← 返回概念解读

Concept Fable精修版

GPT

Generative Pre-trained Transformer · Architecture

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

预先读遍天下信的回信匠

城里有位年轻说书人,进书楼前从没登台。师傅没有立刻教他某一出戏,而是让他在书楼里读信札、史书、判词、诗歌和市井闲话,日复一日地接下一句话。

起初,他只会背熟句。听到“夜色已深”,就接“灯火渐稀”。师傅摇头,把书换得更杂,让他在不同文体里学习前后如何照应,人物如何延续,话题如何转向。

几年后,说书人能根据开头续出一段像样的故事。坊主以为他已经会所有事,便让他直接写药铺契约。结果语气漂亮,条款却含糊,差点误了买卖。

第一次修补,是让他说书人再多读契约。确实好了一些,但他仍会在不熟的细节上编得顺口。众人才明白,会接话和能承担某个行当的责任,中间隔着场景、约束和核对。

师傅换了训练法。先让他说书人吸收大量语言秩序,再用具体任务调教他的口吻和取舍;登台时,还要给清楚的题目、边界和校阅人。

后来他说书人写得快,也更懂得停。遇到不确定的药名,他会标出来请药师看;遇到熟悉的叙事,他能顺畅展开。城里人喜欢他的本事,却不再把流畅当作可靠的全部。

师傅还让他说书人练“照材料说话”。给他三页药铺记录,他必须只用纸上有的事实编排语言;纸上没有的,再顺口也要停住。这一步让才华开始服从证据。坊主也给观众解释过:说书人的底子来自漫长阅读,不是为某一张契约临时背答案;他的可用来自后来的校正和约束,不是天生懂药铺生意。把这两层混在一起,既会高估他,也会错用他。后来坊主接单前会先问:这件事要流畅表达,还是要可靠判断。问题不同,用人的方式也不同。掌声不能替代校阅。

师傅说,他的厉害之处,是从海量文字里学会了“下一步该怎样接”,再按任务被收束成可用的表达。若没有边界,接得再顺,也可能把人带到错误的地方。

揭示

这个故事讲的是:GPT

GPT(Generative Pre-trained Transformer)指基于 Transformer 的生成式预训练模型,通常采用 Decoder-Only 架构,通过大规模文本预训练学习 next-token prediction,再通过指令微调、对齐和工具调用等方式用于实际任务。企业 Agent 中,GPT 类模型是通用生成和推理核心,但必须配合检索、权限、工作流、评测和成本治理。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 预先读遍天下信的回信匠:GPT 类生成式预训练模型
  • 顺着写下去:next-token prediction
  • 礼貌规则:只做表层对齐的修补
  • 塞入所有内部文档:低选择性上下文导致成本和干扰
  • 系统规则、检索、工具、评测:企业 Agent 产品化控制面
  • 账房算账:推理成本与业务收益权衡
  • 最后洞察:生成模型要变成业务能力,必须接入流程和治理

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

decoder-onlyautoregressiveLLM