02-1 · LLM 基础：训练 / 推理 / 知识截止
一句话：模型参数里是训练时的统计记忆，不是实时数据库——所以引擎才需要检索，而检索正是你能影响答案的入口。
是什么
- LLM：在海量文本上训练的”下一个 token 预测”模型；它学到的是语言与世界的统计模式，而非可查询的事实库。
- 训练（training）：调权重，昂贵、周期性、离线完成。
- 推理（inference）：用学好的权重逐 token 生成，每次对话发生。
- 知识截止（knowledge cutoff）：纯参数知识停在训练截止日；之后的事件/长尾事实容易过时或被编造（幻觉）。
怎么运作（机制）
- 纯靠参数作答 = “凭记忆答” → 对新鲜/细节问题不可靠。
- 现代答案引擎因此叠加检索层（见 02-3-RAG与实时检索grounding）把”当下网页”喂给模型。
对可见性意味着什么（So What）
- 正因有截止 + 幻觉风险，引擎要外接检索——被检索接入 = 你能影响答案。
- 你优化的主战场是检索/引用层，而非”挤进训练语料”。
常见误解
- ❌“被模型训练过就会被引用” → 现代被引主要由检索层决定；训练知识更多是背景常识。
- ❌“模型知道一切” → 截止日后与长尾，它常常不知道或编造。
相关
- 下一步：02-2-答案生成管线总览 · 02-3-RAG与实时检索grounding
- 入门概念 → 01-基础认知与核心概念