开发人员须采取措施以减少算法偏见，提高算法的可解释性

提出好问题比解决问题本身更具有深远价值,
好的问题可以转化为高效的提示词，激发大模型产出更卓越的成果。
好问题不仅能挖掘和利用大模型的涌现能力，还能引导其生成更为轻便、灵活、经济的解决方案

在软件工程3.0时代，软件形态发生了变化。
像ChatGPT这样的应用具备如生成代码、生成测试用例、翻译、阅读文章生成摘要、回答问题、生成图片、解释图片等多种功能，而这些功能并非通过编写特定代码实现。
我们称这种软件形态为“软件即模型”(Software as a Model，SaaM)，
这里的“模型”是指机器学习模型、大语言模型或其他通用人工智能(Artificial General Intelligence，AGI)模型。
软件工程3.0建立在软件工程2.0之上，软件工程2.0的软件形态SaaS依旧存在，
它可以融合SaaS和SaaM两种形态，形成模型即服务(Model as a Service，MaaS)形态。

《软件工程3.0：大模型驱动的研发新范式》
本书系统地探讨了软件工程从 1.0 到 3.0 的演进历程，深入剖析了软件工程 3.0 的新范式及其核心特征。
书中详细介绍了软件工程 3.0 的实施策略和路线图，以及提示工程、RAG、智能体、数据治理、模型工程和安全治理等核心能力的建设。
通过对需求分析、架构设计、UI 生成、结对编程、测试智能化和运维监控等关键环节的实践案例分析，全面重塑了软件开发生命周期。
此外，书中还对软件工程的未来进行了展望，探讨了多模态技术和 AGI（通用人工智能）等对软件研发的深远影响。 
本书适合软件研发管理人员（包括研发总经理、技术经理、项目经理、测试经理等）、 软件工程师、软件测试工程师，以及对软件工程智能化转型感兴趣的读者阅读参考

将大模型切实转化为软件生产力,
数据治理—模型工程—智能体协同,
软件工程3.0的本质不是技术取代人，而是人机协同创造更大价值,
“三脑协同”的核心理念：
人脑擅长价值判断与创新决策，电脑确保逻辑严谨与确定性，数脑保障大数据的高效处理与知识融合

生物学的神经元与神经网络启发了人工神经网络的设计，
认知科学的注意力机制成为Transformer结构的理论基础，
复杂性科学则为理解大模型的涌现能力提供了分析工具。
正是这种深层次的学科交叉，推动了AIGC从实验室走向应用，并正在重塑软件工程的基本范式。

《从零构建大模型》
本书是关于如何从零开始构建大模型的指南，由畅销书作家塞巴斯蒂安·拉施卡撰写，
通过清晰的文字、图表和实例，逐步指导读者创建自己的大模型。
在本书中，读者将学习如何规划和编写大模型的各个组成部分、为大模型训练准备适当的数据集、进行通用语料库的预训练，以及定制特定任务的微调。
此外，本书还将探讨如何利用人工反馈确保大模型遵循指令，以及如何将预训练权重加载到大模型中。

大语言模型准备嵌入向量的过程，包括将文本分割为单词、将单词转换为词元，以及将词元转化为嵌入向量

模型能够完成未经明确训练的任务的能力称为涌现(emergence)

在GPT模型的下一单词预测预训练任务中，系统通过观察之前的词来学习预测句子中的下一个词。
这种方法能够帮助模型理解词语和短语在语言中的常见组合，从而为应用于各种其他任务奠定基础