尧图网站建设 
Generative AI for Beginners 第 01 课生成式 AI 与大语言模型LLM原理全景解析【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本文基于 Generative AI for Beginners 课程的第 01 课孟加拉语译文 translations/bn/01-introduction-to-genai/README.md展开系统讲解生成式 AI 的技术演进脉络、大语言模型Tokenizer 切词 → 逐词元预测 → 概率分布采样的内部工作机制以及 prompt/completion 的核心概念与五类典型用法。读完后你将理解 LLM 为什么是非确定性的、温度temperature参数如何影响输出并能结合本仓库的shared/python工具链真正发起第一次大模型调用。生成式 AI 是什么以及这门课在讲什么生成式 AI 是指能够生成文本、图像和其他类型内容的 AI。它最大的价值在于民主化了 AI 的使用门槛任何人不需学习 Java 或 SQL只需用自然语言写一句提示prompt模型就会返回一个建议。你几秒钟内就能完成写报告、读报告、起草应用等任务应用与影响力都极为可观。这门课程共 21 课当前仓库为 Version 3将通过一个虚构的教育类创业公司后文简称我们的创业公司的视角探讨如何利用生成式 AI 在教育领域开辟新场景并如何应对应用带来的社会影响与技术局限这两类必然存在的挑战。学习导引与学习目标本课件将覆盖以下内容商业场景介绍我们的创业公司构想与使命生成式 AI 及其所处的当前技术版图是如何形成的大语言模型的内部工作机制LLM 的主要能力与实用用例。完成本课后你应当能够说清什么是生成式 AI以及LLM 是如何工作的知道如何在不同用例尤其是教育场景中利用 LLM。场景设定一个教育领域的创业公司生成式 AI 是 AI 技术的巅峰形态不断突破过去被认为不可能的边界。虽然生成式模型能力众多、应用遍地但本课程选择聚焦它如何革教育于命。我们的创业公司扎根教育领域其使命宣言是在全球范围内改善学习可及性确保教育公平并根据每位学习者的需要为每个人提供个性化的学习体验。团队清楚不借助现代最强大的工具之一——大语言模型LLM——就不可能实现这个目标。生成式 AI 有望彻底改变我们学习的方式学生将拥有 7×24 小时在线的虚拟教师随时获得海量信息与示例教师也能借助创新工具评估学生并给出反馈。我们是如何走到生成式 AI 的四阶段技术演进尽管生成式模型的公告制造了空前的hype炒作热度但这项技术已经酝酿了几十年最早的研究可追溯到 20 世纪 60 年代。今天 AI 已具备对话等人类认知能力例如 ChatGPT、基于 GPT 模型的对话式网页搜索 Copilot 等。回看历史可以清晰地划分为四个阶段1. 打字式聊天机器人知识库 关键词匹配最早的 AI 原型是打字式聊天机器人typewritten chatbots从一组专家处抽取知识库、录入计算机知识库中的答案由输入文本中出现的关键词触发。但很快人们就发现这种靠人工编写应答的方式无法良好地扩展does not scale。2. 统计方法登场机器学习20 世纪 90 年代出现关键转折——统计方法被应用到文本分析中催生了新的算法族即机器学习Machine Learning能够从数据中学习模式而无需被显式编程。这一思路让机器模拟人类语言理解统计模型在文本-标签配对上训练学会把未知输入文本分类到预先定义的标签代表消息意图下。3. 神经网络与现代虚拟助手近年硬件技术的演进能处理更大规模数据与更复杂计算推动了 AI 研究催生了神经网络 / 深度学习算法。其中循环神经网络RNN显著增强了自然语言处理能力它通过评估词在句子中的上下文使文本的语义表达更有意义。正是这一技术驱动了 21 世纪第一个十年诞生的虚拟助手它们擅长解读人类语言、识别需求并执行动作来满足需求——比如回复预定义脚本或调用第三方服务。4. 当下Transformer 与生成式 AI我们由此走到了今天的生成式 AI——它可视为深度学习的子集。AI 领域数十年的研究之后一种名为Transformer的新模型架构突破了 RNN 的限制能够接收长得多的文本序列作为输入。Transformer 基于注意力机制attention mechanism让模型给它收到的不同输入赋予不同权重更加关注信息最集中的地方——无论其在文本序列中的先后顺序如何。近期大多数生成式 AI 模型——即LLM因为它们以文本输入、文本输出工作——都基于这一架构。这类模型的有趣之处在于它们在来自书籍、文章、网站等来源的海量无标签数据上训练因而可以适配非常多样的任务并生成带有几分创意、语法正确的文本。它们不仅极大地提升了机器理解输入文本的能力还赋予了机器用人类语言生成原创回答的能力。LLM 内部机制Tokenizer、逐词元预测与温度参数下一课我们会探索不同类型的生成式 AI 模型这里先聚焦OpenAI GPTGenerative Pre-trained Transformer系列看 LLM 到底如何运转Tokenizer把文本变成数字LLM 以文本为输入、以文本为输出但作为统计模型它们与数字的相处远好于与文本序列。因此每个输入在进入核心模型之前都会先经过tokenizer处理。一个 token词元是文本的一块由可变数量的字符组成tokenizer 的主要任务就是把输入切分成 token 数组再把每个 token 映射为一个token index原始文本块对应的整数编码。结合本仓库的源码印证仓库的 requirements.txt 与 pyproject.toml 均把tiktoken列为核心依赖openai1.0.0、python-dotenv、requests、azure-ai-inference、tiktoken等。从仓库依赖结构看课程在后续分词器相关实验中可以直接调用tiktoken来复现上图的切词与整数编码过程这正是本节原理的可运行版本。预测输出 token滑动窗口式补全给定 n 个 token 作为输入每个模型的最大 n 各不相同模型可以预测出一个token 作为输出该 token 随后被并入下一轮迭代的输入中按扩展窗口模式滚动推进——这就是用户能拿到一整句或整段答案的体验来源。它也能解释如果你玩过 ChatGPT可能注意到它有时会看起来在句子中间停顿——那正是逐 token 生成过程中的状态。选择过程基于概率分布采样输出 token 是依据它出现在当前文本序列之后的概率选出的模型会预测所有可能下一个 token上的一个概率分布基于其训练得出。但并非总是选择概率最高的那个 token——选择过程中加入了一定程度的随机性使模型以非确定性方式运行同一输入不会得到完全相同的输出。这种随机性用于模拟创造性思考的过程并可以通过名为temperature温度的模型参数进行调节。我们的创业公司如何借助 LLMprompt 与 completion 的五大形态理解了内部机制就可以看 LLM 最擅长完成哪些常见任务了。我们说过 LLM 的核心能力是从自然语言书写的文本输入出发从零生成文本。那么什么样的文本输入与输出LLM 的输入称为 prompt提示输出称为 completion补全——后者指模型生成下一个 token 以补全当前输入的机制。prompt 中通常可以包含以下几类内容一条指令instruction指明我们期望模型产生何种输出有时内嵌示例或额外数据。典型子场景包括对文章、书籍、商品评论等的摘要以及从无结构数据中提取洞察对文章、论文、作业等的创意构思与设计。一个问题question以与智能体对话的形式提出。一段待补全的文本text to complete隐式地请求写作协助。一段代码code附带上解释并写文档的请求或一条要求生成完成特定任务的代码的注释。以上示例都很简单并非对 LLM 能力的穷尽展示而是为了说明使用生成式 AI 的潜力——在教育语境下但不限于教育。能力边界生成式 AI 并不完美原文档特别强调了必须建立的正确预期这也是后续课程反复出现的主题输出不完美模型的创造力有时会反噬产出人类会视为对现实的歪曲的词组拼贴甚至冒犯性内容它不智能至少按更全面的智能定义包含批判性/创造性推理与情商来说生成式 AI 不算智能它不是确定性的同样的输入响应可能变化它不可盲信编造fabrication——错误的引用、内容与论断——可能与正确信息混合在一起并以自信且有说服力的口吻呈现。后续课程将逐一处理这些局限并给出缓解手段如 第 03 课负责任地使用生成式 AI、第 04 课提示工程基础。实战准备在本仓库中把 LLM 调用跑起来本课件是纯概念课但仓库已经为第 06 课之后的代码课准备好了完整工程底座现在就可以验证逐 token 补全这套机制。环境与依赖仓库要求 Python ≥ 3.10见 pyproject.toml核心依赖在 requirements.txtipywidgets8.1.8 numpy2.4.2 matplotlib3.10.8 pandas3.0.0 tqdm4.68.4 python-dotenv1.2.2 openai1.12.0 tiktoken azure-ai-inference scikit-learn其中python-dotenv负责加载.envopenai是调用各家 API 的 SDKtiktoken就是本节文本 → token → 整数索引原理的直接实现。用仓库自带的 shared 工具发起一次 completion仓库的 shared/python 模块封装了 API 客户端创建与环境变量校验。以下脚本演示了课件prompt 进、completion 出的最小闭环# 1) 加载 .env 中的密钥对应课程 setup 文档的 .env 约定 import os from dotenv import load_dotenv load_dotenv() # 2) 校验必填环境变量缺失时抛出带指引的 ValueError # 实现见 shared/python/env_utils.py 的 get_required_env / validate_env_vars from shared.env_utils import get_required_env api_key get_required_env(OPENAI_API_KEY, OpenAI API 鉴权) # 3) 创建客户端实现见 shared/python/api_utils.py 的 create_openai_client from shared.api_utils import create_openai_client client create_openai_client(api_keyapi_key) # 4) 一次最小的 completionprompt 进文本出 prompt 用一句话解释什么是 Transformer 注意力机制 response client.responses.create(modelgpt-4o-mini, inputprompt) print(response.output_text)源码层面可以看到几处与课程理念呼应的工程设计对应 tests/test_env_utils.py、tests/test_api_utils.py 的测试覆盖create_openai_clientAPI key 优先取参数否则回落到OPENAI_API_KEY环境变量两者都缺失时抛出带说明的ValueError而不是让 SDK 在运行时报晦涩错误get_required_env / validate_env_vars把密钥是否配置做成显式、可测试的前置检查make_safe_request带 30 秒超时与 3 次重试的 HTTP 封装体现模型 API 调用需要容错的工程常识。安全补充shared/python/input_validation.py 中的sanitize_prompt_input会剥离空字节、控制字符以及模板注入{{...}}、${...}、script标签等潜在注入模式——这正是课件不可盲信输出、也要审慎构造输入理念在代码中的落地。若你希望验证本机环境是否就绪可以直接运行pytest测试路径由 pyproject.toml 的[tool.pytest.ini_options]指向tests/。完整的账号、.env配置与 Codespaces 排障步骤见课程 课程环境搭建Course Setup 及 本地安装指南模型提供商的选择见 providers.md。本课作业你的作业是进一步阅读生成式 AI 的资料尝试找到一个今天还没有用上生成式 AI、但你希望加上它的领域。与老办法相比影响会有什么不同你能否做成以前做不到的事或者速度更快请为你梦想的 AI 创业公司写一段300 字摘要包含问题Problem我将如何使用 AIHow I would use AI影响Impact等小标题可选地附一份商业计划。知识自测关于 LLM哪个说法正确每次都会得到完全相同的响应。它做事十全十美加数、生成可运行代码都样样精通。即使使用同一个 prompt响应也可能不同它擅长为某样东西文本或代码给你一个好的初稿但你需要在此基础上继续改进。答案3。LLM 是非确定性的响应会有变化不过你可以通过 temperature 设置控制其变化幅度。也不应指望它一次做对——它的价值在于替你完成重活通常意味着得到一个不错的初稿而你要做的是逐步改进它。小结与下一步生成式 AI 经历了关键词机器人 → 机器学习 → 神经网络/RNN → Transformer四个阶段的演进LLM 正是 Transformer 架构的产物LLM 的核心回路是Tokenizer 把文本切为 token 并映射为整数索引 → 模型基于概率分布预测下一个 token → 以扩展窗口方式滚动生成 completiontemperature 是调节创造性随机度的旋钮同一输入不会总得到同一输出输出要谨慎对待不可盲信、不可全信需持续迭代改进。学完本课后继续前往 第 02 课探索与比较不同类型的 LLM了解如何为你的用例挑选模型。翻译说明继承自原文档本课程的孟加拉语文本由 AI 翻译服务生成英文原文01-introduction-to-genai/README.md应视为权威来源自动翻译可能存在误差重要信息建议参考英文原文或人工翻译。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Generative AI for Beginners 第 01 课：生成式 AI 与大语言模型（LLM）原理全景解析
Generative AI for Beginners 第 01 课生成式 AI 与大语言模型LLM原理全景解析【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本文基于 Generative AI for Beginners 课程的第 01 课孟加拉语译文 translations/bn/01-introduction-to-genai/README.md展开系统讲解生成式 AI 的技术演进脉络、大语言模型Tokenizer 切词 → 逐词元预测 → 概率分布采样的内部工作机制以及 prompt/completion 的核心概念与五类典型用法。读完后你将理解 LLM 为什么是非确定性的、温度temperature参数如何影响输出并能结合本仓库的shared/python工具链真正发起第一次大模型调用。生成式 AI 是什么以及这门课在讲什么生成式 AI 是指能够生成文本、图像和其他类型内容的 AI。它最大的价值在于民主化了 AI 的使用门槛任何人不需学习 Java 或 SQL只需用自然语言写一句提示prompt模型就会返回一个建议。你几秒钟内就能完成写报告、读报告、起草应用等任务应用与影响力都极为可观。这门课程共 21 课当前仓库为 Version 3将通过一个虚构的教育类创业公司后文简称我们的创业公司的视角探讨如何利用生成式 AI 在教育领域开辟新场景并如何应对应用带来的社会影响与技术局限这两类必然存在的挑战。学习导引与学习目标本课件将覆盖以下内容商业场景介绍我们的创业公司构想与使命生成式 AI 及其所处的当前技术版图是如何形成的大语言模型的内部工作机制LLM 的主要能力与实用用例。完成本课后你应当能够说清什么是生成式 AI以及LLM 是如何工作的知道如何在不同用例尤其是教育场景中利用 LLM。场景设定一个教育领域的创业公司生成式 AI 是 AI 技术的巅峰形态不断突破过去被认为不可能的边界。虽然生成式模型能力众多、应用遍地但本课程选择聚焦它如何革教育于命。我们的创业公司扎根教育领域其使命宣言是在全球范围内改善学习可及性确保教育公平并根据每位学习者的需要为每个人提供个性化的学习体验。团队清楚不借助现代最强大的工具之一——大语言模型LLM——就不可能实现这个目标。生成式 AI 有望彻底改变我们学习的方式学生将拥有 7×24 小时在线的虚拟教师随时获得海量信息与示例教师也能借助创新工具评估学生并给出反馈。我们是如何走到生成式 AI 的四阶段技术演进尽管生成式模型的公告制造了空前的hype炒作热度但这项技术已经酝酿了几十年最早的研究可追溯到 20 世纪 60 年代。今天 AI 已具备对话等人类认知能力例如 ChatGPT、基于 GPT 模型的对话式网页搜索 Copilot 等。回看历史可以清晰地划分为四个阶段1. 打字式聊天机器人知识库 关键词匹配最早的 AI 原型是打字式聊天机器人typewritten chatbots从一组专家处抽取知识库、录入计算机知识库中的答案由输入文本中出现的关键词触发。但很快人们就发现这种靠人工编写应答的方式无法良好地扩展does not scale。2. 统计方法登场机器学习20 世纪 90 年代出现关键转折——统计方法被应用到文本分析中催生了新的算法族即机器学习Machine Learning能够从数据中学习模式而无需被显式编程。这一思路让机器模拟人类语言理解统计模型在文本-标签配对上训练学会把未知输入文本分类到预先定义的标签代表消息意图下。3. 神经网络与现代虚拟助手近年硬件技术的演进能处理更大规模数据与更复杂计算推动了 AI 研究催生了神经网络 / 深度学习算法。其中循环神经网络RNN显著增强了自然语言处理能力它通过评估词在句子中的上下文使文本的语义表达更有意义。正是这一技术驱动了 21 世纪第一个十年诞生的虚拟助手它们擅长解读人类语言、识别需求并执行动作来满足需求——比如回复预定义脚本或调用第三方服务。4. 当下Transformer 与生成式 AI我们由此走到了今天的生成式 AI——它可视为深度学习的子集。AI 领域数十年的研究之后一种名为Transformer的新模型架构突破了 RNN 的限制能够接收长得多的文本序列作为输入。Transformer 基于注意力机制attention mechanism让模型给它收到的不同输入赋予不同权重更加关注信息最集中的地方——无论其在文本序列中的先后顺序如何。近期大多数生成式 AI 模型——即LLM因为它们以文本输入、文本输出工作——都基于这一架构。这类模型的有趣之处在于它们在来自书籍、文章、网站等来源的海量无标签数据上训练因而可以适配非常多样的任务并生成带有几分创意、语法正确的文本。它们不仅极大地提升了机器理解输入文本的能力还赋予了机器用人类语言生成原创回答的能力。LLM 内部机制Tokenizer、逐词元预测与温度参数下一课我们会探索不同类型的生成式 AI 模型这里先聚焦OpenAI GPTGenerative Pre-trained Transformer系列看 LLM 到底如何运转Tokenizer把文本变成数字LLM 以文本为输入、以文本为输出但作为统计模型它们与数字的相处远好于与文本序列。因此每个输入在进入核心模型之前都会先经过tokenizer处理。一个 token词元是文本的一块由可变数量的字符组成tokenizer 的主要任务就是把输入切分成 token 数组再把每个 token 映射为一个token index原始文本块对应的整数编码。结合本仓库的源码印证仓库的 requirements.txt 与 pyproject.toml 均把tiktoken列为核心依赖openai1.0.0、python-dotenv、requests、azure-ai-inference、tiktoken等。从仓库依赖结构看课程在后续分词器相关实验中可以直接调用tiktoken来复现上图的切词与整数编码过程这正是本节原理的可运行版本。预测输出 token滑动窗口式补全给定 n 个 token 作为输入每个模型的最大 n 各不相同模型可以预测出一个token 作为输出该 token 随后被并入下一轮迭代的输入中按扩展窗口模式滚动推进——这就是用户能拿到一整句或整段答案的体验来源。它也能解释如果你玩过 ChatGPT可能注意到它有时会看起来在句子中间停顿——那正是逐 token 生成过程中的状态。选择过程基于概率分布采样输出 token 是依据它出现在当前文本序列之后的概率选出的模型会预测所有可能下一个 token上的一个概率分布基于其训练得出。但并非总是选择概率最高的那个 token——选择过程中加入了一定程度的随机性使模型以非确定性方式运行同一输入不会得到完全相同的输出。这种随机性用于模拟创造性思考的过程并可以通过名为temperature温度的模型参数进行调节。我们的创业公司如何借助 LLMprompt 与 completion 的五大形态理解了内部机制就可以看 LLM 最擅长完成哪些常见任务了。我们说过 LLM 的核心能力是从自然语言书写的文本输入出发从零生成文本。那么什么样的文本输入与输出LLM 的输入称为 prompt提示输出称为 completion补全——后者指模型生成下一个 token 以补全当前输入的机制。prompt 中通常可以包含以下几类内容一条指令instruction指明我们期望模型产生何种输出有时内嵌示例或额外数据。典型子场景包括对文章、书籍、商品评论等的摘要以及从无结构数据中提取洞察对文章、论文、作业等的创意构思与设计。一个问题question以与智能体对话的形式提出。一段待补全的文本text to complete隐式地请求写作协助。一段代码code附带上解释并写文档的请求或一条要求生成完成特定任务的代码的注释。以上示例都很简单并非对 LLM 能力的穷尽展示而是为了说明使用生成式 AI 的潜力——在教育语境下但不限于教育。能力边界生成式 AI 并不完美原文档特别强调了必须建立的正确预期这也是后续课程反复出现的主题输出不完美模型的创造力有时会反噬产出人类会视为对现实的歪曲的词组拼贴甚至冒犯性内容它不智能至少按更全面的智能定义包含批判性/创造性推理与情商来说生成式 AI 不算智能它不是确定性的同样的输入响应可能变化它不可盲信编造fabrication——错误的引用、内容与论断——可能与正确信息混合在一起并以自信且有说服力的口吻呈现。后续课程将逐一处理这些局限并给出缓解手段如 第 03 课负责任地使用生成式 AI、第 04 课提示工程基础。实战准备在本仓库中把 LLM 调用跑起来本课件是纯概念课但仓库已经为第 06 课之后的代码课准备好了完整工程底座现在就可以验证逐 token 补全这套机制。环境与依赖仓库要求 Python ≥ 3.10见 pyproject.toml核心依赖在 requirements.txtipywidgets8.1.8 numpy2.4.2 matplotlib3.10.8 pandas3.0.0 tqdm4.68.4 python-dotenv1.2.2 openai1.12.0 tiktoken azure-ai-inference scikit-learn其中python-dotenv负责加载.envopenai是调用各家 API 的 SDKtiktoken就是本节文本 → token → 整数索引原理的直接实现。用仓库自带的 shared 工具发起一次 completion仓库的 shared/python 模块封装了 API 客户端创建与环境变量校验。以下脚本演示了课件prompt 进、completion 出的最小闭环# 1) 加载 .env 中的密钥对应课程 setup 文档的 .env 约定 import os from dotenv import load_dotenv load_dotenv() # 2) 校验必填环境变量缺失时抛出带指引的 ValueError # 实现见 shared/python/env_utils.py 的 get_required_env / validate_env_vars from shared.env_utils import get_required_env api_key get_required_env(OPENAI_API_KEY, OpenAI API 鉴权) # 3) 创建客户端实现见 shared/python/api_utils.py 的 create_openai_client from shared.api_utils import create_openai_client client create_openai_client(api_keyapi_key) # 4) 一次最小的 completionprompt 进文本出 prompt 用一句话解释什么是 Transformer 注意力机制 response client.responses.create(modelgpt-4o-mini, inputprompt) print(response.output_text)源码层面可以看到几处与课程理念呼应的工程设计对应 tests/test_env_utils.py、tests/test_api_utils.py 的测试覆盖create_openai_clientAPI key 优先取参数否则回落到OPENAI_API_KEY环境变量两者都缺失时抛出带说明的ValueError而不是让 SDK 在运行时报晦涩错误get_required_env / validate_env_vars把密钥是否配置做成显式、可测试的前置检查make_safe_request带 30 秒超时与 3 次重试的 HTTP 封装体现模型 API 调用需要容错的工程常识。安全补充shared/python/input_validation.py 中的sanitize_prompt_input会剥离空字节、控制字符以及模板注入{{...}}、${...}、script标签等潜在注入模式——这正是课件不可盲信输出、也要审慎构造输入理念在代码中的落地。若你希望验证本机环境是否就绪可以直接运行pytest测试路径由 pyproject.toml 的[tool.pytest.ini_options]指向tests/。完整的账号、.env配置与 Codespaces 排障步骤见课程 课程环境搭建Course Setup 及 本地安装指南模型提供商的选择见 providers.md。本课作业你的作业是进一步阅读生成式 AI 的资料尝试找到一个今天还没有用上生成式 AI、但你希望加上它的领域。与老办法相比影响会有什么不同你能否做成以前做不到的事或者速度更快请为你梦想的 AI 创业公司写一段300 字摘要包含问题Problem我将如何使用 AIHow I would use AI影响Impact等小标题可选地附一份商业计划。知识自测关于 LLM哪个说法正确每次都会得到完全相同的响应。它做事十全十美加数、生成可运行代码都样样精通。即使使用同一个 prompt响应也可能不同它擅长为某样东西文本或代码给你一个好的初稿但你需要在此基础上继续改进。答案3。LLM 是非确定性的响应会有变化不过你可以通过 temperature 设置控制其变化幅度。也不应指望它一次做对——它的价值在于替你完成重活通常意味着得到一个不错的初稿而你要做的是逐步改进它。小结与下一步生成式 AI 经历了关键词机器人 → 机器学习 → 神经网络/RNN → Transformer四个阶段的演进LLM 正是 Transformer 架构的产物LLM 的核心回路是Tokenizer 把文本切为 token 并映射为整数索引 → 模型基于概率分布预测下一个 token → 以扩展窗口方式滚动生成 completiontemperature 是调节创造性随机度的旋钮同一输入不会总得到同一输出输出要谨慎对待不可盲信、不可全信需持续迭代改进。学完本课后继续前往 第 02 课探索与比较不同类型的 LLM了解如何为你的用例挑选模型。翻译说明继承自原文档本课程的孟加拉语文本由 AI 翻译服务生成英文原文01-introduction-to-genai/README.md应视为权威来源自动翻译可能存在误差重要信息建议参考英文原文或人工翻译。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考