咱们来聊聊复旦这门课，2026年3月16日那天，经济学院数字经济专硕的同学们特别幸运，请到了爱丁堡大学商学院的汪通老师给大家讲了一讲大语言模型和经济学的结合点。汪老师这人特别会讲，深入浅出的，把理论讲透了还能教大家怎么干活。 讲起课来汪老师先拿披萨打比方，说要把AI讲明白有两条路子：一条是干巴巴的描述性理解，另一条是把底层机制拆开来看。他说想真懂大模型就得回到代码层面去拆解。接着他把现在主流的两种模型做了个对比：像BERT这种就是来回琢磨上下文的编码模型，而GPT那种是靠往前猜一句话来生成文本的。 汪老师指出，虽然BERT对信息的利用更彻底，但GPT在信息有限的情况下逼自己去猜结果，反倒逼着模型把能力练得更精、规模做得更大，这其实解释了现在的技术路线为啥是这样的。 说到怎么用好这些模型，汪老师强调千万别把大模型当成神。模型能不能给出高质量的答案，完全看你喂给它的问题清不清楚。如果研究者自己都没把问题想明白，模型再牛也白搭。 关于怎么写提示词，汪老师给大家总结了五个要素：角色、背景、任务、输入和输出格式。他用了好多具体例子展示零样本、少样本还有链式思维（Chain-of-Thought）这几种不同的提示策略在复杂任务里表现得怎么样。 特别值得一提的是，在需要多步推理的问题上，给他个中间的推理过程能明显提高准确率。另外他还讲了temperature和top-p这两个参数是怎么通过调节概率分布来控制输出是更确定还是更有创意的。 当然汪老师也没藏着掖着，他分析了大模型为啥会出现幻觉这种现象——说白了就是模型的输出是根据概率算出来的，不一定是真实世界里的唯一答案。这部分内容让大家对模型的不确定性有了更深的理解。 最后讲到应用层面的时候，汪老师把目光放得更远了一些。他提出了一个“智能体”（Agent）的概念，说光有个大模型还不够用。得给它接上外部的工具接口（比如MCP），让它去检索数据、跑代码、协同多步骤任务才行。 在这个体系下他还介绍了一种叫“Vibe Coding”的新玩法，也就是你只管用自然语言说你要什么需求，剩下的编码工作交给AI去做就行。 他还预测了一下未来的分工变化：在人工智能越来越发达的背景下，研究者的核心能力应该是提出问题、解释结果，而不是自己去实现具体的功能了。 讲座最后汪老师也没忘了给咱们泼盆冷水：大语言模型确实是个好工具，但光靠工具也不行。要想在这波浪潮中占上风，经济学学习者还得练眼力、练思维、练批判性。 这节课内容特别扎实也很有启发意义，不仅让大家对原理懂了个通透，还给咱们在经济学研究里提供了具体的操作路子。撰稿的宋思瑶和审核的李婷、王贞老师也都辛苦了！