你的第一个提示：简单问题

与大型语言模型 (LLM) 交互的主要方式是通过一个提示。这适用于各种LLM，包括使用Ollama或LM Studio等工具在本地运行的模型，以及基于云服务的模型。

正如我们在章节介绍中提到的，提示就是你提供给模型的输入文本。它是你的指令、你的问题、你的起点。LLM读取你的提示，然后基于它生成文本。

最直接的开始方式是提出简单问题，就像你询问搜索引擎或一位知识渊博的助手一样。可以把LM Studio中的聊天界面或Ollama中的命令行界面看作是与模型直接沟通的途径。你输入问题，按下回车键，模型就会生成回应。

让我们尝试一个基本的常识性问题。如果你在终端中使用Ollama，运行ollama run llama3之类的命令后，你会看到类似>>>的提示符。你可以直接输入你的问题：

>>> 法国首都是哪里？

LLM会处理这个输入并生成回应，看起来可能像这样：

法国首都是巴黎。

如果你使用LM Studio这样的图形工具，你会把同样的问题输入到聊天输入框中并点击发送。原理是一样的：你的问题就是提示，模型会生成答案。

我们再试一个，可能不是那么侧重于事实的：

>>> 给我家宠物狗起个名字。

模型可能会回应：

好的，这里有一些受欢迎且友好的狗狗名字：
* 巴迪
* 露西
* 马克斯
* 黛西
* 查理

请注意，模型不只给了一个名字；它理解了提示背后的意图（“建议”暗示需要多个选项），并提供了一个列表。

它是如何工作的（简单说明）？

你可能好奇LLM如何“知道”法国首都是哪里，或者如何想出狗狗的名字。请记住第一章中提到的，LLM是基于海量的文本数据训练的。当你提供像“法国首都是哪里？”这样的提示时，模型实际上是根据它在训练期间学到的模式，预测最有可能跟在该问题之后的词语序列。对于常见的常识性问题，统计上最可能的完成就是正确答案。对于像建议名字这样更开放的问题，它会预测形成常见且相关建议的词语。

它并不是人类意义上的“思考”，而是执行极其复杂的模式匹配和序列预测。你的提示设定了背景，模型则生成最可能的后续内容。

鼓励实践

了解你的本地LLM如何回应的最佳方式是向它提出各种简单问题。你可以尝试询问：

• 历史事实（“Python编程语言是什么时候首次发布的？”）
• 定义（“光合作用是什么？”）
• 简单看法（“网站按钮用什么颜色好？”）
• 一般知识（“我们太阳系中有多少颗行星？”）

留意模型如何回应。答案准确吗？详细吗？它听起来自信吗？这种初步的实践有助于你理解你选择运行的特定模型的能力和特点。

提出简单问题是与你的本地LLM交互的起点。在接下来的部分中，我们将查看如何给出更复杂的指令，并理解模型如何处理更长的对话。