnet-4-20250514",
    messages=[
        {"role": "user", "content": "帮我写一段冒泡排序"}
    ]
)

print(response.choices[0].message.content)

流式输出（Streaming）方式

from openai import OpenAI

client = OpenAI(api_key="sk-xxx")

stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "讲一个故事"}],
    stream=True,   # 关键参数
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

环境变量获取依赖

读取环境变量需要用到python-dotenv，先安装依赖
安装命令：

1	uv add python-dotenv

再创建.env文件，并写入api_key

1	DEEPSEEK_API_KEY=sk-f36d

接着就可以可以从环境变量中获取api_key了

from dotenv import load_dotenv
import os

load_dotenv()

api_key = os.getenv("DEEPSEEK_API_KEY")
print(api_key)

client = OpenAI(
    api_key=api_key,
    base_url="https://api.deepseek.com"
)