【目录】
大语言模型（Large Language Model, LLM）听起来高深莫测，但如果剥去其复杂的外壳，它的核心逻辑其实非常朴素。本文将从七个维度，带你一步步揭开它的神秘面纱。注意本文以“大语言模型（LLM）”为例分析大模型工作原理，这类模型的输入输出皆为文本格式，对于其他支持多种格式（图片视频等）作为输入输出的“多模态大模型（MLLM）”的工作原理与之类似。
如果要用一句话概括大语言模型的本质，那就是：它是一个超级强大的“文字接龙”游戏玩家。文字接龙是一种简单又有趣的游戏，你写一个字、一个词或者一句话，下一步接着续写下去，尽量让语句合理连贯。举个例子：
(1) 玩家 A: “今天天气真好，”
(2) 玩家 B: “好想去公园散步，”
(3) 玩家 C: “步伐轻快，心情愉悦。”
每个人都是根据前面内容进行接龙，完成文字接龙游戏须具备两个前提：
(1) 玩家掌握基本的文法知识，比如熟悉中文语法、英文语法等，不至于在接龙过程中出现病句。
(2) 玩家掌握基本常识，熟悉世界知识，比如知道“天气好意味着适合外出散步”，否则各个玩家完全不同频，游戏无法进行。
大语言模型其实就是在做类似的“文字接龙”游戏，只不过规模大了无数倍（不限接龙主题、不限接龙语言、不限接龙领域，给什么接什么）：
输入：你给大模型一段文字（Prompt/提示词）。
任务：它预测下一个最可能出现的字、词或符号是什么。
输出：把预测的字、词或符号加到原文后面作为输入，继续预测再下一个，直到出现结束符号。
如此循环往复，一个字一个字地蹦出来，最终形成了一篇通顺的文章、一段代码或一个故事。它并不真正“理解”输出文字的含义，它只是精通统计规律，知道在当前语境下（即Context），哪些字、词、符号组合在一起最“像”人类说的话。
既然大模型是在做接龙，那它是如何具体操作的呢？这里有几个关键概念：Token（词元） 和 概率分布等。
大模型并不是以“汉字”或“单词”作为最小单位来做文字接龙的，而是以另外一种叫做Token的结构。Token与汉字、单词、符号等并没有严格意义上的一对一关系。在英文中，一个Token 可能是一个完整的单词（如"apple"），也可能是词根（如"unchanged"中的前缀"un"），甚至是部分字母。在中文里，一个Token通常对应一个汉字（如“你”），也可能是常见的多字词（如“助手”、“是多少”），甚至一个汉字占2个Token。对于符号而言，可以与后面单词一起组成一个Token（如Python代码中常见的"__init"可以是一个独立的Token），也可以多个符号一起组成一个Token（如Python代码中的注释"####"可以是一个单独的Token）。还有一些特殊标记也被当做独立的Token（如句子开始，句子结束）。总之，在大模型领域中，Token是一种全新的结构，与我们常见的字、词、符号没有对应关系。
为什么要这么分？ 因为这样能更高效地压缩信息，任何种类的语言文本可以被灵活组合拆分，让模型处理更长、更复杂的序列。你可以把Token理解为大模型眼中的“最小语义积木”，不同大模型的Token划分规则并不相同，比如LLama3中一共包含128000种Token，代表它每次预测输出可以有128000种可能。对于ChatGPT大模型，OpenAI提供一个在线工具可以查看它是如何划分Token的（https://platform.openai.com/tokenizer），任意输入一段文本，工具可以输出对应Token数量以及用颜色区分每个Token：
上面这段文本在GPT-5.X中被划分成88个Tokens进行处理，每个Token已用颜色区分。
不同大模型的Token划分规则并不相同，所以每种大模型支持输出的Token种类总数也不相同。LLama3能够输出128000种Token，Qwen2.5能够输出256000种Token，我们把模型能够输出的Token种类集合叫做词表（Vocabulary）。
如果对词表中的每个Token进行顺序编号，从零开始，LLama3的词表Token IDs取值范围为0~127999。在GPT-5.X中，刚才那段文本被划分成了88个Tokens进行处理，那么对应的Token IDs为（点击界面左下角Token IDs按钮）：
我们可以看到，在GPT-5.X中，这段文本开头的‘Video’作为一个独立的Token，它在词表中的ID为11046，即排在11047位（ID从零开始）。文本结尾‘).’被当做一个独立的Token，它在词表中的ID为741，排在742位。下面是词表示意图，蓝底为Token IDs，白底为对应Tokens：
词表除了反映大模型能够输出哪些Token之外，还能辅助大模型对输入进行预处理。比如我们要给模型输入“水的沸点是多少？”时，由于大模型本身无法直接处理这些Unicode字符，所以需要我们先将这些文本拆分成Tokens，然后参考词表将它们映射成Token IDs，最后再送入大模型，示意图如下（注意是示意图，实际大模型可能并非输出类似答案）：
总之，词表对于大模型的输入和输出环节都至关重要。输入环节要参考词表，输出环节也要参考词表。那么大模型的输出格式是什么呢？每次是直接输出Token ID，然后我们再做一次后处理：根据词表将Token ID映射成具体的Token吗？答案是否定的。要了解大模型的输出格式，我们需要先理解概率分布这个概念。
假如要设计一种算法或者系统，根据各种条件阈值，负责从有限集合范围内选择一个最符合预期的目标，你会如何设计这种系统的输出？在深度学习领域中，这种任务一般被称为“分类”任务，有限集合的大小即称作“分类数”。对于分类任务，深度学习算法一般输出一个概率分布（一组概率值，通常用一个数组表示），数组的大小即为分类数，这些概率之和为一，概率值越大、代表该分类命中的可能性越高。
如上图所示，分类1（深蓝色部分）的概率值最大（0.59），因此根据概率分布的结果来看，分类1命中可能性最高，因此针对这个四分类任务，算法本次预测的结果是：分类1。
对CV计算机视觉熟悉的童鞋可能已经看出来了，CV中的图像分类是一种典型的“分类”任务，在基于深度学习的CV领域中，大部分用于图像分类的神经网络算法最终输出都是一个概率分布，即经过Softmax函数处理过后的概率向量，向量各维度概率之和为一（图片分类网络可以参考：http://www.videopipe.cool/index.php/2024/11/15/1-6/）。如果该分类算法用于ImageNet任务，那么它的分类数为1000，输出概率向量维度也为1000。下面是一个三分类的图像分类任务（猫/狗/鸡）：
再回头来看大模型做文字接龙的这个任务，它本质上是一个Token分类任务。特别之处在于：
(1) 目标分类数非常之大，Llama3的词表大小为128000，所以分类数为128000。因此大模型每次都要输出一个超级大的概率向量，向量维度大小为128000。
(2) 用于Token分类的神经网络结构比较特殊，目前主流大模型均采用Transformer结构或其变种。同时由于目标分类数很大（意味着是一个复杂任务），神经网络包含超级大规模的参数量，通常需要用B（十亿）为单位来衡量，而传统小模型一般用M（百万）作为参数单位。
上图显示将“水的沸点是多少？”输入到Llama3模型中，模型单次推理输出第一个Token的结果示意图。它会输出一个超级大的概率向量，向量维度大小为Llama3词表大小，即128000，代表模型接龙输出Token的概率分布。那么，最终我们如何获取最终输出的Token呢？是直接取概率值最大的Token ID再映射回Token吗？直观上判断确实可以这样去做，但是为了提升大模型输出内容的多样性和灵活性（对于同一个输入，大模型每次推理输出不尽相同），实际并不是直接选取概率值最大的Token ID映射回Token，而是根据事先配置，选取概率值从大到小前Top K个Token IDs再根据一定规则“摇骰子”从中选取最终要输出的Token。正是因为这个机制，我们在使用豆包、ChatGPT等语言大模型的时候，对于同一个问题，每次回答都不一样。我们如果规定K为1，那么对于同一个输入，大模型每次的回答都相同（摇骰子失效）。
注意，由于大模型经过了大量数据进行Pre-Train预训练，因此我们选取的前Top K个Token IDs从统计经验规律来看，都可以当做正确Token被大模型输出，最终的输出内容看上去也都是合理连贯的。其实这很好理解，任何文字接龙本身并没有唯一答案，“摇骰子”这个动作正好实现了这个效果。
大模型每次推理输出一个Token，将每次输出的Token接在原来输入的尾部，再继续作为模型的输入，可以源源不断地得到连续的Tokens，直到模型输出【结束】标记。最后我们将所有的Tokens拼接在一起，作为模型的最终输出，可以是一句话、一首诗、甚至是一篇文章。
当你向大模型输入一段文本时（支持各种语言），会执行以下步骤：
词元化：根据模型预设词表，将文本拆分成单独的Tokens，然后再转换成Token IDs序列，这一步一般由Tokenizer完成，它是一种工具跟大模型本身无关。
向量化：所有的Token IDs被映射成对应的特征向量（Token Embedding）。这些特征向量捕捉了词语之间的语义关系（比如“国王”和“王后”在向量空间里的距离，与“男人”和“女人”的距离非常相似），Token Embedding由模型训练时期决定，属于大模型参数权重的一部分。关于特征向量的作用可以参考这里：http://www.videopipe.cool/index.php/2024/11/04/2/。
注意力机制（Attention）：这是大模型的“大脑核心”。针对每个Token，它会回头看前面所有的Tokens，计算当前要预测的Token与之前所有Tokens的相关性（下图中每个白色方块代表一个计算单元，每个计算单元的输入由它前面的Tokens共同决定）。例子：在句子“苹果很好吃，因为它很____”中，模型会注意到“苹果”和“好吃”，从而推断空白处填“甜”或“脆”的概率高于填“粉色”或“圆”，更要高于“蓝色”或“可爱”。
计算概率：模型会在其庞大的词表（可能有几十万个Tokens）中，为每个可能的下一个 Token 计算一个概率分数，得到概率分布。
采样选择：最后不会永远只选概率最高的那个Token（那样说话会很死板），而是根据概率分布进行“采样”（前面说的摇骰子）。有时候它会选概率第二、第三高的词（甚至其他，主要取决于你的配置），这让生成的文本更具多样性和创造性。
循环运行：将模型单次预测输出的Token接在原来输入的结尾，当做新的输入，给到大模型后，继续开始下一次Token接龙。直到大模型输出【结束】标记。需要注意的是，大模型每次接龙只能输出一个Token，对于需要输出大段文本的场合，大模型需要完成成千上万次接龙。显而易见，这里会出现一个性能问题，单次接龙已经很消耗算力了，成千上万次、而且输入Token数量越来越多，大模型如何应对这个问题？答案是利用键值缓存机制（KV Cache），因为每次接龙都是在上次的输入结尾增加一个新Token，其余的不变，所以大模型会缓存上一次接龙的部分计算结果，下一次接龙的时候直接使用缓存，避免每次重复计算，关于KV Cache概念本文不做太多讲述。
需要注意的是，上面举的例子都是给大模型输入一个完整问题（以问号结尾），让大模型输出问题答案。这主要是为了让大家直观理解接龙过程。实际上，大模型做文字接龙并不要求输入是一个完整的问题，输入任何内容都可以。比如给模型输入“今天天”，模型可以接“今天天气真好”，或者“今天天空有很多雾霾！”等等，至于接什么，要看具体的上下文（Prompt/Context），换句话说，大模型可以基于任何输入去续写后面的内容。
平时手机等移动设备使用5G上网，需要向网络服务提供商（电信/联通/移动）购买流量，流量单位一般使用MB和GB等，比如5元/GB。GB这种单位最开始是用来衡量计算机系统中文件（或数据）占用磁盘（或内存）空间大小，之后也用来表示网络数据传输多少。
与网络服务提供商类似，现在一些大模型公司（OpenAI/谷歌/阿里等）提供大模型基座服务，扮演大模型服务提供商的角色，为个人/公司/政府组织提供大模型能力，人们向模型提供商付费，使用事先定义好的接口协议获取大模型能力（给模型提供输入、获取模型的输出），从而为自己的软件系统、工作或生活赋能。大模型服务提供商一般以Token消耗数量来计费，比如10元/100万Tokens，当然也有包月套餐，这个跟5G流量包月类似。
大模型的开发、训练、部署推理等基建门槛要求过高（技术/数据/算力），一般公司无法胜任，这也是为什么会出现类似的垄断性质的大模型服务提供商。需要注意的是，Token消耗量的统计并不完全透明，不同模型的词表规则并不相同，对于同一个输入和输出，A模型可能计算消耗100 Tokens，而B模型计算消耗120 Tokens。并且，Token消耗量完全由模型提供商给出，一般人很难通过自己的历史输入输出调用记录，去核实他们统计的准确性，因为对于那些频繁使用模型的人来讲，数据量太大导致这项工作实在太复杂。
大模型并非生来就聪明，它是通过“海量阅读”和“严格家教”训练出来的。训练过程通常分为三个主要阶段：
第一阶段：预训练（Pre-Training）—— 博览群书
(1) 目标：学习语言的基本语法规律、世界知识和逻辑结构，比如知道：“形容词后面接名词”、“一般用蓝色形容天空”、“1+1=后面接2比较合适”（注意不是计算）等等这些。
(2) 数据：互联网上的公开文本（网页、书籍、代码、论文等），数据量高达万亿级 Token。
(3) 方式：无监督学习。不需要人工标注答案。模型阅读前文，不断猜测下一个出现的词是什么，猜错则调整参数，猜对则强化记忆。这就像通过做无数道填空题，内化了语言和知识。这个原理跟深度学习领域中训练其他模型类似。
(4) 结果：得到一个“基座模型”（Base Model）。它“懂”很多知识，能续写（接龙）文字，但还不太会听话，可能会胡言乱语或无法遵循指令。
第二阶段：有监督微调（SFT, Supervised Fine-Tuning）—— 学习规矩
(1) 目标：让模型学会如何回答用户的问题，遵循指令。
(2) 数据：由高质量的人类专家编写的“问答对”数据集（例如：如何煮鸡蛋？给出回答详细的步骤）。与预训练相比，SFT需要的数据量要小得多，在万/十万数量级即可，核心要求是数据集的高质量。
(3) 方式：告诉模型，“当用户这样问时，你应该这样答”。
(4) 结果：模型变成了一个“助手”（Instruct/Chat Model），能够完成对话、总结、翻译等任务。
第三阶段：人类反馈强化学习（RLHF）—— 对齐价值观
(1) 目标：让模型的回答更符合人类的偏好（有用、诚实、无害）。
(2) 方式：模型生成多个回答。人类评估员对这些回答进行排名（哪个更好，哪个有偏见，哪个不安全）。训练一个“奖励模型”来模仿人类的评判标准。利用强化学习算法，根据奖励模型的反馈进一步优化大模型。
(3) 结果：模型变得更安全、更有礼貌，且更符合人类的道德和法律规范。
阶段一称为预训练Pre-Train，阶段二和三（或者还有其他手段）一般统称为后训练Post-Train。研究普遍认为，模型的知识储备和“智力”上限主要由预训练阶段的数据规模和质量决定。SFT和RLHF阶段主要作用是“解锁”这些能力，并将其引导至符合人类需求的行为模式上。可以说，预训练决定了模型“有多聪明”，而后训练决定了模型“有多好用”，在预训练阶段没有接触过的资料知识（比如某个特定领域），一般很难通过后训练让模型掌握。
很多人以为大模型像人一样“思考”，其实它的本质是统计预测，不是像人类有意识的思考：
(1) 模型做的是概率计算：基于已有文本（输入Context），计算后面每个Token出现的概率，选择最可能的输出。
(2) 表现像推理：当模型回答问题或写文章时，它会参考大量训练经验（由模型参数权重决定），生成符合逻辑的文本，看起来像“推理”。
(3) 局限性：模型不会真正理解世界，也不会有自我意识，它的“推理”仅仅是模式匹配和概率计算的结果。
可以把它想象成一个非常聪明的模仿者：它能模拟合理逻辑，但不是真的在思考。大模型本质上一直在做文字接龙（续写），而且只能根据统计规律去完成这个游戏，比如当它遇到“1+1=”的时候，会根据统计规律输出“2”，并不像人类那样在脑子里面通过四则运算、或者推演得出结果。这也是为什么大模型不擅长处理需要精准计算的任务，比如分析一张复杂的Excel数据报表、以及完成高维的数独游戏，因为这些任务每一步都涉及到精确计算，大模型一步接龙出错，后面会步步错。反观其他任务，比如让大模型写诗，“僧__月下门”中间填“推”和“敲”都可以，无伤大雅，如果没有其他上下文作为限制时，甚至还可以填“关”。
需要注意的是，本文提到的“思考推理”是指类似人类高级动物具备的能力，大模型当然可以“表现”出思考推理过程，比如当你选择Thinking模式，在正式输出结果之前，它会先输出一大段所谓的CoT（Chain Of Thought），像是模型的内心戏，但这仍然是基于概率统计在做文字接龙，内心戏会进一步丰富输入Context，有利于后面正式输出时的文字接龙，从而提升输出结果的合理性，这与人类思考过程完全不是一个东西。
根据前面介绍的大模型工作原理，其实很好归纳它的优劣势，从而判断它擅长和不擅长的任务：
擅长的任务：
(1) 写文章、编故事、写邮件、写代码
(2) 总结文章、提取信息
(3) 语言翻译、句子改写润色
(4) 对话聊天、生成连贯回复
(5) 做方案、制定计划
不擅长的任务：
(1) 真正的因果推理和科学推导
(2) 精确计算或逻辑推理验证
(3) 需要基于训练数据之外的信息（外部数据/实时信息/模型训练时没接触到的知识）
注意上面不擅长的任务不代表模型完全不能做，而是受限于模型工作机制原理，大模型很难做好这些任务。其中第三条，大模型无法知道在它训练数据之外的信息，比如一个模型在2025年10月份训练完成（模型权重参数已确定，用于统计规律的经验已经固化），它掌握的信息最晚到2025年10月份。因此你问它关于2025年10月份之后发生的新闻事件，它可能也会给你一个回答，但是大概率是错的。或者问它跟天气、股票相关的实时信息，大模型本身也无法准确回答这类问题，这时候就需要借助外部工具，比如Browser Use、Computer Use之类的工具，通过这类工具收集实时天气、股票信息作为输入上下文（Context）一起给到模型，提升后续大模型文字接龙的正确性。前几年很流行的RAG（检索增强生成）技术就是为了更好的弥补大模型这种先天性不足的缺陷。
总之，大模型想要做好一件事，必须有两个前提：
(1) 不能超出文字接龙这个规则，比如需要精准计算的就不太行，它不是光靠基于统计规律的文字接龙就能搞得定的
(2) 不能超出模型训练时所掌握的信息范围，否则就要想办法提供丰富的输入上下文一起给到模型
关于如何让大模型发挥更大功能和作用，弥补其先天性缺陷，参见本文后面介绍智能体的相关内容。
在大模型（如 ChatGPT3.5）流行之后一段时间，AI 应用逐渐从简单的“对话问答”模式，演进到更加复杂的“任务执行”模式。在 2022 年底到 2023 年期间，大模型主要以聊天界面的形式出现，用户通过“一问一答”的方式与模型交互。为了提升输出的准确性与稳定性（更好地完成接龙），人们开始研究如何设计更有效的输入，这也催生了所谓的“Prompt 提示词工程”。然而，随着应用的深入，人们逐渐发现：尽管大模型在语言理解和生成方面表现出色，但它本质上仍然只是一个“推理与生成引擎”。它可以给出建议、提供思路，却缺乏与外部环境交互和实际执行任务的能力，对于自己不擅长的任务无能为力（参见本文前面介绍）。它无法主动访问互联网获取最新信息，也无法直接调用工具处理数据或完成具体操作。
在这样的背景下，“AI智能体（AI Agent）”这一范式开始受到广泛关注。可以将其理解为一种以大模型为核心的应用系统：其中，大模型相当于“决策中枢”，负责理解任务、制定计划和做出判断；而智能体系统则负责调用工具、访问数据、执行操作，并将结果反馈作为输入给大模型，形成一个“感知—决策—执行—反馈”的闭环。
例如，在一个典型的智能体系统中，大模型可以判断是否需要联网搜索信息，是否需要调用代码执行环境分析数据，或者是否需要读取本地文件。智能体将每一步执行的结果都会再次输入给模型，用于决定下一步行动，从而逐步完成复杂任务。
此外，作为工程化系统，AI智能体通常还具备“记忆（Memory）”和“状态管理（State Management）”能力，可以在多轮任务中保留上下文信息。这种机制在很大程度上将原本依赖人工设计的 Prompt 工程进行了系统化封装，使开发者可以更专注于任务本身。
总体来看，AI智能体并不是取代大模型，而是在其基础上进行能力扩展，使其从一个“对话工具”演变为一个能够理解目标、规划步骤并执行任务的智能助手。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。