了解 LLM 如何思考

了解 LLM 系统中智能体与工作流各自的优势：智能体擅长临场处理，工作流则针对可预测、可重复的任务进行优化。

了解 LLM 工具如何通过系统提示词定义、选择并执行任务，从而扩展 AI 的能力。

了解 AI 中的上下文窗口：输入/输出 Token、容量限制以及“中间信息丢失”问题，并通过优化 Token 使用提升模型表现。

了解 AI 对话底层如何运行，包括用户消息、系统提示词、推理 Token 和工具调用。

了解 Token 如何驱动 LLM 并影响成本与效率，以及编码、解码和词表大小如何帮助优化文本处理。

了解何时应使用 LLM 完成结构化、分类等数据任务，以及何时更适合采用确定性系统。

了解如何为 AI 应用选择合适的 LLM，包括开放与闭源模型、成本、延迟和托管方式等关键因素。

了解大语言模型（LLM）的基础知识、结构、运行方式和创建过程，适合准备进入 AI 领域的初学者。

探索 2025 年顶尖的提示词工程资源，其中包含细致的分类体系和延伸研究链接。