人工智能通识课里的大模型模块，到底该讲什么

大模型是通识课最容易被讲成"工具使用教程"的模块，也最容易被讲成"算法数学课"。真正难的是取舍：哪些概念必须讲透，哪些细节可以略过，学生学完之后应该留下什么。

一个普遍的困境：这一章要么太浅，要么太深

承担人工智能通识课教学任务的教师，大多在大模型这一章遇到过类似的两难。

一种讲法是把它做成工具使用教程：注册账号、输入提示词、演示几个案例、布置一份作业。课堂气氛通常不错，学生也能马上上手，但一学期下来，学生记住的只是"某个平台的某个按钮在哪里"。工具版本一更新，这些内容就失效了，课程也就失去了长期价值。

另一种讲法是往技术深度走：参数规模、Transformer 架构、注意力机制的矩阵运算、预训练目标函数。这条路对计算机专业的学生或许可行，但对通识课的受众——来自财经商贸、文化艺术、教育体育等各类专业的学生——门槛明显过高。教师在黑板上推导公式，台下多数人的注意力在十分钟内就会流失。

两条路都不理想，原因在于它们都没有回答通识课的核心问题：这门课要培养的是理解和使用大模型的人，不是训练大模型的人，也不是只会点按钮的人。 前者的知识体系要围绕"理解一个技术、判断它的输出、把它用在自己的领域"来构建，而不是围绕平台操作或算法实现来构建。

明确了这一点，内容取舍就有了标准。以下按概念层、机制层、应用层、边界层四个板块展开，并给出各板块的讲授要点、常见误区与课堂活动建议。

概念层：先把几个容易混淆的词分清楚

大模型这一章开篇最容易出问题的地方，是把几个近义概念混着用。学生听了一节课，脑子里"大模型""大语言模型""生成式人工智能"三个词是搅在一起的。这会直接影响后续所有内容的理解。

讲授的起点应当是大模型的整体定位：它是一种参数规模庞大、训练数据丰富、计算资源消耗巨大、具有较强通用任务处理能力的深度学习模型。这里的"大"包含几个层面——参数规模大、训练数据大、计算消耗大、任务覆盖广。关键要讲清楚的是它与上一代 AI 的区别：传统系统常常是"一个模型解决一个任务"，而大模型更接近"一个基础模型适配多种任务"，通过提示词、微调、检索和工具调用等方式适配不同场景。

从通识角度看，一个有助于理解的比喻是把大模型看作一种通用能力底座。它不是存储答案的数据库，而是通过学习数据中的规律，根据当前输入生成最合适的输出。这个定位很重要，因为它直接解释了后面为什么要讲"概率性"——既然是生成而非检索，输出就存在不确定性。

接下来要做的是概念辨析。大模型是更宽泛的类别，按处理对象可以分为大语言模型（主要处理自然语言和代码）、视觉大模型（处理图像视频）、语音大模型（处理语音识别与合成）、多模态大模型（同时处理多种信息）；生成式人工智能则指能够生成新内容的技术，大模型是它的重要基础。下表把这组关系梳理清楚，教师可以直接作为板书或课件框架。

这张表的价值不在于让学生背定义，而在于帮助学生建立一个准确的分类框架，后续读到相关报道时能判断对方说的到底是哪一层。

概念层的讲授有一个容易被忽略的要点：必须把"概率性生成"这一本质提前交代清楚，而不是留到边界章节再讲。原因在于，学生一旦知道了大模型是按概率生成内容、而非从数据库取答案，后面讲到"幻觉"时就不会觉得突然，也能更理性地看待输出的可靠性。教师可以用一句话点明：理解大模型，不能只看到它"会回答问题"的一面，也要理解它"按概率生成内容"的本质。

机制层：抓住两个关键词，不碰数学细节

机制部分的讲授策略，决定了这门课是"通识"还是"专业导论"。可行的做法是只讲思想，不讲推导——用两个关键词把大模型的工作原理讲清楚，然后点到为止。

第一个关键词是有损压缩。大模型并不是把训练资料逐条存进内部数据库，而更像把大量数据中的语言规律、知识结构、表达方式和任务模式压缩进神经网络参数。之所以叫"有损"，是因为它不可能完整记住每个细节，只能学到更普遍的统计规律和语义关系。这个机制直接解释了一个学生常有的困惑：为什么模型知道很多概念和风格，却记不准某个具体事实或最新发生的事件？答案就在"有损"两个字上。

第二个关键词是概率重构。模型生成回答时，不是从库里取出固定答案，而是根据当前上下文预测接下来最可能出现的词元，再把这个词元加入上下文，继续预测下一个——如此逐步生成完整内容。教师讲到这里，可以顺势解释一个日常现象：为什么同一个问题问两遍会得到不同的回答？因为采样过程中存在随机性，输出本身就带有分布特征。

围绕这两个关键词，还需要交代三个支撑条件，也就是数据、参数和算力共同作用形成模型能力。数据提供学习规律的来源，但并非越多越好，还需要考虑准确性、多样性、代表性和合规性；参数是存储和表达模式的载体，规模越大理论上越有能力表示复杂模式，但参数更多并不自动等于能力更强；算力则是训练与推理的基础设施，通常依赖 GPU、TPU 等加速芯片，长文本分析、多轮对话、多模态理解和高并发访问都会显著增加推理成本。这一段的落点是让学生理解：大模型的发展不只是算法问题，也是数据工程、计算系统和产业基础设施共同作用的结果。

机制层还有两个概念建议纳入通识内容，因为它们在后续讲提示词和外部知识连接时会反复用到。

一个是词元（Token）。它是模型处理文本的基本单位，可以是一个字、一个词、一个子词或一个符号。语料会被切分成词元，每个词元转换成一个编号再送入模型处理。这个概念的实用价值在于：它决定了模型一次能处理多少内容、推理成本有多高、生成速度有多快。

另一个是上下文窗口。它指模型一次可以处理的词元数量，提示词、历史对话、上传文档、检索内容都在占用这个额度。这里必须讲清楚一个容易误解的点：上下文窗口大，不等于模型有永久记忆。即使窗口很长，模型也可能忽略细节、混淆信息或对长文本的理解不均衡。因此，把重要信息放在清晰、结构化的位置，比简单堆叠大量材料更有效。这条建议对学生的实际使用有直接帮助。

机制部分的讲授可以用一张流程图收束，帮助学生把碎片概念串成一条线。

需要提醒的是，图像、语音等多模态输入的机制细节不必展开。通识课只需让学生知道，非文本信息会被转换为模型可处理的表示，经过编码后与文本表示结合，从而使模型能够完成看图问答、图表分析、语音交互等任务，这就足够了。

应用层：提示词是任务说明书，不是万能咒语

应用层是学生最感兴趣的部分，也最容易讲偏。一个普遍现象是，学生把提示词理解成某种固定模板，以为找到"万能提示词"就能让模型无所不能。这种误解需要在课堂上直接破除。

更准确的定位是：提示词是一份任务说明书。它不是神秘技巧，而是把人的需求转化为模型更容易理解和执行的任务描述。一个结构清晰的提示词通常包含几个要素：任务目标（要模型完成什么）、输入材料（应依据什么内容）、输出格式（段落、列表还是代码）、受众对象（输出给谁看）、约束条件（字数、风格、范围、禁止内容）、判断标准（什么样的回答算好）。

课堂上用对比的方式讲解效果最好。比如"帮我写一篇文章"这类要求，模型只能靠猜；而"请面向大学低年级学生，撰写一篇介绍大模型的通识文章，要求先解释基本概念，再讲训练流程，最后讨论应用与风险，语言通俗但不失专业，每节控制在 500 字以内"，输出的稳定性会明显提高。两者的差别，正在于后者把任务说明书交代清楚了。

几种常用的提示方法可以归纳如下，每一种都要给出适用场景，而不是只报名称。

① 角色设定。 让模型以某种专业角色完成任务，例如"请作为人工智能通识课程教师解释检索增强生成的基本原理"。角色设定的目的不是让模型表演，而是帮助限定知识范围、表达风格和任务语境。

② 示例提示。 提供几个输入输出示例，让模型模仿其中的格式、风格和处理逻辑。适合批量改写、信息抽取、标题生成和格式转换等任务。

③ 分步骤提示。 对复杂任务，要求模型先分析问题、再列出步骤、最后给出结论。这有助于提升回答的结构性，但不能保证每一步都正确，这一点必须向学生说明。

④ 多维约束。 明确指定字数、格式、受众、风格、引用要求和禁止事项。任务越复杂，越需要结构化表达。

提示词教学之后，紧接着应当讲外部知识与工具的连接，否则学生会误以为模型无所不知。这一部分包含四类机制，逻辑上层层递进。

检索增强生成解决的是"模型不知道最新信息、不了解私有资料"的问题，它让模型在回答前先检索外部资料，再基于检索结果生成回答。教师需要同时说明它的局限：检索结果可能不完整、不相关或过时，模型也可能错误理解检索片段，因此重要场景仍需要来源引用与人工审核。

知识图谱提供的是结构化的实体与关系网络，可以弥补大模型在事实精确性和复杂约束上的不足。

工具调用让模型从"会生成文本"扩展到"能完成外部操作"，例如调用搜索工具获取最新信息、调用计算器完成精确计算、调用代码解释器处理数据。这里的设计思想值得讲透：让语言模型负责理解任务、规划步骤和组织结果，让外部工具负责精确计算、检索、执行和验证。

智能体则是把这些能力组织起来。它不是单纯回答问题，而是围绕目标进行任务理解、任务规划、工具选择、执行反馈和结果整合。对通识课来说，讲授智能体的落点应当是让学生理解"从回答问题到执行任务"这一能力跃迁，而不是纠结于某个具体平台的搭建步骤。不过，让学生动手搭建一个简单智能体，仍是很有价值的课堂活动，下文会专门说明。

边界层：这一课决定了学生会不会被误导

如果只允许保留大模型模块的一个板块，最不该删的就是能力边界与风险。原因很直接：学生未来在工作中会因为过度信任 AI 输出而付出代价，而这部分认知只能由课程来补。

边界部分要讲清楚几组"不等于"的关系。

会生成，不等于事实正确。 大模型可能编造事实、文献、数据、来源和不存在的概念，这类问题通常称为幻觉。幻觉的根源在于模型按概率生成内容，而不是从事实数据库中取出答案。检索增强、工具调用和引用机制可以降低风险，但不能完全消除。这一点必须反复强调。

会表达，不等于真正理解。 模型可以用自然的语言解释复杂概念，但这不意味着它像人一样理解现实世界，更多是在上下文中匹配模式、组织语言。因此，对需要真实经验、价值判断和专业决策的场景，不能把模型输出直接等同于人的判断。

会推理，不等于每一步都可靠。 模型可以完成一些数学、逻辑、代码任务，但推理过程可能跳步、误判或遗漏条件。复杂推理任务应当要求模型给出步骤，并结合外部工具或人工检查复核。

会调用工具，不等于结果一定正确。 系统仍可能在问题理解、工具选择、结果解释和最终整合中出错，因此在涉及资金、合同、医疗、法律和公共安全的场景中，需要日志、权限、审计和人工确认机制。

模型更大，不等于所有任务都更好。 对简单分类、固定格式抽取、低延迟交互和隐私敏感任务，小模型或专用模型可能更合适。选择模型应综合考虑效果、成本、速度、可控性与部署环境。

除能力边界外，风险与治理内容也不能省略。数据隐私方面，应当明确告知学生不应随意输入个人隐私、商业机密、未公开代码和敏感文件；内容生成方面，需要注意版权归属与合规审查；偏见与可解释性方面，需要说明模型可能反映训练数据中的偏见，且即使给出正确答案也未必能解释推理过程，这在医疗、法律、金融、教育评价等场景会带来责任归属与审计困难。

下表按风险类型整理了讲授要点与可对应的教学动作。

这张表的实际教学价值在于把抽象风险转化为可讨论的具体场景。 如果只是念一遍风险清单，学生的反应通常是"知道了"，但不会形成行为习惯。更好的是让学生结合自己的专业做一次判断练习，这样风险意识才能真正内化。

课堂组织：三个可操作的活动设计

内容框架确定之后，还有一个问题需要解决——这一章怎么组织课堂。以下三个活动在通识课中较易实施，且与前述四个板块形成对应。

第一个是"同一问题多轮提问"的对比实验。 让学生就一个事实性问题向模型提问三次，记录三次答案的差异，再尝试找出其中的错误或矛盾。这个活动的目的是让"概率生成"从一个抽象概念变成学生亲身体验到的事实。活动结束后，教师引导学生总结：为什么同一个问题会有不同答案？什么样的任务可以接受这种差异，什么样的任务不能？

第二个是"从提示词到结果"的改写练习。 给出一个模糊的任务要求（如"帮我分析这份数据"），让学生分组改写成结构完整的提示词，然后实际运行并对比结果。这个活动能让学生在实践中理解提示词的构成要素，比讲授更有效。

第三个是搭建简单智能体的动手环节。 让学生围绕一个与自身专业相关的小任务（例如"做一个能回答本专业常见问题的助手"），尝试完成从理解任务到调用工具的基本流程。这个活动的重点不在于做出多完善的成果，而在于让学生体会"从回答问题到执行任务"的差别。对通识课来说，实验环节的环境准备常常是最大的障碍——不同专业的学生基础差异大，设备条件参差不齐，如果每个学生都要自行配置环境，课堂时间会被大量消耗在排障上。

这也是不少院校在这一章的教学中倾向于引入成熟实践平台的原因。以实战云面向院校交付的"我在学"AI 实践内容平台为例，其价值在于把环境准备的工作从教师和学生身上转移出去：Web、云电脑、Docker、Jupyter、命令行以及 AI Agent（扣子/Coze）等多种实验类型可以在统一环境中直接调用，学生打开即用，教师不必逐一排障；实验过程与提交结果自动记录，便于教师掌握班级进度。对于大模型这一章而言，智能体实验与提示词练习恰好是平台上较易落地的两类内容，学生在完成活动的过程数据也能为后续评价提供依据。此外，配套的分专业案例资源与提示词模板库通常可以直接取用，对没有技术背景的通识课教师来说，这能显著降低备课门槛——教师可以把精力放在教学设计和课堂引导上，而不是环境搭建上。已有院校通过这类方式，在一个学期内完成了从课程设计到多班次开课的全流程。

结语

大模型这一章在通识课中的定位，可以概括成一句话：它不培养训练模型的人，也不只培养会用工具的人，它培养的是能理解这项技术、判断它的输出、并把它用在自己领域里的人。

按这个定位做内容取舍，就相对清楚了——概念层要把几个易混词分清，机制层只讲两个关键词和三个支撑条件，不碰数学推导；应用层要把提示词定位为任务说明书，讲清外部知识与工具的连接逻辑；边界层要反复强调几组"不等于"，并通过情境判断练习让学生形成行为习惯。四个板块的顺序也可调整：如果课时紧张，可以把机制层的细节进一步压缩，但边界层的内容不宜删减，因为这部分认知是学生在离开课堂后最需要长期使用的。对承担这门课的高职院校教师来说，先按四个板块搭好框架，再从自己最熟悉的教学活动入手打磨，通常比一开始就追求完整体系更容易推进。