一、LLM 是什么
LLM（Large Language Model，大语言模型）是基于 Transformer 架构、在海量文本上预训练的超大规模神经网络，通过"预测下一个词"学习语言规律，具备理解、生成、推理等通用语言能力。典型代表：GPT、Claude、GLM、DeepSeek 等。
二、与传统机器学习模型的主要区别
| 维度 | 传统机器学习模型 | LLM |
|---|---|---|
| 架构 | 决策树、SVM、CNN/RNN 等 | Transformer（自注意力机制） |
| 训练方式 | 针对单一任务，用标注数据训练 | 海量无标注文本预训练 + 指令微调 |
| 任务范围 | 专一（一个模型一个任务） | 通用（一个模型多任务） |
| 数据需求 | 需大量标注数据 | 预训练无需标注，微调少量即可 |
| 参数规模 | 通常较小（万~亿级） | 极大（数十亿~万亿级） |
| 使用方式 | 需针对每个任务单独训练 | 零样本/少样本，提示词即可驱动 |
| 输入输出 | 固定格式（如特征向量→标签） | 自然语言输入→自然语言输出 |
| 泛化能力 | 限于训练分布内 | 跨任务、跨领域泛化强 |
| 可解释性 | 相对较高（如树结构可解释） | 较低（黑盒，难追溯推理过程） |
| 部署成本 | 低 | 高（需大量算力） |
| 更新方式 | 重新训练 | 提示词调整 / 微调 / RAG |
三、核心差异详解
1. 通用性 vs 专用性
- 传统 ML：一个模型只做一件事——垃圾邮件分类器只能分类邮件，换任务就得重新训练。
- LLM：一个模型能翻译、写代码、问答、总结——通过提示词切换任务，无需重训。
2. 数据依赖
- 传统 ML：强依赖人工标注数据，标注成本高。
- LLM：预训练用无标注文本，下游任务只需少量示例（few-shot）甚至零示例（zero-shot）。
3. 使用门槛
- 传统 ML：需特征工程、模型选择、调参、训练部署，门槛高。
- LLM：写好提示词即可使用，门槛大幅降低。
4. 推理与涌现
- 传统 ML：能力限于训练时学到的模式，无"涌现"。
- LLM：规模到一定程度后出现推理、规划等涌现能力，能处理训练时未见过的任务。
四、各自适用场景
| 场景 | 推荐方案 |
|---|---|
| 结构化数据分类/回归（如风控、推荐） | 传统 ML（更高效、可解释） |
| 图像/语音等特定领域 | 专用模型（CNN/ASR） |
| 自然语言理解与生成 | LLM |
| 多任务、零样本场景 | LLM |
| 强可解释性要求 | 传统 ML |
| 实时性要求高、资源受限 | 传统 ML（轻量） |
五、总结
传统 ML 是"专才"——一个模型解决一个特定任务，需标注数据、特征工程，高效可解释但通用性弱。
LLM 是"通才"——一个模型应对多种任务，靠预训练获得通用语言能力，提示词驱动、泛化强，但成本高、可解释性弱。
两者并非替代关系，而是互补：结构化数据、强可解释、低延迟场景用传统 ML；自然语言、多任务、零样本场景用 LLM；实际系统中常组合使用（如 LLM 做意图理解 + 传统 ML 做精准预测）。
AI相关-MCP (TRAR,codex)配置 MCP访问mysql、sqlserver数据库记录)
