第2章大模型基础

第2章：大模型基础：主流大模型介绍与API调用

说实话，刚接触大模型那会儿，我也挺懵的。

市面上这么多模型——GPT、Claude、文心一言……到底该用哪个？它们之间有什么区别？API怎么调？

这一章，我就带你把这些事捋清楚。

2.1 主流大模型一览

先说说我个人的使用习惯。我平时做项目，会根据任务类型选模型。不是哪个最火就用哪个，而是哪个最合适。

2.1.1 GPT系列（OpenAI）

GPT-4 是目前最成熟的通用模型。我在项目中遇到过不少场景，比如写代码、做翻译、生成文案，GPT-4 的表现都很稳。

优势：生态成熟，插件多，文档全
劣势：价格偏高，中文理解有时不如国产模型
适用场景：代码生成、英文内容、复杂推理

小技巧：如果你预算有限，可以先用 GPT-3.5-turbo 做原型验证，再切换到 GPT-4 做正式输出。

2.1.2 Claude系列（Anthropic）

Claude 3 是我最近比较喜欢的模型。它有个特点——特别擅长长文本处理。我记得有一次要分析一份 50 页的 PDF，Claude 几乎没丢信息。

优势：上下文窗口大（200K tokens），安全性高
劣势：代码能力略逊于 GPT-4
适用场景：文档分析、长文本总结、对话

注意：Claude 的 API 目前部分地区访问受限，建议提前确认网络环境。

2.1.3 文心一言（百度）

国产模型里，文心一言的中文能力确实不错。我曾经用它做中文文案生成，效果比 GPT-4 还自然。

优势：中文理解强，符合国内合规要求
劣势：英文能力一般，生态不如 OpenAI
适用场景：中文内容创作、客服系统、国内项目

2.1.4 其他值得关注的模型

模型	特点	推荐场景
通义千问（阿里）	中文好，免费额度多	入门学习、轻量任务
Gemini（Google）	多模态能力强	图片理解、视频分析
DeepSeek	开源，可本地部署	隐私敏感项目

2.2 模型能力边界

你想想看，大模型再厉害，也不是万能的。我见过不少新手，上来就问模型「帮我算一下 2025 年房价走势」——这明显超出了模型的能力范围。

2.2.1 大模型能做什么

文本生成：写文章、写代码、写邮件
理解与总结：分析文档、提取关键信息
翻译：多语言互译
对话：客服、聊天、辅导
代码辅助：Debug、代码解释、重构建议

2.2.2 大模型不能做什么

嗯，这里要注意——模型没有真正的「理解」能力。它只是根据概率生成最可能的回答。

不能做数学计算：3位数乘法都可能出错
不能保证事实准确：会「一本正经地胡说八道」
不能处理实时信息：除非你给它提供上下文
不能做逻辑推理：复杂的因果链条容易断

  核心原则：把大模型当成一个「聪明的实习生」，而不是「全能的专家」。它需要你引导、检查、纠正。

2.3 API调用基础

好了，理论说完了，咱们来点实际的。API 调用是提示词工程师的必备技能。说白了，就是通过代码让模型干活。

2.3.1 准备工作

注册账号（OpenAI / 百度 / Anthropic 等）
获取 API Key
安装 SDK 或直接用 HTTP 请求

避坑指南：我曾经把 API Key 直接写死在代码里，结果不小心上传到了 GitHub……嗯，那天的教训很深刻。建议用环境变量管理 Key。

2.3.2 代码示例：调用 GPT-4 API

下面是一个最简单的调用示例。我用 Python 写，因为这是最常用的方式。

import openai

# 设置 API Key（建议从环境变量读取）
openai.api_key = "你的API_KEY"

# 调用模型
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一个专业的提示词工程师"},
        {"role": "user", "content": "请解释什么是提示词工程"}
    ]
)

# 输出结果
print(response.choices[0].message.content)

2.3.3 调用文心一言 API

国产模型的调用方式略有不同。以文心一言为例：

import requests

# 获取 access_token（需要先申请）
url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions"

payload = {
    "messages": [
        {"role": "user", "content": "你好，请介绍一下你自己"}
    ]
}

headers = {
    'Content-Type': 'application/json'
}

response = requests.post(url, json=payload, headers=headers)
print(response.json())

2.3.4 常见参数说明

参数	作用	建议值
temperature	控制随机性（0-2）	创意任务用 0.8，精确任务用 0.2
max_tokens	限制输出长度	根据任务调整，一般 500-2000
top_p	核采样，控制多样性	0.9 左右比较稳妥
frequency_penalty	减少重复内容	0.5 左右

注意：temperature 和 top_p 不要同时调太高，否则输出会变得很「飘」。我一般固定 top_p=0.9，只调 temperature。

2.4 选模型的核心思路

最后，分享一个我自己的决策框架。每次选模型，我会问自己三个问题：

任务类型是什么？——写代码？写中文？分析长文档？
预算多少？——免费额度够用吗？还是愿意付费？
合规要求？——数据能不能出境？要不要本地部署？

举个例子。我之前做一个中文客服系统，选了文心一言。原因很简单：中文好、合规、价格低。如果换成 GPT-4，成本翻三倍，还不一定符合数据安全要求。

所以，别盲目追新。适合你的，才是最好的。

  本章小结：

  • GPT-4 适合通用任务和代码

  • Claude 适合长文本分析

  • 文心一言适合中文场景

  • API 调用不难，注意 Key 安全

  • 选模型先看任务、预算、合规

下一章，我们会深入聊提示词的核心技巧。到时候，我会分享一些「压箱底」的实战经验。

📚 课程目录