从大模型到智能体：AI 应用范式的三次跃迁

一篇写给技术人的 AI 发展脉络梳理——我们是如何从"预测下一个 Token"走到"让 AI 自己规划并完成任务"的。

作者：AI 技术观察者　|　日期：2026-10-27　|　阅读时间：约 12 分钟

引言：每一代人都有自己的"AI 时刻"

如果你在 2016 年关注过 AlphaGo 战胜李世石的那一刻，你大概记得那种震撼——一个程序在围棋盘上击败了人类顶尖棋手，而围棋曾被认为是中国"机器至少五十年内下不过人"的骄傲。

如果你在 2022 年底第一次和 ChatGPT 对话，你大概也记得那种"这东西好像真的懂我在说什么"的惊讶。

而如果你在 2025-2026 年间用过 Cursor、Devin、Manus 这类智能体产品，你可能已经习惯了另一种感觉：你不再是在"问 AI 问题"，而是在"给 AI 派活"。

这三种感觉，恰好对应了 AI 应用范式的三次跃迁。这篇文章，我想把这条脉络梳理清楚——不是为了回顾历史，而是为了帮你看清"现在我们在哪，下一步往哪走"。

第一次跃迁：从规则到概率（2012-2017）

神经网络的复兴

2012 年，AlexNet 在 ImageNet 竞赛上以 15.3% 的 top-5 错误率夺冠，比第二名领先了近 10 个百分点。这在当时是惊人的突破——人们突然意识到，深度神经网络 + 大规模数据 + GPU 算力，这三样东西组合在一起，能产生远超传统手工特征工程的效果。

接下来的几年，计算机视觉领域几乎被 CNN（卷积神经网络）统治：

• VGG (2014)：证明了"更深就是更好"
• ResNet (2015)：用残差连接解决了深层网络退化问题，训练出了 152 层的网络
• Inception 系列：探索了"更宽"而不是"更深"的路径

与此同时，NLP（自然语言处理）领域还在用 RNN 和 LSTM 挟扎。序列建模的瓶颈在于：RNN 必须逐个 Token 处理，无法并行，长距离依赖衰减严重。

这一阶段的本质

AI 的能力 = 人类设计的特征 + 机器学习的参数

模型仍然是一个"函数拟合器"——你给它标注好的数据，它学会从输入映射到输出。它的能力边界，很大程度上由你喂了什么数据、设计了什么网络结构决定。

这个阶段，AI 是"工具"——一个需要大量人工调参、标注、部署的专用工具。

第二次跃迁：从专用到通用，从判别到生成（2017-2023）

Transformer：一个架构统一一切

2017 年，Google 发表了那篇改变一切的论文——“Attention Is All You Need”。

Transformer 的核心创新是自注意力机制（Self-Attention）：每个位置可以直接和序列中所有其他位置计算关联权重，不再需要 RNN 的逐个传递。这意味着：

1. 可以并行训练——GPU 的利用率大幅提升
2. 长距离依赖不再衰减——任意两个 Token 之间的路径长度都是 O(1)
3. 一个架构可以处理几乎所有模态——文本、图像（ViT）、音频、甚至蛋白质结构

大语言模型的崛起

GPT 系列走出了一条"暴力美学"的路线：

这条路线的哲学很简单：Scaling Law——只要模型够大、数据够多、算力够强，能力就会持续提升。OpenAI 用实践证明了这条路走得通。

RLHF：让模型"说人话"

光有语言能力不够，模型还需要"对齐"人类的价值观和偏好。RLHF（Reinforcement Learning from Human Feedback） 是 ChatGPT 成功的关键一环：

1. SFT（监督微调）：用人类标注的对话数据微调基座模型
2. 奖励模型训练：让人类对模型的多个回答排序，训练一个打分模型
3. PPO 强化学习：用奖励模型的分数作为信号，优化策略模型

这套流程让模型从"能接话"变成了"会聊天、懂礼貌、知道什么该说什么不该说"。

这一阶段的本质

AI 的能力 = 海量数据 + 巨大参数 + 对齐训练

模型变成了一个"通用接口"——你不再需要为每个任务训练专用模型，只需要用自然语言描述你要什么。Prompt Engineering 成了一门新手艺。

但这个阶段有一个根本限制：模型只能"说"，不能"做"。你问它"怎么部署一个 Kubernetes 集群"，它能给你一份漂亮的教程，但它不会帮你敲一行命令。

第三次跃迁：从对话到行动，从模型到智能体（2023-至今）

这是我们现在正在经历的跃迁，也是最有意思的一个。

智能体（Agent）的核心范式

一个完整的智能体系统，通常包含以下组件：

┌─────────────────────────────────────────┐
│              Agent Loop                 │
│                                         │
│   ┌─────────┐    ┌──────────────────┐  │
│   │  LLM    │◄──►│  Memory          │  │
│   │ (大脑)  │    │  (短期/长期记忆)  │  │
│   └────┬────┘    └──────────────────┘  │
│        │                                │
│        ▼                                │
│   ┌─────────┐    ┌──────────────────┐  │
│   │ Planner │───►│  Tool Use        │  │
│   │ (规划)  │    │  (工具调用)       │  │
│   └─────────┘    └────────┬─────────┘  │
│                            │            │
│                            ▼            │
│                   ┌──────────────────┐ │
│                   │  Environment     │ │
│                   │  (外部世界)      │ │
│                   └──────────────────┘ │
└─────────────────────────────────────────┘

关键区别在于"行动循环"（Agentic Loop）：

1. 感知：接收用户目标或环境反馈
2. 思考：LLM 推理当前状态，决定下一步行动
3. 行动：调用工具（搜索、写代码、操作文件、调 API……）
4. 观察：获取行动结果，更新记忆
5. 循环：回到步骤 2，直到目标完成

这和传统对话模型的区别是本质性的：对话模型是单轮映射（输入→输出），智能体是多轮闭环（目标→规划→执行→反馈→调整→……→完成）。

ReAct：让模型"边想边做"

ReAct（Reasoning + Acting）是智能体最基础的推理范式。它的思想朴素而有效：

Thought: 用户要我在 GitHub 上创建一个仓库。我需要先检查是否已经登录。
Action: check_github_auth()
Observation: 已登录，token 有效。

Thought: 好，现在创建仓库。仓库名应该叫什么？用户没说，我用默认名 "new-project"。
Action: create_repo(name="new-project", private=True)
Observation: 仓库创建成功，URL: https://github.com/user/new-project

Thought: 任务完成，把结果告诉用户。
Action: respond("仓库已创建：https://github.com/user/new-project")

这个范式之所以有效，是因为它把推理和行动交织在一起——模型不是先想完所有步骤再执行，而是每一步都根据真实反馈来调整计划。这更像人类解决问题的方式。

工具调用（Tool Use / Function Calling）

工具调用是智能体"长出手脚"的关键。2023 年 6 月，OpenAI 正式推出 Function Calling，让模型能够：

• 理解一组工具的 schema（名称、描述、参数定义）
• 根据用户意图选择合适的工具
• 生成结构化的参数（JSON）
• 把执行结果纳入后续推理

这看起来简单，但意义深远——它让 LLM 从一个"文本生成器"变成了一个"决策引擎"。模型不再只是输出文字，而是输出"行动指令"。

记忆系统：短期与长期

智能体要完成复杂任务，必须有记忆：

• 短期记忆（Working Memory）：当前对话上下文、中间结果、正在执行的计划。通常就是 LLM 的上下文窗口。
• 长期记忆（Long-term Memory）：跨会话的知识、用户偏好、过去的经验教训。通常通过向量数据库实现检索（RAG）。

一个有意思的趋势是记忆的主动管理——智能体不仅"记住"信息，还会主动决定"什么值得记、什么该忘"。比如一个编程智能体在调试中发现某个库的某个 API 有坑，它会把这条经验存下来，下次遇到同样的库就不会再踩。

多智能体协作

当任务足够复杂时，单个智能体可能力不从心。于是出现了多智能体协作的范式：

• CrewAI：多个角色（研究员、作家、审核员）分工协作
• AutoGen：智能体之间可以对话、互相分配任务
• MetaGPT：模拟软件公司的组织结构（产品经理→架构师→工程师→QA）

这背后的哲学是：人类社会的高效运转靠的是分工协作，AI 也许可以复用这套组织模式。

不过说实话，多智能体系统目前还处于早期探索阶段——协作的效率、通信的开销、冲突的解决，都还有很多未解的问题。

一些冷静的思考

写了这么多"进展"，我觉得有必要泼几盆冷水。

1. 智能体并不像宣传的那么可靠

如果你实际用过智能体产品，你会发现它们经常在简单任务上翻车：

• 循环执行同一步骤，陷入死循环
• 自信地调用错误的工具或参数
• 在多步任务中"忘记"最初的目标
• 生成看起来合理但实际跑不通的代码

根本原因在于：LLM 的推理是概率性的，而智能体的任务执行需要确定性。每一步的微小误差会在多步循环中累积放大。这和软件工程对"可靠性"的要求之间存在根本张力。

2. "涌现能力"的争议

大模型展现出的许多"涌现"能力（在某个规模突然出现的能力），近期有研究表明部分可能是评估指标的突变而非模型能力的真实跃迁。我们在惊叹"模型会做 X 了"的时候，需要区分：

• 模型真的学会了做 X
• 模型一直能做 X，只是之前的评估方式没测出来
• 模型只是看起来能做 X，但换个测试集就不行了

3. 算力与成本的现实约束

训练一个前沿大模型的成本已经是数亿美元级别。推理成本虽然在大幅下降，但智能体场景下——多轮调用、长上下文、工具编排——单次任务的成本仍然不低。

技术可行性 ≠ 商业可行性。一个需要调用 50 次 LLM、每次等待 3 秒的智能体工作流，在 demo 里很酷，在生产环境里可能完全不可接受。

4. 对齐问题远未解决

模型越强大，对齐问题越重要也越困难。当前的对齐技术（RLHF、DPO 等）主要解决的是"模型输出是否安全、是否有用"的问题，但在智能体场景下，对齐的含义扩展到了：

• 模型选择的行动是否安全？
• 模型对环境的理解是否正确？
• 多步行动的累积效果是否符合人类意图？
• 模型是否会为了完成目标而采取"不择手段"的捷径？

这些问题目前都还没有令人满意的答案。

下一步看向哪里？

基于以上分析，我认为接下来几年值得关注的几个方向：

1. 推理能力的本质提升

o1、o3 等模型展示了一个新方向：在推理阶段投入更多计算。不是让模型直接输出答案，而是让它"想很久"——生成思维链、自我验证、反复修正。这可能是继 Scaling Law 之后最重要的新范式。

2. 具身智能（Embodied AI）

让 AI 从"数字世界"走进"物理世界"——机器人操作、自动驾驶、家庭服务。这要求模型不仅理解语言，还要理解空间、力觉、视觉，并在真实物理环境中可靠行动。难度比纯软件智能体高一个量级，但天花板也高得多。

3. 模型架构的下一跳

Transformer 统治了七年，但它的 O(n²) 注意力复杂度始终是个隐患。Mamba（基于状态空间模型）、线性注意力、混合架构等方向都在探索"比 Transformer 更高效"的可能性。是否会出下一个"Attention Is All You Need"级别的突破，值得关注。

4. AI 基础设施的成熟

模型层在卷，但应用层更需要的是可靠的基礎设施：向量数据库、模型路由、可观测性、成本控制、安全审计……这些"无聊"但关键的基础设施，决定了 AI 应用能否真正大规模落地。

结语

从 AlexNet 到 Transformer 到智能体，AI 的每一次范式跃迁，本质上都是在回答同一个问题：

我们如何让机器更好地理解世界、并在世界中行动？

第一次跃迁，让机器学会了"看"——在特定任务上超越人类。
第二次跃迁，让机器学会了"说"——用自然语言与人类交流。
第三次跃迁，让机器开始学"做"——在数字世界中规划并执行任务。

而下一个跃迁，也许会让机器学会在物理世界中行动——那将是真正改变现实的一步。

但无论技术如何跃迁，有一件事不会变：技术的价值最终要靠"解决了什么真实问题"来衡量，而不是靠"有多酷"。

保持兴奋，也保持清醒。

如果你觉得这篇文章有帮助，欢迎分享给同样关注 AI 发展的朋友。也欢迎在评论区讨论你观察到的 AI 应用范式变化。