<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom">
  <author>
    <name>宫野琦</name>
  </author>
  <generator uri="https://hexo.io/">Hexo</generator>
  <id>https://gongyeqi.top/</id>
  <link href="https://gongyeqi.top/" rel="alternate"/>
  <link href="https://gongyeqi.top/atom.xml" rel="self"/>
  <rights>All rights reserved 2026, 宫野琦</rights>
  <subtitle>摸得浮生半日闲</subtitle>
  <title>宫野琦的小站</title>
  <updated>2026-07-25T03:20:28.904Z</updated>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="驾考" scheme="https://gongyeqi.top/categories/%E9%A9%BE%E8%80%83/"/>
    <category term="科目一" scheme="https://gongyeqi.top/tags/%E7%A7%91%E7%9B%AE%E4%B8%80/"/>
    <category term="2026新规" scheme="https://gongyeqi.top/tags/2026%E6%96%B0%E8%A7%84/"/>
    <content>
      <![CDATA[<h1 id="科目一考试全套口诀速记（2026）"><a href="#科目一考试全套口诀速记（2026）" class="headerlink" title="科目一考试全套口诀速记（2026）"></a>科目一考试全套口诀速记（2026）</h1><blockquote><p>根据2026年最新《道路交通安全违法行为记分管理办法》及科目一考试大纲整理。<br>2026年核心变化：记分档位调整为 <strong>12&#x2F;9&#x2F;6&#x2F;3&#x2F;1</strong> 五档（取消2分档）；新增新能源汽车安全、智能辅助驾驶考点；题库扩容至约2200题。</p></blockquote><h2 id="一、车速限速题"><a href="#一、车速限速题" class="headerlink" title="一、车速限速题"></a>一、车速限速题</h2><h3 id="口诀1：城市30、50；公路40、70"><a href="#口诀1：城市30、50；公路40、70" class="headerlink" title="口诀1：城市30、50；公路40、70"></a>口诀1：城市30、50；公路40、70</h3><p><strong>详细解释</strong>：区分道路有无中心线，是科目一车速题核心考点，无特殊路况默认此标准：</p><ul><li><p><strong>无中心线</strong>窄路：城市道路最高30km&#x2F;h，乡村公路最高40km&#x2F;h</p></li><li><p><strong>有中心线</strong>宽路：城市道路最高50km&#x2F;h，乡村公路最高70km&#x2F;h</p></li></ul><p><strong>城市道路 vs 公路区分技巧</strong>：路两边有楼房和行人→城市道路；路两边是树木绿化→公路。</p><table><thead><tr><th>道路类型</th><th>无中心线</th><th>有中心线</th></tr></thead><tbody><tr><td>城市道路</td><td>30km&#x2F;h</td><td>50km&#x2F;h</td></tr><tr><td>公路</td><td>40km&#x2F;h</td><td>70km&#x2F;h</td></tr></tbody></table><h3 id="口诀2：特殊路况一律30"><a href="#口诀2：特殊路况一律30" class="headerlink" title="口诀2：特殊路况一律30"></a>口诀2：特殊路况一律30</h3><p><strong>详细解释</strong>：所有视线受阻、路况复杂、操作受限场景，<strong>最高车速统一30km&#x2F;h</strong>：雨天、雾天、冰雪、泥泞路面；车辆掉头、转弯、下坡行驶；窄路、窄桥、铁路道口；进出非机动车道、学校居民区路段。</p><blockquote><p><strong>速记</strong>：只要不是普通正常道路，特殊路段&#x2F;天气一律选30km&#x2F;h！</p></blockquote><h3 id="口诀3：高速速距分层，能见度定速距"><a href="#口诀3：高速速距分层，能见度定速距" class="headerlink" title="口诀3：高速速距分层，能见度定速距"></a>口诀3：高速速距分层，能见度定速距</h3><p><strong>详细解释</strong>：高速公路车速、车距严格按车道、能见度划分，是高频判断题、选择题考点：</p><ul><li>车道限速：三车道（左110-120、中90-110、右60-90）；两车道（左100-120、右60-100），高速最低车速60km&#x2F;h，最高120km&#x2F;h</li></ul><table><thead><tr><th>车道数</th><th>最左侧</th><th>中间</th><th>最右侧</th></tr></thead><tbody><tr><td>两车道</td><td>100-120</td><td>—</td><td>60-100</td></tr><tr><td>三车道</td><td>110-120</td><td>90-110</td><td>60-90</td></tr></tbody></table><ul><li>能见度限速：<strong>能见度＜200米，车速≤60、车距≥100米</strong>；<strong>能见度＜100米，车速≤40、车距≥50米</strong>；能见度＜50米，车速≤20，立即驶离高速</li></ul><p><strong>能见度速记口诀：261、145、520（离）</strong></p><table><thead><tr><th>能见度</th><th>最高车速</th><th>最小车距</th><th>记忆码</th></tr></thead><tbody><tr><td>＜200米</td><td>≤60km&#x2F;h</td><td>≥100米</td><td><strong>261</strong></td></tr><tr><td>＜100米</td><td>≤40km&#x2F;h</td><td>≥50米</td><td><strong>145</strong></td></tr><tr><td>＜50米</td><td>≤20km&#x2F;h</td><td>驶离高速</td><td><strong>520</strong></td></tr></tbody></table><blockquote><p><strong>⚠️ 易错点</strong>：高速最低车速60km&#x2F;h，不是50km&#x2F;h；能见度＜50米时不是停车，而是车速≤20并<strong>立即驶离</strong>高速。</p></blockquote><h2 id="二、安全距离与停车禁忌题"><a href="#二、安全距离与停车禁忌题" class="headerlink" title="二、安全距离与停车禁忌题"></a>二、安全距离与停车禁忌题</h2><h3 id="口诀1：站三口五"><a href="#口诀1：站三口五" class="headerlink" title="口诀1：站三口五"></a>口诀1：站三口五</h3><p><strong>详细解释</strong>：固定禁停距离，考试无例外：</p><ul><li><p>站三：<strong>公交站、加油站、消防栓、急救站</strong>周边<strong>30米内禁止停车</strong></p></li><li><p>口五：<strong>十字路口、铁路道口、陡坡、隧道、急弯</strong>周边<strong>50米内禁止停车</strong></p></li></ul><h3 id="口诀2：普50-100，高150"><a href="#口诀2：普50-100，高150" class="headerlink" title="口诀2：普50-100，高150"></a>口诀2：普50-100，高150</h3><p><strong>详细解释</strong>：车辆故障警示标志放置距离：普通道路故障，警示牌放置车后50-100米；高速公路故障，警示牌必须放置车后<strong>150米以外</strong>，人员立刻撤离护栏外。</p><h3 id="口诀3：雨雪雾天，距加倍"><a href="#口诀3：雨雪雾天，距加倍" class="headerlink" title="口诀3：雨雪雾天，距加倍"></a>口诀3：雨雪雾天，距加倍</h3><p><strong>详细解释</strong>：雨雪、大雾、结冰路面摩擦力下降，刹车距离变长，跟车、会车安全距离需为正常天气的<strong>2倍</strong>，禁止跟车过近、紧急刹车。</p><h2 id="三、灯光使用规则"><a href="#三、灯光使用规则" class="headerlink" title="三、灯光使用规则"></a>三、灯光使用规则</h2><h3 id="灯光图标速查"><a href="#灯光图标速查" class="headerlink" title="灯光图标速查"></a>灯光图标速查</h3><table><thead><tr><th>灯光类型</th><th>图标特征</th><th>使用场景</th></tr></thead><tbody><tr><td>近光灯</td><td>光线斜向下（绿色）</td><td>夜间会车、跟车、隧道、有路灯</td></tr><tr><td>远光灯</td><td>光线直射（<strong>蓝色</strong>）</td><td>无路灯无对向车，严禁滥用</td></tr><tr><td>前雾灯</td><td>波浪线+左斜光（绿色）</td><td>雨雾天气</td></tr><tr><td>后雾灯</td><td>波浪线+右斜光（橙红色）</td><td>雨雾天气（亮度高慎用）</td></tr><tr><td>双闪</td><td>红色三角形</td><td>故障停车、临时停车、极低能见度</td></tr><tr><td>转向灯</td><td>左&#x2F;右箭头闪烁</td><td>变道、转弯、掉头、靠边、起步</td></tr></tbody></table><blockquote><p><strong>速记</strong>：绿近蓝远！近光灯&#x3D;绿色图标，远光灯&#x3D;蓝色图标，这是科目一最常设的陷阱。</p></blockquote><h3 id="口诀1：动变超靠必打灯，夜间会车近光灯"><a href="#口诀1：动变超靠必打灯，夜间会车近光灯" class="headerlink" title="口诀1：动变超靠必打灯，夜间会车近光灯"></a>口诀1：动变超靠必打灯，夜间会车近光灯</h3><p><strong>详细解释</strong>：起步、转弯、变道、超车、靠边停车五大操作，必须提前开启转向灯；夜间两车交会、近距离跟车，全程使用近光灯，严禁远光炫目。</p><h3 id="口诀2：雾天雾灯双闪，绝不远光"><a href="#口诀2：雾天雾灯双闪，绝不远光" class="headerlink" title="口诀2：雾天雾灯双闪，绝不远光"></a>口诀2：雾天雾灯双闪，绝不远光</h3><p><strong>详细解释</strong>：大雾、暴雨等低能见度天气，远光灯会被雾气反射，造成视线盲区，仅可开启<strong>前雾灯、后雾灯、危险报警闪光灯（双闪）</strong>。</p><h3 id="口诀3：隧道近光，无灯远光，超车交替"><a href="#口诀3：隧道近光，无灯远光，超车交替" class="headerlink" title="口诀3：隧道近光，无灯远光，超车交替"></a>口诀3：隧道近光，无灯远光，超车交替</h3><p><strong>详细解释</strong>：进入隧道、地下车库必须开近光，禁止远光；夜间无路灯、无对向车辆可开远光；夜间超车、提醒前车，交替使用远近光灯示意。</p><h2 id="四、通行让行优先级（必考判断）"><a href="#四、通行让行优先级（必考判断）" class="headerlink" title="四、通行让行优先级（必考判断）"></a>四、通行让行优先级（必考判断）</h2><h3 id="口诀1：转让直，右让左，下坡让上坡"><a href="#口诀1：转让直，右让左，下坡让上坡" class="headerlink" title="口诀1：转让直，右让左，下坡让上坡"></a>口诀1：转让直，右让左，下坡让上坡</h3><p><strong>详细解释</strong>：核心路权规则，全网通用：</p><ul><li>转弯让直行：直行车辆路权最高，所有转弯车辆必须礼让直行车辆、行人先行。</li></ul><img src="http://k.sinaimg.cn/n/sinacn10115/239/w580h459/20200303/6ade-iqfqmat8504585.jpg/w700d1q75cms.jpg" alt="转弯让直行" style="zoom:60%;" /><ul><li>右转让左转：<strong>相对方向</strong>两车，一车左转、一车右转，右转车辆主动礼让左转车辆先行（左转行驶轨迹更长，容易卡在路口）。</li></ul><img src="http://k.sinaimg.cn/n/sinacn10115/541/w788h553/20200303/0dd8-iqfqmat8504869.jpg/w700d1q75cms.jpg" alt="右转让左转" style="zoom:60%;" /><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260720114537294.png" style="zoom:50%;" /><ul><li><p>下坡让上坡：狭窄坡道，上坡车辆起步、倒车难度大，下坡车辆停车让上坡车先行。</p></li><li><p>让右原则：无信号灯路口，让右方道路来车先行（右方车辆A柱盲区大，需优先保护）。</p></li></ul><img src="http://k.sinaimg.cn/n/sinacn10115/240/w640h400/20200303/7619-iqfqmat8505089.jpg/w700d1q75cms.jpg" alt="让右原则" style="zoom:60%;" /><h3 id="口诀2：无障让有障，临崖让靠山"><a href="#口诀2：无障让有障，临崖让靠山" class="headerlink" title="口诀2：无障让有障，临崖让靠山"></a>口诀2：无障让有障，临崖让靠山</h3><p><strong>详细解释</strong>：单侧障碍物路段，无障碍一侧车辆减速礼让有障碍一侧；山路窄路，<strong>外侧临崖车辆停车礼让内侧靠山车辆</strong>，保障通行安全。</p><img src="http://k.sinaimg.cn/n/sinacn10115/432/w900h332/20200303/e469-iqfqmat8505328.jpg/w700d1q75cms.jpg" alt="有障碍让无障碍" style="zoom:60%;" /><h3 id="口诀3：辅让主，支让干，车让人"><a href="#口诀3：辅让主，支让干，车让人" class="headerlink" title="口诀3：辅让主，支让干，车让人"></a>口诀3：辅让主，支让干，车让人</h3><p><strong>详细解释</strong>：辅路、支路车辆汇入主干道，必须停车瞭望礼让；所有场景下，<strong>行人路权最高，斑马线、路口遇行人必须停车让行</strong>。</p><img src="http://k.sinaimg.cn/n/sinacn10115/234/w604h430/20200303/949a-iqfqmat8505515.jpg/w700d1q75cms.jpg" alt="辅路让主路" style="zoom:60%;" /><h2 id="五、2026最新扣分标准（重点！）"><a href="#五、2026最新扣分标准（重点！）" class="headerlink" title="五、2026最新扣分标准（重点！）"></a>五、2026最新扣分标准（重点！）</h2><blockquote><p><strong>2026核心变化提醒</strong>：</p><ul><li>取消2分档，调整为 <strong>12&#x2F;9&#x2F;6&#x2F;3&#x2F;1</strong> 五档</li><li>“准驾不符””未悬挂号牌&#x2F;遮挡污损号牌”从12分<strong>降为9分</strong></li><li>“高速违停”从6分<strong>升为9分</strong></li><li>“接打手机”从2分<strong>升为3分</strong></li><li>“不避让校车”从6分<strong>降为3分</strong></li><li>新增”代替他人接受处罚记分牟利”扣12分</li></ul></blockquote><h3 id="口诀1：12分——酒驾一次记十二，轻伤死亡加逃跑"><a href="#口诀1：12分——酒驾一次记十二，轻伤死亡加逃跑" class="headerlink" title="口诀1：12分——酒驾一次记十二，轻伤死亡加逃跑"></a>口诀1：12分——酒驾一次记十二，轻伤死亡加逃跑</h3><blockquote><p>酒驾、肇事逃逸（不构成犯罪）、伪造变造牌证用他证、校车&#x2F;客运超员20%或超100%、高速超速20%（特种车）&#x2F;50%（普通车）、高速城快倒逆行穿带掉头、代人受罚牟利</p></blockquote><p><strong>完整口诀</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br></pre></td><td class="code"><pre><span class="line">酒驾一次记十二，轻伤死亡加逃跑；</span><br><span class="line">伪造牌证用他证，十二分就送人了；</span><br><span class="line">载客超二或一百，行驶时速超二零（特种车）；</span><br><span class="line">其他车速超五零，扣十二分跑不了；</span><br><span class="line">高速城快倒逆行，穿带掉头十二分；</span><br><span class="line">代人受罚代记分，牟利不成反害人。</span><br></pre></td></tr></table></figure><p><strong>详细解释</strong>：</p><table><thead><tr><th>违法行为</th><th>扣分</th><th>易错提醒</th></tr></thead><tbody><tr><td>饮酒后驾驶机动车</td><td>12</td><td>酒驾≠醉驾，酒驾12分+暂扣6个月+罚款1000-2000；醉驾入刑</td></tr><tr><td>肇事逃逸（致人轻伤以上&#x2F;死亡，不构成犯罪）</td><td>12</td><td>注意区分：致人轻微伤逃逸仅扣6分</td></tr><tr><td>伪造&#x2F;变造&#x2F;套用号牌、行驶证、驾驶证、校车标牌</td><td>12</td><td>罚款最高5000元，可并处15日拘留</td></tr><tr><td>校车&#x2F;公路客运&#x2F;旅游客运超员≥20%，或其他客车超员≥100%</td><td>12</td><td>注意”校车”首次加入12分档</td></tr><tr><td>校车&#x2F;中型以上客货车&#x2F;危化车高速超速≥20%，或其他车高速超速≥50%</td><td>12</td><td>特种车门槛更低（20%），普通车50%</td></tr><tr><td>高速&#x2F;城市快速路倒车、逆行、穿越隔离带掉头</td><td>12</td><td>错过出口→继续开到下一收费站，绝不能倒车！</td></tr><tr><td><strong>代替他人接受处罚和记分牟利（2026新增）</strong></td><td>12</td><td>新规高频考点，替考&#x2F;替消分均适用</td></tr></tbody></table><h3 id="口诀2：9分——七座超五未达百，高速城快违法停"><a href="#口诀2：9分——七座超五未达百，高速城快违法停" class="headerlink" title="口诀2：9分——七座超五未达百，高速城快违法停"></a>口诀2：9分——七座超五未达百，高速城快违法停</h3><blockquote><p>7座以上超员50%-100%、特种车普通路超速50%+、高速城快违法停车、未挂号牌&#x2F;遮污损号牌、准驾不符、手持他证驾校车、大中型客货车&#x2F;危化车疲劳驾驶</p></blockquote><p><strong>完整口诀</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">七座超五未达百，行驶时速超五零（特种车普通路）；</span><br><span class="line">高速城快违法停；未挂号牌遮污损；</span><br><span class="line">证车不符路上行；中客危品四二零（疲劳驾驶4h+）；</span><br><span class="line">手持他证驾校车；以上统统记九分。</span><br></pre></td></tr></table></figure><p><strong>详细解释</strong>：</p><table><thead><tr><th>违法行为</th><th>扣分</th><th>易错提醒</th></tr></thead><tbody><tr><td>7座以上客车超员50%-100%</td><td>9</td><td>注意与12分档（超100%）区分</td></tr><tr><td>校车&#x2F;中型以上客货车&#x2F;危化车<strong>普通道路</strong>超速≥50%</td><td>9</td><td>高速超速20%就扣12分，普通路50%才扣9分</td></tr><tr><td><strong>高速&#x2F;城市快速路违法停车</strong></td><td>9</td><td>⚠️ 从6分<strong>升为9分</strong>，高频易错！</td></tr><tr><td>未悬挂号牌、故意遮挡&#x2F;污损号牌</td><td>9</td><td>⚠️ 从12分<strong>降为9分</strong></td></tr><tr><td>驾驶与准驾车型不符的车辆</td><td>9</td><td>⚠️ 从12分<strong>降为9分</strong></td></tr><tr><td>手持他人驾驶证驾驶校车</td><td>9</td><td>新增情形</td></tr><tr><td>大中型客货车&#x2F;危化车疲劳驾驶（连续4h不休息）</td><td>9</td><td>注意仅限大中型客货车和危化车</td></tr></tbody></table><h3 id="口诀3：6分——营运客车和校车，超员超速低两成"><a href="#口诀3：6分——营运客车和校车，超员超速低两成" class="headerlink" title="口诀3：6分——营运客车和校车，超员超速低两成"></a>口诀3：6分——营运客车和校车，超员超速低两成</h3><blockquote><p>营运客车&#x2F;校车超员或超速≥20%、危化品运输违规、闯红灯、致人轻微伤逃逸、暂扣期间驾车、占用应急车道</p></blockquote><p><strong>完整口诀</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">营运客车和校车，超员超速低两成（≥20%）；</span><br><span class="line">化学易爆无警示，限制区域违规行；</span><br><span class="line">违反交通信号灯，暂扣期间仍驾驶；</span><br><span class="line">伤损未罪加逃跑（致人轻微伤），应急车道违法占；</span><br><span class="line">统统都要扣六分，安全行驶要牢记。</span><br></pre></td></tr></table></figure><p><strong>详细解释</strong>：</p><table><thead><tr><th>违法行为</th><th>扣分</th><th>易错提醒</th></tr></thead><tbody><tr><td>营运客车&#x2F;校车超员≥20%或超速≥20%</td><td>6</td><td>注意与12分档（超员≥100%）区分</td></tr><tr><td>运输危险化学品未经批准进入限制区域</td><td>6</td><td>新增情形</td></tr><tr><td><strong>闯红灯</strong>（违反交通信号灯）</td><td>6</td><td>经典高频考点</td></tr><tr><td>致人<strong>轻微伤</strong>后逃逸（不构成犯罪）</td><td>6</td><td>⚠️ 注意区分：轻伤以上逃逸&#x3D;12分，轻微伤逃逸&#x3D;6分</td></tr><tr><td>驾驶证暂扣&#x2F;扣留期间仍驾车</td><td>6</td><td>注意与”无证驾驶”区分</td></tr><tr><td><strong>占用应急车道</strong></td><td>6</td><td>高速&#x2F;城市快速路均适用</td></tr><tr><td>货车超载≥50%</td><td>6</td><td>注意与3分档（30%-50%）区分</td></tr><tr><td>客车超员20%-50%（非7座以上）</td><td>6</td><td>注意分档</td></tr></tbody></table><h3 id="口诀4：3分——接打手机乱变道，超速少许不让人"><a href="#口诀4：3分——接打手机乱变道，超速少许不让人" class="headerlink" title="口诀4：3分——接打手机乱变道，超速少许不让人"></a>口诀4：3分——接打手机乱变道，超速少许不让人</h3><blockquote><p>普通超速20%-50%、高速乱车道、违规超车&#x2F;逆行、接打手机、不礼让行人&#x2F;校车、故障未设警示、货车超载30%-50%、不按规定安装号牌</p></blockquote><p><strong>完整口诀</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br></pre></td><td class="code"><pre><span class="line">载客载物超时速，二十以上小五十；</span><br><span class="line">高速城快乱车道；乱超不让它逆行；</span><br><span class="line">借道超车占插等；接打电话妨碍行；</span><br><span class="line">人行横道未礼让，校车相逢不避让；</span><br><span class="line">不按规定装号牌；故障停车无标灯；</span><br><span class="line">路客旅客危品车，不做安检路上行；</span><br><span class="line">校车未检仍行驶；货车四时不休息；</span><br><span class="line">低于最低时速行，这些都要记3分。</span><br></pre></td></tr></table></figure><p><strong>详细解释</strong>：</p><table><thead><tr><th>违法行为</th><th>扣分</th><th>易错提醒</th></tr></thead><tbody><tr><td><strong>开车接打手持电话</strong>（含免提手持）</td><td>3</td><td>⚠️ 从2分<strong>升为3分</strong>，高频考点！</td></tr><tr><td>不礼让行人（人行横道）</td><td>3</td><td>斑马线必须让行</td></tr><tr><td><strong>不按规定避让校车</strong></td><td>3</td><td>⚠️ 从6分<strong>降为3分</strong></td></tr><tr><td>普通道路超速20%-50%</td><td>3</td><td>高速超速20%-50%&#x3D;6分，普通路&#x3D;3分</td></tr><tr><td>高速&#x2F;城快不按规定车道行驶</td><td>3</td><td>长期占用超车道等</td></tr><tr><td>故障&#x2F;事故未开警示灯、未放警示牌</td><td>3</td><td>与”距离不够”区分</td></tr><tr><td>不按规定安装号牌</td><td>3</td><td>⚠️ 从12分降为3分（注意与”未悬挂&#x2F;遮挡”9分区分）</td></tr><tr><td>货车超载30%-50%</td><td>3</td><td>注意与6分档（≥50%）区分</td></tr></tbody></table><h3 id="口诀5：1分——乱开灯光违标线，不盔不系安全带"><a href="#口诀5：1分——乱开灯光违标线，不盔不系安全带" class="headerlink" title="口诀5：1分——乱开灯光违标线，不盔不系安全带"></a>口诀5：1分——乱开灯光违标线，不盔不系安全带</h3><blockquote><p>不按规定使用灯光、违反禁令&#x2F;禁止标线、未系安全带&#x2F;未戴头盔、载货超高超宽超长、轻微超速10%-20%、货车超载未达30%、车辆未年检、擅自改装货车</p></blockquote><p><strong>完整口诀</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br></pre></td><td class="code"><pre><span class="line">载客时速超一十，但仍在二十以内；</span><br><span class="line">会车倒车和掉头，未按规定来操作；</span><br><span class="line">违规用灯违禁令，违反禁止标志线；</span><br><span class="line">载货长宽高超规；总量超未达三十；</span><br><span class="line">车辆未检仍行驶，擅改货车就上路；</span><br><span class="line">不盔不系安全带，统统都要扣一分。</span><br></pre></td></tr></table></figure><p><strong>详细解释</strong>：</p><table><thead><tr><th>违法行为</th><th>扣分</th><th>易错提醒</th></tr></thead><tbody><tr><td>不按规定使用灯光</td><td>1</td><td>如该开灯不开、乱用远光等</td></tr><tr><td>违反禁令标志&#x2F;禁止标线</td><td>1</td><td>压线、违反禁停标志等</td></tr><tr><td><strong>未系安全带</strong>（含高速和普通道路）</td><td>1</td><td>2026新规：高速&#x2F;普通道路统一扣1分</td></tr><tr><td>摩托车未戴头盔</td><td>1</td><td>驾驶人+乘坐人均需戴</td></tr><tr><td>载货超高&#x2F;超宽&#x2F;超长</td><td>1</td><td>轻微违规</td></tr><tr><td>货车超载未达30%</td><td>1</td><td>注意与3分档（30%-50%）区分</td></tr><tr><td>车辆逾期未年检仍行驶</td><td>1</td><td>注意区分</td></tr><tr><td>擅自改变已登记结构的货车上路</td><td>1</td><td>新增情形</td></tr></tbody></table><h3 id="💡-扣分易混淆对照表（考前必看！）"><a href="#💡-扣分易混淆对照表（考前必看！）" class="headerlink" title="💡 扣分易混淆对照表（考前必看！）"></a>💡 扣分易混淆对照表（考前必看！）</h3><table><thead><tr><th align="center">行为</th><th align="center">2026新规分值</th></tr></thead><tbody><tr><td align="center">准驾不符</td><td align="center"><strong>9分</strong></td></tr><tr><td align="center">未悬挂号牌&#x2F;遮挡污损号牌</td><td align="center"><strong>9分</strong></td></tr><tr><td align="center">不按规定安装号牌</td><td align="center"><strong>3分</strong></td></tr><tr><td align="center">高速&#x2F;城快违法停车</td><td align="center"><strong>9分</strong></td></tr><tr><td align="center">接打手持电话</td><td align="center"><strong>3分</strong></td></tr><tr><td align="center">不避让校车</td><td align="center"><strong>3分</strong></td></tr><tr><td align="center">代替他人消分牟利</td><td align="center"><strong>12分</strong></td></tr><tr><td align="center">未系安全带</td><td align="center"><strong>1分</strong>（统一）</td></tr><tr><td align="center">未放置检验&#x2F;保险标志</td><td align="center"><strong>不再扣分</strong></td></tr><tr><td align="center">未随身携带行驶证&#x2F;驾驶证</td><td align="center"><strong>不再扣分</strong></td></tr></tbody></table><h2 id="六、罚款与处罚规则"><a href="#六、罚款与处罚规则" class="headerlink" title="六、罚款与处罚规则"></a>六、罚款与处罚规则</h2><h3 id="口诀1：无证逃逸-伪证件，二百两千-可拘留"><a href="#口诀1：无证逃逸-伪证件，二百两千-可拘留" class="headerlink" title="口诀1：无证逃逸 伪证件，二百两千 可拘留"></a>口诀1：无证逃逸 伪证件，二百两千 可拘留</h3><p><strong>详细解释</strong>：无证驾驶、驾驶证暂扣期间驾车、<strong>轻微肇事逃逸</strong>、伪造行驶证&#x2F;驾驶证，<strong>罚款200-2000元</strong>，可并处15日以下拘留。</p><h3 id="口诀2：小违小错二十百，灯光标识乱停车"><a href="#口诀2：小违小错二十百，灯光标识乱停车" class="headerlink" title="口诀2：小违小错二十百，灯光标识乱停车"></a>口诀2：小违小错二十百，灯光标识乱停车</h3><p><strong>详细解释</strong>：轻微交通违规，罚款20-200元，包含灯光使用错误、未张贴标识、临时违规停车等行为。</p><h3 id="口诀3：吊证四类：酒-速-罪，逾期不处理"><a href="#口诀3：吊证四类：酒-速-罪，逾期不处理" class="headerlink" title="口诀3：吊证四类：酒 速 罪，逾期不处理"></a>口诀3：吊证四类：酒 速 罪，逾期不处理</h3><p><strong>详细解释</strong>：吊销驾驶证情形：<strong>醉驾</strong>、<strong>超速50%以上</strong>、<strong>重大交通事故构成犯罪</strong>、<strong>满分逾期未处理</strong>。</p><h3 id="口诀4：扣车四无：无牌无证无检无保"><a href="#口诀4：扣车四无：无牌无证无检无保" class="headerlink" title="口诀4：扣车四无：无牌无证无检无保"></a>口诀4：扣车四无：无牌无证无检无保</h3><p><strong>详细解释</strong>：车辆无号牌、驾驶人无证、车辆未年检、未购买交强险，交警可依法扣留车辆。</p><h3 id="口诀5：罚款金额速记"><a href="#口诀5：罚款金额速记" class="headerlink" title="口诀5：罚款金额速记"></a>口诀5：罚款金额速记</h3><table><thead><tr><th>罚款金额</th><th>适用情形</th></tr></thead><tbody><tr><td>20-200元</td><td>轻微违规：灯光错误、违停、未带标志等</td></tr><tr><td>200-2000元</td><td>无证驾驶、逃逸、伪造证件、严重超速等</td></tr><tr><td>最高5000元</td><td>伪造变造牌证</td></tr><tr><td>违法所得3倍以下（最高5万）</td><td>代替他人消分牟利</td></tr></tbody></table><h2 id="七、交通标志与标线"><a href="#七、交通标志与标线" class="headerlink" title="七、交通标志与标线"></a>七、交通标志与标线</h2><h3 id="口诀1：黄警红禁蓝指示，绿路白辅助"><a href="#口诀1：黄警红禁蓝指示，绿路白辅助" class="headerlink" title="口诀1：黄警红禁蓝指示，绿路白辅助"></a>口诀1：黄警红禁蓝指示，绿路白辅助</h3><p><strong>详细解释</strong>：标志颜色万能区分法：</p><ul><li><p>黄色三角：警告标志（注意危险、行人、弯道、施工）</p></li><li><p>红色圆圈：禁令标志（禁止停车、超车、通行）</p></li><li><p>蓝色圆形&#x2F;方形：指示标志（直行、左转、人行通道）</p></li><li><p>绿色方形：高速指路标志；白色为辅助标识</p></li></ul><h3 id="口诀2：虚线可跨，实线禁压"><a href="#口诀2：虚线可跨，实线禁压" class="headerlink" title="口诀2：虚线可跨，实线禁压"></a>口诀2：虚线可跨，实线禁压</h3><p><strong>详细解释</strong>：道路标线核心规则：白色、黄色虚线可临时变道、超车、掉头；单双实线、网状线严禁碾压、跨越、停车。</p><h3 id="口诀3：交警手势——脸对谁就指挥谁"><a href="#口诀3：交警手势——脸对谁就指挥谁" class="headerlink" title="口诀3：交警手势——脸对谁就指挥谁"></a>口诀3：交警手势——脸对谁就指挥谁</h3><p><strong>详细解释</strong>：交警面部朝向方向即为指挥对象。手臂上下摆动方向决定指令含义：</p><ul><li>手臂垂直于身体一侧→向两脚之间摆动 &#x3D; <strong>变道信号</strong></li><li>手臂向前伸出下压至腰部 &#x3D; <strong>减速慢行信号</strong></li><li>手臂向前平伸 &#x3D; <strong>直行&#x2F;转弯信号</strong></li><li>左手向前伸并下压至腰部 &#x3D; <strong>左转弯待转信号</strong></li></ul><blockquote><p><strong>⚠️ 易错点</strong>：交警脸面对你→指挥的是你；交警背对你→指挥的是对面方向的车辆。</p></blockquote><h2 id="八、事故应急处置规则"><a href="#八、事故应急处置规则" class="headerlink" title="八、事故应急处置规则"></a>八、事故应急处置规则</h2><h3 id="口诀1：先人后物，先止后搬"><a href="#口诀1：先人后物，先止后搬" class="headerlink" title="口诀1：先人后物，先止后搬"></a>口诀1：先人后物，先止后搬</h3><p><strong>详细解释</strong>：事故处置优先级：优先抢救伤员，财物损失次要；伤员出血先止血、包扎，再搬运转移，禁止盲目拖拽。</p><h3 id="口诀2：昏迷侧卧，骨折不动"><a href="#口诀2：昏迷侧卧，骨折不动" class="headerlink" title="口诀2：昏迷侧卧，骨折不动"></a>口诀2：昏迷侧卧，骨折不动</h3><p><strong>详细解释</strong>：昏迷伤员采用侧卧姿势，防止呕吐物堵塞窒息；骨折、关节损伤伤员，禁止随意移动、复位，简单固定后等待救援。</p><h3 id="口诀3：车火先断电，燃油不用水"><a href="#口诀3：车火先断电，燃油不用水" class="headerlink" title="口诀3：车火先断电，燃油不用水"></a>口诀3：车火先断电，燃油不用水</h3><p><strong>详细解释</strong>：车辆起火第一时间切断电源；汽油、燃油起火严禁用水扑救，会导致火势扩散，需使用干粉灭火器、沙土灭火。</p><h3 id="口诀4：轻微事故——车靠边、人撤离、即报警"><a href="#口诀4：轻微事故——车靠边、人撤离、即报警" class="headerlink" title="口诀4：轻微事故——车靠边、人撤离、即报警"></a>口诀4：轻微事故——车靠边、人撤离、即报警</h3><p><strong>详细解释</strong>：2026新增考点——轻微交通事故”视频快处”流程：发生无人员伤亡的轻微剐蹭事故，开启双闪→拍照&#x2F;录像取证→将车移至不妨碍交通处→通过交管12123APP视频快处或报警。禁止在车道内争论、长时间停留。</p><h2 id="九、高速行驶专项规则"><a href="#九、高速行驶专项规则" class="headerlink" title="九、高速行驶专项规则"></a>九、高速行驶专项规则</h2><h3 id="口诀1：高速故障：闪灯、摆牌、人撤离"><a href="#口诀1：高速故障：闪灯、摆牌、人撤离" class="headerlink" title="口诀1：高速故障：闪灯、摆牌、人撤离"></a>口诀1：高速故障：闪灯、摆牌、人撤离</h3><p><strong>详细解释</strong>：高速车辆故障，立刻开启双闪警示灯，车后150米放置警示牌，车上人员全部撤离至高速护栏外侧，禁止在车内、车道停留。</p><h3 id="口诀2：高速四禁：倒、逆、占道、急停"><a href="#口诀2：高速四禁：倒、逆、占道、急停" class="headerlink" title="口诀2：高速四禁：倒、逆、占道、急停"></a>口诀2：高速四禁：倒、逆、占道、急停</h3><p><strong>详细解释</strong>：高速公路严禁倒车、逆行、随意掉头、低速长期占用超车道、占用应急车道行驶&#x2F;停车，违规直接重罚扣分。</p><h2 id="十、驾驶证年限与换证规则"><a href="#十、驾驶证年限与换证规则" class="headerlink" title="十、驾驶证年限与换证规则"></a>十、驾驶证年限与换证规则</h2><h3 id="口诀1：6、10、长期"><a href="#口诀1：6、10、长期" class="headerlink" title="口诀1：6、10、长期"></a>口诀1：6、10、长期</h3><p><strong>详细解释</strong>：驾驶证有效期阶梯规则：<strong>初次领证有效期6年</strong>；6年内无满分记录，<strong>换10年有效期驾照</strong>；10年内无满分记录，<strong>换终身长期驾照</strong>。</p><h3 id="口诀2：期满90天，变更30天"><a href="#口诀2：期满90天，变更30天" class="headerlink" title="口诀2：期满90天，变更30天"></a>口诀2：期满90天，变更30天</h3><p><strong>详细解释</strong>：驾照到期换证，<strong>需提前90日内申请</strong>；驾驶证住址、联系方式等信息变更，30日内到<strong>车管所</strong>备案。</p><h3 id="口诀3：实习一年，禁独上高速"><a href="#口诀3：实习一年，禁独上高速" class="headerlink" title="口诀3：实习一年，禁独上高速"></a>口诀3：实习一年，禁独上高速</h3><p><strong>详细解释</strong>：领证后12个月为实习期，车辆需粘贴实习标志；实习期内禁止单独驾驶机动车上高速，需3年以上驾龄老司机陪同。</p><h3 id="口诀4：学法减分——最高可减6分"><a href="#口诀4：学法减分——最高可减6分" class="headerlink" title="口诀4：学法减分——最高可减6分"></a>口诀4：学法减分——最高可减6分</h3><p><strong>详细解释</strong>：2026新规重要制度——在一个记分周期内，通过参加道路交通安全法律法规学习并考试合格，或参加交通安全公益活动，<strong>最高可扣减6分</strong>。这是”回血”机制，但注意不能抵消12分满分。</p><h2 id="十一、恶劣天气通用准则"><a href="#十一、恶劣天气通用准则" class="headerlink" title="十一、恶劣天气通用准则"></a>十一、恶劣天气通用准则</h2><h3 id="口诀：雨雾冰雪：减速、控距、亮灯、缓行"><a href="#口诀：雨雾冰雪：减速、控距、亮灯、缓行" class="headerlink" title="口诀：雨雾冰雪：减速、控距、亮灯、缓行"></a>口诀：雨雾冰雪：减速、控距、亮灯、缓行</h3><p><strong>详细解释</strong>：所有恶劣天气统一操作：降低车速、拉大安全跟车距离、开启示廓灯和雾灯，禁止急加速、急刹车、随意变道超车。</p><h2 id="十二、新能源汽车安全（2026新增考点！）"><a href="#十二、新能源汽车安全（2026新增考点！）" class="headerlink" title="十二、新能源汽车安全（2026新增考点！）"></a>十二、新能源汽车安全（2026新增考点！）</h2><h3 id="口诀1：充电操作——先接车身再接电，充满断电再拔线"><a href="#口诀1：充电操作——先接车身再接电，充满断电再拔线" class="headerlink" title="口诀1：充电操作——先接车身再接电，充满断电再拔线"></a>口诀1：充电操作——先接车身再接电，充满断电再拔线</h3><p><strong>详细解释</strong>：新能源汽车充电安全规范：</p><ul><li>充电前先将车身端接地线，再接电源端</li><li>充电完成后先断电源，再拔车身端</li><li><strong>高温天气、暴雨雷电天气禁止充电</strong></li><li>必须使用符合国家标准的充电桩</li><li>充电过程中若出现电池异味、异响，<strong>立即停止充电</strong></li></ul><h3 id="口诀2：电池故障——电池报警靠边停，切勿擅自拆电池"><a href="#口诀2：电池故障——电池报警靠边停，切勿擅自拆电池" class="headerlink" title="口诀2：电池故障——电池报警靠边停，切勿擅自拆电池"></a>口诀2：电池故障——电池报警靠边停，切勿擅自拆电池</h3><p><strong>详细解释</strong>：</p><ul><li>电池报警灯亮（红色）→立即靠边停车，远离封闭室内停车场，停在空旷室外</li><li><strong>严禁擅自拆卸电池包</strong>，高压电有致命危险</li><li>立即联系专业救援，告知车辆品牌和型号</li><li>电量低于20%需及时充电，避免深度放电损坏电池</li></ul><h3 id="口诀3：电池起火——断电报警，不用水"><a href="#口诀3：电池起火——断电报警，不用水" class="headerlink" title="口诀3：电池起火——断电报警，不用水"></a>口诀3：电池起火——断电报警，不用水</h3><p><strong>详细解释</strong>：</p><ul><li>火势刚起且能断电→立即断电</li><li>注意防高温、有毒气体</li><li><strong>锂电池起火不能用水扑灭</strong>，使用大量水降温或干粉灭火器</li><li>电池无明火不代表安全，需持续监控防止复燃</li><li>报警时告知起火汽车的品牌和型号</li></ul><h3 id="口诀4：新能源车仪表盘指示灯速记"><a href="#口诀4：新能源车仪表盘指示灯速记" class="headerlink" title="口诀4：新能源车仪表盘指示灯速记"></a>口诀4：新能源车仪表盘指示灯速记</h3><table><thead><tr><th>指示灯</th><th>含义</th><th>处置</th></tr></thead><tbody><tr><td>动力蓄电池故障（红色电池+！）</td><td>电池系统故障</td><td>立即停车，联系救援</td></tr><tr><td>动力蓄电池高温报警（电池+温度计）</td><td>电池过热</td><td>停车降温</td></tr><tr><td>充电系统故障（红色+-电池）</td><td>充电系统异常</td><td>检查充电桩和线路</td></tr><tr><td>低电量警告（黄色+-电池）</td><td>电量即将耗尽</td><td>尽快充电</td></tr><tr><td>驱动电机故障（电机+！）</td><td>电机系统故障</td><td>停车检查</td></tr><tr><td>电机过热警告（电机+热气）</td><td>电机温度过高</td><td>停车降温</td></tr><tr><td>胎压故障警告（黄色马蹄+！）</td><td>胎压异常</td><td>检查轮胎气压</td></tr><tr><td>系统故障（汽车+！）</td><td>整车系统异常</td><td>停车检查</td></tr></tbody></table><blockquote><p><strong>⚠️ 颜色规律</strong>：红色&#x3D;立即停车，黄色&#x3D;尽快处理，绿色&#x3D;功能正常开启。</p></blockquote><h2 id="十三、智能辅助驾驶（2026新增考点！）"><a href="#十三、智能辅助驾驶（2026新增考点！）" class="headerlink" title="十三、智能辅助驾驶（2026新增考点！）"></a>十三、智能辅助驾驶（2026新增考点！）</h2><h3 id="口诀1：智能辅助≠自动驾驶，双手不脱方向盘"><a href="#口诀1：智能辅助≠自动驾驶，双手不脱方向盘" class="headerlink" title="口诀1：智能辅助≠自动驾驶，双手不脱方向盘"></a>口诀1：智能辅助≠自动驾驶，双手不脱方向盘</h3><p><strong>详细解释</strong>：</p><ul><li><strong>L2级辅助驾驶</strong>仍需驾驶人全程监控，双手不能离开方向盘</li><li>ACC自适应巡航&#x3D;自动保持与前车距离，但不控制方向</li><li>LCC车道居中辅助&#x3D;辅助保持车道，但仍需手握方向盘</li><li>自动泊车前提：车速低于限制、周围环境安全、系统确认可用</li><li><strong>系统失效时立即接管</strong>，不能依赖系统</li></ul><h3 id="口诀2：辅助驾驶使用场景"><a href="#口诀2：辅助驾驶使用场景" class="headerlink" title="口诀2：辅助驾驶使用场景"></a>口诀2：辅助驾驶使用场景</h3><table><thead><tr><th>功能</th><th>正确使用</th><th>常见错误</th></tr></thead><tbody><tr><td>ACC自适应巡航</td><td>高速&#x2F;快速路保持车距</td><td>在复杂城市道路使用</td></tr><tr><td>LCC车道居中</td><td>标线清晰的高速路</td><td>标线模糊&#x2F;施工路段使用</td></tr><tr><td>自动泊车</td><td>标准车位、低速</td><td>非标准车位强行使用</td></tr><tr><td>AEB自动紧急制动</td><td>安全辅助，不能替代刹车</td><td>完全依赖AEB不主动制动</td></tr></tbody></table><blockquote><p><strong>⚠️ 核心原则</strong>：任何辅助驾驶系统都是“辅助”，驾驶人始终是安全第一责任人。</p></blockquote><p><strong>自动驾驶分级速记</strong>：</p><table><thead><tr><th>级别</th><th>名称</th><th>特点</th><th>考试要点</th></tr></thead><tbody><tr><td>L0</td><td>无自动化</td><td>纯人工驾驶</td><td>传统车辆</td></tr><tr><td>L1</td><td>驾驶辅助</td><td>单项辅助（如定速巡航）</td><td>驾驶人全程操控</td></tr><tr><td>L2</td><td>部分自动化</td><td>多项辅助（ACC+LCC）</td><td><strong>双手不脱方向盘</strong></td></tr><tr><td>L3</td><td>有条件自动化</td><td>特定场景自动驾驶</td><td>需随时接管</td></tr><tr><td>L4+</td><td>高度&#x2F;完全自动化</td><td>限定区域无人驾驶</td><td>目前考试不涉及</td></tr></tbody></table><blockquote><p><strong>考试秒杀</strong>：只要题目说“可以离开方向盘”“完全自动驾驶”→一律错误！当前量产车最高只支持L2级。</p></blockquote><h2 id="十四、判断题万能秒杀口诀"><a href="#十四、判断题万能秒杀口诀" class="headerlink" title="十四、判断题万能秒杀口诀"></a>十四、判断题万能秒杀口诀</h2><h3 id="✅-全对关键词（看到直接选正确）"><a href="#✅-全对关键词（看到直接选正确）" class="headerlink" title="✅ 全对关键词（看到直接选正确）"></a>✅ 全对关键词（看到直接选正确）</h3><p>安全、减速、礼让、观察、缓慢、停车、避让、止血、救人、报警、谨慎、低速</p><h3 id="❌-全错关键词（看到直接选错误）"><a href="#❌-全错关键词（看到直接选错误）" class="headerlink" title="❌ 全错关键词（看到直接选错误）"></a>❌ 全错关键词（看到直接选错误）</h3><p>加速、迅速、紧急制动、立即通过、不用避让、快速穿插、盲目超车、高速占道</p><h3 id="💡-特殊秒杀规则"><a href="#💡-特殊秒杀规则" class="headerlink" title="💡 特殊秒杀规则"></a>💡 特殊秒杀规则</h3><p>抢救伤员优先、报警处置一律正确；擅自驶离、自行撤离、不报警、不避让一律错误；高速所有违规超车、占用应急车道行为全部错误。</p><h3 id="💡-新能源-智能驾驶秒杀规则"><a href="#💡-新能源-智能驾驶秒杀规则" class="headerlink" title="💡 新能源&#x2F;智能驾驶秒杀规则"></a>💡 新能源&#x2F;智能驾驶秒杀规则</h3><ul><li>涉及”可以离开方向盘””完全自动驾驶””用水灭电池火”→<strong>错误</strong></li><li>涉及”立即停车””联系救援””使用干粉灭火器””双手不离开方向盘”→<strong>正确</strong></li><li>涉及”先接车身再接电””充满断电再拔线”→<strong>正确</strong></li></ul><hr><h1 id="附图速查"><a href="#附图速查" class="headerlink" title="附图速查"></a>附图速查</h1><h2 id="车辆仪表盘指示灯"><a href="#车辆仪表盘指示灯" class="headerlink" title="车辆仪表盘指示灯"></a>车辆仪表盘指示灯</h2><blockquote><p>红色&#x3D;危险立即停车，黄色&#x3D;警告尽快检修，绿色&#x3D;功能正常</p></blockquote><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260721095812462.jpeg"></p><h3 id="🔴-红色指示灯（危险警报，立即停车）"><a href="#🔴-红色指示灯（危险警报，立即停车）" class="headerlink" title="🔴 红色指示灯（危险警报，立即停车）"></a>🔴 红色指示灯（危险警报，立即停车）</h3><table><thead><tr><th>指示灯</th><th>图标特征</th><th>含义</th><th>处置方法</th></tr></thead><tbody><tr><td>机油压力报警</td><td>🔴 红色油壶滴油</td><td>机油压力不足，发动机缺润滑</td><td>立即熄火，检查机油油位</td></tr><tr><td>制动系统故障</td><td>🔴 圆圈内感叹号</td><td>刹车系统故障&#x2F;制动液不足</td><td>禁止行驶，呼叫救援</td></tr><tr><td>安全带未系</td><td>🟡 人形+安全带</td><td>未系安全带</td><td>起步前必须系好</td></tr><tr><td>驻车制动</td><td>🔴 圆圈内P</td><td>手刹未松或制动异常</td><td>松手刹后仍亮需检修</td></tr><tr><td>冷却液温度</td><td>🔴 红色温度计</td><td>水温过高&#x2F;冷却液不足</td><td>立即熄火降温</td></tr><tr><td>发动机故障</td><td>🟡 发动机形状</td><td>发动机控制系统故障</td><td>尽快检修</td></tr><tr><td>蓄电池故障</td><td>🔴 电池形状</td><td>发电机&#x2F;充电系统故障</td><td>关闭电器，尽快检修</td></tr><tr><td>安全气囊</td><td>🔴 人形+圆球</td><td>安全气囊系统故障</td><td>尽快检修</td></tr></tbody></table><h3 id="🟡-黄色指示灯（警告提示，尽快检修）"><a href="#🟡-黄色指示灯（警告提示，尽快检修）" class="headerlink" title="🟡 黄色指示灯（警告提示，尽快检修）"></a>🟡 黄色指示灯（警告提示，尽快检修）</h3><table><thead><tr><th>指示灯</th><th>图标特征</th><th>含义</th><th>处置方法</th></tr></thead><tbody><tr><td>发动机故障灯</td><td>🟡 发动机轮廓</td><td>发动机控制系统异常</td><td>可行驶但需尽快检修</td></tr><tr><td>ABS故障灯</td><td>🟡 ABS字母</td><td>防抱死系统失效</td><td>避免急刹，尽快检修</td></tr><tr><td>胎压监测灯</td><td>🟡 轮胎截面+感叹号</td><td>胎压异常（过高或过低）</td><td>停车检查轮胎气压</td></tr><tr><td>燃油不足灯</td><td>🟡 加油机形状</td><td>燃油即将耗尽</td><td>剩余续航约50公里，尽快加油</td></tr><tr><td>转向系统故障</td><td>🟡 方向盘+感叹号</td><td>转向助力系统故障</td><td>谨慎驾驶，尽快检修</td></tr><tr><td>照明系统故障</td><td>🟡 灯泡+感叹号</td><td>车外灯灯泡故障</td><td>检查更换灯泡</td></tr></tbody></table><h3 id="🟢🔵-绿色-蓝色指示灯（状态正常）"><a href="#🟢🔵-绿色-蓝色指示灯（状态正常）" class="headerlink" title="🟢🔵 绿色&#x2F;蓝色指示灯（状态正常）"></a>🟢🔵 绿色&#x2F;蓝色指示灯（状态正常）</h3><table><thead><tr><th>指示灯</th><th>图标特征</th><th>含义</th></tr></thead><tbody><tr><td>远光灯</td><td>🔵 蓝色光束线条水平</td><td>远光灯开启，会车时切换近光</td></tr><tr><td>近光灯</td><td>🟢 绿色光束线条向下</td><td>近光灯开启，正常行驶</td></tr><tr><td>前雾灯</td><td>🟢 绿色线条向左+波浪</td><td>前雾灯开启，雾天使用</td></tr><tr><td>后雾灯</td><td>🟢 绿色线条向右+波浪</td><td>后雾灯开启，雾天使用</td></tr><tr><td>转向灯</td><td>🟢 绿色箭头闪烁</td><td>转向&#x2F;变道提示</td></tr><tr><td>示宽灯</td><td>🟢 绿色小灯</td><td>示宽灯开启</td></tr></tbody></table><h3 id="📱-新能源汽车专用指示灯"><a href="#📱-新能源汽车专用指示灯" class="headerlink" title="📱 新能源汽车专用指示灯"></a>📱 新能源汽车专用指示灯</h3><table><thead><tr><th>指示灯</th><th>图标特征</th><th>含义</th><th>处置方法</th></tr></thead><tbody><tr><td>动力蓄电池故障</td><td>🔴 电池+感叹号</td><td>高压电池系统异常</td><td>立即停车，呼叫救援</td></tr><tr><td>动力蓄电池高温</td><td>🔴 电池+温度计</td><td>电池过热报警</td><td>立即停车，远离车辆</td></tr><tr><td>驱动电机故障</td><td>🔴 电机形状+感叹号</td><td>驱动电机系统故障</td><td>停车检查，呼叫检修</td></tr><tr><td>电机过热警告</td><td>🟡 电机+热气</td><td>电机温度过高</td><td>停车降温</td></tr><tr><td>低荷电状态警告</td><td>🟡 电池+黄色</td><td>电量不足，续航告急</td><td>尽快找充电桩</td></tr><tr><td>系统故障</td><td>🟡 汽车+感叹号</td><td>整车系统故障</td><td>停车检查</td></tr></tbody></table><h3 id="指示灯颜色速记口诀"><a href="#指示灯颜色速记口诀" class="headerlink" title="指示灯颜色速记口诀"></a>指示灯颜色速记口诀</h3><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br></pre></td><td class="code"><pre><span class="line">红色停车莫迟疑，黄色警告快检修；</span><br><span class="line">绿色正常放心开，蓝色远光要切换。</span><br></pre></td></tr></table></figure><h3 id="🔗-在线参考资源"><a href="#🔗-在线参考资源" class="headerlink" title="🔗 在线参考资源"></a>🔗 在线参考资源</h3><ul><li><a href="http://www.youchejiuxing.com/jtcs/ybpzsddq">汽车仪表盘指示灯大全图解（有车就行）</a></li><li><a href="https://m.toutiao.com/a7663511770882916874/">2026科目一仪表指示灯按颜色分类记忆（头条）</a></li><li><a href="https://m.pcauto.com.cn/note/854286826147416732.html">汽车仪表盘故障灯图解大全（太平洋汽车）</a></li><li><a href="https://www.autohome.com.cn/ask/21356289.html">新能源汽车指示灯图解（汽车之家）</a></li></ul><h2 id="禁令标志"><a href="#禁令标志" class="headerlink" title="禁令标志"></a>禁令标志</h2><blockquote><p>红色圆圈&#x3D;禁止，白底红字&#x3D;限制</p></blockquote><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260721100258374.jpeg"></p><h2 id="警告标志"><a href="#警告标志" class="headerlink" title="警告标志"></a>警告标志</h2><blockquote><p>黄色三角&#x3D;注意危险</p></blockquote><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260721100247733.jpeg"></p><h2 id="指示标志"><a href="#指示标志" class="headerlink" title="指示标志"></a>指示标志</h2><blockquote><p>蓝色圆形&#x2F;方形&#x3D;必须遵守的指示</p></blockquote><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260721100236853.jpeg"></p><h2 id="高速公路标志"><a href="#高速公路标志" class="headerlink" title="高速公路标志"></a>高速公路标志</h2><blockquote><p>绿色方形&#x3D;高速指路标志，白色&#x3D;辅助标志</p></blockquote><p><strong>高速公路常见标志速记</strong>：</p><table><thead><tr><th>标志</th><th>含义</th></tr></thead><tbody><tr><td>出口预告（500m&#x2F;1km&#x2F;2km）</td><td>提前告知出口距离，需提前变道至最右侧</td></tr><tr><td>服务区预告</td><td>前方有服务区，可休息&#x2F;加油&#x2F;充电</td></tr><tr><td>收费站预告</td><td>前方收费站，减速准备停车</td></tr><tr><td>最低限速标志（蓝底白字）</td><td>该车最低行驶速度</td></tr><tr><td>车距确认线（白色半圆）</td><td>用于确认与前车的安全距离</td></tr></tbody></table><h2 id="道路标线图解"><a href="#道路标线图解" class="headerlink" title="道路标线图解"></a>道路标线图解</h2><blockquote><p>核心：虚线可跨，实线禁压</p></blockquote><table><thead><tr><th>标线类型</th><th>含义</th><th>能否跨越</th></tr></thead><tbody><tr><td>白色虚线</td><td>同向车道分界</td><td>✅ 可临时跨越变道</td></tr><tr><td>白色实线</td><td>同向车道分界</td><td>❌ 禁止跨越变道</td></tr><tr><td>黄色单虚线</td><td>对向车道分界（双向两车道）</td><td>✅ 可借道超车&#x2F;掉头</td></tr><tr><td>黄色单实线</td><td>对向车道分界</td><td>❌ 禁止跨越</td></tr><tr><td>黄色双实线</td><td>对向车道分界（多车道）</td><td>❌ 严格禁止跨越</td></tr><tr><td>网状线</td><td>路口禁停区</td><td>❌ 禁止停车，可通行</td></tr><tr><td>导流线</td><td>路口分流区域</td><td>❌ 禁止压线&#x2F;停车</td></tr><tr><td>减速标线（白色菱形）</td><td>提示减速</td><td>— 注意减速慢行</td></tr></tbody></table><h2 id="交警手势"><a href="#交警手势" class="headerlink" title="交警手势"></a>交警手势</h2><blockquote><p>核心：交警脸对谁就指挥谁！</p></blockquote><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/20260721100227004.jpeg"></p><h3 id="交警手势八种信号速记"><a href="#交警手势八种信号速记" class="headerlink" title="交警手势八种信号速记"></a>交警手势八种信号速记</h3><table><thead><tr><th>手势</th><th>动作特征</th><th>记忆要点</th></tr></thead><tbody><tr><td>停止信号</td><td>左臂向前上方直伸</td><td>左手举高&#x3D;停</td></tr><tr><td>直行信号</td><td>两臂平伸，右臂曲胸前</td><td>双手张开&#x3D;直行</td></tr><tr><td>左转弯信号</td><td>右臂向前平伸</td><td>右手指向&#x3D;左转</td></tr><tr><td>左转弯待转</td><td>左手向前平伸下压</td><td>左手向下压&#x3D;等待左转</td></tr><tr><td>右转弯信号</td><td>左臂向前平伸</td><td>左手指向&#x3D;右转</td></tr><tr><td>变道信号</td><td>右臂从侧面向两脚间摆动</td><td>手向中间摆&#x3D;变道</td></tr><tr><td>减速慢行</td><td>右臂向前下方平伸下压</td><td>手下压&#x3D;减速</td></tr><tr><td>靠边停车</td><td>左臂向前上方斜伸</td><td>手指向路边&#x3D;靠边</td></tr></tbody></table><h3 id="让行标志图解"><a href="#让行标志图解" class="headerlink" title="让行标志图解"></a>让行标志图解</h3><table><thead><tr><th>标志类型</th><th>含义</th><th>图示</th></tr></thead><tbody><tr><td>会车先行</td><td>己方方向箭头粗→己方优先通行</td><td><img src="http://k.sinaimg.cn/n/sinacn10115/669/w434h235/20200303/aebb-iqfqmat8505922.jpg/w700d1q75cms.jpg" alt="会车先行让行" style="zoom:70%;" /></td></tr><tr><td>环岛让行</td><td>进入环岛车辆让已在环岛内车辆先行</td><td><img src="http://k.sinaimg.cn/n/sinacn10115/580/w400h180/20200303/63bb-iqfqmat8505762.jpg/w700d1q75cms.jpg" alt="环岛让行" style="zoom:70%;" /></td></tr><tr><td>特殊车辆让行</td><td>执行任务的警车、消防车、救护车优先</td><td><img src="http://k.sinaimg.cn/n/sinacn10115/601/w365h236/20200303/8d56-iqfqmat8506160.jpg/w700d1q75cms.jpg" alt="特殊车辆让行" style="zoom:70%;" /></td></tr></tbody></table><blockquote><p><strong>会车先行&#x2F;会车让行区分技巧</strong>：看箭头！己方方向箭头粗&#x3D;先行，箭头细&#x3D;让行。</p></blockquote><h2 id="新能源汽车专属指示灯"><a href="#新能源汽车专属指示灯" class="headerlink" title="新能源汽车专属指示灯"></a>新能源汽车专属指示灯</h2><blockquote><p>下图为2026科目一常考的新能源汽车仪表盘指示灯汇总：</p></blockquote><table><thead><tr><th>指示灯图标描述</th><th>含义</th><th>紧急程度</th></tr></thead><tbody><tr><td>🔴 电池+-带感叹号</td><td>动力蓄电池故障</td><td>立即停车</td></tr><tr><td>🔴 电池+-带温度计</td><td>动力蓄电池高温报警</td><td>立即停车</td></tr><tr><td>🔴 纯电池+-图标</td><td>充电系统故障</td><td>尽快检修</td></tr><tr><td>🟡 黄色电池+-图标</td><td>低电量警告</td><td>尽快充电</td></tr><tr><td>🔴 电机带感叹号</td><td>驱动电机故障</td><td>立即停车</td></tr><tr><td>🟡 电机冒热气</td><td>电机过热警告</td><td>停车降温</td></tr><tr><td>🟡 马蹄形带感叹号</td><td>胎压故障</td><td>检查胎压</td></tr><tr><td>🔴 小车带感叹号</td><td>系统故障</td><td>停车检查</td></tr></tbody></table><p><strong>新能源指示灯识别规律</strong>：</p><ul><li>先看基础形态：电池&#x3D;电池相关、电机&#x3D;电机相关、汽车+感叹号&#x3D;整车故障、马蹄形&#x3D;胎压</li><li>再看附加符号：感叹号&#x3D;故障、温度计&#x3D;温度异常、冒热气&#x3D;过热</li><li>最后看颜色：红色&#x3D;立即停车、黄色&#x3D;尽快处理</li></ul><p><strong>🔗 新能源指示灯在线图解</strong>：</p><ul><li><a href="https://mbd.baidu.com/newspage/data/dtlandingsuper?from=2001k&nid=dt_5041167304261492176">新能源电车指示灯 一图速记（百度）</a></li><li><a href="https://m.pcauto.com.cn/note/854286826147416732.html">科普：新能源车故障灯图解（太平洋汽车）</a></li><li><a href="https://www.autohome.com.cn/ask/21356289.html">新能源汽车仪表指示灯解读（汽车之家）</a></li></ul><hr>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/25/%E7%A7%91%E7%9B%AE%E4%B8%80%E8%80%83%E8%AF%95%E5%85%A8%E5%A5%97%E5%8F%A3%E8%AF%80%E9%80%9F%E8%AE%B0/</id>
    <link href="https://gongyeqi.top/2026/07/25/%E7%A7%91%E7%9B%AE%E4%B8%80%E8%80%83%E8%AF%95%E5%85%A8%E5%A5%97%E5%8F%A3%E8%AF%80%E9%80%9F%E8%AE%B0/"/>
    <published>2026-07-25T03:20:29.000Z</published>
    <summary>根据2026年最新交规和科目一考试大纲整理的全套口诀速记，涵盖扣分标准、新增新能源/智能驾驶考点</summary>
    <title>科目一考试全套口诀速记</title>
    <updated>2026-07-25T03:20:28.904Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="Java程序员的Agent探索之路" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/"/>
    <category term="AI大模型基础认知" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/AI%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E8%AE%A4%E7%9F%A5/"/>
    <category term="大模型" scheme="https://gongyeqi.top/tags/%E5%A4%A7%E6%A8%A1%E5%9E%8B/"/>
    <category term="Ollama" scheme="https://gongyeqi.top/tags/Ollama/"/>
    <category term="Hugging Face" scheme="https://gongyeqi.top/tags/Hugging-Face/"/>
    <category term="ModelScope" scheme="https://gongyeqi.top/tags/ModelScope/"/>
    <content>
      <![CDATA[<h1 id="大模型长什么样"><a href="#大模型长什么样" class="headerlink" title="大模型长什么样"></a><strong>大模型长什么样</strong></h1><p>经过前边的文章，大概是已经知道大模型是什么了，但它到底存在哪里？怎么拿到手？理论已经了解了，但没有真正跑过一个本地模型，会觉得这东西很”虚”，这篇文章解决这个问题。</p><hr><h2 id="一、大模型存在哪里"><a href="#一、大模型存在哪里" class="headerlink" title="一、大模型存在哪里"></a>一、大模型存在哪里</h2><p>大模型的本体是一堆权重文件（<code>.safetensors</code> &#x2F; <code>.bin</code> &#x2F; <code>.gguf</code>），就像 Java 的 <code>.jar</code> 包，只不过体积从几 MB 变成了几 GB 到几百 GB。</p><p>这些文件托管在两个主要平台：</p><table><thead><tr><th>平台</th><th>定位</th><th>访问</th></tr></thead><tbody><tr><td><strong>Hugging Face</strong></td><td>全球最大模型社区，学术 + 开源主战场</td><td>huggingface.co</td></tr><tr><td><strong>魔塔社区（ModelScope）</strong></td><td>阿里云旗下，国内访问快，中文模型多</td><td>modelscope.cn</td></tr></tbody></table><p>国内网络访问 Hugging Face 不稳定，<strong>建议先用 ModelScope 上手</strong>，两个平台的模型大部分是互通的。</p><hr><h2 id="二、逛-Hugging-Face"><a href="#二、逛-Hugging-Face" class="headerlink" title="二、逛 Hugging Face"></a>二、逛 Hugging Face</h2><h3 id="主页导航"><a href="#主页导航" class="headerlink" title="主页导航"></a>主页导航</h3><p>打开 huggingface.co，顶部导航最重要的三个：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">Models    → 找模型（核心）</span><br><span class="line">Datasets  → 找数据集（训练用）</span><br><span class="line">Spaces    → 在线体验模型（不用本地部署）</span><br></pre></td></tr></table></figure><h3 id="模型搜索与筛选"><a href="#模型搜索与筛选" class="headerlink" title="模型搜索与筛选"></a>模型搜索与筛选</h3><p>点击 Models，左侧筛选栏：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br></pre></td><td class="code"><pre><span class="line">Tasks（任务类型）：</span><br><span class="line">  Text Generation        → 文字生成，就是我们要用的 LLM</span><br><span class="line">  Sentence Similarity    → 语义相似度（Embedding 模型在这里）</span><br><span class="line">  Text-to-Image          → 文生图</span><br><span class="line">  Automatic Speech Recognition → 语音转文字</span><br><span class="line"></span><br><span class="line">Libraries（框架）：</span><br><span class="line">  GGUF   → 量化版，可以在普通电脑上跑</span><br><span class="line"></span><br><span class="line">Languages（语言）：</span><br><span class="line">  zh → 筛选支持中文的模型</span><br></pre></td></tr></table></figure><h3 id="读懂模型名字"><a href="#读懂模型名字" class="headerlink" title="读懂模型名字"></a>读懂模型名字</h3><p>以 <code>Qwen/Qwen2.5-7B-Instruct</code> 为例：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">Qwen/Qwen2.5-7B-Instruct</span><br><span class="line">│    │         │    └── Instruct：经过指令微调，能对话</span><br><span class="line">│    │         └──── 7B：70亿参数</span><br><span class="line">│    └──────────── Qwen2.5：第几代，越大越新</span><br><span class="line">└───────────────── Qwen：阿里巴巴团队（发布者）</span><br></pre></td></tr></table></figure><p><img src="https://cdn.nlark.com/yuque/0/2026/png/29413969/1772526431514-3abaafb8-fa7c-49d3-9097-b117e3a28c0b.png" alt="img"></p><h3 id="模型主页关键信息"><a href="#模型主页关键信息" class="headerlink" title="模型主页关键信息"></a>模型主页关键信息</h3><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">📊 Downloads/month   → 每月下载量，越高越主流</span><br><span class="line">⭐ Likes             → 社区热度</span><br><span class="line">📄 Model Card        → 模型说明书，最重要！</span><br><span class="line">📁 Files and versions → 实际的模型文件</span><br></pre></td></tr></table></figure><p>Model Card 一定要读，里面包含：能做什么、支持多长上下文、怎么用（示例代码）、在各基准测试上的分数、模型不擅长什么。</p><hr><h2 id="三、逛-ModelScope（国内推荐）"><a href="#三、逛-ModelScope（国内推荐）" class="headerlink" title="三、逛 ModelScope（国内推荐）"></a>三、逛 ModelScope（国内推荐）</h2><p>打开 modelscope.cn，界面和 Hugging Face 类似。</p><p>常用搜索技巧：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">搜索 &quot;qwen&quot;       → 找通义千问系列</span><br><span class="line">搜索 &quot;deepseek&quot;   → 找 DeepSeek 系列</span><br><span class="line">搜索 &quot;embedding&quot;  → 找向量模型</span><br><span class="line">搜索 &quot;7B GGUF&quot;    → 找可以本地跑的量化版</span><br></pre></td></tr></table></figure><p>国内 CDN 加速，下载速度远快于 Hugging Face，而且很多国内公司优先在这里发布模型。</p><hr><h2 id="四、理解模型的”规格参数”"><a href="#四、理解模型的”规格参数”" class="headerlink" title="四、理解模型的”规格参数”"></a>四、理解模型的”规格参数”</h2><h3 id="参数量（B-Billion）"><a href="#参数量（B-Billion）" class="headerlink" title="参数量（B &#x3D; Billion）"></a>参数量（B &#x3D; Billion）</h3><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">0.5B   →  5亿参数，很小，手机都能跑</span><br><span class="line">1.5B   → 15亿参数，轻量级</span><br><span class="line">7B     → 70亿参数，性价比之王，笔记本可跑</span><br><span class="line">13B    → 130亿参数，效果更好，需要好点的显卡</span><br><span class="line">70B    → 700亿参数，接近 GPT-4 级别，需要多张 A100</span><br></pre></td></tr></table></figure><p>参数量越大不一定越好，同等参数下训练质量更重要——DeepSeek-V3 就是靠算法效率超越了更大的模型。</p><h3 id="量化版本（Q4、Q8、GGUF）"><a href="#量化版本（Q4、Q8、GGUF）" class="headerlink" title="量化版本（Q4、Q8、GGUF）"></a>量化版本（Q4、Q8、GGUF）</h3><p>原始模型每个参数用 16 位或 32 位浮点数存储，体积巨大。<strong>量化</strong>是把精度降低（比如用 4 位存），体积缩小 4-8 倍，性能损失约 1-5%。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">模型名中常见的标识：</span><br><span class="line">  Q4_K_M  → 4位量化，平衡版（推荐）</span><br><span class="line">  Q8_0    → 8位量化，质量更好但更大</span><br><span class="line">  F16     → 16位，原始精度，最大最好</span><br><span class="line">  GGUF    → llama.cpp/Ollama 支持的格式</span><br></pre></td></tr></table></figure><h3 id="Base-vs-Instruct-vs-Chat"><a href="#Base-vs-Instruct-vs-Chat" class="headerlink" title="Base vs Instruct vs Chat"></a>Base vs Instruct vs Chat</h3><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">Qwen2.5-7B           → Base 基础模型，只会&quot;续写&quot;，不会&quot;对话&quot;</span><br><span class="line">Qwen2.5-7B-Instruct  → 指令微调版，能理解&quot;请帮我…&quot;的指令</span><br><span class="line">Qwen2.5-7B-Chat      → 对话优化版（和 Instruct 类似，不同团队的叫法）</span><br></pre></td></tr></table></figure><p><strong>做应用开发，一定要用 Instruct 或 Chat 版。</strong> 有人用 Base 版然后问为什么模型不回答问题，就是这个原因。</p><hr><h2 id="五、亲手跑一个模型（Ollama）"><a href="#五、亲手跑一个模型（Ollama）" class="headerlink" title="五、亲手跑一个模型（Ollama）"></a>五、亲手跑一个模型（Ollama）</h2><p>不需要懂 Python，不需要 GPU，Ollama 搞定一切。</p><h3 id="安装-Ollama"><a href="#安装-Ollama" class="headerlink" title="安装 Ollama"></a>安装 Ollama</h3><figure class="highlight bash"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line"><span class="comment"># macOS / Linux</span></span><br><span class="line">curl -fsSL https://ollama.com/install.sh | sh</span><br><span class="line"></span><br><span class="line"><span class="comment"># Windows：到 ollama.com 下载安装包</span></span><br></pre></td></tr></table></figure><p>安装完验证：</p><figure class="highlight bash"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br></pre></td><td class="code"><pre><span class="line">ollama --version</span><br><span class="line"><span class="comment"># 输出：ollama version 0.x.x 说明安装成功</span></span><br></pre></td></tr></table></figure><h3 id="下载并运行模型"><a href="#下载并运行模型" class="headerlink" title="下载并运行模型"></a>下载并运行模型</h3><figure class="highlight bash"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br></pre></td><td class="code"><pre><span class="line"><span class="comment"># 下载并运行 Qwen2.5 1.5B（小模型，约 1GB，适合体验）</span></span><br><span class="line">ollama run qwen2.5:1.5b</span><br><span class="line"></span><br><span class="line"><span class="comment"># 下载并运行 DeepSeek-R1 1.5B</span></span><br><span class="line">ollama run deepseek-r1:1.5b</span><br><span class="line"></span><br><span class="line"><span class="comment"># 下载并运行 Llama3.2 3B</span></span><br><span class="line">ollama run llama3.2:3b</span><br></pre></td></tr></table></figure><p>第一次运行会先下载，下载完直接进入对话：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">&gt;&gt;&gt; 你好，你是谁？</span><br><span class="line">我是通义千问，阿里巴巴开发的AI助手...</span><br><span class="line"></span><br><span class="line">&gt;&gt;&gt; /bye</span><br></pre></td></tr></table></figure><h3 id="常用命令"><a href="#常用命令" class="headerlink" title="常用命令"></a>常用命令</h3><figure class="highlight bash"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">ollama list          <span class="comment"># 查看已下载的模型</span></span><br><span class="line">ollama pull &lt;模型&gt;   <span class="comment"># 下载模型</span></span><br><span class="line">ollama <span class="built_in">rm</span> &lt;模型&gt;     <span class="comment"># 删除模型</span></span><br><span class="line">ollama run &lt;模型&gt;    <span class="comment"># 在终端运行对话</span></span><br><span class="line">ollama serve         <span class="comment"># 启动 API 服务（默认端口 11434）</span></span><br></pre></td></tr></table></figure><h3 id="用-API-调用（Java-开发者最关心的）"><a href="#用-API-调用（Java-开发者最关心的）" class="headerlink" title="用 API 调用（Java 开发者最关心的）"></a>用 API 调用（Java 开发者最关心的）</h3><p>Ollama 启动后会在本地暴露一个 HTTP API，格式和 OpenAI 完全兼容：</p><figure class="highlight bash"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">curl http://localhost:11434/api/chat -d <span class="string">&#x27;&#123;</span></span><br><span class="line"><span class="string">  &quot;model&quot;: &quot;qwen2.5:1.5b&quot;,</span></span><br><span class="line"><span class="string">  &quot;messages&quot;: [&#123;&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;用一句话解释什么是 Spring Boot&quot;&#125;],</span></span><br><span class="line"><span class="string">  &quot;stream&quot;: false</span></span><br><span class="line"><span class="string">&#125;&#x27;</span></span><br></pre></td></tr></table></figure><p>在后面，会用 Java 的 <code>HttpClient</code> 调用这个接口； Spring AI 会通过 <code>OllamaChatModel</code> 自动集成它。</p><hr><h2 id="六、Hugging-Face-Spaces：不想下载直接体验"><a href="#六、Hugging-Face-Spaces：不想下载直接体验" class="headerlink" title="六、Hugging Face Spaces：不想下载直接体验"></a>六、Hugging Face Spaces：不想下载直接体验</h2><p>如果只是想感受某个模型，不想下载，可以用 <strong>Spaces</strong>。</p><p>打开 huggingface.co&#x2F;spaces，搜索模型名，很多模型都有免费的在线 Demo。比如搜索 <code>Qwen2.5</code>，找到官方 Demo，直接在浏览器对话。</p><p>适合在买 API 额度或下载模型之前，先感受一下效果。</p><hr><h2 id="七、模型文件长什么样"><a href="#七、模型文件长什么样" class="headerlink" title="七、模型文件长什么样"></a>七、模型文件长什么样</h2><p>打开任意模型的 “Files and versions” 标签，会看到：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br></pre></td><td class="code"><pre><span class="line">config.json           → 模型结构配置（层数、维度等）</span><br><span class="line">tokenizer.json        → 分词器（把文字切成 Token 的规则）</span><br><span class="line">model.safetensors     → 实际的权重文件（最大，几 GB）</span><br><span class="line">  或拆分为：</span><br><span class="line">  model-00001-of-00004.safetensors</span><br><span class="line">  model-00002-of-00004.safetensors</span><br><span class="line">  ……</span><br><span class="line">README.md             → 就是 Model Card</span><br></pre></td></tr></table></figure><p><code>.safetensors</code> 或 <code>.bin</code> 文件就是模型的”大脑”，Ollama 下载的 <code>.gguf</code> 是它的量化压缩版。</p><hr><h3 id="Hugging-Face-和-Ollama-有什么区别？"><a href="#Hugging-Face-和-Ollama-有什么区别？" class="headerlink" title="Hugging Face 和 Ollama 有什么区别？"></a>Hugging Face 和 Ollama 有什么区别？</h3><p>现在对 Ollama 已经有感觉了，解释一个常见问题：Hugging Face 上也能找到 Qwen、DeepSeek 这些模型，和 Ollama 上的有什么区别？</p><p><strong>Hugging Face 是模型仓库，Ollama 是运行工具。</strong> 两者不是竞争关系，而是上下游：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">Hugging Face    →    存放原始模型文件（.safetensors / .bin）</span><br><span class="line">      ↓ 转换 + 量化</span><br><span class="line">Ollama 的模型库 →    存放处理过的、可以直接在本地跑的版本（.gguf）</span><br></pre></td></tr></table></figure><table><thead><tr><th></th><th>Hugging Face</th><th>Ollama</th></tr></thead><tbody><tr><td><strong>定位</strong></td><td>全球最大模型托管平台</td><td>本地模型运行工具</td></tr><tr><td><strong>模型数量</strong></td><td>几十万个（全）</td><td>几百个（精选主流）</td></tr><tr><td><strong>文件格式</strong></td><td><code>.safetensors</code> <code>.bin</code>（原始精度）</td><td><code>.gguf</code>（量化压缩版）</td></tr><tr><td><strong>使用门槛</strong></td><td>需要 Python 环境加载</td><td>一条命令直接跑</td></tr><tr><td><strong>7B 模型大小</strong></td><td>原始约 14GB</td><td>量化版约 4-5GB</td></tr></tbody></table><p><code>Qwen2.5-7B-Instruct</code> 为例：Hugging Face 上是 14GB+ 的原始文件，需要用 Python 的 <code>transformers</code> 库加载；Ollama 上是 4.7GB 的量化版，<code>ollama pull</code> 一条命令搞定。</p><p><strong>同一个模型，不同形态。</strong></p>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/17/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E9%95%BF%E4%BB%80%E4%B9%88%E6%A0%B7/</id>
    <link href="https://gongyeqi.top/2026/07/17/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E9%95%BF%E4%BB%80%E4%B9%88%E6%A0%B7/"/>
    <published>2026-07-17T03:37:00.000Z</published>
    <summary>经过前边的文章，大概是已经知道大模型是什么了，但它到底存在哪里？怎么拿到手？理论已经了解了，但没有真正跑过一个本地模型，会觉得这东西很&quot;虚&quot;，这篇文章解决这个问题</summary>
    <title>大模型长什么样</title>
    <updated>2026-07-17T03:45:07.648Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="Java程序员的Agent探索之路" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/"/>
    <category term="AI大模型基础认知" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/AI%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E8%AE%A4%E7%9F%A5/"/>
    <category term="大模型" scheme="https://gongyeqi.top/tags/%E5%A4%A7%E6%A8%A1%E5%9E%8B/"/>
    <category term="Prompt" scheme="https://gongyeqi.top/tags/Prompt/"/>
    <category term="RAG" scheme="https://gongyeqi.top/tags/RAG/"/>
    <category term="Fine-tuning" scheme="https://gongyeqi.top/tags/Fine-tuning/"/>
    <content>
      <![CDATA[<h1 id="定制大模型的三种方式——Prompt、RAG、Fine-tuning-怎么选"><a href="#定制大模型的三种方式——Prompt、RAG、Fine-tuning-怎么选" class="headerlink" title="定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选"></a>定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选</h1><p>问题放在前边：如果我有一个具体需求，该用什么方式来让模型满足它？</p><h2 id="一、为什么需要”定制”模型"><a href="#一、为什么需要”定制”模型" class="headerlink" title="一、为什么需要”定制”模型"></a>一、为什么需要”定制”模型</h2><p>通用大模型（GPT-4o、Claude、通义千问）是在互联网公开数据上训练的，开箱即用有几个明显的限制：</p><p>●不知道你公司内部的知识（产品文档、规章制度、历史数据）</p><p>●不了解你的业务场景和专业术语</p><p>●说话风格和你的品牌调性可能不符</p><p>●对于高度专业化的任务效果有限</p><p>当通用能力不够时，主流方案有三种：<strong>Prompt Engineering、RAG、Fine-tuning</strong></p><h2 id="二、三种方式分别是什么"><a href="#二、三种方式分别是什么" class="headerlink" title="二、三种方式分别是什么"></a>二、三种方式分别是什么</h2><h3 id="Prompt-Engineering（提示词工程）"><a href="#Prompt-Engineering（提示词工程）" class="headerlink" title="Prompt Engineering（提示词工程）"></a>Prompt Engineering（提示词工程）</h3><p><strong>核心思路</strong>：不改变模型本身，通过精心设计输入来引导模型输出符合预期的结果。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">┌──────────────┐         ┌──────────────┐</span><br><span class="line">│  精心设计的   │  ─────▶ │   通用大模型   │  ─────▶ 符合预期的输出</span><br><span class="line">│   Prompt     │         │  （不变）     │</span><br><span class="line">└──────────────┘         └──────────────┘</span><br></pre></td></tr></table></figure><p>类比：同一个员工，大家给他不同的工作说明书，他的输出就不同。不需要”换”一个员工，只需要写好说明书。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br></pre></td><td class="code"><pre><span class="line">普通调用：</span><br><span class="line">  用户：帮我写一封邮件</span><br><span class="line">  结果：生成一封通用邮件，风格随机</span><br><span class="line"></span><br><span class="line">加了 Prompt Engineering：</span><br><span class="line">  System: 你是极技 AI 的客服专员，语气专业友好，</span><br><span class="line">          邮件结尾必须包含客服热线 400-xxx-xxxx，</span><br><span class="line">          不超过 150 字。</span><br><span class="line">  用户：帮我写一封感谢用户续费的邮件</span><br><span class="line">  结果：符合品牌风格、有固定结构、长度受控的邮件</span><br></pre></td></tr></table></figure><h3 id="RAG（检索增强生成）"><a href="#RAG（检索增强生成）" class="headerlink" title="RAG（检索增强生成）"></a>RAG（检索增强生成）</h3><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1772526344299-9eeb657f-a907-4953-8e6c-3a0c98102345.png" alt="image.png"></p><p><strong>核心思路</strong>：不改变模型，但在每次调用前，先从外部知识库里检索相关内容，动态注入 Prompt，让模型”临时学到”你的私有知识。</p><p>类比：开卷考试。考生（模型）没变，但每次答题前先翻到相关资料页，回答就会更准确。</p><p>RAG 的完整流程上节课讲过了，这里不重复。关键是：<strong>知识存在外部，随时可以更新，不需要重新训练模型</strong>。</p><h3 id="Fine-tuning（微调）"><a href="#Fine-tuning（微调）" class="headerlink" title="Fine-tuning（微调）"></a>Fine-tuning（微调）</h3><p><strong>核心思路</strong>：在已有大模型的基础上，用自己的数据继续训练，改变模型的权重参数，让模型”内化”新的知识或行为模式。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">┌──────────────┐                    ┌──────────────────┐</span><br><span class="line">│  通用大模型   │  + 你的训练数据 ──▶  │  定制化微调模型     │</span><br><span class="line">│  （基座）     │  （问答对/示例）      │  （权重已改变）    │</span><br><span class="line">└──────────────┘                    └──────────────────┘</span><br></pre></td></tr></table></figure><p>类比：给员工做专项培训，培训完他的能力本身发生了变化，不需要每次都带着参考资料。</p><p>Fine-tuning 需要什么：大量高质量的标注训练数据（通常数百到数千条问答对）、较高的计算资源（GPU）、专业的 ML 工程知识、持续的维护成本（数据更新要重新训练）。</p><h2 id="三、三种方式全面对比"><a href="#三、三种方式全面对比" class="headerlink" title="三、三种方式全面对比"></a>三、三种方式全面对比</h2><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1772526266766-c5b4f85d-e16e-40b3-be20-125b0516bc68.png" alt="image.png"></p><table><thead><tr><th align="center">维度</th><th align="center">Prompt Engineering</th><th align="center">RAG</th><th align="center">Fine-tuning</th></tr></thead><tbody><tr><td align="center">实现难度</td><td align="center">低</td><td align="center">中</td><td align="center">高</td></tr><tr><td align="center">开发成本</td><td align="center">极低</td><td align="center">中等</td><td align="center">高</td></tr><tr><td align="center">知识更新</td><td align="center">即时生效</td><td align="center">即时生效</td><td align="center">需重新训练</td></tr><tr><td align="center">知识容量</td><td align="center">受上下文窗口限制</td><td align="center">理论无限</td><td align="center">烘焙进参数（有限）</td></tr><tr><td align="center">模型是否改变</td><td align="center">否</td><td align="center">否</td><td align="center">是</td></tr><tr><td align="center">可解释性</td><td align="center">高（能看到 Prompt）</td><td align="center">高（能看到检索到的内容）</td><td align="center">低（黑盒）</td></tr><tr><td align="center">适合场景</td><td align="center">行为控制、格式约束</td><td align="center">私有知识问答</td><td align="center">风格迁移、专业术语内化</td></tr></tbody></table><h2 id="四、什么时候用哪种"><a href="#四、什么时候用哪种" class="headerlink" title="四、什么时候用哪种"></a>四、什么时候用哪种</h2><h3 id="决策流程"><a href="#决策流程" class="headerlink" title="决策流程"></a>决策流程</h3><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br><span class="line">16</span><br><span class="line">17</span><br><span class="line">18</span><br><span class="line">19</span><br><span class="line">20</span><br></pre></td><td class="code"><pre><span class="line">你的需求是什么？</span><br><span class="line">│</span><br><span class="line">├─ 控制模型的行为、风格、格式？</span><br><span class="line">│   → 用 Prompt Engineering 就够了</span><br><span class="line">│</span><br><span class="line">├─ 需要模型知道你的私有/实时知识？</span><br><span class="line">│   │</span><br><span class="line">│   ├─ 知识量大、会频繁更新？</span><br><span class="line">│   │   → 用 RAG</span><br><span class="line">│   │</span><br><span class="line">│   └─ 知识量小、相对固定？</span><br><span class="line">│       → 也可以直接塞进 System Prompt（最简单）</span><br><span class="line">│</span><br><span class="line">└─ 需要模型从根本上改变说话风格或掌握高度专业技能？</span><br><span class="line">    │</span><br><span class="line">    ├─ 有大量标注数据 + 有 GPU 资源 + 有 ML 工程师？</span><br><span class="line">    │   → 考虑 Fine-tuning</span><br><span class="line">    │</span><br><span class="line">    └─ 以上条件不具备？</span><br><span class="line">        → 先用 Prompt + RAG 组合，通常已经够用</span><br></pre></td></tr></table></figure><h3 id="典型场景对应"><a href="#典型场景对应" class="headerlink" title="典型场景对应"></a>典型场景对应</h3><table><thead><tr><th>场景</th><th>推荐方案</th><th>原因</th></tr></thead><tbody><tr><td>让模型用公司口吻回复</td><td>Prompt Engineering</td><td>只是行为约束，Prompt 就能搞定</td></tr><tr><td>企业内部知识库问答</td><td>RAG</td><td>文档多、会更新，必须用 RAG</td></tr><tr><td>实时查询数据库回答</td><td>RAG + Tool Calling</td><td>数据是动态的，需要实时查询</td></tr><tr><td>模型回答某垂直领域专业问题</td><td>RAG（优先）或 Fine-tuning</td><td>先试 RAG，不够再考虑微调</td></tr><tr><td>训练一个特定语言风格的模型</td><td>Fine-tuning</td><td>风格需要内化，RAG 解决不了</td></tr><tr><td>医疗&#x2F;法律等高度专业场景</td><td>RAG + Fine-tuning 组合</td><td>双管齐下，知识+能力都要提升</td></tr></tbody></table><h2 id="五、几个常见误区"><a href="#五、几个常见误区" class="headerlink" title="五、几个常见误区"></a>五、几个常见误区</h2><h3 id="“Fine-tuning-比-RAG-效果一定更好”"><a href="#“Fine-tuning-比-RAG-效果一定更好”" class="headerlink" title="“Fine-tuning 比 RAG 效果一定更好”"></a>“Fine-tuning 比 RAG 效果一定更好”</h3><p>不一定。Fine-tuning 的效果高度依赖训练数据的质量和数量。</p><p>对于”让模型知道公司内部知识”这类需求，RAG 的效果往往优于 Fine-tuning，因为：RAG 能精确引用原文、知识更新即时生效、来源可追溯。Fine-tuning 的知识是黑盒，而且可能在原有知识上产生混淆。</p><h3 id="“Prompt-Engineering-只是入门手段，后面要换掉”"><a href="#“Prompt-Engineering-只是入门手段，后面要换掉”" class="headerlink" title="“Prompt Engineering 只是入门手段，后面要换掉”"></a>“Prompt Engineering 只是入门手段，后面要换掉”</h3><p>不对。Prompt Engineering 是贯穿始终的基础能力。</p><p>即使用了 RAG 或 Fine-tuning，Prompt 依然决定了模型如何利用这些知识。好的 Prompt 是 AI 应用质量的地基，永远不会过时。</p><h3 id="“数据不多，Fine-tuning-没用”"><a href="#“数据不多，Fine-tuning-没用”" class="headerlink" title="“数据不多，Fine-tuning 没用”"></a>“数据不多，Fine-tuning 没用”</h3><p>基本正确。Fine-tuning 需要足够多且高质量的训练样本。</p><p>数据量少时（几十条），Fine-tuning 不仅效果差，还可能导致过拟合——模型死记硬背，泛化能力变差。这种情况用 Prompt + RAG 效果反而更好。</p><p>可能有人花了大量时间准备了 100 条训练数据做 Fine-tuning，结果效果不如一个写得好的 System Prompt。</p><h2 id="六、实际项目中的组合使用"><a href="#六、实际项目中的组合使用" class="headerlink" title="六、实际项目中的组合使用"></a>六、实际项目中的组合使用</h2><p>三种方式并不互斥，生产系统中常常组合使用：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br></pre></td><td class="code"><pre><span class="line">典型的企业智能客服架构：</span><br><span class="line"></span><br><span class="line">用户问题</span><br><span class="line">    │</span><br><span class="line">    ├─ Prompt Engineering：</span><br><span class="line">    │   定义客服身份、回答风格、禁止话题</span><br><span class="line">    │</span><br><span class="line">    ├─ RAG：</span><br><span class="line">    │   检索产品手册、FAQ、政策文档</span><br><span class="line">    │</span><br><span class="line">    ├─ Tool Calling：</span><br><span class="line">    │   查询订单状态、用户账户信息</span><br><span class="line">    │</span><br><span class="line">    └─ （可选）Fine-tuning：</span><br><span class="line">        如果需要模型深度理解行业术语</span><br></pre></td></tr></table></figure><p><strong>选型口诀</strong>：先试 Prompt，知识多用 RAG，实在不够再微调。</p>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/10/%E5%AE%9A%E5%88%B6%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E4%B8%89%E7%A7%8D%E6%96%B9%E5%BC%8F%E2%80%94%E2%80%94Prompt%E3%80%81RAG%E3%80%81Fine-tuning%20%E6%80%8E%E4%B9%88%E9%80%89/</id>
    <link href="https://gongyeqi.top/2026/07/10/%E5%AE%9A%E5%88%B6%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E4%B8%89%E7%A7%8D%E6%96%B9%E5%BC%8F%E2%80%94%E2%80%94Prompt%E3%80%81RAG%E3%80%81Fine-tuning%20%E6%80%8E%E4%B9%88%E9%80%89/"/>
    <published>2026-07-10T02:24:00.000Z</published>
    <summary>问题放在前边，如果我有一个具体需求，该用什么方式来让模型满足它？</summary>
    <title>定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选</title>
    <updated>2026-07-10T02:26:37.142Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="Java程序员的Agent探索之路" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/"/>
    <category term="AI大模型基础认知" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/AI%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E8%AE%A4%E7%9F%A5/"/>
    <category term="Embedding" scheme="https://gongyeqi.top/tags/Embedding/"/>
    <category term="向量" scheme="https://gongyeqi.top/tags/%E5%90%91%E9%87%8F/"/>
    <content>
      <![CDATA[<h1 id="Embedding-与向量"><a href="#Embedding-与向量" class="headerlink" title="Embedding 与向量"></a>Embedding 与向量</h1><p>Embedding、向量的初步认识</p><h2 id="一、机器不懂文字，只懂数字"><a href="#一、机器不懂文字，只懂数字" class="headerlink" title="一、机器不懂文字，只懂数字"></a>一、机器不懂文字，只懂数字</h2><h3 id="问题从哪里来"><a href="#问题从哪里来" class="headerlink" title="问题从哪里来"></a>问题从哪里来</h3><p>大家很自然地知道：</p><p>●”苹果”和”香蕉”都是水果，比较接近</p><p>●”苹果”和”汽车”完全不相关</p><p>●”我很开心”和”我非常高兴”意思几乎一样</p><p>但计算机存储文字只是一串字符，它怎么知道两段文字”意思接近”？</p><p>传统字符串匹配：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">&quot;苹果&quot;.equals(&quot;苹果&quot;)  // true，完全相同</span><br><span class="line">&quot;苹果&quot;.equals(&quot;香蕉&quot;)  // false，字面不同</span><br><span class="line">// 但&quot;苹果&quot;和&quot;水果&quot;之间的语义关联，字符串比较完全表达不出来</span><br></pre></td></tr></table></figure><p>关键词搜索：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">SELECT * FROM docs WHERE content LIKE &#x27;%退款%&#x27;</span><br><span class="line">-- 能找到包含&quot;退款&quot;的文档</span><br><span class="line">-- 但找不到只写了&quot;申请返还货款&quot;的文档（意思一样，词不一样）</span><br></pre></td></tr></table></figure><h3 id="解决思路"><a href="#解决思路" class="headerlink" title="解决思路"></a>解决思路</h3><p>如果能把每段文字转化成一组数字，让<strong>意思相近的文字对应数字也相近</strong>，问题就解决了。</p><p>这组数字叫<strong>向量（Vector）</strong>，把文字转成向量的过程叫 <strong>Embedding（嵌入 &#x2F;ɪmˈbedɪŋ&#x2F;）</strong>。</p><h2 id="二、向量：用坐标描述语义"><a href="#二、向量：用坐标描述语义" class="headerlink" title="二、向量：用坐标描述语义"></a>二、向量：用坐标描述语义</h2><h3 id="从二维空间理解"><a href="#从二维空间理解" class="headerlink" title="从二维空间理解"></a>从二维空间理解</h3><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1783576788.png" alt="img"></p><p>假设用两个维度来描述词语：</p><p>●横轴：是否是食物（0~1）</p><p>●纵轴：是否是生物（0~1）</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br></pre></td><td class="code"><pre><span class="line">               是生物</span><br><span class="line">                 1</span><br><span class="line">                 │</span><br><span class="line">        猫 ●     │     ● 人</span><br><span class="line">        狗 ●     │</span><br><span class="line">                 │</span><br><span class="line">─────────────────┼─────────────────</span><br><span class="line">不是食物          │               是食物</span><br><span class="line">                 │     ● 苹果</span><br><span class="line">                 │     ● 香蕉</span><br><span class="line">        汽车 ●    │</span><br><span class="line">        桌子 ●    │</span><br><span class="line">                 0</span><br><span class="line">              不是生物</span><br></pre></td></tr></table></figure><p>在这个空间里，”苹果”和”香蕉”很接近（都是食物，都不是生物），”猫”和”狗”很接近，”苹果”和”汽车”很远。</p><p><strong>向量就是在高维空间里的一个坐标点，坐标相近意味着语义相近。</strong></p><h3 id="真实的-Embedding-向量"><a href="#真实的-Embedding-向量" class="headerlink" title="真实的 Embedding 向量"></a>真实的 Embedding 向量</h3><p>真实的 Embedding 不止 2 个维度，通常是 768、1536 甚至 3072 个维度。每个维度捕捉语言的某种抽象特征（不一定有具体含义）。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">&quot;苹果&quot; → [0.23, -0.87, 0.45, 0.12, -0.33, ..., 0.67]  // 1536 个数字</span><br><span class="line"></span><br><span class="line">&quot;香蕉&quot; → [0.21, -0.84, 0.48, 0.15, -0.30, ..., 0.71]  // 和苹果非常接近</span><br><span class="line"></span><br><span class="line">&quot;汽车&quot; → [-0.55, 0.32, -0.18, 0.89, 0.44, ..., -0.23] // 和苹果差异很大</span><br></pre></td></tr></table></figure><p>不只是词，一整段话也可以转成一个向量：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">&quot;如何申请退款？&quot;         → [0.23, 0.45, -0.12, ...]</span><br><span class="line">&quot;退款流程是怎样的？&quot;      → [0.25, 0.43, -0.10, ...]  ← 非常接近</span><br><span class="line">&quot;产品质量有问题怎么办？&quot;  → [0.20, 0.50, -0.08, ...]  ← 比较接近</span><br><span class="line">&quot;苹果手机怎么截图？&quot;      → [-0.34, 0.12, 0.67, ...]  ← 差异很大</span><br></pre></td></tr></table></figure><p>这就是语义搜索的基础：找的不是关键词匹配，而是<strong>语义相近的内容</strong>。</p><h2 id="三、相似度：两个向量有多近"><a href="#三、相似度：两个向量有多近" class="headerlink" title="三、相似度：两个向量有多近"></a>三、相似度：两个向量有多近</h2><p>衡量两个向量的相似程度，最常用的是<strong>余弦相似度</strong>。</p><p>不用理解公式，只需要知道结果：</p><table><thead><tr><th>余弦相似度</th><th>含义</th></tr></thead><tbody><tr><td>1.0</td><td>完全相同</td></tr><tr><td>0.9+</td><td>非常相似</td></tr><tr><td>0.7~0.9</td><td>比较相似</td></tr><tr><td>0.5~0.7</td><td>有一定关联</td></tr><tr><td>0~0.5</td><td>关联性弱</td></tr><tr><td>负数</td><td>语义相反</td></tr></tbody></table><p>直觉理解：想象两个箭头从原点出发，<strong>箭头方向越接近，余弦相似度越高</strong>，和箭头的长度无关。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br></pre></td><td class="code"><pre><span class="line">&quot;退款申请&quot;  vs  &quot;申请退款&quot;    → 0.97（近义表达）</span><br><span class="line">&quot;退款申请&quot;  vs  &quot;如何退货&quot;    → 0.82（同一场景）</span><br><span class="line">&quot;退款申请&quot;  vs  &quot;产品使用方法&quot; → 0.31（不同话题）</span><br><span class="line">&quot;退款申请&quot;  vs  &quot;今天天气如何&quot; → 0.08（完全无关）</span><br></pre></td></tr></table></figure><h3 id="搜索过程"><a href="#搜索过程" class="headerlink" title="搜索过程"></a>搜索过程</h3><p>有了向量和相似度，语义搜索的过程就很清晰了：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br></pre></td><td class="code"><pre><span class="line">① 把所有文档段落转成向量，存入向量数据库</span><br><span class="line">   &quot;第一章 产品介绍...&quot; → [0.23, 0.45, ...]</span><br><span class="line">   &quot;第二章 退款政策...&quot; → [0.67, -0.12, ...]</span><br><span class="line">   &quot;第三章 使用说明...&quot; → [-0.34, 0.78, ...]</span><br><span class="line"></span><br><span class="line">② 用户提问，把问题也转成向量</span><br><span class="line">   &quot;怎么退款？&quot; → [0.65, -0.10, ...]</span><br><span class="line"></span><br><span class="line">③ 计算问题向量与所有文档向量的相似度</span><br><span class="line">   vs 第一章：0.31</span><br><span class="line">   vs 第二章：0.94  ← 最高！</span><br><span class="line">   vs 第三章：0.22</span><br><span class="line"></span><br><span class="line">④ 取出相似度最高的段落，塞进 Prompt 给 LLM</span><br></pre></td></tr></table></figure><h2 id="四、Embedding-模型"><a href="#四、Embedding-模型" class="headerlink" title="四、Embedding 模型"></a>四、Embedding 模型</h2><h3 id="怎么生成"><a href="#怎么生成" class="headerlink" title="怎么生成"></a>怎么生成</h3><p>Embedding 向量不是人工设计的，由专门的 <strong>Embedding 模型</strong>生成。和对话模型不同，Embedding 模型不生成文字，只生成向量：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">// 概念示意</span><br><span class="line">float[] vector = embeddingModel.embed(&quot;如何申请退款？&quot;);</span><br><span class="line">// 返回：[0.23, 0.45, -0.12, 0.78, ...]</span><br></pre></td></tr></table></figure><h3 id="主流-Embedding-模型"><a href="#主流-Embedding-模型" class="headerlink" title="主流 Embedding 模型"></a>主流 Embedding 模型</h3><table><thead><tr><th>模型</th><th>提供商</th><th>维度</th><th>特点</th></tr></thead><tbody><tr><td>text-embedding-3-small</td><td>OpenAI</td><td>1536</td><td>性价比高，英文效果好</td></tr><tr><td>text-embedding-3-large</td><td>OpenAI</td><td>3072</td><td>精度更高，价格较贵</td></tr><tr><td>text-embedding-v3</td><td>阿里通义</td><td>1024</td><td>中文效果好，国内可用</td></tr><tr><td>BGE-M3</td><td>北京智源</td><td>1024</td><td>开源，多语言，可本地部署</td></tr><tr><td>nomic-embed-text</td><td>Nomic</td><td>768</td><td>开源，可用 Ollama 本地跑</td></tr></tbody></table><p>选型建议：纯中文场景选通义 text-embedding-v3 或 BGE-M3；英文为主选 OpenAI text-embedding-3-small；需要本地部署选 BGE-M3 + Ollama。</p><h3 id="一个关键原则：同进同出"><a href="#一个关键原则：同进同出" class="headerlink" title="一个关键原则：同进同出"></a>一个关键原则：同进同出</h3><p><strong>查询时使用的 Embedding 模型，必须和存储时用的是同一个。</strong></p><p>不同模型的向量空间完全不同，就像用厘米标的尺和用英寸标的尺，两者的数字无法直接比较。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br></pre></td><td class="code"><pre><span class="line">错误做法：</span><br><span class="line">  存储时：用 OpenAI 的模型生成向量存入数据库</span><br><span class="line">  查询时：用通义的模型生成问题向量来搜索</span><br><span class="line">  结果：搜出来完全不相关的内容</span><br><span class="line"></span><br><span class="line">正确做法：</span><br><span class="line">  存储和查询使用完全相同的 Embedding 模型</span><br></pre></td></tr></table></figure><p>有人换了 Embedding 模型之后发现搜索结果全乱了，就是这个问题。</p><h2 id="五、向量数据库"><a href="#五、向量数据库" class="headerlink" title="五、向量数据库"></a>五、向量数据库</h2><h3 id="为什么需要专门的数据库"><a href="#为什么需要专门的数据库" class="headerlink" title="为什么需要专门的数据库"></a>为什么需要专门的数据库</h3><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1783576902.png" alt="img"></p><p>向量搜索需要对大量向量做相似度计算，这和传统数据库的索引结构完全不同：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br></pre></td><td class="code"><pre><span class="line">传统数据库：B+ 树索引，擅长精确匹配和范围查询</span><br><span class="line">  SELECT * WHERE id = 123         ← 极快</span><br><span class="line">  SELECT * WHERE score &gt; 90       ← 很快</span><br><span class="line">  找&quot;语义相似&quot;的向量              ← 不支持，或极慢</span><br><span class="line"></span><br><span class="line">向量数据库：ANN 索引（近似最近邻），专门为相似度搜索优化</span><br><span class="line">  找最相似的前 10 个向量          ← 极快（毫秒级，即使有百万条数据）</span><br></pre></td></tr></table></figure><h3 id="主流向量数据库对比"><a href="#主流向量数据库对比" class="headerlink" title="主流向量数据库对比"></a>主流向量数据库对比</h3><table><thead><tr><th>数据库</th><th>部署方式</th><th>特点</th><th>适合场景</th></tr></thead><tbody><tr><td>PGVector</td><td>本地 &#x2F; 云</td><td>PostgreSQL 扩展，熟悉 SQL</td><td>入门首选，已有 PG 的项目</td></tr><tr><td>Milvus</td><td>本地 &#x2F; 云</td><td>专用向量库，性能强，功能全</td><td>生产级大规模场景</td></tr><tr><td>Qdrant</td><td>本地 &#x2F; 云</td><td>Rust 编写，性能好，易用</td><td>中小规模生产场景</td></tr><tr><td>Chroma</td><td>本地</td><td>轻量，适合开发测试</td><td>快速原型</td></tr></tbody></table><p>学习路径建议：PGVector 入门 → Milvus 进阶。模块五会详细讲。</p><h3 id="向量数据库不是万能的"><a href="#向量数据库不是万能的" class="headerlink" title="向量数据库不是万能的"></a>向量数据库不是万能的</h3><p>向量数据库擅长”找语义相近的内容”，但有局限：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br></pre></td><td class="code"><pre><span class="line">适合问：</span><br><span class="line">  &quot;有没有关于退款政策的内容？&quot;   → 语义检索</span><br><span class="line">  &quot;这个问题的答案在哪段文档里？&quot; → 语义检索</span><br><span class="line"></span><br><span class="line">不适合问：</span><br><span class="line">  &quot;找出2024年12月的所有订单&quot;    → 用普通数据库</span><br><span class="line">  &quot;统计每个类别的文档数量&quot;       → 用普通数据库</span><br></pre></td></tr></table></figure><p>实际系统中，向量数据库和关系型数据库往往并存，各司其职。</p><h2 id="六、用一个完整例子串联"><a href="#六、用一个完整例子串联" class="headerlink" title="六、用一个完整例子串联"></a>六、用一个完整例子串联</h2><p><strong>场景：</strong>公司内部 HR 政策问答机器人</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br><span class="line">16</span><br><span class="line">17</span><br><span class="line">18</span><br><span class="line">19</span><br><span class="line">20</span><br><span class="line">21</span><br><span class="line">22</span><br><span class="line">23</span><br><span class="line">24</span><br><span class="line">25</span><br><span class="line">26</span><br><span class="line">27</span><br><span class="line">28</span><br><span class="line">29</span><br></pre></td><td class="code"><pre><span class="line">【离线准备阶段】</span><br><span class="line"></span><br><span class="line">HR 上传了 5 份文件：</span><br><span class="line">  员工手册.pdf、差旅报销制度.pdf、绩效考核办法.pdf ...</span><br><span class="line"></span><br><span class="line">系统处理：</span><br><span class="line">  ① 解析 PDF 提取文字</span><br><span class="line">  ② 切成小段（每段约 500 字）</span><br><span class="line">  ③ 每段用 Embedding 模型转成向量</span><br><span class="line">  ④ 向量 + 原文存入向量数据库</span><br><span class="line"></span><br><span class="line">  向量数据库里现在有：</span><br><span class="line">  ID=1, 向量=[0.23,...], 原文=&quot;差旅报销范围包括：交通费...&quot;</span><br><span class="line">  ID=2, 向量=[0.67,...], 原文=&quot;报销时限：出差结束后30天内...&quot;</span><br><span class="line">  ID=3, 向量=[0.45,...], 原文=&quot;住宿标准：一线城市不超过500元...&quot;</span><br><span class="line"></span><br><span class="line">【在线查询阶段】</span><br><span class="line"></span><br><span class="line">员工问：&quot;出差住酒店最多能报多少钱？&quot;</span><br><span class="line"></span><br><span class="line">① 问题 Embedding：[0.44, ...]</span><br><span class="line">② 向量数据库搜索：</span><br><span class="line">   ID=1 相似度 0.71</span><br><span class="line">   ID=2 相似度 0.68</span><br><span class="line">   ID=3 相似度 0.93  ← 最相关！</span><br><span class="line">③ 取出 ID=3 原文注入 Prompt</span><br><span class="line">④ LLM 回答：&quot;根据公司差旅报销制度，住宿标准为：</span><br><span class="line">   一线城市（北京、上海、广州、深圳）不超过500元/晚，</span><br><span class="line">   其他城市不超过350元/晚。&quot;</span><br></pre></td></tr></table></figure>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/09/Embedding%20%E4%B8%8E%E5%90%91%E9%87%8F/</id>
    <link href="https://gongyeqi.top/2026/07/09/Embedding%20%E4%B8%8E%E5%90%91%E9%87%8F/"/>
    <published>2026-07-09T06:03:00.000Z</published>
    <summary>Embedding、向量的初步认识。</summary>
    <title>Embedding 与向量</title>
    <updated>2026-07-09T06:06:03.699Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="Java程序员的Agent探索之路" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/"/>
    <category term="AI大模型基础认知" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/AI%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E8%AE%A4%E7%9F%A5/"/>
    <category term="大模型" scheme="https://gongyeqi.top/tags/%E5%A4%A7%E6%A8%A1%E5%9E%8B/"/>
    <category term="AI" scheme="https://gongyeqi.top/tags/AI/"/>
    <category term="Transformer" scheme="https://gongyeqi.top/tags/Transformer/"/>
    <content>
      <![CDATA[<h1 id="Transformer-与大模型工作原理"><a href="#Transformer-与大模型工作原理" class="headerlink" title="Transformer 与大模型工作原理"></a>Transformer 与大模型工作原理</h1><p>学习目的：不需要成为模型专家，但如果完全不理解它是怎么工作的，很多工程上的决策会做错。比如为什么模型会幻觉、为什么上下文窗口很重要、为什么 Prompt 写法会影响输出质量——这些都跟本文的内容有关。</p><h2 id="一、模型到底是什么东西？"><a href="#一、模型到底是什么东西？" class="headerlink" title="一、模型到底是什么东西？"></a>一、模型到底是什么东西？</h2><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1783479789.png" alt="1783479789"></p><h3 id="从程序员视角理解"><a href="#从程序员视角理解" class="headerlink" title="从程序员视角理解"></a>从程序员视角理解</h3><p>作为 Java 程序员习惯了：代码 + 数据 → 输出。</p><p>大模型从本质上也是一个<strong>函数</strong>：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br></pre></td><td class="code"><pre><span class="line">f(输入文字) → 输出文字</span><br></pre></td></tr></table></figure><p>但这个函数的参数不是 <code>if-else</code> 写出来的，而是从海量数据中<strong>学习出来的</strong>，存储在数十亿甚至数千亿个<strong>浮点数</strong>里。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br></pre></td><td class="code"><pre><span class="line">GPT-4：约 1.8 万亿参数（每个参数是一个 float32，占 4 字节）</span><br><span class="line">  → 参数文件大小约 7TB</span><br><span class="line"></span><br><span class="line">DeepSeek-V3：约 6710 亿参数</span><br><span class="line">  → 量化后约 400GB，需要多张高端 GPU</span><br><span class="line"></span><br><span class="line">Llama 3.1 8B（小模型）：约 80 亿参数</span><br><span class="line">  → 量化后约 5GB，普通电脑可以跑</span><br></pre></td></tr></table></figure><p>可以把模型想象成一本书，但这本书里没有文字，只有数十亿个调好的旋钮，每个旋钮的刻度共同决定了模型的”知识”和”能力”。</p><h3 id="模型只做一件事"><a href="#模型只做一件事" class="headerlink" title="模型只做一件事"></a>模型只做一件事</h3><p>模型实际上只做一件事：<strong>预测下一个 Token 的概率分布</strong>。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br></pre></td><td class="code"><pre><span class="line">输入：[&quot;今天&quot;, &quot;天气&quot;, &quot;很&quot;]</span><br><span class="line">输出：&#123;&quot;好&quot;: 0.40, &quot;差&quot;: 0.25, &quot;热&quot;: 0.20, &quot;糟&quot;: 0.10, ...&#125;</span><br></pre></td></tr></table></figure><p>然后采样选一个词，加入序列，再预测下一个……如此循环，直到生成结束符。</p><p>整个 ChatGPT、整个智能客服、整个代码助手，底层都是这一个动作反复执行。</p><h2 id="二、Transformer-之前：RNN-的问题"><a href="#二、Transformer-之前：RNN-的问题" class="headerlink" title="二、Transformer 之前：RNN 的问题"></a>二、Transformer 之前：RNN 的问题</h2><p>Transformer 出现之前，处理文字序列最主流的是 <strong>RNN（循环神经网络）</strong>。</p><p>RNN 的工作方式很像人读文章：一个字一个字读，同时维护一个”记忆状态”，把前面读过的信息压缩进去。</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">读入&quot;今&quot; → 更新记忆状态 h1</span><br><span class="line">读入&quot;天&quot; → 更新记忆状态 h2（h2 包含了&quot;今&quot;&quot;天&quot;的信息）</span><br><span class="line">读入&quot;天&quot; → 更新记忆状态 h3</span><br><span class="line">读入&quot;气&quot; → 更新记忆状态 h4</span><br><span class="line">...</span><br></pre></td></tr></table></figure><p>听起来挺合理？但有两个致命缺陷。</p><p><strong>缺陷一：长距离依赖丢失</strong></p><p>想象这句话：</p><p>“我在陕西长大，后来去杭州读书，又在广州工作了十年，现在终于回到了我魂牵梦绕的故乡——**___**”</p><p>人类一眼就知道应该填”陕西”。但 RNN 读到这里，”陕西”已经是几十步之前的信息了，早就被后来的内容覆盖得差不多了。</p><p><strong>缺陷二：无法并行计算</strong></p><p>RNN 必须一步一步顺序计算，读完第 N 个词才能读第 N+1 个词，没法利用 GPU 的并行计算能力。训练大规模 RNN 要几个月，严重限制了模型规模。</p><h2 id="三、Transformer：注意力机制的革命"><a href="#三、Transformer：注意力机制的革命" class="headerlink" title="三、Transformer：注意力机制的革命"></a>三、Transformer：注意力机制的革命</h2><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1783480218.png" alt="img"></p><h3 id="核心思想"><a href="#核心思想" class="headerlink" title="核心思想"></a>核心思想</h3><p>Transformer 完全抛弃了顺序处理的方式。它的核心思想是：</p><p><strong>处理每个词时，同时看整个句子里所有其他词，计算它们之间的关联程度。</strong></p><p>这就是<strong>注意力机制（Attention）</strong>。</p><h3 id="直觉理解"><a href="#直觉理解" class="headerlink" title="直觉理解"></a>直觉理解</h3><p>还是那句话：<strong>我在陕西长大，后来去杭州读书，又在广州工作了十年，现在终于回到了我魂牵梦绕的故乡</strong></p><p>当模型处理”故乡”这个词时，注意力机制会让它向整个句子”提问”：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br></pre></td><td class="code"><pre><span class="line">&quot;故乡&quot;问：&quot;谁和我最相关？&quot;</span><br><span class="line"></span><br><span class="line">&quot;陕西&quot;：相关度 85%  ← 高度关注</span><br><span class="line">&quot;长大&quot;：相关度 70%  ← 比较关注</span><br><span class="line">&quot;我&quot;  ：相关度 60%</span><br><span class="line">&quot;杭州&quot;：相关度 20%</span><br><span class="line">&quot;广州&quot;：相关度 15%</span><br><span class="line">&quot;十年&quot;：相关度 5%</span><br></pre></td></tr></table></figure><p>通过这种方式，无论”陕西”和”故乡”之间隔了多少词，模型都能直接建立关联，不存在 RNN 那种”遗忘”问题。</p><h3 id="多头注意力"><a href="#多头注意力" class="headerlink" title="多头注意力"></a>多头注意力</h3><p>实际上，Transformer 不止做一次注意力计算，而是同时做多个（比如 16 个），每个从不同角度关注句子：</p><ul><li>第 1 个头：关注语法关系（主谓宾）</li><li>第 2 个头：关注语义相似性</li><li>第 3 个头：关注指代关系（”它”指什么）</li><li>第 4 个头：关注时间顺序关系</li><li>……</li></ul><p>最后把所有头的结果合并，得到全面的理解。</p><p>这个可以类比代码审查——一个人盯性能，一个人盯安全，一个人盯可读性，最后汇总意见比一个人全看更全面。</p><h3 id="为什么-Transformer-能并行"><a href="#为什么-Transformer-能并行" class="headerlink" title="为什么 Transformer 能并行"></a>为什么 Transformer 能并行</h3><p>注意力机制的关键特性：<strong>每个词与其他词的关系可以同时计算，互不依赖</strong>。</p><p>一句 100 个词的句子，可以同时在 GPU 的 100 个计算单元上并行处理，而不是像 RNN 那样排队。这才有了后来 GPT-3、GPT-4 这种超大规模模型的可能。</p><h2 id="四、大模型是怎么学会知识的"><a href="#四、大模型是怎么学会知识的" class="headerlink" title="四、大模型是怎么学会知识的"></a>四、大模型是怎么学会知识的</h2><h3 id="预训练：海量填空题"><a href="#预训练：海量填空题" class="headerlink" title="预训练：海量填空题"></a>预训练：海量填空题</h3><p>大模型的训练第一阶段叫<strong>预训练（Pre-training）</strong>，过程极其简单粗暴：</p><p>收集海量文本（维基百科、书籍、代码、网页……），然后反复做一件事：</p><p><strong>给模型看一段文字，遮住最后一个词，让模型预测它是什么。</strong></p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br></pre></td><td class="code"><pre><span class="line">输入：&quot;Java 是一种面向对象的编程___&quot;</span><br><span class="line">正确答案：&quot;语言&quot;</span><br><span class="line">模型预测：&quot;语言&quot;（正确）→ 小小奖励</span><br><span class="line">模型预测：&quot;工具&quot;（错误）→ 调整参数</span><br><span class="line"></span><br><span class="line">输入：&quot;Spring Boot 的核心注解是___&quot;</span><br><span class="line">正确答案：&quot;@SpringBootApplication&quot;</span><br><span class="line">模型预测：&quot;@Component&quot;（错误）→ 调整参数</span><br><span class="line">...</span><br></pre></td></tr></table></figure><p>就这么一道填空题，重复做了<strong>数万亿次</strong>，模型就学会了语言语法、世界常识、编程规则、各种专业知识。</p><p>听起来简单，但这就是大模型的核心训练逻辑。</p><h3 id="参数怎么调整"><a href="#参数怎么调整" class="headerlink" title="参数怎么调整"></a>参数怎么调整</h3><p>每次预测完，模型会计算”预测错了多离谱”（损失值），然后用<strong>反向传播算法</strong>，从后往前微调每一个参数，让下次预测更准确。</p><p>数十亿参数，每个都微调一点点，重复万亿次，最终就是大模型。</p><p>训练 GPT-4 大约消耗了约 25,000 块 A100 GPU、约 90-100 天、约 1 亿美元成本。所以大家现在用 API 几毛钱一次，其实挺划算的。</p><h3 id="微调：让模型变成”好助手”"><a href="#微调：让模型变成”好助手”" class="headerlink" title="微调：让模型变成”好助手”"></a>微调：让模型变成”好助手”</h3><p>预训练完的模型只会”续写文章”，不懂得回答问题，也不知道拒绝有害请求。还需要两步：</p><p><strong>指令微调（SFT）</strong>：用大量人工标注的”问题-答案”对来训练，让模型学会对话格式。</p><p><strong>RLHF（人类反馈强化学习）</strong>：让真人对多个回答打分，训练一个”奖励模型”，再用强化学习让大模型往高分方向走。</p><p>这两步把”会续写文章的模型”变成了”会聊天的助手”，ChatGPT 的成功很大程度上来自 RLHF 做得好。</p><h2 id="五、大模型的能力边界"><a href="#五、大模型的能力边界" class="headerlink" title="五、大模型的能力边界"></a>五、大模型的能力边界</h2><h3 id="模型知识的特点"><a href="#模型知识的特点" class="headerlink" title="模型知识的特点"></a>模型知识的特点</h3><p>通过预训练，模型掌握了大量知识，但这些知识有局限：</p><ul><li><strong>有截止日期</strong>：训练数据是某个时间点前的，之后发生的事一概不知</li><li><strong>有分布偏差</strong>：互联网上什么多，模型就对什么熟悉（英文 &gt; 中文，热门话题 &gt; 冷门领域）</li><li><strong>是隐式知识</strong>：知识藏在数十亿参数里，无法直接查询或修改</li></ul><h3 id="幻觉：为什么模型会”一本正经地胡说八道”"><a href="#幻觉：为什么模型会”一本正经地胡说八道”" class="headerlink" title="幻觉：为什么模型会”一本正经地胡说八道”"></a>幻觉：为什么模型会”一本正经地胡说八道”</h3><p><img src="https://gitee.com/gyqjava/picture/raw/master/blog/1783480454.png" alt="img"></p><p>这是大模型最著名的问题。</p><p><strong>根本原因</strong>：模型的目标是生成”看起来合理的下一个 Token”，而不是”保证事实正确”。</p><p>当模型不知道某件事时，它不会说”我不知道”，而是会根据训练数据的模式，生成一个”听起来像真的”答案：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">用户：张三在2024年发表了哪些论文？</span><br><span class="line">模型（如果不知道张三）：</span><br><span class="line">  &quot;张三在2024年发表了《深度学习在医学影像中的应用》</span><br><span class="line">   和《基于Transformer的跨模态学习研究》两篇论文...&quot;</span><br><span class="line">  → 完全是捏造的，但格式和语气都很真实</span><br></pre></td></tr></table></figure><p><strong>幻觉无法从根本上消除</strong>，因为这是这种生成方式的固有特性。工程上的应对手段：给模型提供真实数据（RAG）、要求模型引用来源、对关键信息进行二次验证。</p><h3 id="模型没有持久化记忆"><a href="#模型没有持久化记忆" class="headerlink" title="模型没有持久化记忆"></a>模型没有持久化记忆</h3><p>这是很多初学者的误解：以为把信息”告诉”模型，模型就会”记住”。</p><p>实际上，训练时学到的知识存在参数里，无法精确修改；API 调用时传入的信息只存在于上下文窗口，这次对话结束就消失了。<strong>模型没有持久化记忆</strong>，除非大家在外部存储并每次带入。</p><hr><h2 id="六、理解这些对开发有什么用"><a href="#六、理解这些对开发有什么用" class="headerlink" title="六、理解这些对开发有什么用"></a>六、理解这些对开发有什么用</h2><p><strong>知道模型有知识截止日期</strong> → 涉及最新信息的场景，必须用 RAG 把实时数据注入上下文。</p><p><strong>知道模型没有持久化记忆</strong> → 多轮对话系统必须自己管理历史消息，每次调用时把相关历史带上。</p><p><strong>知道幻觉无法消除</strong> → 关键业务场景（医疗、法律、财务）必须有人工审核或数据验证环节，不能完全信任模型输出。</p><p><strong>知道 Prompt 影响概率分布</strong> → System Prompt 写得好，相当于把模型的”注意力”引导到正确方向；写得差，模型就按训练数据里最常见的模式来补全，结果偏。</p>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/08/Transformer%E4%B8%8E%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86/</id>
    <link href="https://gongyeqi.top/2026/07/08/Transformer%E4%B8%8E%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86/"/>
    <published>2026-07-08T03:16:00.000Z</published>
    <summary>了解基本Transformer 与大模型工作原理。</summary>
    <title>Transformer 与大模型工作原理</title>
    <updated>2026-07-09T05:11:25.078Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="Java程序员的Agent探索之路" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/"/>
    <category term="AI大模型基础认知" scheme="https://gongyeqi.top/categories/Java%E7%A8%8B%E5%BA%8F%E5%91%98%E7%9A%84Agent%E6%8E%A2%E7%B4%A2%E4%B9%8B%E8%B7%AF/AI%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E8%AE%A4%E7%9F%A5/"/>
    <category term="大模型" scheme="https://gongyeqi.top/tags/%E5%A4%A7%E6%A8%A1%E5%9E%8B/"/>
    <category term="AI" scheme="https://gongyeqi.top/tags/AI/"/>
    <content>
      <![CDATA[<h1 id="大模型基础概念"><a href="#大模型基础概念" class="headerlink" title="大模型基础概念"></a>大模型基础概念</h1><h2 id="一、Token：模型眼中的”字”"><a href="#一、Token：模型眼中的”字”" class="headerlink" title="一、Token：模型眼中的”字”"></a>一、Token：模型眼中的”字”</h2><h3 id="什么是-Token"><a href="#什么是-Token" class="headerlink" title="什么是 Token"></a>什么是 Token</h3><p>人类读文字是一个字一个字读的，模型处理文字的基本单位叫 <strong>Token</strong>。</p><p>Token 不等于字，也不等于词，是模型自己学出来的一种切分方式。</p><p>以英文为例：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br></pre></td><td class="code"><pre><span class="line">&quot;Hello, world!&quot; → [&quot;Hello&quot;, &quot;,&quot;, &quot; world&quot;, &quot;!&quot;]  共 4 个 Token</span><br><span class="line">&quot;unbelievable&quot;  → [&quot;un&quot;, &quot;believ&quot;, &quot;able&quot;]         共 3 个 Token</span><br></pre></td></tr></table></figure><p>以中文为例：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">&quot;你好世界&quot;  → [&quot;你好&quot;, &quot;世界&quot;]            共 2 个 Token</span><br><span class="line">&quot;人工智能&quot;  → [&quot;人工&quot;, &quot;智能&quot;]            共 2 个 Token</span><br><span class="line">&quot;量子纠缠&quot;  → [&quot;量子&quot;, &quot;纠&quot;, &quot;缠&quot;]        共 3 个 Token（生僻组合拆得更碎）</span><br></pre></td></tr></table></figure><p>规律大概是这样：常见词&#x2F;词组通常是 1 个 Token，生僻词、专业术语会被拆成多个，中文平均 1 个汉字约等于 0.6-0.7 个 Token，数字和标点也占 Token。</p><h3 id="为什么要理解-Token"><a href="#为什么要理解-Token" class="headerlink" title="为什么要理解 Token"></a>为什么要理解 Token</h3><p>有两个很实际的原因。</p><p><strong>第一是计费。</strong>所有大模型 API 按 Token 计费，输入和输出分开算：</p><p><strong>第二是上限。</strong>每个模型每次能处理的 Token 总量有上限，超了就报错。</p><h3 id="Token-估算经验值"><a href="#Token-估算经验值" class="headerlink" title="Token 估算经验值"></a>Token 估算经验值</h3><table><thead><tr><th align="center">内容</th><th align="center">大约 Token 数</th></tr></thead><tbody><tr><td align="center">1 个英文单词</td><td align="center">1-2 个 Token</td></tr><tr><td align="center">1 个中文汉字</td><td align="center">0.6-0.7 个 Token</td></tr><tr><td align="center">1 页 A4 中文文字（约 800 字）</td><td align="center">约 550 个 Token</td></tr><tr><td align="center">一本 10 万字小说</td><td align="center">约 7 万 Token</td></tr><tr><td align="center">一次普通对话（来回 5 轮）</td><td align="center">约 500-1000 Token</td></tr></tbody></table><p>不想手动算的话，可以去 <a href="https://platform.openai.com/tokenizer">platform.openai.com&#x2F;tokenizer</a> 直接粘贴文字查 Token 数，挺好用的。 国内的也有，但是不稳定。</p><h2 id="二、上下文窗口：模型的”工作台”"><a href="#二、上下文窗口：模型的”工作台”" class="headerlink" title="二、上下文窗口：模型的”工作台”"></a>二、上下文窗口：模型的”工作台”</h2><h3 id="是什么"><a href="#是什么" class="headerlink" title="是什么"></a>是什么</h3><p>大模型每次处理请求时，能接收的 Token 总量有上限，这个上限叫<strong>上下文窗口（Context Window）</strong>。</p><p>可以把它比作工作台：工作台大小固定，你能摆多少材料，模型就能”看到”多少内容。超出工作台的内容，模型完全不知道。</p><h3 id="主流模型窗口大小"><a href="#主流模型窗口大小" class="headerlink" title="主流模型窗口大小"></a>主流模型窗口大小</h3><table><thead><tr><th align="center">模型</th><th align="center">上下文窗口</th><th align="center">约等于</th></tr></thead><tbody><tr><td align="center">GPT-4o</td><td align="center">128K Token</td><td align="center">约 18 万汉字</td></tr><tr><td align="center">Claude 3.5 Sonnet</td><td align="center">200K Token</td><td align="center">约 28 万汉字</td></tr><tr><td align="center">Gemini 1.5 Pro</td><td align="center">1M Token</td><td align="center">约 140 万汉字</td></tr><tr><td align="center">DeepSeek-V3</td><td align="center">64K Token</td><td align="center">约 9 万汉字</td></tr><tr><td align="center">通义千问 Max</td><td align="center">32K Token</td><td align="center">约 4.5 万汉字</td></tr></tbody></table><h3 id="工程上会遇到的三个问题"><a href="#工程上会遇到的三个问题" class="headerlink" title="工程上会遇到的三个问题"></a>工程上会遇到的三个问题</h3><p><strong>问题一：多轮对话为什么会”失忆”？</strong></p><p>应该有很多人发现跟 ChatGPT 聊很久之后，它开始忘记前面说过的内容。原因就是历史对话累积的 Token 超过了上下文窗口，最早的内容被截断了。</p><p><strong>问题二：长文档处理</strong></p><p>要让模型分析一份 10 万字的合同，但模型上下文只有 32K Token（约 4.5 万汉字），合同放不进去。这正是 RAG 要解决的问题，后面课程会讲。</p><p><strong>问题三：成本控制</strong></p><p>上下文越长，每次请求费用越高。生产系统需要管理上下文长度，不能无限增长。</p><h2 id="三、消息结构：System、User、Assistant"><a href="#三、消息结构：System、User、Assistant" class="headerlink" title="三、消息结构：System、User、Assistant"></a>三、消息结构：System、User、Assistant</h2><p>调用大模型 API，输入不是一段文字，而是一个<strong>消息列表</strong>，每条消息有固定角色。</p><table><thead><tr><th align="center">角色</th><th align="center">说明</th><th align="center">类比</th></tr></thead><tbody><tr><td align="center"><strong>system</strong></td><td align="center">给模型的背景设定和行为指令</td><td align="center">员工入职培训手册</td></tr><tr><td align="center"><strong>user</strong></td><td align="center">用户发送的消息</td><td align="center">用户的每次输入</td></tr><tr><td align="center"><strong>assistant</strong></td><td align="center">模型的回复</td><td align="center">模型的每次输出</td></tr></tbody></table><p>一次多轮对话的消息结构长这样：</p><figure class="highlight json"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br><span class="line">16</span><br><span class="line">17</span><br><span class="line">18</span><br></pre></td><td class="code"><pre><span class="line"><span class="punctuation">[</span></span><br><span class="line">  <span class="punctuation">&#123;</span></span><br><span class="line">    <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;system&quot;</span><span class="punctuation">,</span></span><br><span class="line">    <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;你是一个专业的 Java 技术助手，回答要简洁准确，代码示例用 Java 17 语法。&quot;</span></span><br><span class="line">  <span class="punctuation">&#125;</span><span class="punctuation">,</span></span><br><span class="line">  <span class="punctuation">&#123;</span></span><br><span class="line">    <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;user&quot;</span><span class="punctuation">,</span></span><br><span class="line">    <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;什么是 Optional？&quot;</span></span><br><span class="line">  <span class="punctuation">&#125;</span><span class="punctuation">,</span></span><br><span class="line">  <span class="punctuation">&#123;</span></span><br><span class="line">    <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;assistant&quot;</span><span class="punctuation">,</span></span><br><span class="line">    <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;Optional 是 Java 8 引入的容器类，用于表示一个值可能存在也可能不存在...&quot;</span></span><br><span class="line">  <span class="punctuation">&#125;</span><span class="punctuation">,</span></span><br><span class="line">  <span class="punctuation">&#123;</span></span><br><span class="line">    <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;user&quot;</span><span class="punctuation">,</span></span><br><span class="line">    <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;给我一个实际使用的例子&quot;</span></span><br><span class="line">  <span class="punctuation">&#125;</span></span><br><span class="line"><span class="punctuation">]</span></span><br></pre></td></tr></table></figure><p>模型收到这个列表，就能理解整个对话上下文，给出连贯的回复。</p><h3 id="System-Prompt-很重要"><a href="#System-Prompt-很重要" class="headerlink" title="System Prompt 很重要"></a>System Prompt 很重要</h3><p>System Prompt 是整个 AI 应用的”灵魂”，决定了模型的身份、能做什么、不能做什么、用什么风格回答。</p><p>举一个某线上课程商店客服写得比较完整的例子：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br></pre></td><td class="code"><pre><span class="line">你是xxx的智能客服助手。</span><br><span class="line"></span><br><span class="line">职责：</span><br><span class="line">- 解答用户关于课程内容的问题</span><br><span class="line">- 帮助用户解决学习中遇到的技术问题</span><br><span class="line">- 引导用户完成课程购买流程</span><br><span class="line"></span><br><span class="line">限制：</span><br><span class="line">- 不讨论与课程无关的话题</span><br><span class="line">- 不能承诺任何价格优惠（需转接人工）</span><br><span class="line">- 不确定的信息要明确告知用户</span><br><span class="line"></span><br><span class="line">风格：简洁友好，如果举例优先用 Java 代码示例</span><br></pre></td></tr></table></figure><p>同样的模型，有这个 System Prompt 和没有，效果天差地别。</p><h2 id="四、Temperature：控制模型的”随机性”"><a href="#四、Temperature：控制模型的”随机性”" class="headerlink" title="四、Temperature：控制模型的”随机性”"></a>四、Temperature：控制模型的”随机性”</h2><h3 id="模型是怎么生成文字的"><a href="#模型是怎么生成文字的" class="headerlink" title="模型是怎么生成文字的"></a>模型是怎么生成文字的</h3><p>模型生成每个词，实际上是在做概率分布采样。比如补全”今天天气很”这句话：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br></pre></td><td class="code"><pre><span class="line">&quot;好&quot;   → 40% 概率</span><br><span class="line">&quot;差&quot;   → 25% 概率</span><br><span class="line">&quot;热&quot;   → 20% 概率</span><br><span class="line">&quot;糟糕&quot; → 10% 概率</span><br><span class="line">&quot;棒&quot;   →  5% 概率</span><br></pre></td></tr></table></figure><p>模型不是每次都选概率最高的词，而是按概率”抽签”。<strong>Temperature</strong> 就是控制这个抽签过程的参数。</p><h3 id="Temperature-的效果"><a href="#Temperature-的效果" class="headerlink" title="Temperature 的效果"></a>Temperature 的效果</h3><p><strong>Temperature &#x3D; 0</strong>：每次都选概率最高的词，结果确定，每次运行一样，适合代码生成、数据提取这类要求精确的场景。</p><p><strong>Temperature &#x3D; 0.7（默认）</strong>：适当随机，有变化但总体合理，适合聊天对话、问答系统。</p><p><strong>Temperature &gt;&#x3D; 1.5</strong>：高度随机，极具创意但可能不合逻辑，适合头脑风暴，但很少用这么高。</p><p>举个例子：</p><figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br></pre></td><td class="code"><pre><span class="line">提示：写一句关于春天的话</span><br><span class="line"></span><br><span class="line">Temperature = 0：</span><br><span class="line">  &quot;春天来了，万物复苏，百花盛开。&quot;（每次一样）</span><br><span class="line"></span><br><span class="line">Temperature = 0.7：</span><br><span class="line">  第1次：&quot;春风轻抚大地，带来了新生的气息。&quot;</span><br><span class="line">  第2次：&quot;樱花在春雨中绽放，空气中弥漫着淡淡的花香。&quot;</span><br><span class="line"></span><br><span class="line">Temperature = 1.5：</span><br><span class="line">  &quot;春天是时间的叛徒，它用绿色的谎言欺骗了沉睡的种子。&quot;</span><br><span class="line">  （有创意但挺奇怪的）</span><br></pre></td></tr></table></figure><h3 id="开发中怎么选"><a href="#开发中怎么选" class="headerlink" title="开发中怎么选"></a>开发中怎么选</h3><table><thead><tr><th align="center">应用场景</th><th align="center">推荐 Temperature</th></tr></thead><tbody><tr><td align="center">JSON 数据提取</td><td align="center">0</td></tr><tr><td align="center">SQL 生成</td><td align="center">0 ~ 0.2</td></tr><tr><td align="center">问答系统</td><td align="center">0.3 ~ 0.7</td></tr><tr><td align="center">聊天助手</td><td align="center">0.7</td></tr><tr><td align="center">文案创作</td><td align="center">0.8 ~ 1.0</td></tr></tbody></table><h2 id="五、其他常用参数"><a href="#五、其他常用参数" class="headerlink" title="五、其他常用参数"></a>五、其他常用参数</h2><h3 id="Top-P（核采样）"><a href="#Top-P（核采样）" class="headerlink" title="Top-P（核采样）"></a>Top-P（核采样）</h3><p>和 Temperature 类似，也是控制随机性的。Top-P &#x3D; 0.9 表示只从累积概率达到 90% 的词里随机选，排除掉长尾低概率词。</p><p>实践建议：Temperature 和 Top-P 不要同时调，选一个就够了。OpenAI 官方推荐调 Temperature，固定 Top-P &#x3D; 1。</p><h3 id="Max-Tokens（最大输出长度）"><a href="#Max-Tokens（最大输出长度）" class="headerlink" title="Max Tokens（最大输出长度）"></a>Max Tokens（最大输出长度）</h3><p>控制模型单次回复最多输出多少 Token。不要设太小（回复被截断），也不要不设（遇到”话痨”模型会产生大量 Token 费用）。</p><h3 id="Stop-Sequences（停止序列）"><a href="#Stop-Sequences（停止序列）" class="headerlink" title="Stop Sequences（停止序列）"></a>Stop Sequences（停止序列）</h3><p>指定当模型输出包含某些特定字符串时立即停止生成，用得不多，遇到了再查。</p><p> 参数速查 </p><table><thead><tr><th align="center">参数</th><th align="center">默认值</th><th align="center">常用设置</th></tr></thead><tbody><tr><td align="center">temperature</td><td align="center">1.0</td><td align="center">精确任务用 0~0.3，对话用 0.7</td></tr><tr><td align="center">top_p</td><td align="center">1.0</td><td align="center">通常不动</td></tr><tr><td align="center">max_tokens</td><td align="center">模型上限</td><td align="center">根据场景设合理上限</td></tr></tbody></table><h2 id="六、概念串联"><a href="#六、概念串联" class="headerlink" title="六、概念串联"></a>六、概念串联</h2><p>一次完整的 API 调用长这样：</p><figure class="highlight json"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br><span class="line">4</span><br><span class="line">5</span><br><span class="line">6</span><br><span class="line">7</span><br><span class="line">8</span><br><span class="line">9</span><br><span class="line">10</span><br><span class="line">11</span><br><span class="line">12</span><br><span class="line">13</span><br><span class="line">14</span><br><span class="line">15</span><br></pre></td><td class="code"><pre><span class="line"><span class="punctuation">&#123;</span></span><br><span class="line">  <span class="attr">&quot;model&quot;</span><span class="punctuation">:</span> <span class="string">&quot;gpt-4o&quot;</span><span class="punctuation">,</span></span><br><span class="line">  <span class="attr">&quot;messages&quot;</span><span class="punctuation">:</span> <span class="punctuation">[</span></span><br><span class="line">    <span class="punctuation">&#123;</span></span><br><span class="line">      <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;system&quot;</span><span class="punctuation">,</span></span><br><span class="line">      <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;你是一个 Java 技术助手，回答简洁准确。&quot;</span></span><br><span class="line">    <span class="punctuation">&#125;</span><span class="punctuation">,</span></span><br><span class="line">    <span class="punctuation">&#123;</span></span><br><span class="line">      <span class="attr">&quot;role&quot;</span><span class="punctuation">:</span> <span class="string">&quot;user&quot;</span><span class="punctuation">,</span></span><br><span class="line">      <span class="attr">&quot;content&quot;</span><span class="punctuation">:</span> <span class="string">&quot;用一句话解释什么是 Spring Bean&quot;</span></span><br><span class="line">    <span class="punctuation">&#125;</span></span><br><span class="line">  <span class="punctuation">]</span><span class="punctuation">,</span></span><br><span class="line">  <span class="attr">&quot;temperature&quot;</span><span class="punctuation">:</span> <span class="number">0.3</span><span class="punctuation">,</span></span><br><span class="line">  <span class="attr">&quot;max_tokens&quot;</span><span class="punctuation">:</span> <span class="number">200</span></span><br><span class="line"><span class="punctuation">&#125;</span></span><br></pre></td></tr></table></figure><p>背后发生了什么：</p><ol><li><p>消息列表被 Tokenize，计算总 Token 数，检查是否超出上下文窗口</p></li><li><p>模型根据消息内容生成概率分布</p></li><li><p>Temperature &#x3D; 0.3，偏向确定性，大概率选高概率词</p></li><li><p>模型逐个 Token 生成，直到遇到结束符或达到 max_tokens</p></li><li><p>返回结果，按（输入 Token + 输出 Token）计费</p></li></ol><p>这套流程理解了，后面写代码的时候就知道每个参数在控制什么了。</p>]]>
    </content>
    <id>https://gongyeqi.top/2026/07/07/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/</id>
    <link href="https://gongyeqi.top/2026/07/07/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5/"/>
    <published>2026-07-07T02:10:00.000Z</published>
    <summary>大模型基础概念，包括 Token 理解和上下文窗口概念。</summary>
    <title>大模型基础概念</title>
    <updated>2026-07-09T05:10:47.686Z</updated>
  </entry>
  <entry>
    <author>
      <name>宫野琦</name>
    </author>
    <category term="个人成长" scheme="https://gongyeqi.top/categories/%E4%B8%AA%E4%BA%BA%E6%88%90%E9%95%BF/"/>
    <category term="英语" scheme="https://gongyeqi.top/tags/%E8%8B%B1%E8%AF%AD/"/>
    <content>
      <![CDATA[<div class="hbe hbe-container" id="hexo-blog-encrypt"     data-hbe-format="4"     data-wpm="密码错误"     data-whm="密码错误"     data-salt="afc2ec96d51fba027e6bba24b90b76aad4e42aa00b978393c0f5f3da08989d9d"     data-nonce="044c21b891ab744e5f1c3b7e"     data-kdf-iterations="600000"     data-auto-save="false">  <script id="hbeData" type="hbeData">    42baf42fe78e41f1193b0ef0f0b6f6fb710142e3c118809080f8d769f29fc047094acccc9011f6e6ffea8e77a7cb7a62180e193812e3f50727cc760df9c535e4d0bc5a8fd9c8c092459b6cdcfeca321955f43542444b6b59c32e1a182bb2b869d74ea976c6980c6cbd99f4f74069dae440dbef7477c51e79c32415a7c72c6ff86cc484ccce80c577e0411f3ae35973cf9abbe86a4c4fafe1d52d70d6e2b6646068910187dfd059bbd644fc6f4bec2765c615f4d36d5b134a8e50a02b2621187f84b7de312782a26875945f3dd03943d1c97255d6cfd30ee2aee9f14dbdb8fc6d65ae5ae90310d77bb191562b620cf0306144d4d6eeef8d19270ade7060239d0a4b20a152263761e765ab1500eca745024be140c34c8aac958641bd73f672dd32561f094ecc0b66300cf34c9f2da9668208ef86acfc46888b96a92ef75b559f9acb12fafd4fc3ce2534bc79feb7cb43693f962538dc054bc3968030fd4c550d1a306c305bb24f0af905b1e727f6d555064a43de7e4f57a002284cfdbdb319f7d8213f39e0857c9f74a7bf55d12f671cff427eade12557117d9615073a7be3d0a4a5e05639d3947a3dff7f3de45f40194a8f5035c1811982bec609f7d16fb5158093a897195c48b42cf28c88fa138c7e885aece44fd702594e07d8bf0233ca038e5e84cb29bde3592a8d49595ae6661405babf74a0c02a998da660d0faa4dc4d6fa635569c7e6a86c687e0afff09768c2b64ddc36eb56616e76c3703f677863b784f3dde3f4ef2be44d2374b1f41cf6e361b5681d06ff6ded531af7e8b33eecd7d27a9b0dde74aa7006cf386e4b2e1b549ec64af665382d9463ce7dd00de760529cfacbdf3b1724a106d13af53e5e818f8c81f9b20e314d19c7e35b6d101fe800757830bfaaaa53b526451dfb8fc03e1e173b1c94323fe3696e039600d73eb8faaec32fc88503a8230437f92abdb2ed008453497ef6c0ed7dc3917711db2c14e9e9836e985da2bcad14fd4a09802b5345cb746795fe4a2dbe1e69e67696e92ef2355bc92b7e57ed2b5bad210fb476c674fc3033ae8a96a3f8898f5e954893638140769a8a61498086e791ab25b483014aabba8151e77b08b1221b80a83a6d37873c78e635e44463e37097bf7e4ac31bd07717be27a4bc07a982858c418e85f7b90129e6bebe67065a11c2a5d23b1e483e79124865d29b61fa5d6b381da5508ced182c7349d996a3364e34178c1d343936fa3dae8dbd84c87d41877de25888ed54840b30473c74d43d387a61b769a2bba02c65d72715ca981a27914c2ce799ca65f61ff6424d92978ee2cc1e76105eb700350c4ce410ca0fc91cb177879c7d2b3574bc1b2704d0c904a2438abc21815f280cd9ab872731043cc5cc327ee9bd453e25b4eb5a787a8b8a5dd8924337c69ea8fd6047301570e0b140a97c467da88830ee8b6fe2e624c71022f65095664cf75202b6b35317617914bc8f71fa14101a3b9d4101ab6ad44b0215591a7c119caf3d91efba283cbafbd236be2721a04678b0550a03f15541bbfa97ce9b153d2355eb47808eb1e4c08fdd55cadf0b482f69a122d52045c9fe645a8adb8a0faf14848e060304e7980418997502f4b42516acaefffcd18cf1cd48741a38e944e43d7d6d5f8e0c37da481eab595cd5d1af21f17e2fea746388642a6a5d50e8fdb361b106da8a3c1fa55cbea3bbd34d500829cdd7a112214348bebe18fd2769d0f505f5cedee7e796e85a30616857f051ac15bd458b205b6acac0d964bb9a25a9232c6f88ace44e708243af2511469828496b0834bec4c89c5d35b18644232650d0cb2fc981cd60cd29bb497888f432f0bcd97670e0f0fad03f5935b95eb253c91ba7248ba426a01334a75117eca252165fc6f17f5835cd109b2c063793bf11663c663af608a683189c0988d97527c41cec0ee46bea9d3ed49395c8b16ecdb48ea10e19a9d97588dca7cd9ea18000721970d5a81871b7d8a0519852cf0527e8f0b369803a4a99625bde7f8f42eff5cb3bcafdcf62eb98c44e945038ca632124c4d788153c2d04fb23852afb600a5fc1f052e27944a342fd36d481d6d4c14ddf60c6ccce45337324c69b4a1ef4fdd3c0ad26323f44cb06a3004a07f07a36230194e86b02c4b18e1e1446fc83e4e4ff7e0800ea18f4b52794905afe604663622e2a61787ca8139fadc3abe4a0332c3565245ae39c7d40566b65390c0000a7b0ae5d78f946a34126897a4b4a875171001af30272ac548fa572a2bbf670e6668a7ce36fb58ee87c5b0529d615b143bb966f32d1acdf707d62b365233ea7c022b1cda9236e5bfec5769fdfbffcaa549ba943aa5a77fd438c2b9e06a59fb1e538fe49323cf4de8fc99fbeefebfd09f2cb4839e056a275072690bcf3d6136f414c8005f8156a1966c602aef74ef857f9b6f92522277ff3090bde25e6c01d41004c4f5168206dac50d6c0ab8633e16d8aa12ef0507ecc8973b3b32e4e59e63c83c66a913e1db39e47c6b443e78787430ab8836f587c118cb519b9311afc1f1e1fc16480e63517f8cb88e6e12e6bb56f8a40007dc9598b766cd154e6103523658d7f7d3cfca396349b4e71fc8cfea0261d6308b61c6dac245c97e6f5784b6627a7fc3ccb87b859a0f0cd8e63e59553dd5cd30694e04c7165a7aa5781c0417f53a7d2226f0f5255e3ab42081e36c5a54a66197fed9c9ba5e7f00b11e11cab834aab3efd974b27bd77498cab57b29e09f70dc0b12f970507e27537c73772775840917b5990a3583c81db199e10a29ebd76b2b7734a71599c91395eb32e64ff149a51022e733c2069c75fd982e9b253d885188dd104094d5b96dd68a741ddd929b91eb678e167c475ce8127a71044e7d0b76148e43cc7a416fdf8f1280114871fa26455020abf00bd932f6b16c21e52f1cdccdb43dfa8bda0b2e2742395194728c3bf904bd9efb79a6539831ddc974f33693f6d0be5185f5c85f3d413512194a012a7698c27402b4959c0b3f7961cdefbf32bd7fe98ac739155d1249364d2833d539b5b57b5872badc3229c1346f82d7162e63964918b3d57a90d0d6cdcf612bb08ac4a2eba6be6f15f54fc1e02c9eea187cd1d41b79d5ab958faa107540cc9c52e499200973c58eecd23a1baeb1cd1d5dc101280293446a62000659afe268ced325da634e69bf51151ed38cd027901acbc54744b42fcf19d3a15087a177906fae71a921b4450d1ac21e82bb02636f30b1aacd996af6bcd1f55fd80b694e5c34e1a3cc33892098e442aa5dfe2f018e8f8922a9e0982312335cf8a5968394661107dd539b43c0e0701d914e1bc0bd4b2320692a4b66c974cb31006aabf4c0bcf171933124f3ccc801d3944d898028c9  </script>  <div class="hbe hbe-content">    <p class="hbe hbe-abstract" style="display:none;">这篇英语学习笔记已加密，输入密码查看完整内容</p>    <form id="hbeForm" class="hbe hbe-form" onsubmit="return false">      <div class="hbe hbe-input hbe-input-default">      <input class="hbe hbe-input-field hbe-input-field-default" type="password" id="hbePass">      <label class="hbe hbe-input-label hbe-input-label-default" for="hbePass">        <span class="hbe hbe-input-label-content hbe-input-label-content-default">请输入访问密码</span>      </label>    </div>      <button class="hbe hbe-button" type="submit">Decrypt</button>      <div class="hbe hbe-error" role="alert" aria-live="polite"></div>    </form>  </div></div><script data-pjax src="/lib/hbe.9e70f1e1d2.js"></script><link href="/css/hbe.style.css" rel="stylesheet" type="text/css">]]>
    </content>
    <id>https://gongyeqi.top/2026/06/22/%E8%8B%B1%E8%AF%AD%E5%AD%A6%E4%B9%A0%E4%B9%8B%E8%B7%AF/</id>
    <link href="https://gongyeqi.top/2026/06/22/%E8%8B%B1%E8%AF%AD%E5%AD%A6%E4%B9%A0%E4%B9%8B%E8%B7%AF/"/>
    <published>2026-06-22T01:03:55.000Z</published>
    <summary>记录我的英语学习之路，什么时候开始都不算晚！</summary>
    <title>英语学习之路</title>
    <updated>2026-07-09T05:09:35.878Z</updated>
  </entry>
</feed>
