提示学习
这部分开始讲解除了模型本体之外改进用户体验的方式
提示设计
这个应该大家都玩过，就是现在说的提示词工程，可以人为补充资料，给AI“立人设”，来引导最终回答结果。
上下文学习
提问过程加入上下文案例，让大模型举一反三。人来写材料还得找点优秀范文呢，大模型要点案例参考不过分吧(^o^)/~
不过模型推理过程可以用一些算法加强对素材的“理解”效果。
思维链提示
上下文学习如果着地例子不好，可能会任模型误入歧途，因此要加上思维链来让模型思考，而非拙劣的模仿。这正是deepseek深度思考的特点。
检索增强生成（RAG）
这个可以看出开卷考试，回答问题的时候允许大模型百度一下，已给出垂类专业性更强、实时性更高、可追溯的答案，直接体验deepseek的联网模式就明白了。
elastic这些搜索工具对于多数后端程序员来说应该挺熟悉的，也是经典技术结合新技术焕发第二春了。
总结：这部分是模型训练完成后，用一些技巧来进一步提高可用性，模型也是越来越拟人了，能举一反三，还能自我反思和开卷考试。
