零基础学大模型技术：核心考点精讲与备考指南

大模型技术与应用：零基础考点精讲

如果你正打算进入人工智能领域，或者手头有一门“大模型技术与应用”的考核在等着，这篇内容就是给你准备的。我梳理过不少零基础学员的备考路径，发现大多数人卡住的地方不是难懂的原理，而是不知道大模型这门课到底在考什么、学到什么程度算过关、哪些概念必须精准记忆、哪些只要会举例说明就行。

“大模型技术与应用”这门课，考点核心就四个字：概念、原理、应用、趋势。说白了就是先搞清楚大模型是什么，再搞明白它怎么工作的，然后知道它用在哪里，最后能说清楚它的局限性。零基础的人最需要的是一个清晰的地图，而不是一上来就扎进Transformer的数学公式里。

这篇精讲就是这张地图。我按考点出现的频率和难度，把大模型知识体系拆成了四块：基础概念与核心特征、关键技术原理、主流应用场景与工具、考前高频问题。每一块都按照“是什么—为什么—怎么考”的顺序来讲，你需要背的、需要理解的、需要会举例的，我都会标注清楚。适合所有零基础起步的人，也适合考前突击复习的人。

1. 大模型基础考点：这几条线必须理清

1.1 大模型的“大”到底指什么

零基础学员经常被“大模型”这个“大”字误导，以为大就是参数多。参数多确实是大模型的一个特征，但绝对不是唯一的特征。我在实际辅导中发现，凡是能把“大”说清楚的人，后面的原理题基本就不太会丢分了。

考点第一条线：大模型之“大”，体现在三个层面。第一，参数量大，从早期的亿级到现在的千亿级、万亿级，参数量直接决定了模型的表达能力。第二，训练数据量大，动辄万亿级别的Token文本数据喂进去，模型才能学到语言的统计规律。第三，计算资源大，训练一个千亿参数的模型，需要数千张高性能计算卡连续跑几个月，这背后的成本和工程复杂度是普通人很难想象的。

考试时如果问“大模型与传统深度学习模型的核心区别”，正确答案要落在“大规模预训练+微调范式”上。传统模型是为某个特定任务单独训练的，比如一个情感分析模型，训练数据是标注好情感倾向的几万条评论。大模型不一样，它先用海量无标注的通用数据训练出一个基础模型，这个模型具备通用的语言理解和生成能力，然后在需要做具体任务时，用少量标注数据做微调就行了。

我常给学员打一个比方：传统模型像是为一个岗位专门定制的工具，换了岗位就用不了了；大模型像是接受过通识教育的毕业生，到了哪个岗位都能快速上手。这背后的核心变量就是“预训练”，这是大模型所有能力的源头，也是考点最密集的地方。

1.2 三次范式演进：从词向量到大模型的路线图

第二个高频考点是大模型的技术演进路线。零基础的人容易把各个阶段的概念混在一起，我建议按时间线去记这条链路。

第一阶段是词向量时代，核心代表是Word2Vec。它的思路是把每个词映射成一个低维稠密向量，让语义相近的词在向量空间里距离更近。“国王-男性+女性=女王”这类经典例子就是词向量语义计算能力的体现。但词向量有个致命短板：它不关心词的顺序，同一个词在不同语境下的含义也区分不了。

第二阶段是序列模型时代，核心代表是RNN和LSTM。它们能按顺序处理文本，理论上可以捕捉上下文信息。问题在于，序列模型是逐步传递信息的，句子一长，前面的信息传到后面就衰减了，这就是长期依赖问题。LSTM虽然通过门控机制缓解了这个问题，但本质上仍然是串行计算，训练效率上不去。

第三阶段是预训练语言模型时代，核心转折点是Transformer架构的提出。2017年Transformer出现后，NLP领域彻底洗牌。它用自注意力机制解决了序列模型的两个老大难问题：一是可以并行计算，训练速度大幅提升；二是每个词可以直接关注到序列中任意位置的其他词，长距离依赖问题基本被解决。

这个演进脉络几乎是必考内容，因为它是理解大模型的钥匙。出题方式通常是“简述从Word2Vec到BERT再到GPT的技术演进，每个阶段的核心贡献是什么”，你要能把三个阶段的核心思想、代表模型、局限性和突破点都说清楚。

1.3 预训练与微调：记忆力和适应力的关系

模型有了海量参数和预训练这个范式，接下来必考的就是预训练和微调到底是什么关系。我用一个考试中常见的问法来解构：为什么大模型需要预训练和微调两个阶段，而不是直接针对目标任务训练？

预训练解决的是一般能力的问题。在预训练阶段，模型在海量通用文本上做自监督学习，核心任务是“预测下一个词”或“还原被遮盖的词”。这个过程不需要人工标注数据，所以理论上可以无限量地投喂文本，模型从中学习语言的语法、知识、推理模式等通用能力。预训练结束后，模型其实就已经具备了不错的文本生成能力，但它是个“通才”，不是针对任何特定任务优化过的“专才”。

微调解决的是特定任务适配的问题。比如要做客服问答，就把预训练好的模型拿过来，用几千条客服问答对话数据继续训练，让模型学会这个特定场景下的表达方式和知识范围。微调的成本比预训练低得多，而且效果好，这就是“预训练+微调”范式能流行的根本原因。

考场上如果遇到“为什么大模型需要用海量无标注数据预训练而不是直接训练”，要点是回答清楚：有标注的数据太贵了，不可能支撑大模型的训练体量；而自监督学习不需要人工标注，可以用近乎无限的数据来训练，模型学到的通用知识可以直接迁移到下游任务，效率高、效果好。一个典型的例子：某大型语言模型训练数据量达到万亿级Token，其中标注数据的占比极低。

2. 大模型技术原理考点：注意力机制与训练目标

2.1 分词与Token：为什么英文单词会被切开

如果问大模型处理文本的第一步是什么，答案是分词，也叫Tokenization。这是几乎所有零基础学习者第一次感到困惑的环节：为什么好好的英文单词，要被拆成奇奇怪怪的片段？

我举个具体例子。一句话“I like playing basketball”，经过分词后可能变成“I”、“like”、“play”、“ing”、“basket”、“ball”这样的片段。模型实际处理的不是完整的词，而是这些被称为Token的文本单元。中文也一样，比如“我喜欢打篮球”会被切成“我”、“喜欢”、“打”、“篮球”这四个Token，或者更细粒度的字、词组合。

为什么要切？因为语言太复杂了，如果每个完整词都单独编一个号，词典规模会爆炸，而且模型见不到任何新词。切成子词级别后，词汇表可以控制在一个固定规模（通常是几万），没见过的新词也能被拆成见过的子词片段。Token化还有一个重要作用，它直接决定了一次能处理多少文本：模型的上下文长度就是用Token数量来衡量的。

考点延伸：考试可能会给出一段文字，让你估算大概占多少个Token。中文通常一个汉字约等于1到1.5个Token，英文一个单词约等于1.3个Token。不需要精确，能估算数量级就够了。还有些零基础学员会在考前纠结“分词用什么工具实现”“BPE算法的细节是什么”——除非你考的学校明确要求，否则这些工程实现细节作为了解即可，考点重心在概念层面。

2.2 注意力机制：从翻译对齐到自注意力

注意力机制的底层思想其实非常朴素。它源于神经机器翻译中的对齐概念——翻译一个词的时候，模型需要知道源语言句子中哪些词对这个词的翻译贡献最大。最早的注意力机制做的就是这样一件事：给源语言中的每个词计算一个权重，权重大的词对当前生成词的影响更强。

真正让大模型起飞的是自注意力机制。区别在于，机器翻译中的注意力是模型在“读入”和“生成”两个序列之间做对齐，而自注意力是模型在单个序列内部建立词与词之间的联系。在自注意力中，每个词都会和序列中的每个其他词计算关联强度，然后聚合这些信息来更新自己的表示。

我在讲解时喜欢用一个大家都有感的比喻：自注意力就像你在读一篇长文时，读到“它”这个代词，你会自然地去前文找“它”指代的是什么。模型做的就是在“它”和前面某个具体名词之间建立一个高权重的联系。这个联系不是靠规则手工设定的，而是模型在训练中自己学出来的。

考场上如果问“为什么Transformer比RNN更适合处理长文本”，标准答题框架有三条：一是自注意力让每个词都能直接看到序列中任意位置的词，路径长度为1，不存在信息衰减；二是计算可以并行，因为每个位置的表示可以同时计算；三是通过多头注意力机制，模型可以在不同子空间中捕捉不同类型的语言规律。这三点背下来就行，关键是理解背后的逻辑。

2.3 Transformer整体架构：编码器与解码器分工

Transformer是必考中的必考，零基础的学员至少要能把它的宏观结构画出来、说清楚。我不建议一开始就钻细节参数，那是学霸做的事。对大多数学习者来说，抓两条主线的分工逻辑就够了。

Transformer整体架构由两部分组成：编码器（Encoder）和解码器（Decoder）。编码器负责把输入序列转换成一组丰富的语义表示，它“读”输入，用自注意力捕捉词与词之间的关系。解码器负责生成输出序列，它不仅要关注已经生成的输出内容，还要通过交叉注意力机制关注编码器给出的输入语义表示。

为什么要这么分工？因为很多任务本质上是一个“理解-生成”的过程。机器翻译中，编码器理解源语言句子的含义，解码器生成目标语言的句子；文本摘要中，编码器理解全文，解码器逐句生成摘要；对话系统中，编码器理解用户问题，解码器生成回复。

大模型领域有两个重要变体需要分清。GPT系列是解码器架构，它没有编码器部分，只靠解码器做单向的文本生成，但恰恰是这种“只管后文不管前文”的结构，让它成了一个纯粹的语言生成模型。BERT系列是编码器架构，它只做双向理解，擅长分类、匹配这类任务。这两种模型一个擅长“生成”，一个擅长“理解”，是考试最爱对比的一组概念。还有一点要清楚，现在所说的“大语言模型”大多是基于GPT这种解码器架构发展起来的，因为生成能力是通用人工智能最关键的接口。

2.4 训练三阶段：预训练、监督微调、人类对齐

关于训练过程，考点集中在三个阶段，但零基础的人容易把“训练”理解成一个黑盒整体。我在这里拆开讲清楚，因为它们对应的是不同的数据和目标，考试也各自有出题点。

第一阶段是预训练，目标是让模型学会语言本身。数据是海量无标注的文本，学习方式是自监督——预测下一个词。这个阶段结束后，模型具备了语言能力和一定的世界知识，但它的输出风格是不可控的，可能在一本正经地胡说八道。

第二阶段是监督微调（SFT），目标是教模型学会遵从指令回答问题。这个阶段用的是人工精心编写的“问题-优质回答”对。比如给模型看一万组“用户问：如何保养笔记本电脑？助手答：……”这样的样例，模型渐渐学会按指令的格式来回答问题。这个阶段是模型从“会说话”到“会听话”的关键。

第三阶段是人类反馈强化学习（RLHF），目标是根据人类偏好让模型的回答更有用、更安全。做法是先让人类对多个回答排序，训练一个奖励模型来模拟人类偏好，然后用强化学习的方式让语言模型学会追求高奖励。这个阶段会大幅提升回答的“质感”，让它尽量不输出有害内容、不编造事实。

记忆线索是：先学说话（预训练），再学听指令（SFT），最后学做人（RLHF）。每次遇到开放题“如何得到一个安全可靠的大模型”，按这三个阶段展开描述就是完整答案。

2.5 涌现能力、幻觉与上下文学习：三个高频名词

这三个概念是近年大模型领域的热点，也是考试中的高频名词解释题。

涌现能力指的是当模型参数量超过某个阈值后，一些任务能力突然出现的现象。典型例子是“思维链推理”，小模型怎么教都学不会，但大模型突然就会了。背后机制业界还没有统一的定论，所以考试时只要把这个“规模的跃迁”现象描述清楚，再举一个具体例子就可以。

幻觉指的是模型生成的内容看似合理，实际是错误的或凭空捏造的。原因是模型本质是在做概率预测，它优化的是“像不像人话”，而不是“对不对事实”。考试常考“为什么大模型会产生幻觉”和“如何缓解”，我后面在第4部分详细介绍。

**上下文学习（In-Context Learning，ICL）**指的是不给模型调参数，只在输入中给它几个示例，它就能照着做同类任务。这相当于把例题直接写在试卷上让考生照猫画虎。上下文学习的出现拓宽了模型的使用方式，它意味着少量示例就能让大模型完成新任务，不需要重新训练。考试要能区分上下文学习和微调的区别：一个不改参数，一个改参数；一个成本几乎为零，一个需要训练资源。

3. 大模型应用考点：场景、工具、提示词与RAG

3.1 典型应用场景：文本、代码、图像与多模态

应用层面的考点相对简单，但覆盖范围广。我把主流场景按模态分类，零基础学员按这个框架去记，应对“列举大模型应用场景并说明”这类开放题足够了。

文本类应用是最成熟的。文本生成、摘要生成、翻译、情感分析、信息抽取、知识问答都属于这一类。判断标准是：输入和输出都是自然语言。这类应用个人或小微企业都能接，因为不需要训练模型，调用接口就行。

代码类应用近年增长迅猛。代码补全在IDE里每敲几个字母就推荐下一段；代码解释让模型逐行讲解一段陌生代码；代码生成根据自然语言描述直接产出完整函数。代表应用场景有代码审查、自动测试生成、技术文档编写等。代码大模型的训练数据是开源代码库，模型学的是“代码和自然语言之间的对应关系”。

图像与多模态是下一波方向。文本生成图像已经普及，输入一句话输出一张图；文档理解可以对一张票据图片直接提取结构化信息；视频理解与生成正在快速发展。多模态大模型的核心是把视觉和文本信息投射到同一个语义空间里。考试如果问方向和趋势，答多模态一定不会错。

还有一个容易漏掉的应用点是垂直领域大模型。通用大模型用在海量通用数据上，垂直大模型在通用基础上用某个行业的专有数据继续训练，比如医疗、法律、金融。这种做法减少了瞎编的概率，也提升了术语准确性，是当前To B落地的主要形式。

3.2 提示工程：不写代码的“编程”

零基础的人学大模型应用，最先上手也最容易见效的就是提示词。提示工程这个考点不需要任何编程基础，而且实操性强，考试也喜欢出“给定一个场景，请你构造提示词”这类题。

好的提示词有三个要素：角色、任务和要求。举个我常用的例子：

• 弱提示：“帮我写一封邮件。”
• 强提示：“你是一名资深人事专员，请帮我给候选人写一封面试邀请邮件，内容包括岗位名称、面试时间、需要携带的材料，语气正式友善，控制在200字以内。”

两者的区别一眼就能看出来。强提示给模型设定了角色（资深人事专员）、明确了任务（写面试邀请邮件）、限定了内容（岗位、时间、材料）和风格（正式友善、200字以内）。这类具体指令会大幅提高输出质量，原因不神秘——它让模型的条件概率分布更集中，降低随机漂移的可能。

考试通常还会考“提示词的几种设计技巧”：**零样本提示 **是直接给出指令，适合简单任务；少样本提示是在输入中给1到5个示例，适合模型不熟悉的格式或风格；思维链提示是让模型逐步推理，适合数学、逻辑类任务；思维树提示是在复杂问题上生成多条推理路径再综合评估。这几个考点背熟关键词和适用场景，考试基本不会丢分。

实操上，提示工程的学习成本极低，效果立竿见影。我建议零基础的人先亲手试二十个提示词，感受一下不同措辞对输出的影响，这是理解大模型能力边界最好的方式。

3.3 RAG检索增强生成：让模型学会“查资料”

RAG是考试中一个权重很高的考点，也对应一种非常实用的大模型架构方案。

它的出现是因为大模型有两个天生缺陷：一是知识截止到训练时间，新信息不知道；二是纯靠参数记忆事实容易出错。RAG的思路是“不逼模型背答案，而是让它边查边答”。系统先把文档切块、向量化，建立索引存入向量数据库；收到用户问题时，先在库里检索出最相关的文本片段；把这些片段和问题一起塞给大模型，由它组织成最终回答。整个过程大模型的参数不变，变的是输入内容。

我在给学员讲解时会用开卷考试来类比。传统大模型回答问题是闭卷——全靠脑子里记的知识，记错了就说错，没学过的就瞎编。RAG是开卷——先把课本翻到对应章节摆在桌上，再照着答，准确率自然高。

考点上要记住三个好处：知识实时更新（换数据库就行，不用重新训练模型）、降低幻觉（基于检索到的真实文本回答）、可溯源性（回答能指出引用来源）。RAG现在已经是企业落地大模型最主流的架构之一，考到“如何构建一个企业知识库问答系统”时，标准答案就是RAG。

它的局限也要会说：检索质量高度依赖切块方式和向量化质量，如果检索出来的东西本身不对，模型就会基于错误材料给出流畅但错误的回答；另外每次回答都多了一次检索耗时，延迟会比纯模型生成高。

3.4 Agent智能体：从回答问题到完成任务

Agent是最近两年出现频率极高的考点，而且它把大模型的能力边界从“对话”拓展到了“行动”。

Agent的本质是让大模型作为“大脑”，去调用外部工具完成任务。它内部的决策循环是一条链：大模型理解用户的复杂目标，把目标拆解成多个子任务，为每个子任务选择合适的工具（搜索、计算器、代码执行器、API等）并调用它们，观察工具返回结果，决定下一步行动，直到目标完成。

考试出题通常是“Agent和普通对话机器人的区别”。答案要落在能力差异上：对话机器人只生成语言，Agent会规划、会调用工具、会基于工具结果调整计划。比如用户说“帮我订一张周五去上海的高铁票，选靠窗的”，普通模型只会回复一段如何订票的教程，而Agent会调起票务接口、查余票、做筛选、执行下单。这种“能做”和“会说”的差距，是Agent价值所在。

目前主流Agent框架的结构可以概括为“大模型+规划+记忆+工具”。这几个模块的含义要理解：大模型作为决策核心，规划模块负责拆解复杂任务，记忆模块存储执行过程中的中间状态，工具模块提供与外部世界交互的能力。

3.5 常用工具与开发框架：调用接口、微调平台

应用考点中还有一类是“常用工具认知”。不需要你亲手部署过全部框架，但至少要能说出主流的工具有哪些、各自解决什么问题。

API调用类是最常见的入门方式。目前主流大模型厂商都提供在线接口，你只需要用代码发送请求就能获得模型能力。这类工具的考点是：API调用包括哪些参数（模型名、提示词、温度、最大Token数等），以及“温度”这个参数的含义——它控制生成结果的随机性，温度越低输出越确定，越高越有创造力。

开源部署类是学习源码和私有化部署的方式。开源模型可以直接下载权重部署在本地或自己机房，适合对数据隐私要求高的企业。但部署一个十亿参数以上的模型需要较高的显存配置，这点考试也可能涉及。

开发框架类是指LangChain这样的工具，它把调用模型、写提示词、连数据库、接外部API这些常用操作封装成标准组件，让开发者可以用乐高积木的方式搭建应用。考点是它能做什么，而不是具体API怎么用。

微调平台类提供数据和训练配置界面，你上传自己的数据集，平台负责训练和部署。这类工具让不会写训练代码的人也能做模型定制，是工程实践的重要趋势。

我建议零基础的人优先从API调用开始，写出第一个调用大模型的程序，再逐步接触框架和微调。因为API调用只需要掌握最基础的代码发送与接收，门槛最低，成就感来得最快。

4. 零基础备考锦囊：高频考点与避坑指南

4.1 高频考点速查表

我在前文分散讲过考点，这里整合成一张速查表，方便临考前最后过一遍。

答题时有一条通用技巧：先下定义，再讲原理，最后举例。就算题目只问“什么是Transformer”，也要把架构两个部分、一个核心机制、一个关键优势写全，比只写一句话得分率高得多。

4.2 零基础入门路径：四个阶段循序渐进

我辅导过的零基础学员里，进步最快的那批都遵循了一条相似的路径。我把这条路径拆成四个阶段，你可以直接照着走。

阶段一是建立认知，耗时一到两周。目标是搞清楚大模型是什么、能做什么、不能做什么。方法是看科普性质的文章和视频，动手玩各种大模型产品，比如让模型写文章、改代码、总结文档。这个阶段不追求理解原理，只追求建立直觉。

阶段二是理论学习，耗时三到四周。目标是把前文讲的核心概念全部过一遍，重点是Transformer、预训练机制、训练阶段。方法是按考点做笔记，每学一个概念尝试用自己的话说一遍，说不清楚的地方回去再读，直到能流畅输出为止。

阶段三是动手实践，耗时两到三周。目标是调用至少一个大模型的API，做一个完整的应用Demo，比如一个简历分析工具或一个小型知识库问答系统。遇到Bug不要怕，这是最好的学习机会。实践过程中你才能真正理解提示词和参数对输出质量的影响。

阶段四是项目复盘，耗时一周。目标是复盘实践过程中遇到的坑，整理出一份错题集，里面的内容既是面试谈资，也是考试论述题的素材。

这条路径的总周期大约八周，每天投入两小时的话，足以让一个零基础的人达到“能讲清楚原理、能动手做应用”的水平。如果时间更紧张，阶段三可以简化成只做API调用和提示词调优，但千万别跳过去。我见过太多人只背书不实践，考试论述题写得出来，一问“你有没有实际调用过模型”就卡壳，这在面试环节尤其致命。

4.3 本文概念自测：动手检验学习效果

学习不能只靠看，还需要主动回忆。下面这份自测清单覆盖了前文的全部核心考点，每个问题你都应该在不翻笔记的情况下说出一段完整的口头答案。说不出，就回去重读对应章节。

1. 请说明大模型与传统深度学习模型的本质区别。
2. 为什么Transformer能够替代RNN成为主流架构？请从三个角度回答。
3. 什么是自注意力机制？“自”体现在哪里？
4. 大模型训练包括哪三个阶段？每个阶段的输入数据是什么形态？
5. “涌现能力”和“幻觉”分别指什么现象？各举一个例子。
6. 上下文学习和微调的区别是什么？
7. 请构造一个提示词，让模型扮演某行业专家回答某问题，并解释你每个部分的用意。
8. RAG由哪些模块组成？它为什么能降低幻觉？
9. Agent的四个核心组成部分是什么？请描述一个Agent完成任务的完整流程。

建议你用手机录音回答，然后回听，看自己的表达是否流畅。这个过程能暴露你到底是真懂了，还是只是“看着眼熟”。

4.4 常见理解误区与避坑提醒

零基础学习大模型的路上有四个典型的误区,我要单独点名，因为我在实际接触学员时见到太多次了。

误区一是死磕数学公式。很多零基础的人一上来就被注意力机制的公式吓退，觉得不推一遍公式就学不会。事实上，对大多数学习者而言，理解“注意力权重是词与词之间的相关度”这个直觉远比会推导公式重要。矩阵乘法是工程实现层面的细节，不是概念理解层面的门槛。只有当你准备深入研究模型内部机制时，数学才变得不可或缺。

误区二是只看不动手。看十篇大模型的科普文章，不如亲自调一次API。你不亲手生成一次文本，就不会直观地感受到温度参数对多样性的影响，也不会理解为什么同样的提示词每次答案都略有不同。大模型是实验科学，动手之后的认知，和干看不做完全不在一个层级。

误区三是把大模型神化或妖魔化。它既不是无所不能，也不是一无是处。它有时聪明得惊人，有时又犯低级错误，本质上它是一个基于概率的文本生成系统。带着这种平常心去学习，反而更容易理解它的能力边界。

误区四是忽略安全与合规。大模型生成的内容可能包含错误信息、偏见甚至有害内容，部署时要做好内容审核和输出过滤。作为使用者，也要遵守数据隐私和版权相关的法律法规，不能拿大模型直接处理未经脱敏的敏感数据。这个意识在考试中也值得作为加分点写进论述题。

4.5 考前两周复习计划参考

我最后给一份时间节奏，适合临考前突击的人参考。前两周的每一天都不要浪费。

第一周重点突破概念原理。前三天集中背大模型定义、Transformer架构、训练三阶段、注意力机制的要点；第四天开始梳理应用类考点，包括提示工程、RAG、Agent、多模态；第五天把高频概念做成记忆卡片，随时抽背；周末找两三套模拟题，掐时间做一遍，重点看论述题的答题结构和得分点。

第二周进入实战与查漏。前两天动手调API，实际体验提示词和参数的影响，让理论变得感性；第三天做一次知识库问答Demo，亲手跑通RAG流程；第四天复盘做过的题和Demo，把错漏的知识点重新过一遍；第五天默写高频概念的定义和答题框架，把每条要点都过成肌肉记忆；最后两天做全真模拟，重点练习答题速度，训练“先定义再原理后举例”的应答节奏。

这个计划的核心逻辑是“先理解，后应用，再巩固”。零基础的人最大的优势是没被旧范式限制，最大的风险是被庞杂的信息淹没。有了这个节奏，你就知道每段时间该干什么，不会在概念的迷宫里打转。

我个人在带零基础学员时最大的体悟是：大模型这门课，听懂不难，但“觉得自己懂了”和“能流畅说清楚”之间有一条不小的鸿沟。检验自己是否真懂了的方法只有一个——合上资料，用自己的话从头到尾讲一遍。试试看，你会发现卡住你的地方正是你需要补课的地方。这个方法，比任何题海战术都有效。