小白程序员必看：收藏这份AI大模型学习指南，从文本到向量，轻松入门！-北京尧图网络

本文深入浅出地介绍了AI大模型如何处理文本数据从文本到Token再到Embedding向量的转换过程。详细解析了Tokenizer的作用、BPE算法原理以及位置编码的重要性。此外还介绍了Transformer架构的核心机制包括自注意力机制、多头注意力、前馈网络、残差连接和归一化等。通过本文读者可以更好地理解AI大模型的基本原理为深入学习打下坚实基础。上一篇先画清了模型与 Agent 的边界模型负责根据上下文提出下一步Harness 才负责执行工具、维护状态和验证结果。现在把镜头移回模型内部。我们输入的明明是一句话神经网络为什么能对它做矩阵运算“苹果发布新产品”和“吃一个苹果”里同一个词为什么能形成不同表示Transformer 又怎样让当前位置读取前文却不偷看未来答案要回答这些问题需要沿着一条完整的数据流往下走系统层次文本 → UTF-8 字节 → Token → Token ID → Embedding 位置信息 → Transformer Block × N → 下一 Token 概率从文本到向量模型怎样“看见”一句话神经网络处理数字。自然语言进入模型前必须先经过 Tokenizer。文本、字节、Token ID 与向量的转换过程这张图里有四种容易混在一起的表示字符是人阅读的文字单位字节是计算机存储和传输文本的底层编码Token是 Tokenizer 根据词表切出的模型单位向量才是神经网络层真正参与计算的连续数值。同一个汉字在 UTF-8 中通常占多个字节但可能对应一个 Token也可能与相邻文字共同组成 Token。英文单词可能是一个 Token也可能被拆成词根、后缀或更小片段。字符数、字节数、Token 数和向量维度没有简单的一一对应关系。Token 不是字也不总是一个词Token 可以是一个汉字、半个英文单词、空格与标点的组合也可能是某段高频字节序列。不同模型使用不同词表与切分算法同一句话的 Token 数量并不固定。下面是本章锁定环境tiktoken0.13.0、编码器o200k_base的真实输出实测结果文本深入浅出 AI Agent 字符数13 UTF-8 字节数21 Token 数5 Token ID[125047, 190269, 6390, 20837, 28237] Token 字节[b/xe6/xb7/xb1/xe5/x85/xa5, b/xe6/xb5/x85, b/xe5/x87/xba, b AI, b Agent]这个结果不是跨模型常量。更换编码器或版本后切分可能变化真实结果必须以目标模型的 Tokenizer 为准。Token 数会影响三件非常现实的事上下文窗口能容纳多少内容API 输入输出怎样计费模型在哪些边界上更容易复制、拼写或计算出错。仓库里的chapter1/token_demo.py使用 OpenAI 的 tiktoken 查看真实切分。可以在项目根目录运行命令python chapter1/token_demo.py 深入浅出 AI Agent不要只运行一个例子。继续比较中文、英文、代码、Emoji 和同义改写才能看到 Tokenizer 的真实行为边界。为什么不直接按“一个词一个 Token”如果把每个完整单词都放进词表会遇到词表爆炸。英文有复数、时态、派生词和拼写变化中文没有天然空格代码包含变量名、路径和随机标识符用户还会不断创造新词。无论词表多大都无法预先列出所有可能字符串。如果退到字符级词表会变小也不会遇到未知单词但序列会变长。unbelievable原本可能由少量子词表示字符级却需要逐个字母处理。更长的序列意味着更多注意力计算也意味着上下文窗口能容纳的有效内容更少。子词 Tokenization 在两者之间折中高频片段保留为较长 Token提高压缩率低频词拆成更小片段避免完全未知采用 byte-level 或显式 byte fallback 的实现还能回退到字节从而覆盖任意 Unicode 文本。并非所有子词算法都具备字节回退。传统 WordPiece 可能产生未知词标记SentencePiece 是否启用 byte fallback 也取决于配置。不能把某一类现代 Tokenizer 的实现特征写成全部 Tokenizer 的共同性质。这不是单纯的文本预处理细节。Tokenizer 决定了模型“看问题的颗粒度”。电话号码、长整数、罕见人名和代码标识符如果被切成许多碎片模型就要跨多个位置保持精确关系通常比处理高频自然语言更困难。BPE 的直觉反复合并高频片段不同模型会采用不同 Tokenizer。为了理解基本思想可以用 Byte Pair Encoding也就是 BPE做一个玩具推演。假设语料只有提示词low lower lowest开始时把词拆成字符或字节提示词l o w l o w e r l o w e s t统计相邻片段后l与o、lo与w都很常见于是算法可以依次学习合并规则提示词l o → lo lo w → low之后low可以用一个 Token 表示lower可能被表示为low erlowest可能是low est。真实 Tokenizer 会在大规模语料上学习大量合并并常以字节为基础处理 Unicode。这个例子只解释一个方向高频组合变长低频组合回退。Tokenizer 的合并规则在模型训练前已经确定。模型不能在一次对话中临时把新词加入固定词表。它可以通过多个已有 Token 表示新词并在上下文中学会怎样使用但底层切分没有改变。空格、大小写和格式也会改变 Token很多词表把前导空格作为 Token 的一部分因此Agent和Agent可能拥有不同 ID。大小写、换行和缩进也会改变切分。对代码模型而言空格和换行不仅影响 Token 数还携带语法结构。这带来几个工程后果重复的大段固定提示会消耗上下文和费用JSON 中冗长字段名会在每轮工具调用中重复出现把二进制、Base64 或压缩数据直接塞进上下文通常极不经济同样内容用表格、JSON 或自然语言表达Token 数与模型可读性不同提示词“更短”不总是更好还要保留完成任务所需的高信号信息。这里先建立一个习惯讨论“文本长度”时明确你说的是字符、字节还是模型 Token。从 Token ID 到 EmbeddingToken ID 只是词表里的编号。编号 100 与 101 在数值上接近不表示它们的语义接近。模型会通过 Embedding 表把每个离散 ID 映射为一个高维向量公式eᵢ E[xᵢ]训练会让在相似上下文中出现、承担相似作用的 Token 形成可利用的几何关系。这里的“意义”不是某个维度写着“是否动物”而是分散在许多维度和网络层中的表示。为什么不用一个超长 One-hot 向量假设词表有 20 万个 Token。最直接的表示是为每个 Token 建立一个长度 20 万的向量只有对应位置为 1其余为 0。它能区分 Token却有两个问题向量极其稀疏存储和计算浪费任意两个不同 Token 的距离都一样无法表达相似性。Embedding 表可以看成一个形状为“词表大小 × 隐藏维度”的可学习矩阵。根据 Token ID 取出对应行就得到稠密向量。如果词表大小为V隐藏维度为d长度为n的 Token 序列经过查表后得到公式X ∈ Rⁿˣᵈ这个X是 Transformer 的主要输入。后续每一层都会保持“序列位置 × 隐藏特征”的基本形状注意力在位置之间交换信息前馈网络在每个位置的特征维度上进行变换。初始 Embedding 与上下文化表示同一个 Token 从 Embedding 表取出的初始向量是固定的但经过注意力层后它的隐藏表示会依赖上下文。例如“苹果发布新产品”和“吃一个苹果”中的“苹果”初始 Token 可能相同后续层表示却会因为周围文字不同而分化。因此下面两句话应当区分Token Embedding 是固定查表结果模型内部对这个位置的表示会随上下文变化。很多入门解释只展示二维词向量图容易让人误以为每个词永远只有一个语义坐标。对现代 Transformer更重要的是上下文化表示每一层、每个位置都在根据可见上下文更新。顺序从哪里来仅有 Token Embedding不足以区分“猫追狗”和“狗追猫”。Transformer 还需要位置信息。最简单的直觉是给第 0、1、2……个位置分别准备位置向量再与 Token Embedding 组合。这样即使两个位置出现同一 Token输入表示也不同。现代 LLM 常见的旋转位置编码 RoPE不只是把位置向量加到内容上而是在 Query 和 Key 的部分维度中施加与位置相关的旋转使注意力分数自然携带相对位置信息。第一遍阅读不必掌握复数形式推导但要记住它解决的核心问题注意力需要知道谁在谁之前、相隔多远。位置机制也解释了为什么模型不能无代价地把上下文从训练长度扩展到任意长度。即使技术上能够接收更长输入精度和注意力利用也可能变化。Tokenizer 也不是跨模型通用的。工程系统应优先使用目标模型官方 SDK 或 Tokenizer 进行测量如果无法获得应把估算标为近似值并在接近上限时为工具结果和模型输出留出安全余量。常见故障输入明明没有超过字符限制API 为什么仍然拒绝因为 API 通常按 Token 而不是字符计算上下文而且总预算还可能包含系统指令、工具定义、历史消息、图片编码和预留输出。界面里看到的用户文字只是完整上下文的一部分。Transformer让每个位置有选择地读取上下文2017 年的论文《Attention Is All You Need》提出了以注意力为核心的 Transformer 架构。今天具体模型的层结构、位置编码、归一化和注意力实现已经发生许多变化但“根据上下文动态汇聚信息”仍是理解 LLM 的关键入口。从循环网络到 Transformer在 Transformer 之前语言模型常使用 RNN、LSTM 等循环结构。它们按照顺序逐步更新隐藏状态读完第一个 Token 得到状态h₁再把h₁与第二个 Token 一起计算h₂以此类推。这种结构符合“从左往右读”的直觉却有两个明显困难。第一位置之间存在强顺序依赖。计算后面的位置前通常要先得到前面的位置训练难以充分并行。第二远距离信息必须经过许多状态传递。尽管 LSTM 等结构缓解了梯度问题长距离依赖仍然困难。Self-Attention 提供了另一条路线一个位置可以在同一层直接计算它与所有可见位置的关系。信息路径变短训练也更适合现代加速器进行大规模矩阵运算。代价是标准全注意力需要处理随序列长度平方增长的成对关系这成为长上下文的重要成本来源。Encoder、Decoder 与 Decoder-only原始 Transformer 用于机器翻译包含 Encoder 和 DecoderEncoder 可以双向读取整段源文本适合理解和编码输入Decoder 使用因果遮罩只读取已经生成的目标前缀并通过交叉注意力读取 Encoder 输出Encoder-Decoder 组合把一种序列转换为另一种序列。后来形成三类常见路线Encoder-only上下文可见性通常双向典型目标分类、表征、遮盖恢复直觉读完整段后理解Encoder-Decoder上下文可见性输入双向、输出自回归典型目标翻译、摘要、序列转换直觉先读输入再生成输出Decoder-only上下文可见性对生成位置因果可见典型目标下一个 Token直觉把任务统一成续写生成式 LLM 广泛采用 Decoder-only不是因为 Encoder 已经没有价值而是因为大量任务可以统一表示为“给定上下文继续生成”。指令、示例、检索资料、工具定义和对话历史都可以排进一个 Token 序列用同一个自回归目标处理。Decoder-only Transformer 的最小数据流一次前向计算可以先粗略理解为系统层次文本 → Token ID → Embedding 位置 → N 个 Transformer Block → 词表 Logits → 概率分布 → 下一个 Token每个 Transformer Block 里最值得先掌握两部分自注意力与前馈网络。自注意力不是“把所有内容平均一下”对每个位置的表示模型通过学习到的矩阵得到 Query、Key 和 Value公式Q XW_Q K XW_K V XW_V缩放点积注意力为公式Attention(Q,K,V) softmax((QKᵀ / √dₖ) M)V其中dₖ是每个 Key/Query 向量的维度除以√dₖ是为了避免维度增大后点积数值过大M是因果遮罩矩阵未来位置对应负无穷。生成第t个位置时模型不能偷看未来的真实 Token因此未来位置经过 Softmax 后权重为 0。可以先用“检索”作一个不完全但有用的类比Query 表示当前位置正在寻找什么Key 表示每个历史位置能以什么特征被匹配Query 与 Key 的相似度形成注意力分数Softmax 把分数转成权重对 Value 加权求和得到当前位置从上下文读取的信息。仓库里的chapter1/attention_demo.py只有几十行 NumPy 代码。它不会复现完整 Transformer却会把分数矩阵、因果遮罩和 Softmax 后的权重逐项打印出来命令python chapter1/attention_demo.py比背诵公式更重要的是观察两个现象被遮罩的未来权重是否严格为零以及改变某个 Query 后信息来源怎样变化。用三个位置手算一次注意力假设序列只有三个位置每个位置的表示都是二维向量。为了让计算可复现令投影矩阵为单位矩阵因此Q K V X并且dₖ 2公式X Q K V [1.0 0.0] [0.8 0.2] [0.0 1.0]先计算缩放点积分数公式QKᵀ / √2 ≈ [0.707 0.566 0.000] [0.566 0.481 0.141] [0.000 0.141 0.707]第i行表示第i个位置在看哪些位置第j列表示它对第j个位置的匹配程度。加入因果遮罩后公式S_masked ≈ [0.707 -∞ -∞ ] [0.566 0.481 -∞ ] [0.000 0.141 0.707]因果自注意力矩阵的读法在因果生成中第 1 个位置只能看自己第 2 个位置可以看第 1、2 个位置第 3 个位置可以看第 1、2、3 个位置。上三角的未来位置在 Softmax 前被设为负无穷归一化后权重为 0。这样训练时即使完整句子已经放在显存中每个位置也无法通过注意力直接读取未来答案。逐行做 Softmax可得到公式A ≈ [1.000 0.000 0.000] [0.521 0.479 0.000] [0.239 0.276 0.485]最后计算AV。第二个位置的新信息约为公式0. **521v₁ 0.479v₂ (0.904, 0.096)**注意力输出不是“选中一个词”而是把多个 Value 连续混合。上面的每一个数都可以在实验脚本中逐项核对。还要澄清一个常见一个 Block 的直觉可以压缩成两句注意力决定“从其他位置读什么”前馈网络决定“读到之后怎样变换”。残差连接让新信息与原表示相加公式x_next x Sublayer(x)如果每一层都完全覆盖上一层表示深层网络很难稳定训练也容易丢失已有信息。残差连接让子层只学习“在当前表示上增加什么变化”归一化则帮助控制不同层的数值尺度。真实模型可能采用 Pre-Norm、Post-Norm 或 RMSNorm 等变体。入门阶段不用背具体顺序但阅读结构图时应知道Attention FFN并不是完整 Block残差与归一化同样是基础设施。为什么还要堆很多层“一个位置能直接看见所有历史位置”只表示信息路径存在不表示一次加权就能完成复杂计算。考虑阅读一段代码并判断变量最终类型较早层可能识别标识符、括号和局部语法中间层组合赋值、调用和作用域关系更高层将这些关系组织成适合预测下一段代码的表示。这是示意而不是严格的神经元分工。模型行为来自多层分布式计算。更深的网络允许模型反复读取、组合和变换上下文不能把注意力理解成一次数据库查询。标准注意力为什么让长上下文昂贵长度为n的序列会形成n × n的注意力分数矩阵。仅从成对关系看序列长度翻倍矩阵元素约变成四倍。训练时还要保存用于反向传播的中间结果显存压力更大。现代系统会使用 FlashAttention、分块计算、稀疏或滑动窗口注意力、KV Cache、量化和并行策略降低实际成本。它们改变的是计算与存储方式或限制部分连接并没有让上下文成为免费的无限资源。对于 Agent问题更加突出。系统指令、工具定义、文件片段、终端日志和每轮工具调用都会积累。即使模型支持很长上下文也需要选择哪些信息值得进入下一轮而不是把全部历史原样保留。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取

小白程序员必看：收藏这份AI大模型学习指南，从文本到向量，轻松入门！

相关推荐

Windows 10安装FFmpeg官方指南：从下载到环境变量配置全解析

ai漫剧做出来了怎么赚钱，2026年漫剧工作流，5款对比横评

代码动态分析工具实战：从内存越界到覆盖率排查全指南

更多资讯

启动报Port 8088 was already in use？先查是谁占的

担心文档上云？本地运行的办公AI才敢放心用

先能用，再好用：从烂尾复盘到两周上线，全栈项目的‘原型—快速迭代‘方法论

深度思考模式把 ARC-AGI-2 从 17.6% 拉到 45.1%：对照 Gemini 3 Pro 的三份能力评测，看‘会思考‘改写了哪些边界

1.c++入门篇

《江灯合声》：有可行的分框版，也仍可以选择连续鸣谢

今日更新

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？