LLM 一句话工作原理

LLM 就是一个超大号的"下一个词预测器"。

输入一段文字（比如 "The capital of Australia is "），它会算出每个可能的下一个词的概率（"Canberra" 0.85, "Sydney" 0.08, "Melbourne" 0.03, ...），然后按这个概率分布采样出一个词。

把这个词接在原文末尾，重新算下一个词。循环到出 stop token 为止。整个"对话"就是几百次到几万次 next-token prediction 串起来的结果。

听起来像一个非常笨的机制，但训练数据足够大、模型参数足够多（Claude Opus 大概 ~1.5T 参数，GPT-5 ~1.8T，Gemini Ultra 类似量级）之后，"预测下一个词"突然涌现出推理、代码、创作能力。这就是大语言模型的全部秘密。

作为 AI Engineer 你必须记住的几个含义：

1. 它没有"知识"，只有"模式"：它不"知道"今天日期、今天股价、你公司内部数据。要让它知道，必须把信息塞进 prompt 里（这就是 RAG，第 4 章）。
2. 温度 (temperature) 控制采样随机性：temp=0 总是选最高概率词（确定性强），temp=1 按原分布采样（创造性强）。AI Engineer 大部分场景用 0.0-0.3。
3. 它不可靠：next-token 采样本质有随机性，且训练数据有偏差，幻觉是 feature 不是 bug。要靠工程手段（RAG / 工具 / 二次校验 / eval）兜住。

主流模型 2026 年怎么选

不要再纠结"Claude vs GPT 哪个聪明"——2026 年的现实是 Top-3 模型在大部分日常任务上 90%+ 重叠，差异在特定能力 + 价格 + 生态。

Claude（Anthropic）

Anthropic 独家：

• Prompt Caching：缓存 5 分钟，命中部分 token 价格降 90%。RAG 场景必开。
• Tool Use 接口最干净，function calling 出错率比 OpenAI 低
• Computer Use beta：让 Claude 真的去操作鼠标键盘截图。生产风险大但 demo 效果惊艳

OpenAI

OpenAI 独家：

• 生态最熟：所有 SaaS 都接它，文档 / SDK / 教程最全
• Realtime API：实时音频流式对话最强（语音助手类产品几乎垄断）
• Image generation (gpt-image)：要在产品里嵌生图就用它

Gemini（Google）

Gemini 独家：

• 2M context：唯一能塞下整本书 + 几十张图的模型
• Native 多模态：视频 / 音频 / 图像 / 文本同时输入
• Google Search 内嵌：开 grounding 模式后能查实时网页（其他厂要自己接 search）

选型决策树

要做什么？
├── 客服聊天 / 通用 RAG
│   └── Claude Sonnet 4.6（性价比 + tool use 干净）
├── 复杂代码 / Code review
│   └── Claude Opus 4.7（一小时能省 5 小时人工）
├── 数学 / 严格 reasoning
│   └── GPT-5 with reasoning mode
├── 长视频 / 跨多文件分析
│   └── Gemini 2.5 Pro（2M context 没人能比）
├── 实时语音对话产品
│   └── OpenAI Realtime API
└── 高 QPS 简单任务（分类、提取）
    └── Haiku 4.5 / Gemini Flash 二选一

多模型混合也很常见。比如生产 RAG 应用：embedding 用 OpenAI（生态成熟），主 LLM 用 Claude Sonnet（tool use 干净），eval 用 GPT-5（最严格）。

Context Window 是什么、怎么算

Context window = 模型一次能"看"的最多 token 数。超出就会被截断，截断哪里取决于你的实现，常见 bug 来源。

实操要点：

1. 不是 context 越大越好：Claude / GPT / Gemini 都被实测验证 "lost in the middle" 问题——context 太长时模型会忽略中间部分。生产里超过 50K token 的输入要做摘要 / 切片
2. token 估算：英文 1 word ≈ 1.3 tokens；中文 1 char ≈ 1.5 tokens；代码 1 line ≈ 10-30 tokens（越多符号越多 token）
3. Output 也算 context：Claude 的 1M 是 input + output 共享，不是 input 1M + output 1M

API 用法：5 分钟跑通

以 Anthropic SDK + TypeScript 为例（Claude / GPT / Gemini SDK 风格几乎一样）。

npm install @anthropic-ai/sdk
export ANTHROPIC_API_KEY=sk-ant-...

单轮调用

import Anthropic from '@anthropic-ai/sdk';

const client = new Anthropic();

const response = await client.messages.create({
  model: 'claude-sonnet-4-6',
  max_tokens: 1024,
  messages: [
    { role: 'user', content: '用一句话解释 RAG 是什么' }
  ]
});

console.log(response.content[0].text);

多轮对话（要自己维护历史）

const history: Anthropic.MessageParam[] = [];

async function chat(userMsg: string) {
  history.push({ role: 'user', content: userMsg });
  const res = await client.messages.create({
    model: 'claude-sonnet-4-6',
    max_tokens: 1024,
    messages: history
  });
  const assistantMsg = res.content[0].type === 'text' ? res.content[0].text : '';
  history.push({ role: 'assistant', content: assistantMsg });
  return assistantMsg;
}

await chat('我在墨尔本'); // "好的，我了解了，您在墨尔本"
await chat('附近有什么大学？'); // 这次它知道"附近"= 墨尔本附近

⚠️ 常见踩坑：很多人 production 里把 history 无限累积，一周后一次请求 50K token 全是历史，token 账单暴涨 + lost-in-middle。要么限制 history 长度（保留最近 N 轮），要么每 N 轮做摘要塞回去。

Streaming（用户体验关键）

const stream = await client.messages.stream({
  model: 'claude-sonnet-4-6',
  max_tokens: 1024,
  messages: [{ role: 'user', content: '写一篇 500 字关于 RAG 的介绍' }]
});

for await (const event of stream) {
  if (event.type === 'content_block_delta' && event.delta.type === 'text_delta') {
    process.stdout.write(event.delta.text);
  }
}

不开 streaming 的话用户要等 5-10 秒看到第一个字，这在产品里几乎是 dealbreaker。任何用户能看到结果的场景必开 streaming。

System Prompt（角色 / 行为约束）

await client.messages.create({
  model: 'claude-sonnet-4-6',
  max_tokens: 1024,
  system: '你是匠人学院的客服助手。只回答关于课程、报名、支付的问题。其他话题礼貌拒绝。',
  messages: [{ role: 'user', content: '今天 AI 股票涨了吗？' }]
});
// → "抱歉，我只回答匠人学院相关问题。如果想了解课程..."

System prompt 是把"模型默认人格"扭转的地方，比 user message 里写"请扮演..."强 10 倍，这是新手最常见错误。

Token 账单怎么估

2026 年 Anthropic / OpenAI / Google 价格已经三年降了 5-10 倍，但生产场景仍然能给小公司打几千刀 / 月账单。

一个真实估算例子

匠人内部知识库 RAG，每天 1000 次查询：

• 每次平均：4K input (system + retrieved chunks + user) + 500 output
• 不开 caching：1000 × (4000 × $3 + 500 × $15) / 1M = $19.5/天 ≈ $585/月
• 开 caching（system + chunks 命中）：1000 × (3500 × $0.30 + 500 × $3 + 500 × $15) / 1M = $11/天 ≈ $330/月

caching 一开省 44% 是常态。RAG 场景的 system prompt + retrieved chunks 都很容易缓存命中。

省钱黄金三招

1. 能 Haiku / Flash 就别用 Opus / GPT-5：90% 任务 Haiku 能干，留 10% 复杂的给 Opus
2. Prompt Caching 必开：上面表里 cached 价格基本都是原价 1/10
3. Output 严格限长：max_tokens 设 500，不让模型啰嗦。Output token 比 input 贵 5 倍

第 7 章会讲生产环境完整的成本控制策略。

本章小结

• LLM = 巨大的下一个 token 预测器，没"知识"只有"模式"，幻觉是结构性问题不是 bug
• 2026 年选型重点不是"哪个最强"，是"针对任务+预算选哪个"，必要时多模型混合
• API 三件套：单轮 / 多轮 / streaming + system prompt 控制角色
• token 账单按 input × $/1M tokens 估，caching + 选小模型 + 限 output 是省钱三件套

下一章进 Prompt Engineering——写得好的 prompt 比换一个更强的模型省钱效果还好。