PLAYGROUND · 游乐场WECHAT-KIT · 公众号排版工作台

WECHAT-KIT

微信公众号主题化排版利器 · 纯内联样式与双黄金主题色 · 原生兼容富文本剪贴板

排版主题：

MARKDOWN 输入1261 字

# 大语言模型基础：读懂智能体的大脑

**现代智能体的核心是大语言模型（LLM）**——它如何工作，决定了智能体能做什么、擅长什么。本文聚焦三个关键问题，带你看懂这颗「大脑」。

## 一、从 N-gram 到 Transformer

语言模型的根本任务是计算词序列出现的概率。2017 年提出的 Transformer 架构彻底抛弃循环结构，只靠**自注意力机制**捕捉全局依赖，支持*并行训练*与 `temperature` 等采样控制：

- **自注意力**：让序列中的每一个 Token 都与全局上下文直接交互；
- **多头注意力**：多个关注头分别捕捉语义、语法与指代关系；
- **自回归接龙**：核心逻辑即「预测下一个最可能的词元」。

> [!tip] 主流架构为何是 Decoder-Only？
> 生成式任务天然是逐词接龙，Decoder-Only 结构与该目标零损耗对齐，训练与推理效率也最高。

## 二、模型选型对比

| 架构阵营 | 代表模型 | 核心特点 |
|---|---|---|
| 闭源前沿 | GPT-4o, Claude, Gemini | 顶尖能力，开箱即用的稳定 API |
| 开源自主 | Llama 3, Qwen 2.5, DeepSeek | 可私有化部署定制，数据完全自主 |

## 三、智能体思考与行动回路

架构与流程用 flow 语法渲染为原生步骤卡片组，移动端零横滑：

```flow
[感知识别 | Input] 接收外部环境多模态输入与用户指令
↓ (格式化为标准 Prompt)
[规划中枢 | Planner] 基于 LLM 进行任务拆解与思维链推理
↓ (调用外部 API / 知识库)
[工具执行 | Executor] 运行代码解释器或检索向量知识库
↓ (整合结果生成响应)
[反馈闭环 | Output] 将执行结果写入短期记忆并输出给用户
```

## 四、最小可用智能体

```python
# 注释：智能体主循环
class Agent:
    def __init__(self, name, retries=3):
        self.name = name          # 行内注释
        self.base_url = "https://api.example.com/v1/"

def run(self, task):
        if task is None:
            return None
        return self.name + str(task)
```

延伸阅读可参考 [Hello-Agents 教程](https://example.com/hello-agents)；正文外链不可点，自动转为上标序号并汇总到文末「参考链接」卡。

---

所谓智能体，就是为大语言模型装上**记忆、规划与工具调用**的外挂手脚。

微信公众号富文本即时预览INLINE STYLES

大语言模型基础：读懂智能体的大脑

现代智能体的核心是大语言模型（LLM）——它如何工作，决定了智能体能做什么、擅长什么。本文聚焦三个关键问题，带你看懂这颗「大脑」。

一、从 N-gram 到 Transformer

语言模型的根本任务是计算词序列出现的概率。2017 年提出的 Transformer 架构彻底抛弃循环结构，只靠自注意力机制捕捉全局依赖，支持并行训练与 temperature 等采样控制：

• 自注意力：让序列中的每一个 Token 都与全局上下文直接交互；
• 多头注意力：多个关注头分别捕捉语义、语法与指代关系；
• 自回归接龙：核心逻辑即「预测下一个最可能的词元」。

💡 主流架构为何是 Decoder-Only？

生成式任务天然是逐词接龙，Decoder-Only 结构与该目标零损耗对齐，训练与推理效率也最高。

二、模型选型对比

架构阵营	代表模型	核心特点
闭源前沿	GPT-4o, Claude, Gemini	顶尖能力，开箱即用的稳定 API
开源自主	Llama 3, Qwen 2.5, DeepSeek	可私有化部署定制，数据完全自主

三、智能体思考与行动回路

架构与流程用 flow 语法渲染为原生步骤卡片组，移动端零横滑：

●执行流程

感知识别Input

接收外部环境多模态输入与用户指令

↓ 格式化为标准 Prompt

规划中枢Planner

基于 LLM 进行任务拆解与思维链推理

↓ 调用外部 API / 知识库

工具执行Executor

运行代码解释器或检索向量知识库

↓ 整合结果生成响应

反馈闭环Output

将执行结果写入短期记忆并输出给用户

四、最小可用智能体

# 注释：智能体主循环
class Agent:
    def __init__(self, name, retries=3):
        self.name = name          # 行内注释
        self.base_url = "https://api.example.com/v1/"

    def run(self, task):
        if task is None:
            return None
        return self.name + str(task)

延伸阅读可参考 Hello-Agents 教程^[1]；正文外链不可点，自动转为上标序号并汇总到文末「参考链接」卡。

所谓智能体，就是为大语言模型装上记忆、规划与工具调用的外挂手脚。

🔗 参考链接

[1] Hello-Agents 教程：https://example.com/hello-agents