本文将带您深入了解大模型的基本概念、工作原理与发展趋势重点掌握提示词工程的核心技巧了解2026年主流大模型生态及选型方法。此外您将学会通过API调用大模型以DeepSeek为主理解推理模型、RAG等关键技术并熟练使用Cursor等AI编程工具提升开发效率。无论您是编程新手还是经验丰富的开发者都能从中获得宝贵的知识和实用技能。大模型基础概念1.1 什么是大模型大模型Large Language ModelLLM基于深度学习技术使用海量数据训练的超大规模语言模型能够理解和生成人类语言。大模型的特点特点说明参数量大数十亿到数万亿参数如 DeepSeek V4-Pro 约 1.6T 参数训练数据多互联网文本、代码、书籍、论文等海量语料能力强大文本生成、问答、翻译、代码、推理、多模态理解通用性强一个模型通过不同提示词完成多种任务涌现能力模型规模达到阈值后出现的小样本学习、推理等能力大模型的应用场景智能问答与知识库助手代码生成与 AI 辅助编程文本创作文章、报告、邮件翻译、摘要、信息抽取数据分析与自然语言查询智能客服与对话机器人1.2 大模型的工作原理文本生成过程Next Token Prediction输入提示词 → 模型计算概率 → 预测下一个 Token → 拼接 → 继续预测 → 生成完整回答核心概念概念说明示例Token模型处理的基本单位“Python” ≈ 1 Token“你好吗” ≈ 2 Token上下文窗口模型一次能处理的文本长度4K / 128K / 1M TokenTemperature控制随机性越高越有创意代码生成 0.20.5创意写作 0.71.0Top-p核采样控制候选词范围通常 0.9~0.95System Prompt系统级角色设定“你是一位 Python 教师”Few-shot在提示词中提供示例给 2~3 个输入输出样例1.3 大模型的技术演进2025—2026 年关键技术趋势趋势说明代表推理模型先思考再回答数学/代码/逻辑更强DeepSeek R1、OpenAI o3、QwQ超长上下文支持百万 Token可处理整本书DeepSeek V41M、Kimi多模态同时理解文本、图片、音频GPT-4o、通义千问 VLRAG检索外部知识库增强回答准确性知识库问答系统AI 编程工具深度集成大模型的 IDECursor、Trae提示词工程Prompt Engineering2.1 提示词的基本结构提示词Prompt用户输入给大模型的指令引导模型生成期望的输出。标准结构角色定义System 任务描述 上下文信息 具体要求 输出格式 示例可选消息角色说明API 调用时角色作用示例system设定 AI 的身份和行为规范“你是一位 Python 教师回答简洁准确”user用户的实际问题或指令“请解释什么是列表推导式”assistant模型的历史回复多轮对话上一轮的回答内容2.2 核心编写技巧技巧 1明确角色和任务❌ 差的提示词写一篇关于 Python 的文章 ✅ 好的提示词 你是一位有 10 年经验的 Python 培训讲师。请为零基础学员写一篇 Python 入门文章 1. **Python 是什么能做什么** 2. **如何安装 Python 和 VS Code** 3. **第一个程序 hello world** 4. **一个简单实战案例** 要求通俗易懂每节包含可运行的代码示例总字数 800 字左右。技巧 2Few-shot 示例少样本学习请将以下中文翻译成英文 示例1 中文你好世界 英文Hello, World 示例2 中文Python 是一门优秀的编程语言 英文Python is an excellent programming language 现在请翻译 中文大模型正在改变软件开发的方式 英文技巧 3指定输出格式请分析以下 Python 代码的问题严格按 JSON 格式输出 代码 def calc(a,b): return a/b 输出格式 { issues: [问题1描述, 问题2描述], suggestions: [建议1, 建议2], fixed_code: 修复后的完整代码 }技巧 4思维链Chain of Thought请解决以下问题展示完整思考过程 问题一个班级 30 人女生占 60%男生有多少人 请按步骤思考 1. **计算女生人数** 2. **用总人数减去女生人数得到男生人数** 3. **给出最终答案**技巧 5结构化约束2025 推荐请从以下新闻中提取信息只输出 JSON不要其他内容 新闻[新闻正文] 字段title标题、date日期、summary50字摘要、keywords关键词数组2.3 提示词模板库模板 1代码生成你是一位专业的 Python 开发工程师。 任务编写一个 [功能描述] 的函数 要求 1. **函数名[函数名]** 2. **参数[参数说明]** 3. **返回值[返回值说明]** 4. **包含类型提示Type Hints** 5. **包含 docstring 文档字符串** 6. **包含错误处理try/except** 7. **符合 PEP 8 规范** 请只输出代码不要多余解释。模板 2代码审查请审查以下代码从 5 个维度分析 代码 [粘贴代码] 审查维度 1. **逻辑正确性是否有 bug** 2. **性能是否有低效操作** 3. **安全性是否有安全隐患** 4. **可读性命名、结构是否清晰** 5. **规范性是否符合 PEP 8** 每个维度给出问题描述 改进建议 修改示例模板 3RAG 问答知识库场景你是企业知识库助手。请严格基于以下文档内容回答问题。 如果文档中没有相关信息请回答根据现有资料无法回答该问题不要编造。 参考文档 {context} 用户问题{question} 要求回答准确、简洁引用文档中的关键信息。2.4 提示词常见误区误区问题改进指令模糊“帮我写个程序”说明语言、功能、输入输出一次要求太多同时要求 10 个功能拆分为多个步骤逐步完成没有示例输出格式不稳定提供 1~2 个输入输出示例忽略角色设定回答风格不符合预期用 system 消息定义角色不验证输出直接使用 AI 生成的代码始终审查、测试、理解代码2026 主流大模型生态3.1 国际主流模型模型厂商特点适用场景GPT-4oOpenAI多模态响应快生态完善通用任务、多模态o3 / o4-miniOpenAI推理能力强适合复杂逻辑数学、编程、推理Claude 4Anthropic长上下文代码能力强安全性好代码、文档分析Gemini 2.5Google多模态与 Google 生态集成搜索增强、多模态3.2 国内主流模型模型厂商特点DeepSeek V4深度求索性价比高代码/推理强1M 上下文通义千问 Qwen3阿里云中文能力强多模态开源友好文心一言 4.0百度中文理解好搜索增强智谱 GLM-4智谱 AI开源友好工具调用能力强Kimi月之暗面超长上下文文档分析豆包字节跳动与 Trae IDE 深度集成3.3 DeepSeek 模型详解2026 年 DeepSeek API 模型模型名称类型特点适用场景deepseek-v4-flash快速版速度快、价格低、1M 上下文日常对话、代码辅助deepseek-v4-pro专业版能力最强、推理更准复杂推理、高难度代码思考模式Thinking Mode推理模型在回答前会先进行内部思考适合数学、逻辑、复杂编程题# 开启思考模式替代旧的 deepseek-reasoner response client.chat.completions.create( modeldeepseek-v4-flash, messages[{role: user, content: 9.11 和 9.8 哪个大请仔细推理。}], extra_body{thinking: {type: enabled}} )3.4 模型选型建议需要什么能力 ├─ 中文场景、企业应用 → 通义千问 / DeepSeek ├─ 代码生成、编程辅助 → DeepSeek V4 / Claude 4 ├─ 复杂推理、数学逻辑 → 开启思考模式的 DeepSeek V4 / o3 ├─ 长文档分析 → Kimi / DeepSeek V41M 上下文 ├─ 多模态图文 → GPT-4o / 通义千问 VL └─ 学习练习、低成本 → DeepSeek V4-Flash首选大模型 API 调用4.1 环境准备安装依赖pip install openai获取 API 密钥平台注册地址密钥格式示例DeepSeekhttps://platform.deepseek.comsk-xxxxxxxx通义千问https://dashscope.aliyun.comsk-xxxxxxxx注册并登录后在控制台创建 API 密钥复制备用。4.2 DeepSeek API 基本调用from openai import OpenAI client OpenAI( api_keyyour-deepseek-api-key, # 替换为你的密钥 base_urlhttps://api.deepseek.com ) response client.chat.completions.create( modeldeepseek-v4-flash, messages[ {role: system, content: 你是一位专业的 Python 开发工程师回答简洁准确。}, {role: user, content: 请解释什么是列表推导式并给出 3 个实用示例。} ], temperature0.7, max_tokens2000 ) answer response.choices[0].message.content print(answer)参数说明参数说明推荐值model模型名称deepseek-v4-flashmessages对话消息列表system user assistanttemperature随机性 0~2代码 0.2~0.5对话 0.7max_tokens最大输出长度1000~4000stream是否流式输出True用于实时显示RAG 检索增强生成5.1 什么是 RAGRAGRetrieval-Augmented Generation检索增强生成。先从外部知识库中检索相关内容再将其作为上下文传给大模型让模型基于真实资料回答。为什么需要 RAG问题大模型直接回答RAG 方案知识过时训练数据有截止日期检索最新文档幻觉编造可能编造不存在的信息基于真实文档回答私有数据无法访问企业内部资料导入企业知识库溯源无法说明信息来源可标注引用文档RAG 工作流程用户提问 ↓ ① 字符检索在 SQLite 中匹配相关文档片段 ↓ ② 将检索到的文档 问题 组合为 Prompt ↓ ③ 大模型DeepSeek基于文档内容生成回答 ↓ 输出准确、有据可查的回答5.2 核心概念概念说明文档切片Chunking将长文档切分为小段落便于检索字符检索按问题中的字符/子串在文档中匹配打分召回Retrieval取出得分最高的若干文档片段上下文注入将检索结果放入 Prompt 的{context}位置生成Generation大模型基于上下文生成最终回答5.3 案例字符检索 RAG 实现以下示例与课程项目一致用字符匹配召回文档再调用 DeepSeek 生成回答。from openai import OpenAI client OpenAI( api_keyyour-deepseek-api-key, base_urlhttps://api.deepseek.com ) # 模拟知识库文档实际项目存在 SQLite chunks 表 documents [ Python 基础列表list是有序可变的数据类型用方括号创建如 [1, 2, 3]。, Python 基础元组tuple是有序不可变的数据类型用圆括号创建如 (1, 2, 3)。, Python 基础字典dict是键值对数据结构用花括号创建如 {#x27;name#x27;: #x27;张三#x27;}。, Python 文件操作使用 open() 函数读写文件with 语句可自动关闭文件。, Python 爬虫使用 requests 库发送 HTTP 请求lxml 库解析 HTML。, ] def char_search(query, top_k2): 字符检索按子串和单字匹配打分 def score(doc): s 0 if query in doc: s len(query) * 5 for char in query: if char.strip(): s doc.count(char) return s ranked sorted(documents, keyscore, reverseTrue) return [doc for doc in ranked if score(doc) 0][:top_k] def rag_answer(question): relevant_docs char_search(question) context /n.join(relevant_docs) prompt f请严格基于以下参考资料回答问题。如果资料中没有相关信息请说根据现有资料无法回答。 参考资料 {context} 问题{question} response client.chat.comp ], temperature0.3 ) return response.choices[0].message.content print(rag_answer(列表和元组有什么区别))字符检索打分规则项目中的实现匹配类型得分规则示例完整子串命中长度 × 5问题「列表推导式」完整出现在文档中双字片段命中长度 × 3「列表」出现在文档中单字命中每出现 1 次 1「列」在文档中出现 3 次得 3 分5.4 课程项目知识库智能问答系统组件技术说明前端Vue3 Element Plus文件上传、对话界面后端FlaskAPI 接口与业务逻辑数据库SQLite文件、分块、对话记录检索方式字符匹配text_search.py无需向量模型大模型DeepSeek API基于检索结果生成回答项目架构知识库智能问答系统/ ├── 前端Vue3 → 上传文档、对话界面 ├── 后端Flask → API 接口 ├── SQLite → 文件元信息 文档分块纯文本 └── DeepSeek API → RAG 问答生成完整 RAG 流程# 1. 上传文件 → 提取文本 → 分块 → 存入 SQLite chunk Chunk(file_idfile_id, contentchunk_text) db.session.add(chunk) # 2. 用户提问 → 字符检索召回相关片段 from utils.text_search import search_chunks results search_chunks(question, top_k10) # 3. 检索结果 问题 → DeepSeek 生成回答 from utils.deepseek_client import deepseek_client answer deepseek_client.rag_query(question, results)字符检索核心代码text_search.pydef score_chunk(query, content): score 0 if query in content: score len(query) * 5 # 完整子串命中 for char in query: if char.strip(): score content.count(char) # 单字匹配 return score def search_chunks(question, top_k10): chunks Chunk.query.all() results [] for chunk in chunks: score score_chunk(question, chunk.content) if score 0: results.append({content: chunk.content, score: score, ...}) results.sort(keylambda x: x[score], reverseTrue) return results[:top_k]配置 API 密钥config.pyDEEPSEEK_API_KEY your-deepseek-api-key DEEPSEEK_BASE_URL https://api.deepseek.com LLM_MODEL deepseek-v4-flash项目路径知识库智能问答系统/只需pip install -r requirements.txt即可运行。Cursor AI 编程工具6.1 Cursor 简介Cursor基于 VS Code 的 AI 原生代码编辑器深度集成大模型是目前最流行的 AI 编程工具。核心特点基于 VS Code界面熟悉插件兼容多种 AI 模式补全、聊天、Composer支持自定义 APIDeepSeek 等理解整个项目上下文跨文件编辑6.2 安装与配置安装1. 访问 cursor.com[1] 下载安装2. 注册账号并登录3. 可导入 VS Code 的配置和插件配置自定义 API使用 DeepSeek1. 打开设置Ctrl ,2. 搜索OpenAI API Key或进入 Models 设置3. 配置API Key你的 DeepSeek 密钥Override OpenAI Base URLhttps://api.deepseek.comModeldeepseek-v4-flash6.3 核心功能速查快捷键功能说明Tab接受代码补全AI 自动建议按 Tab 接受Ctrl LAI 聊天询问代码问题、解释、调试Ctrl K行内编辑选中代码用自然语言修改Ctrl IComposer多文件编辑生成新功能6.4 AI 聊天Ctrl L在聊天窗口中可以询问代码含义“请解释这个函数的作用”请求生成代码“写一个读取 CSV 的函数”调试错误“这个报错是什么原因”引用文件输入文件名将文件内容加入上下文引用文档输入Docs查阅官方文档引用代码库输入Codebase搜索整个项目示例对话你utils.py 请根据这个文件中的工具函数为 main.py 编写数据处理逻辑 AI[分析 utils.py 后生成符合项目风格的代码]6.5 Composer 模式Ctrl IComposer 模式适合多文件代码生成和修改。描述要实现的功能AI 生成或修改多个文件你审查后接受或拒绝示例你为知识库项目添加一个导出对话历史为 CSV 的功能 AI[分析项目结构修改 routes.py 和前端组件]6.6 Cursor Rules项目规则在项目根目录创建.cursor/rules文件定义 AI 的行为规范# Python 项目规范 - 使用 Python 3.10 语法 - 所有函数必须有类型提示和 docstring - 遵循 PEP 8 代码风格 - 错误处理使用 try/except不使用裸 except - 数据库操作使用 SQLAlchemy ORM - API 返回统一 JSON 格式{code: 0, data: ..., msg: success}6.7 Cursor 最佳实践实践说明明确指令说清楚功能、约束、输出格式使用 引用filefoldercodebase提供上下文迭代优化先生成基础版再逐步完善代码审查接受前仔细阅读每一处修改配置 Rules让 AI 遵循项目规范理解不依赖AI 是助手核心逻辑要自己掌握Trae AI 编程工具7.1 Trae 简介Trae字节跳动推出的 AI 原生 IDE2025 年发布与豆包大模型深度集成是 Cursor 的有力竞品。Trae 的特点国产工具中文支持好访问稳定内置豆包大模型也支持自定义 API支持 Builder 模式AI 自主开发支持 Solo 模式AI 自主开发免费额度较高适合学习使用7.2 Trae 与 Cursor 对比特性CursorTrae厂商海外字节跳动国产基础模型Claude/GPT/自定义豆包/自定义多文件编辑ComposerCtrlIBuilder / Solo 模式中文支持良好优秀价格付费订阅免费额度较高网络访问需要稳定国际网络国内直连适合人群专业开发者学习、国内开发者7.3 Trae 基本使用1. 访问 trae.cn[2] 下载安装2. 注册字节跳动账号3. 创建项目或打开现有项目4. 使用 Builder 模式描述需求AI 自主完成开发5. 使用 Chat 模式与 AI 对话辅助编码使用建议国内网络环境优先选择 Trae有国际网络和专业需求选择 Cursor两者可以结合使用互为补充最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 掌握大模型核心技术：从Prompt工程到AI编程工具，小白程序员收藏学习
本文将带您深入了解大模型的基本概念、工作原理与发展趋势重点掌握提示词工程的核心技巧了解2026年主流大模型生态及选型方法。此外您将学会通过API调用大模型以DeepSeek为主理解推理模型、RAG等关键技术并熟练使用Cursor等AI编程工具提升开发效率。无论您是编程新手还是经验丰富的开发者都能从中获得宝贵的知识和实用技能。大模型基础概念1.1 什么是大模型大模型Large Language ModelLLM基于深度学习技术使用海量数据训练的超大规模语言模型能够理解和生成人类语言。大模型的特点特点说明参数量大数十亿到数万亿参数如 DeepSeek V4-Pro 约 1.6T 参数训练数据多互联网文本、代码、书籍、论文等海量语料能力强大文本生成、问答、翻译、代码、推理、多模态理解通用性强一个模型通过不同提示词完成多种任务涌现能力模型规模达到阈值后出现的小样本学习、推理等能力大模型的应用场景智能问答与知识库助手代码生成与 AI 辅助编程文本创作文章、报告、邮件翻译、摘要、信息抽取数据分析与自然语言查询智能客服与对话机器人1.2 大模型的工作原理文本生成过程Next Token Prediction输入提示词 → 模型计算概率 → 预测下一个 Token → 拼接 → 继续预测 → 生成完整回答核心概念概念说明示例Token模型处理的基本单位“Python” ≈ 1 Token“你好吗” ≈ 2 Token上下文窗口模型一次能处理的文本长度4K / 128K / 1M TokenTemperature控制随机性越高越有创意代码生成 0.20.5创意写作 0.71.0Top-p核采样控制候选词范围通常 0.9~0.95System Prompt系统级角色设定“你是一位 Python 教师”Few-shot在提示词中提供示例给 2~3 个输入输出样例1.3 大模型的技术演进2025—2026 年关键技术趋势趋势说明代表推理模型先思考再回答数学/代码/逻辑更强DeepSeek R1、OpenAI o3、QwQ超长上下文支持百万 Token可处理整本书DeepSeek V41M、Kimi多模态同时理解文本、图片、音频GPT-4o、通义千问 VLRAG检索外部知识库增强回答准确性知识库问答系统AI 编程工具深度集成大模型的 IDECursor、Trae提示词工程Prompt Engineering2.1 提示词的基本结构提示词Prompt用户输入给大模型的指令引导模型生成期望的输出。标准结构角色定义System 任务描述 上下文信息 具体要求 输出格式 示例可选消息角色说明API 调用时角色作用示例system设定 AI 的身份和行为规范“你是一位 Python 教师回答简洁准确”user用户的实际问题或指令“请解释什么是列表推导式”assistant模型的历史回复多轮对话上一轮的回答内容2.2 核心编写技巧技巧 1明确角色和任务❌ 差的提示词写一篇关于 Python 的文章 ✅ 好的提示词 你是一位有 10 年经验的 Python 培训讲师。请为零基础学员写一篇 Python 入门文章 1. **Python 是什么能做什么** 2. **如何安装 Python 和 VS Code** 3. **第一个程序 hello world** 4. **一个简单实战案例** 要求通俗易懂每节包含可运行的代码示例总字数 800 字左右。技巧 2Few-shot 示例少样本学习请将以下中文翻译成英文 示例1 中文你好世界 英文Hello, World 示例2 中文Python 是一门优秀的编程语言 英文Python is an excellent programming language 现在请翻译 中文大模型正在改变软件开发的方式 英文技巧 3指定输出格式请分析以下 Python 代码的问题严格按 JSON 格式输出 代码 def calc(a,b): return a/b 输出格式 { issues: [问题1描述, 问题2描述], suggestions: [建议1, 建议2], fixed_code: 修复后的完整代码 }技巧 4思维链Chain of Thought请解决以下问题展示完整思考过程 问题一个班级 30 人女生占 60%男生有多少人 请按步骤思考 1. **计算女生人数** 2. **用总人数减去女生人数得到男生人数** 3. **给出最终答案**技巧 5结构化约束2025 推荐请从以下新闻中提取信息只输出 JSON不要其他内容 新闻[新闻正文] 字段title标题、date日期、summary50字摘要、keywords关键词数组2.3 提示词模板库模板 1代码生成你是一位专业的 Python 开发工程师。 任务编写一个 [功能描述] 的函数 要求 1. **函数名[函数名]** 2. **参数[参数说明]** 3. **返回值[返回值说明]** 4. **包含类型提示Type Hints** 5. **包含 docstring 文档字符串** 6. **包含错误处理try/except** 7. **符合 PEP 8 规范** 请只输出代码不要多余解释。模板 2代码审查请审查以下代码从 5 个维度分析 代码 [粘贴代码] 审查维度 1. **逻辑正确性是否有 bug** 2. **性能是否有低效操作** 3. **安全性是否有安全隐患** 4. **可读性命名、结构是否清晰** 5. **规范性是否符合 PEP 8** 每个维度给出问题描述 改进建议 修改示例模板 3RAG 问答知识库场景你是企业知识库助手。请严格基于以下文档内容回答问题。 如果文档中没有相关信息请回答根据现有资料无法回答该问题不要编造。 参考文档 {context} 用户问题{question} 要求回答准确、简洁引用文档中的关键信息。2.4 提示词常见误区误区问题改进指令模糊“帮我写个程序”说明语言、功能、输入输出一次要求太多同时要求 10 个功能拆分为多个步骤逐步完成没有示例输出格式不稳定提供 1~2 个输入输出示例忽略角色设定回答风格不符合预期用 system 消息定义角色不验证输出直接使用 AI 生成的代码始终审查、测试、理解代码2026 主流大模型生态3.1 国际主流模型模型厂商特点适用场景GPT-4oOpenAI多模态响应快生态完善通用任务、多模态o3 / o4-miniOpenAI推理能力强适合复杂逻辑数学、编程、推理Claude 4Anthropic长上下文代码能力强安全性好代码、文档分析Gemini 2.5Google多模态与 Google 生态集成搜索增强、多模态3.2 国内主流模型模型厂商特点DeepSeek V4深度求索性价比高代码/推理强1M 上下文通义千问 Qwen3阿里云中文能力强多模态开源友好文心一言 4.0百度中文理解好搜索增强智谱 GLM-4智谱 AI开源友好工具调用能力强Kimi月之暗面超长上下文文档分析豆包字节跳动与 Trae IDE 深度集成3.3 DeepSeek 模型详解2026 年 DeepSeek API 模型模型名称类型特点适用场景deepseek-v4-flash快速版速度快、价格低、1M 上下文日常对话、代码辅助deepseek-v4-pro专业版能力最强、推理更准复杂推理、高难度代码思考模式Thinking Mode推理模型在回答前会先进行内部思考适合数学、逻辑、复杂编程题# 开启思考模式替代旧的 deepseek-reasoner response client.chat.completions.create( modeldeepseek-v4-flash, messages[{role: user, content: 9.11 和 9.8 哪个大请仔细推理。}], extra_body{thinking: {type: enabled}} )3.4 模型选型建议需要什么能力 ├─ 中文场景、企业应用 → 通义千问 / DeepSeek ├─ 代码生成、编程辅助 → DeepSeek V4 / Claude 4 ├─ 复杂推理、数学逻辑 → 开启思考模式的 DeepSeek V4 / o3 ├─ 长文档分析 → Kimi / DeepSeek V41M 上下文 ├─ 多模态图文 → GPT-4o / 通义千问 VL └─ 学习练习、低成本 → DeepSeek V4-Flash首选大模型 API 调用4.1 环境准备安装依赖pip install openai获取 API 密钥平台注册地址密钥格式示例DeepSeekhttps://platform.deepseek.comsk-xxxxxxxx通义千问https://dashscope.aliyun.comsk-xxxxxxxx注册并登录后在控制台创建 API 密钥复制备用。4.2 DeepSeek API 基本调用from openai import OpenAI client OpenAI( api_keyyour-deepseek-api-key, # 替换为你的密钥 base_urlhttps://api.deepseek.com ) response client.chat.completions.create( modeldeepseek-v4-flash, messages[ {role: system, content: 你是一位专业的 Python 开发工程师回答简洁准确。}, {role: user, content: 请解释什么是列表推导式并给出 3 个实用示例。} ], temperature0.7, max_tokens2000 ) answer response.choices[0].message.content print(answer)参数说明参数说明推荐值model模型名称deepseek-v4-flashmessages对话消息列表system user assistanttemperature随机性 0~2代码 0.2~0.5对话 0.7max_tokens最大输出长度1000~4000stream是否流式输出True用于实时显示RAG 检索增强生成5.1 什么是 RAGRAGRetrieval-Augmented Generation检索增强生成。先从外部知识库中检索相关内容再将其作为上下文传给大模型让模型基于真实资料回答。为什么需要 RAG问题大模型直接回答RAG 方案知识过时训练数据有截止日期检索最新文档幻觉编造可能编造不存在的信息基于真实文档回答私有数据无法访问企业内部资料导入企业知识库溯源无法说明信息来源可标注引用文档RAG 工作流程用户提问 ↓ ① 字符检索在 SQLite 中匹配相关文档片段 ↓ ② 将检索到的文档 问题 组合为 Prompt ↓ ③ 大模型DeepSeek基于文档内容生成回答 ↓ 输出准确、有据可查的回答5.2 核心概念概念说明文档切片Chunking将长文档切分为小段落便于检索字符检索按问题中的字符/子串在文档中匹配打分召回Retrieval取出得分最高的若干文档片段上下文注入将检索结果放入 Prompt 的{context}位置生成Generation大模型基于上下文生成最终回答5.3 案例字符检索 RAG 实现以下示例与课程项目一致用字符匹配召回文档再调用 DeepSeek 生成回答。from openai import OpenAI client OpenAI( api_keyyour-deepseek-api-key, base_urlhttps://api.deepseek.com ) # 模拟知识库文档实际项目存在 SQLite chunks 表 documents [ Python 基础列表list是有序可变的数据类型用方括号创建如 [1, 2, 3]。, Python 基础元组tuple是有序不可变的数据类型用圆括号创建如 (1, 2, 3)。, Python 基础字典dict是键值对数据结构用花括号创建如 {#x27;name#x27;: #x27;张三#x27;}。, Python 文件操作使用 open() 函数读写文件with 语句可自动关闭文件。, Python 爬虫使用 requests 库发送 HTTP 请求lxml 库解析 HTML。, ] def char_search(query, top_k2): 字符检索按子串和单字匹配打分 def score(doc): s 0 if query in doc: s len(query) * 5 for char in query: if char.strip(): s doc.count(char) return s ranked sorted(documents, keyscore, reverseTrue) return [doc for doc in ranked if score(doc) 0][:top_k] def rag_answer(question): relevant_docs char_search(question) context /n.join(relevant_docs) prompt f请严格基于以下参考资料回答问题。如果资料中没有相关信息请说根据现有资料无法回答。 参考资料 {context} 问题{question} response client.chat.comp ], temperature0.3 ) return response.choices[0].message.content print(rag_answer(列表和元组有什么区别))字符检索打分规则项目中的实现匹配类型得分规则示例完整子串命中长度 × 5问题「列表推导式」完整出现在文档中双字片段命中长度 × 3「列表」出现在文档中单字命中每出现 1 次 1「列」在文档中出现 3 次得 3 分5.4 课程项目知识库智能问答系统组件技术说明前端Vue3 Element Plus文件上传、对话界面后端FlaskAPI 接口与业务逻辑数据库SQLite文件、分块、对话记录检索方式字符匹配text_search.py无需向量模型大模型DeepSeek API基于检索结果生成回答项目架构知识库智能问答系统/ ├── 前端Vue3 → 上传文档、对话界面 ├── 后端Flask → API 接口 ├── SQLite → 文件元信息 文档分块纯文本 └── DeepSeek API → RAG 问答生成完整 RAG 流程# 1. 上传文件 → 提取文本 → 分块 → 存入 SQLite chunk Chunk(file_idfile_id, contentchunk_text) db.session.add(chunk) # 2. 用户提问 → 字符检索召回相关片段 from utils.text_search import search_chunks results search_chunks(question, top_k10) # 3. 检索结果 问题 → DeepSeek 生成回答 from utils.deepseek_client import deepseek_client answer deepseek_client.rag_query(question, results)字符检索核心代码text_search.pydef score_chunk(query, content): score 0 if query in content: score len(query) * 5 # 完整子串命中 for char in query: if char.strip(): score content.count(char) # 单字匹配 return score def search_chunks(question, top_k10): chunks Chunk.query.all() results [] for chunk in chunks: score score_chunk(question, chunk.content) if score 0: results.append({content: chunk.content, score: score, ...}) results.sort(keylambda x: x[score], reverseTrue) return results[:top_k]配置 API 密钥config.pyDEEPSEEK_API_KEY your-deepseek-api-key DEEPSEEK_BASE_URL https://api.deepseek.com LLM_MODEL deepseek-v4-flash项目路径知识库智能问答系统/只需pip install -r requirements.txt即可运行。Cursor AI 编程工具6.1 Cursor 简介Cursor基于 VS Code 的 AI 原生代码编辑器深度集成大模型是目前最流行的 AI 编程工具。核心特点基于 VS Code界面熟悉插件兼容多种 AI 模式补全、聊天、Composer支持自定义 APIDeepSeek 等理解整个项目上下文跨文件编辑6.2 安装与配置安装1. 访问 cursor.com[1] 下载安装2. 注册账号并登录3. 可导入 VS Code 的配置和插件配置自定义 API使用 DeepSeek1. 打开设置Ctrl ,2. 搜索OpenAI API Key或进入 Models 设置3. 配置API Key你的 DeepSeek 密钥Override OpenAI Base URLhttps://api.deepseek.comModeldeepseek-v4-flash6.3 核心功能速查快捷键功能说明Tab接受代码补全AI 自动建议按 Tab 接受Ctrl LAI 聊天询问代码问题、解释、调试Ctrl K行内编辑选中代码用自然语言修改Ctrl IComposer多文件编辑生成新功能6.4 AI 聊天Ctrl L在聊天窗口中可以询问代码含义“请解释这个函数的作用”请求生成代码“写一个读取 CSV 的函数”调试错误“这个报错是什么原因”引用文件输入文件名将文件内容加入上下文引用文档输入Docs查阅官方文档引用代码库输入Codebase搜索整个项目示例对话你utils.py 请根据这个文件中的工具函数为 main.py 编写数据处理逻辑 AI[分析 utils.py 后生成符合项目风格的代码]6.5 Composer 模式Ctrl IComposer 模式适合多文件代码生成和修改。描述要实现的功能AI 生成或修改多个文件你审查后接受或拒绝示例你为知识库项目添加一个导出对话历史为 CSV 的功能 AI[分析项目结构修改 routes.py 和前端组件]6.6 Cursor Rules项目规则在项目根目录创建.cursor/rules文件定义 AI 的行为规范# Python 项目规范 - 使用 Python 3.10 语法 - 所有函数必须有类型提示和 docstring - 遵循 PEP 8 代码风格 - 错误处理使用 try/except不使用裸 except - 数据库操作使用 SQLAlchemy ORM - API 返回统一 JSON 格式{code: 0, data: ..., msg: success}6.7 Cursor 最佳实践实践说明明确指令说清楚功能、约束、输出格式使用 引用filefoldercodebase提供上下文迭代优化先生成基础版再逐步完善代码审查接受前仔细阅读每一处修改配置 Rules让 AI 遵循项目规范理解不依赖AI 是助手核心逻辑要自己掌握Trae AI 编程工具7.1 Trae 简介Trae字节跳动推出的 AI 原生 IDE2025 年发布与豆包大模型深度集成是 Cursor 的有力竞品。Trae 的特点国产工具中文支持好访问稳定内置豆包大模型也支持自定义 API支持 Builder 模式AI 自主开发支持 Solo 模式AI 自主开发免费额度较高适合学习使用7.2 Trae 与 Cursor 对比特性CursorTrae厂商海外字节跳动国产基础模型Claude/GPT/自定义豆包/自定义多文件编辑ComposerCtrlIBuilder / Solo 模式中文支持良好优秀价格付费订阅免费额度较高网络访问需要稳定国际网络国内直连适合人群专业开发者学习、国内开发者7.3 Trae 基本使用1. 访问 trae.cn[2] 下载安装2. 注册字节跳动账号3. 创建项目或打开现有项目4. 使用 Builder 模式描述需求AI 自主完成开发5. 使用 Chat 模式与 AI 对话辅助编码使用建议国内网络环境优先选择 Trae有国际网络和专业需求选择 Cursor两者可以结合使用互为补充最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】