龚超，工学博士，深圳清华大学研究院下一代互联网研发中心核心成员。中国高科技产业化研究会理事、中国自动化学会普及工作委员会委员、中国人工智能学会中小学工作委员会副主任委员、中国青少年宫协会特聘专家、中法人工智能协会（巴黎）特别顾问、海口经济学院雅和设计工程学院客座教授、未来基因（北京）人工智能研究院首席专家、教育部教育信息化教学应用实践共同体项目特聘专家，多家500强企业数字化转型领域高级顾问。研究方向为人工智能优化算法、人工智能在数字化转型中的应用等。著有18本人工智能相关图书，在国内外期刊上发表文章共计70余篇。

夏小俊，博士，东南大学生物科学与医学工程学院教师。中国计算机学会会员、中国人工智能学会青少年工作委员会讲座专家、教育部国培计划讲座专家、教育部课程中心创新实验室指导专家、全国大学生计算机大赛人工智能组专家评委等。主要研究方向是计算思维与人工智能教育、学习科学（神经教育学）、科学与STEAM教育等领域，著有《中小学人工智能教育实验课程》等教材。

张鹏宇，未来基因（北京）人工智能研究院中级研究员。担任由中国人工智能学会、中国自动化学会、中国科学院大学人工智能学院、中国人民大学高瓴人工智能学院联合主办的AI探学营机器学习方向、智能体方向实践导师，中国自动化学会青少年人工智能核心素养测评特聘专家，北京科学中心人工智能高级研修营指导教师。《情感分析：人工智能如何洞察心理》《生成式AI绘画：Stable Diffusion从基础到实战》图书作者。

蒋戍荣，工学博士，IT咨询顾问，信息系统开发专家。现专注于日本人工智能领域的数字化教育、学术研究及相关市场开发，致力于推动人工智能技术在企业中的应用。拥有丰富的大型企业信息系统开发与项目管理经验，曾参与多个财务会计、银行证券等系统的开发与实施，帮助企业实现数字化转型与业务优化。多次在国际会议及生产管理学会上发表学术论文。

1.本书不依赖任何一个大模型平台，适用于市面上所有大模型（DeepSeek）；
2.本书讲方法讲思路，从根本上教会你如何使用大模型平台提升学习和工作效率；
3.本书内容非常广泛，包括了使用大模型学习编程、数据分析、数学、机器学习、论文写作、创建AI智能体，案例丰富，可上手实操。

在当前的AI生成内容（artificial intelligence generated content，AIGC）技术浪潮中，我们正处于一个全新的、深层的技术时代。这个时代，不仅为我们的日常生活带来了便利，也在深刻地改变我们对知识、学习和创造的理解方式。对于编程、数学符号的使用、科技论文写作等各个领域而言，AIGC的出现无疑是一场革命。借助大型语言模型（large language model，LLM），我们不仅能生成文字内容，还能生成数学公式、程序代码，甚至完成复杂的学术写作任务。面对如此强大的工具，我们需要重新审视传统的学习和工作方式，开启一段全新的学习与创造的旅程。
近年来，人工智能大模型的竞争日益激烈，而DeepSeek作为中国本土崛起的一支重要力量，正在全球范围内产生深远影响。DeepSeek以其强大的推理能力、数学计算能力以及代码生成能力，在众多基准测试中展现了与OpenAI、Google等国际顶级AI公司的大模型相匹敌的性能。这不仅证明了中国在AI领域的技术实力，也表明未来全球范围内的大模型竞争格局将更加多元化。DeepSeek的崛起，不仅仅是一个单一模型的突破，更代表着中国AI生态系统的进一步成熟，标志着国产AI大模型正在向全球舞台迈进。
然而，DeepSeek只是全球AIGC竞赛中的一个典型案例。未来，不仅仅是中国，全球范围内的AI公司都会持续迭代更新，不断推出更强大的大模型。无论是OpenAI、Google、Anthropic，还是中国的DeepSeek、智谱、月之暗面等企业，都在不断探索更强大的AIGC解决方案。这种AI生态的快速演进，使得个人或企业过度依赖某一个平台变得不再现实，因为大模型技术的发展并不会停滞，而是会持续优化、突破。
因此，我们最终要回归生成式AI（generative artificial intelligence，GAI）的本质，即真正掌握生成式AI这一核心能力，而不是被动地选择某个大模型平台。生成式AI技术的价值不仅仅体现在某个AIGC模型的强弱，更在于人们如何与AI高效协作，如何掌握AIGC时代的沟通技巧、提示词工程、数据分析方法，以及AIGC的优化策略，真正的关键在于，如何让人类与AI形成更高效的协作关系，而不是简单地依赖于某个大模型的功能。这意味着，无论未来出现什么样的 AIGC平台，我们都应该具备理解AI、运用AI、优化AI结果的能力，以便更好地在这个智能化时代中发挥创造力。
最终，在AIGC发展的浪潮中，技术的更迭不可避免，但掌握与AI沟通的能力才是决定性的竞争力。未来世界可能不再只是由技术巨头主导，而是由每个能够真正驾驭AIGC技术的个体和组织共同塑造。
一、AIGC赋能写作：不仅仅是文字生成
生成式AI最大的特点之一是其在多个领域内的广泛应用能力。无论是程序代码的撰写、数学符号的生成，还是科技论文的写作，生成式AI都能够帮助我们以更高的效率、更好的精度完成任务。传统的写作工具只能辅助完成基本的文本处理，而生成式AI的强大之处在于其能够真正“理解”并生成相关领域特定的内容。例如，在编程中，生成式AI能够根据用户的需求自动生成代码段；在数学领域，它可以快速生成符合专业格式的数学符号和公式；而在科技论文写作中，它能够基于最新的研究和文献生成符合学术规范的内容。
这种多样性背后，实际上是大模型所掌握的深度学习能力的体现。通过海量数据训练，生成式AI不仅掌握了自然语言，还“学习”了各种符号体系、编程规则和科学规范。这种“深层学习”的能力，使得生成式AI不仅是写作工具，更是一个全能的学习和研究伙伴。随着技术的不断进步，生成式AI的生成能力越来越强大，使我们能够轻松处理复杂的写作任务，而不再局限于简单的文字编辑。
二、大模型时代的学习方式转变
在AIGC赋能写作的背景下，我们的学习方式也正在发生转变。在传统教育中，知识的获取和积累主要依赖于课本、教师以及个人的学习努力。AIGC的出现，为我们提供了一个新的视角，使我们能够以更高效、更智能的方式学习和吸收知识。例如，借助大模型，我们可以轻松获取到关于某一特定主题的详细资料，还能够自动生成笔记、总结，甚至是思维导图，这些工具不仅节省了大量的时间和精力，也使我们能够更系统地掌握知识。
在数学学习中，AIGC可以帮助我们理解抽象的概念。例如，生成式AI可以生成复杂的数学符号和公式，帮助学生更直观地理解和运用这些符号。同时，生成式AI还能为我们提供解释和例题，甚至通过比较不同解法来加深我们对数学的理解。在编程学习中，AIGC工具可以帮助我们自动生成代码，并解释其中的逻辑结构，让学习者更清楚地理解编程的基本原理。可以说，生成式AI为学习提供了极大的便利，帮助我们更好地理解和应用知识。
三、辩证思维在大模型时代的重要性
尽管AIGC为我们提供了强大的学习和创作工具，但我们也需要保持辩证的思维方式。AIGC虽然在生成内容上具有出色的能力，但其本质上依然是基于已有数据和算法的产物，难免会受到训练数据的限制和偏见影响。因此，使用AIGC生成内容时，我们需要具备批判性思维，以确保所获取的信息的准确性和可靠性。
此外，生成式AI在科技论文写作中也可以扮演辅助角色，但它并不能取代真正的学术研究。在科研过程中，科学家的创新性思维和严谨的推理能力仍然是关键。生成式AI可以帮助我们快速查找文献、生成初步的研究报告，但最终的学术结论仍然需要我们进行深入的分析和验证。这种辩证思维在使用生成式AI的过程中尤为重要。我们需要学会利用生成式AI来提升我们的学习和研究能力，而不是完全依赖它。
四、AIGC如何帮助提升学习效率
AIGC赋能的核心之一是其高效性。在传统的学习过程中，我们需要花费大量时间和精力去查找资料、整理笔记、总结知识点，而生成式AI能够在几秒内生成这些内容，使得学习变得更加高效。例如，学生在进行编程学习时，AIGC可以帮助他们快速生成代码范例，并提供详细的注释和解释，从而节省了大量的时间。对于数学学习，生成式AI可以自动生成公式，并提供例题和解答过程，使得学生可以更直观地理解和应用数学概念。
同时，生成式AI还可以帮助我们规划个性化学习路径。通过分析我们的学习记录和表现，AIGC可以提供个性化的学习建议，帮助我们更有针对性地提升知识水平。例如，它可以根据我们的弱点提供相关的练习题，帮助我们巩固知识。这种个性化的学习路径不仅提高了学习效率，也提升了学习的效果，使得每一个学生都能够得到符合自己需求的学习体验。
五、与AIGC同行：不断提升自我学习能力
在AIGC赋能的背景下，我们不仅要学会如何使用这些工具，还需要不断提升自己的学习能力。生成式AI的强大之处在于其能够提供即时反馈和个性化指导，但我们不应完全依赖它，而是要以生成式AI为工具，不断加强自身的学习能力。例如，在编程学习中，生成式AI可以帮助我们生成代码并进行调试，但我们仍然需要学习并掌握编程的基本原理和逻辑结构，这样才能在遇到复杂问题时独立解决。
对于学术研究而言，AIGC可以帮助我们快速生成初步的研究报告，但最终的研究结论仍然需要我们通过数据分析和实验验证来支持。AIGC只能作为辅助工具，我们要在实际研究过程中积累知识，不断提升分析问题、解决问题的能力。这种自我提升的过程将帮助我们在面对快速变化的技术环境时始终保持竞争力。
六、迎接AIGC赋能写作的新时代
总的来说，AIGC赋能写作为我们带来了前所未有的便利和可能性。从编程、数学符号到科技论文写作，生成式AI使我们能够高效、精准地完成各种写作任务。在人工智能迅猛发展的背景下，我们不仅要学会如何使用大模型，更要掌握与大模型进行高效互动的能力。人与AI之间的交互不仅是信息的传递，更是一个促进思维发展的过程。
苏格拉底教学法强调通过不断提问来促进思考，而人机互动正是这一理念的延续。当我们向 AI提问时，提问方式的精准度决定了AI反馈的质量。清晰、具体的问题可以引导AI提供更具针对性的解答，从而提高学习效率。另一方面，AI也可以反向提出问题，引导我们发现知识盲区，检验自身的理解是否透彻。AI的价值不在于提供现成答案，而在于成为思维的催化剂。人与AI之间的对话是一个动态的认知过程，通过不断地提问、回答、反思和优化，我们能够在这一过程中形成更加结构化的知识体系。在AI进一步发展的过程中，这种人机协作的学习模式将成为知识获取的重要方式，帮助我们在快速变化的时代中持续成长。
然而，面对如此强大的工具，我们也需要保持理性和批判性，不断提升自己的学习能力和辩证思维能力。在大模型赋能的时代，我们有了更多的学习机会和资源，但最终的知识和能力仍然需要我们通过不断努力来获取和巩固。AIGC赋能写作的新时代已经到来，让我们利用好这一工具，不断提升自我，迎接未来学习和创造的无限可能！

著者

1 AI交流的探索时代：从对话到协作 001
1.1 大模型引发的技术浪潮与环境重塑 002
1.1.1 从开端到未来：OpenAI发展历程的技术启示与社会影响 002
1.1.2 大模型：AI时代的新起点 004
1.1.3 学习、生活与工作的新模式 006
1.1.4 技能不再稀缺，我们应该关注什么？ 007
1.2 聊天机器人的那些事儿 010
1.2.1 聊天机器人的演化：从ELIZA到DeepSeek 010
1.2.2 揭开聊天机器人背后的理论渊源：从哲学到未来启示 015
1.2.3 未来时代，人机协作的必由之路 018
1.3 自然语言处理的发展史 020
1.3.1 什么是自然语言处理 020
1.3.2 萌芽期（1950年代至1970年代）：规则方法的探索与局限 022
1.3.3 统计方法的兴起（1970年代至2000年代初）：自然语言处理的革命性进步 023
1.3.4 深度学习时代（2000年代中期至2010年代）：自然语言处理的转折点 025
1.3.5 预训练模型的出现（2018年至今） 026

2 解构智慧之源：生成式AI背后的核心原理 028
2.1 大模型的核心算法架构 029
2.1.1 Transformer：AI革命的基石 029
2.1.2 Transformer的扩展与优化模型 031
2.1.3 多模态大模型的崛起：人工智能的新前沿 033
2.2 语言数据与表示方法 035
2.2.1 语言数据的基础表示：从独热编码到词袋模型 035
2.2.2 词向量表示的演化：从Word2Vec到GloVe 037
2.2.3 Token化与语言建模：打开自然语言理解的大门 040
2.3 学习方式与技术突破 041
2.3.1 探索学习范式的多样性：从传统到创新 041
2.3.2 基于人类反馈的强化学习 044
2.3.3 规模法则：大模型发展的驱动力 045
2.3.4 涌现：生成式AI中的关键现象 047
2.3.5 大模型驱动的社会模拟：以斯坦福小镇为例 049

3 AIGC的挑战与治理 053
3.1 生成式AI技术与挑战 054
3.1.1 大模型幻觉：挑战、原因与应对策略 054
3.1.2 大模型“三角难题”的权衡与挑战 056
3.1.3 合成数据：AIGC创作的基石与隐忧 058
3.1.4 大模型的能耗挑战与绿色发展 060
3.2 AIGC信息与安全 061
3.2.1 内容创作中的隐私与安全 061
3.2.2 AIGC的知识产权挑战：法律与技术的平衡之道 063
3.2.3 虚假信息与越狱：AIGC时代的挑战与应对 064
3.3 AIGC与社会发展 066
3.3.1 AIGC时代的职业技能革命：从文字创作到全新岗位 066
3.3.2 跨越技术门槛：AIGC赋能创作与数字鸿沟的平衡之道 068
3.3.3 大模型偏见与AIGC创作：挑战与共创未来 069
3.3.4 AI时代的素养与能力：从作文到计算思维 070
3.3.5 AIGC时代的教育：禁用还是引导 071
3.3.6 AI对齐：目标、价值观与利益的平衡之道 073
3.3.7 AIGC伦理挑战与全球治理探索 074

4 如何与AI有效沟通：提示词工程 076
4.1 与大模型高效沟通：从提问到提示工程 077
4.1.1 学会提问很重要 077
4.1.2 理解与利用大模型 078
4.1.3 提示与提示工程 080
4.2 提示词工程技巧 082
4.2.1 思路与原则 082
4.2.2 优化与提升 089
4.2.3 验证与改进 096
4.3 BRIGHT法则 105
4.3.1 背景词（background word） 105
4.3.2 角色词（role word） 106
4.3.3 指令词（instruction word） 106
4.3.4 引导词（guided word） 106
4.3.5 启发词（heuristic word） 107
4.3.6 任务词（task word） 107
4.3.7 举例说明 107

5 AIGC赋能Python程序设计 111
5.1 G-KEEP-ART方法论 112
5.2 G-KEEP-ART方法论实践 114
5.2.1 明目标，绘蓝图 114
5.2.2 分层次，列清单 115
5.2.3 细解答，举实例 119
5.2.4 行于实，践于知 132
5.2.5 活应用，妙理通 135
5.2.6 学需测，记方深 141
5.2.7 学为用，知转能 145
5.3 人工智能赋能程序设计 148
5.3.1 基于大模型的Python程序入门优势 148
5.3.2 未来展望：人工智能赋能编程教育 149

6 利用AIGC进行数据分析 150
6.1 AIGC赋能数字素养提升 151
6.1.1 数据素养：驱动创新与进步的核心力量 151
6.1.2 数据分析：提升数据素养的关键能力 152
6.1.3 为什么使用大模型进行数据分析？ 153
6.2 数据准备与初步分析 154
6.2.1 数据分析准备 154
6.2.2 数据导入与预处理 155
6.2.3 数据理解与探索性分析 160
6.3 深入分析与可视化呈现 167
6.3.1 特征工程 167
6.3.2 假设检验 171
6.3.3 时间序列分析 176
6.3.4 可视化 183

7 跟着AIGC自学数学与机器学习 187
7.1 机器学习的数学基础 188
7.1.1 为什么利用AIGC赋能数学 188
7.1.2 如何利用AIGC赋能数学：以微积分为例 189
7.2 机器学习基础 196
7.2.1 什么是机器学习 196
7.2.2 机器学习的学习方式 197
7.2.3 机器学习下的四类问题 198
7.2.4 监督学习与无监督学习流程 200
7.3 大模型赋能下的机器学习 201
7.3.1 为何要用大模型学习机器学习 201
7.3.2 询问学习算法的前置知识 202
7.3.3 一步一步“聊”懂算法原理与代码 204
7.3.4 问出算法的步骤 208
7.3.5 小学生能懂的机器学习 213

8 AIGC赋能案例 216
8.1 AIGC赋能科技论文写作 217
8.1.1 四大原则 217
8.1.2 初探：从选题到大纲撰写 219
8.1.3 深耕：从正文撰写到成果优化 226
8.2 AIGC赋能金融数据分析 235
8.2.1 金融数据的获取与分析 235
8.2.2 股票价格预测 239
8.2.3 投资组合优化分析 242
8.3 AIGC赋能创建AI智能体 257
8.3.1 与大模型的协同创作 257
8.3.2 智能体开发全流程示例 257
8.3.3 对话开发的启示 273

附录 殊途同归：大模型的演进 274