1. 核心概览 (Core Overview)
作为 Java 架构师，你习惯了 Objects、Threads 和 Locks。但在 LLM 的世界里，一切皆为概率。AI 并不理解“代码”或“逻辑”，它理解的是海量文本中词语出现的统计分布。学习 AI 的第一步，是理解数据如何变成“向量”，以及模型如何通过“注意力机制”在海量数据中建立联系。
2. 分段拆解 (Breakdown)
A. 数据单位：Token 与 Embedding
Token： 不是字符，也不是单词，而是语义片段。对于 Java 开发者，可以类比为字节码（Bytecode），它是模型处理的最小单元。
Embedding（嵌入）： 这是架构师最需要理解的概念。它将 Token 转换为高维向量（通常是几千维的浮点数数组）。
本质： 语义相近的词，在向量空间中的空间距离更近。这解决了传统搜索“关键词匹配”的痛点，实现了“语义匹配”。
B. 运行配置：Temperature (温度) 与 Top-P
Temperature： 控制输出的“发散程度”。
：模型总是选概率最高的词（确定性高，适合写代码）。
：模型会尝试低概率词（随机性高，适合创意）。
架构思考： 在生产环境中，对于需要严谨格式（如 JSON）的任务，务必将
设为 0。
C. 内存限制：Context Window (上下文窗口)
内存模型： 模型是“无状态”的（Stateless）。每一次对话，你都必须把之前的对话历史重新传给它。
瓶颈： 窗口大小（如 128k）就像 JVM 的堆内存。如果超出，模型会“遗忘”之前的信息。在后续学习 Agent 时，我们将学习如何通过 RAG（检索增强生成）来突破这个“内存限制”。
3. 最终总结 (Summary)
第一课的核心在于：接受不确定性。LLM 是一个在海量数据中寻找“下一个字出现概率”的黑盒。我们作为架构师的任务，就是通过精准的 Prompt（指令）和参数配置（如 Temperature），将这种概率性转化为业务所需的确定性输出。
测验 (Assessment)
为了验证第一天的学习效果，请回答以下三个架构思维问题：
场景： 你需要 AI 为你重构一段复杂的 Java 业务逻辑。你会将 Temperature 设为 0 还是 0.8？为什么？
概念： 既然模型是无状态的（Stateless），为什么我们在网页端聊天时感觉它记得我说过的话？在后端 API 调用中，这需要开发者做什么？
计算： 如果一个模型支持 8k 的上下文，而你的 Java 源代码文件有 10k Token，直接把代码塞进 Prompt 会发生什么？
