LLM Fundamentals for FDE（FDE 场景下的大语言模型基础）
知识库位置：
FDE Knowledge Base/03 Engineering/AI Engineering/LLM/LLM-Fundamentals.md
FDE 不一定需要训练基础模型（Foundation Model，基础模型），但必须理解 LLM（Large Language Model，大语言模型）的基本行为和限制。
LLM 的核心角色
Section titled “LLM 的核心角色”可以把 LLM 看作：
一个根据上下文（Context，上下文）生成语言和结构化内容的概率系统（Probabilistic System，概率系统）。
它擅长：
- 理解自然语言（Natural Language，自然语言）
- 总结（Summarization，总结）
- 分类（Classification，分类）
- 信息抽取（Information Extraction，信息抽取）
- 内容生成（Content Generation，内容生成）
- 推理（Reasoning，推理）
- 代码生成（Code Generation，代码生成）
但它并不天然具备：
- 企业最新数据
- 精确数据库状态
- 用户权限
- 可靠事实保证
- 执行真实业务动作的能力
因此企业 AI 通常需要组合：
LLM（大语言模型）+Enterprise Data（企业数据）+Tools（工具）+Workflow（工作流）+Security（安全）+Evaluation（评估）Key Concepts（关键概念）
Section titled “Key Concepts（关键概念）”FDE 应该理解：
- Token（词元）
- Context Window（上下文窗口）
- Prompt（提示词）
- Temperature（温度参数）
- Structured Output（结构化输出）
- Tool Calling（工具调用）
- Embedding（向量化/嵌入）
- Latency（延迟）
- Model Cost（模型成本）
Model Selection（模型选型）
Section titled “Model Selection（模型选型）”不要只问：
哪个模型最强？
应该问：
Accuracy?（准确率够吗）Latency?（延迟可接受吗）Cost?（成本可控吗）Privacy?（隐私合规吗）Context?（上下文窗口够吗）Tool Calling?（支持工具调用吗）Structured Output?（支持结构化输出吗）Deployment Requirement?（满足部署要求吗）不同任务可能使用不同模型。
例如：
Complex Reasoning（复杂推理）→ Strong Model（强模型）
Simple Classification（简单分类）→ Smaller Model（更小模型）
High-volume Extraction（高频大规模抽取）→ Cost-efficient Model（高性价比模型）FDE Principle（FDE 原则）
Section titled “FDE Principle（FDE 原则）”模型只是系统中的一个组件。
不要把：
AI System（AI 系统）等同于：
LLM API Call（大语言模型接口调用）