AI 狂飙的三年：我们到底看懂了什么，又误判了什么？

20260512 AI 狂飙的三年：我们到底看懂了什么，又误判了什么？ 20260512 AI 狂飙的三年：我们到底看懂了什么，又误判了什么？ Modified May 12 过去我们以为会写 Prompt 就够了，后来发现还需要 RAG，再后来发现还需要 Agent，现在我们终于意识到，真正决定 AI 表现的，是上下文工程。 Context Engineering 并不是简单地把更多信息塞给模型，而是系统性地管理模型完成任务所需要的一切背景，包括目标是什么、用户是谁、历史任务是什么、当前状态是什么、可用工具有哪些、哪些资料可信、哪些信息需要长期记忆、哪些信息只是临时调用、哪些结果需要验证、哪些操作必须由人确认。 这比 Prompt Engineering 高一个维度。 Prompt Engineering 关注的是一句话怎么写，而 Context Engineering 关注的是整个工作环境怎么搭。前者更像是对话技巧，后者更接近系统设计。一个优秀的上下文工程系统，不仅要让模型知道任务内容，还要让模型知道边界、资源、约束、历史和验收标准。 Harness Engineering 则进一步强调，模型不能裸奔，必须被放进一个有边界、有反馈、有工具、有测试、有审计的执行框架里。 尤其在 Agentic Coding 场景下，AI 不只是生成代码，而是可能参与需求理解、架构设计、代码实现、测试调试、文档生成和部署维护。如果没有可靠的框架管理，它越能干，风险也越大。 第十次自我批评是：我们长期把 AI 能力理解得太“单点”了。我们总是问哪个模型最强，却很少认真问自己的上下文组织得好不好，工具链有没有打通，数据是否干净，任务流是否清楚，验收标准是否明确，记忆系统是否可靠，Agent 是否有边界。未来真正厉害的人，不只是会使用 AI，而是能为 AI 搭建工作系统的人。 02.三条主线背后的残酷事实：人的角色正在被重写 这张图最有价值的地方，是它把 AI 发展总结成三条主线：人的角色、技术焦点和行业叙事。 第一条是人的角色变化： 🌰 从人与代码，到 AI 补全，再到 AI 写 App，再到人描述意图，最终走向编排 Agent 团队。 这非常残酷，因为它说明人的位置正在不断上移。 过去，人亲自执行；后来，人让 AI 辅助执行；再后来，人给 AI 下达目标；未来，人要像管理团队一样管理一组 Agent 完成任务。低层次的执行能力会被快速压缩，而高层次的判断、组织、审美、规划和验收能力会变得更加重要。 第二条是技术焦点变化： 🏆 从参数量，到 Prompt，到 RAG 架构，到 Agent 框架，到推理 Scaling，再到 Context Engineering。 这条线说明 AI 技术正在从模型崇拜走向系统构建。早期行业关注模型有多大，后来关注提示词怎么写，再后来关注知识库怎么接入、Agent 怎么搭建、模型如何推理，最后进入上下文工程阶段。这是一条从“调用模型”到“组织系统”的路线。 第三条是行业叙事变化： 📌 从 AI 能对话，到百模大战，到怎么落地，到 AI 当世界，到 AI 会思考，再到 AI 自主交付。 这条线说明大众对 AI 的期待越来越高。最开始，只要 AI 会聊天，我们就惊叹；后来，只要 AI 会写文章和代码，我们就兴奋；而现在，人们开始要求 AI 真正完成复杂任务。 这背后有一个残酷事实：AI 越来越不缺能力展示，越来越缺稳定交付。未来真正有价值的 AI，不是最会表演的 AI，而是最能交付的 AI；真正有价值的人，也不是最会追概念的人，而是最能把 AI 能力转化为真实流程、真实产品和真实结果的人。 03.对企业的启发：不要把 AI 转型做成一场表演 对企业来说，这张图最大的启发是，AI 转型不能停留在买工具、做培训和喊口号上。 很多企业现在所谓的 AI 转型，仍然停留在非常浅的层面，例如组织几场 AI 培训，要求员工学习提示词，采购几个 AI 账号，做几个 Demo，写几篇宣传稿，然后在内部会议上宣布“全面拥抱 AI”。 这些动作当然不是没有价值，但它们远远不够。 真正的 AI 转型，应该进入业务系统内部，重新审视哪些流程可以被 AI 重构，哪些知识可以被结构化，哪些岗位可以被 Agent 辅助，哪些重复工作可以自动化，哪些经验可以沉淀为上下文，哪些数据可以接入模型，哪些决策仍然必须由人负责。 企业最容易犯的错误，是把 AI 当成“效率插件”，而不是“组织能力重构”。 如果原来的流程混乱，接入 AI 只会让混乱更快；如果原来的知识没有沉淀，AI 也无法凭空理解组织；如果原来的责任边界不清，Agent 只会制造更多不确定性。 因此，企业层面的自我启发是：不要用 AI 装饰旧流程，而要用 AI 重建新流程。AI 转型不是给旧系统加一个智能外壳，而是重新设计人、知识、工具和流程之间的关系。 真正的 AI 企业，不是开了多少账号，而是能否把组织经验、业务流程和技术系统连接成一个可持续进化的智能工作体系。 04.对个人的启发：不要把会用 AI 误认为自己已经升级 对个人来说，这张图同样是一面镜子。 过去三年，很多人学会了用 AI 写文章、做图、写代码、做 PPT、查资料，于是很容易产生一种自我感觉良好的错觉：我已经跟上了 AI 时代。 但我们必须诚实地问自己，我们是真的变强了，还是只是输出变快了？我们是真的理解更深了，还是只是复制了 AI 的表达？我们是真的掌握了新能力，还是只是把判断外包给模型？我们是真的提高了创造力，还是只是更会包装内容？ 个人层面的自我启发在于：不要把 AI 的能力误认为自己的能力。 AI 可以帮你写文章，但不能替你形成观点；AI 可以帮你做方案，但不能替你承担后果；AI 可以帮你生成代码，但不能替你理解系统；AI 可以帮你总结知识，但不能替你完成认知升级。 AI 是放大器，而不是替代品。 你有判断力，它会放大你的判断力；你有审美，它会放大你的审美；你有系统能力，它会放大你的系统能力；但如果你本身没有方向，它也会放大你的混乱。 未来个人真正的竞争力，不是“会不会用 AI”，而是能不能把 AI 变成自己的认知杠杆、工作流杠杆和创造力杠杆。 05.结论：AI 发展的主线不是替代人，而是逼迫人升级 回到这张图，我们会发现，AI 的发展并不是一条“模型越来越强”的简单直线。 从 ChatGPT 到 GPT 4，AI 学会了更好地对话； 从 RAG 到 LangChain，AI 开始连接外部知识； 从 Sora 到 Gemini 1.5，AI 扩展到多模态和长上下文； 从 Devin 到 GPT 4o，AI 开始进入工具调用和 Agent 产品化； 从 Scaling Law 到 Test time Compute，行业开始反思规模主义； 从 o1 到 DeepSeek R1，AI 推理能力开始普及； 从 MCP 到 A2A，AI 进入协议和工作流时代； 从 Context Engineering 到 Agentic Coding，AI 开始成为系统工程的一部分。 所以，AI 的发展更像是一场生产方式的迁移。 它从模型走向工具，从工具走向智能体，从智能体走向工作流，从工作流走向组织系统，最终走向一种新的人机协作关系。 AI 的终局不是一个更聪明的聊天框，而是一个由模型、工具、知识库、记忆、协议、上下文、多智能体和人类判断共同组成的智能工作系统。 在这个系统里，人不会消失，但人的价值会被重新定义。 低质量执行会被压缩，重复性劳动会被重组，浅层内容生产会被贬值，单点技能会被系统能力替代。 真正有价值的人，将越来越像“AI 系统导演”：他能定义目标，能组织信息，能设计流程，能调用工具，能编排 Agent，能判断结果，也能承担责任。 06.结语：最大的危险，不是 AI 太强，而是我们理解得太浅 过去三年，AI 的确发展得太快。 快到我们还没有完全理解 ChatGPT，GPT 4 就来了；还没有掌握 Prompt Engineering，RAG 就来了；还没有搞懂 RAG，Agent 就来了；还没有适应 Agent，Context Engineering 又来了。 但真正危险的，不是 AI 太强，而是我们仍然用旧思维理解新工具，用表演式热情代替真实学习，用概念追逐代替系统建设，用短期震撼代替长期判断，用 AI 的输出掩盖自己的认知懒惰。 从 2022 到 2026，AI 完成了一次巨大跃迁。 接下来真正的问题是，我们自己是否也完成了跃迁。 过去我们以为会写 Prompt 就够了，后来发现还需要 RAG，再后来发现还需要 Agent，现在我们终于意识到，真正决定 AI 表现的，是上下文工程。 Context Engineering 并不是简单地把更多信息塞给模型，而是系统性地管理模型完成任务所需要的一切背景，包括目标是什么、用户是谁、历史任务是什么、当前状态是什么、可用工具有哪些、哪些资料可信、哪些信息需要长期记忆、哪些信息只是临时调用、哪些结果需要验证、哪些操作必须由人确认。 这比 Prompt Engineering 高一个维度。 Prompt Engineering 关注的是一句话怎么写，而 Context Engineering 关注的是整个工作环境怎么搭。前者更像是对话技巧，后者更接近系统设计。一个优秀的上下文工程系统，不仅要让模型知道任务内容，还要让模型知道边界、资源、约束、历史和验收标准。 Harness Engineering 则进一步强调，模型不能裸奔，必须被放进一个有边界、有反馈、有工具、有测试、有审计的执行框架里。 尤其在 Agentic Coding 场景下，AI 不只是生成代码，而是可能参与需求理解、架构设计、代码实现、测试调试、文档生成和部署维护。如果没有可靠的框架管理，它越能干，风险也越大。 第十次自我批评是：我们长期把 AI 能力理解得太“单点”了。我们总是问哪个模型最强，却很少认真问自己的上下文组织得好不好，工具链有没有打通，数据是否干净，任务流是否清楚，验收标准是否明确，记忆系统是否可靠，Agent 是否有边界。未来真正厉害的人，不只是会使用 AI，而是能为 AI 搭建工作系统的人。 02.三条主线背后的残酷事实：人的角色正在被重写 这张图最有价值的地方，是它把 AI 发展总结成三条主线：人的角色、技术焦点和行业叙事。 第一条是人的角色变化： 🌰 从人与代码，到 AI 补全，再到 AI 写 App，再到人描述意图，最终走向编排 Agent 团队。 从人与代码，到 AI 补全，再到 AI 写 App，再到人描述意图，最终走向编排 Agent 团队。 这非常残酷，因为它说明人的位置正在不断上移。 过去，人亲自执行；后来，人让 AI 辅助执行；再后来，人给 AI 下达目标；未来，人要像管理团队一样管理一组 Agent 完成任务。低层次的执行能力会被快速压缩，而高层次的判断、组织、审美、规划和验收能力会变得更加重要。 第二条是技术焦点变化： 🏆 从参数量，到 Prompt，到 RAG 架构，到 Agent 框架，到推理 Scaling，再到 Context Engineering。 从参数量，到 Prompt，到 RAG 架构，到 Agent 框架，到推理 Scaling，再到 Context Engineering。 这条线说明 AI 技术正在从模型崇拜走向系统构建。早期行业关注模型有多大，后来关注提示词怎么写，再后来关注知识库怎么接入、Agent 怎么搭建、模型如何推理，最后进入上下文工程阶段。这是一条从“调用模型”到“组织系统”的路线。 第三条是行业叙事变化： 📌 从 AI 能对话，到百模大战，到怎么落地，到 AI 当世界，到 AI 会思考，再到 AI 自主交付。 从 AI 能对话，到百模大战，到怎么落地，到 AI 当世界，到 AI 会思考，再到 AI 自主交付。 这条线说明大众对 AI 的期待越来越高。最开始，只要 AI 会聊天，我们就惊叹；后来，只要 AI 会写文章和代码，我们就兴奋；而现在，人们开始要求 AI 真正完成复杂任务。 这背后有一个残酷事实：AI 越来越不缺能力展示，越来越缺稳定交付。未来真正有价值的 AI，不是最会表演的 AI，而是最能交付的 AI；真正有价值的人，也不是最会追概念的人，而是最能把 AI 能力转化为真实流程、真实产品和真实结果的人。 03.对企业的启发：不要把 AI 转型做成一场表演 对企业来说，这张图最大的启发是，AI 转型不能停留在买工具、做培训和喊口号上。 很多企业现在所谓的 AI 转型，仍然停留在非常浅的层面，例如组织几场 AI 培训，要求员工学习提示词，采购几个 AI 账号，做几个 Demo，写几篇宣传稿，然后在内部会议上宣布“全面拥抱 AI”。 这些动作当然不是没有价值，但它们远远不够。 真正的 AI 转型，应该进入业务系统内部，重新审视哪些流程可以被 AI 重构，哪些知识可以被结构化，哪些岗位可以被 Agent 辅助，哪些重复工作可以自动化，哪些经验可以沉淀为上下文，哪些数据可以接入模型，哪些决策仍然必须由人负责。 企业最容易犯的错误，是把 AI 当成“效率插件”，而不是“组织能力重构”。 如果原来的流程混乱，接入 AI 只会让混乱更快；如果原来的知识没有沉淀，AI 也无法凭空理解组织；如果原来的责任边界不清，Agent 只会制造更多不确定性。 因此，企业层面的自我启发是：不要用 AI 装饰旧流程，而要用 AI 重建新流程。AI 转型不是给旧系统加一个智能外壳，而是重新设计人、知识、工具和流程之间的关系。 真正的 AI 企业，不是开了多少账号，而是能否把组织经验、业务流程和技术系统连接成一个可持续进化的智能工作体系。 04.对个人的启发：不要把会用 AI 误认为自己已经升级 对个人来说，这张图同样是一面镜子。 过去三年，很多人学会了用 AI 写文章、做图、写代码、做 PPT、查资料，于是很容易产生一种自我感觉良好的错觉：我已经跟上了 AI 时代。 但我们必须诚实地问自己，我们是真的变强了，还是只是输出变快了？我们是真的理解更深了，还是只是复制了 AI 的表达？我们是真的掌握了新能力，还是只是把判断外包给模型？我们是真的提高了创造力，还是只是更会包装内容？ 个人层面的自我启发在于：不要把 AI 的能力误认为自己的能力。 AI 可以帮你写文章，但不能替你形成观点；AI 可以帮你做方案，但不能替你承担后果；AI 可以帮你生成代码，但不能替你理解系统；AI 可以帮你总结知识，但不能替你完成认知升级。 AI 是放大器，而不是替代品。 你有判断力，它会放大你的判断力；你有审美，它会放大你的审美；你有系统能力，它会放大你的系统能力；但如果你本身没有方向，它也会放大你的混乱。 未来个人真正的竞争力，不是“会不会用 AI”，而是能不能把 AI 变成自己的认知杠杆、工作流杠杆和创造力杠杆。 05.结论：AI 发展的主线不是替代人，而是逼迫人升级 回到这张图，我们会发现，AI 的发展并不是一条“模型越来越强”的简单直线。 从 ChatGPT 到 GPT 4，AI 学会了更好地对话； 从 RAG 到 LangChain，AI 开始连接外部知识； 从 Sora 到 Gemini 1.5，AI 扩展到多模态和长上下文； 从 Devin 到 GPT 4o，AI 开始进入工具调用和 Agent 产品化； 从 Scaling Law 到 Test time Compute，行业开始反思规模主义； 从 o1 到 DeepSeek R1，AI 推理能力开始普及； 从 MCP 到 A2A，AI 进入协议和工作流时代； 从 Context Engineering 到 Agentic Coding，AI 开始成为系统工程的一部分。 所以，AI 的发展更像是一场生产方式的迁移。 它从模型走向工具，从工具走向智能体，从智能体走向工作流，从工作流走向组织系统，最终走向一种新的人机协作关系。 AI 的终局不是一个更聪明的聊天框，而是一个由模型、工具、知识库、记忆、协议、上下文、多智能体和人类判断共同组成的智能工作系统。 在这个系统里，人不会消失，但人的价值会被重新定义。 低质量执行会被压缩，重复性劳动会被重组，浅层内容生产会被贬值，单点技能会被系统能力替代。 真正有价值的人，将越来越像“AI 系统导演”：他能定义目标，能组织信息，能设计流程，能调用工具，能编排 Agent，能判断结果，也能承担责任。 06.结语：最大的危险，不是 AI 太强，而是我们理解得太浅 过去三年，AI 的确发展得太快。 快到我们还没有完全理解 ChatGPT，GPT 4 就来了；还没有掌握 Prompt Engineering，RAG 就来了；还没有搞懂 RAG，Agent 就来了；还没有适应 Agent，Context Engineering 又来了。 但真正危险的，不是 AI 太强，而是我们仍然用旧思维理解新工具，用表演式热情代替真实学习，用概念追逐代替系统建设，用短期震撼代替长期判断，用 AI 的输出掩盖自己的认知懒惰。 从 2022 到 2026，AI 完成了一次巨大跃迁。 接下来真正的问题是，我们自己是否也完成了跃迁。 如果 AI 已经从聊天框进化到智能工作系统，而我们还停留在写几个提示词、追几个热点、做几个 Demo 的阶段，那么被淘汰的就不是某个岗位，而是一整套没有升级的思维方式。 按照惯例，用一张图来总结今天的分享： 更多精彩内容，我们下期见。 You don't have permission to access this synced block. Please log in and try again. Log In 知识库动态 You are not logged in. Please log in to experience this feature. 所有故事的起点： 从 2022 年 11 月 ChatGPT 发布，到 2026 年 5 月 Agentic Coding 时代逐渐成形，AI 行业经历了一轮极其密集的概念更替、产品迭代和认知冲击。 短短三年多时间里，大语言模型、多模态、RAG、Agent、推理模型、MCP、A2A、Context Engineering 等概念接连出现，让人很容易产生一种错觉：似乎只要不断追逐最新模型、最新工具、最新名词，就等于抓住了 AI 发展的主线。 昨天，群友@Zachary 在社群里分享了这张图《AI概念演化全景图谱》，真是感慨良多。 一是感叹时间过得真快，3年多快4年，弹指一挥间；再者是，这也是AI狂飙的3 4年，这期间出现了很多SOTA模型，很多令人震惊的产品瞬间，AI也正从模型时代走向系统时代。 但如果我们真正回到这张《AI 概念演化全景图谱》本身，会发现它呈现的并不是一份简单的技术年表，而是一条从“模型能力”走向“系统能力”、从“内容生成”走向“任务交付”、从“人机对话”走向“智能体协作”的演化路径。 它真正值得我们讨论的，不只是 AI 在过去三年里取得了哪些进步，更是要回顾我们在这场技术浪潮中反复出现了哪些误判，我们： 曾经高估了模型本身的能力，低估了系统工程的重要性； 曾经高估了提示词技巧的价值，低估了上下文组织的复杂性； 曾经高估了单次生成结果的惊艳程度，低估了长期稳定交付的难度； 也曾经高估了“AI 替代人”的速度，低估了“人被迫升级”的深度。 因此，理解这张图，不能只用赞美和追热点的方式来理解，而要用批评与自我批评的方式重新审视：AI 到底进化了什么，行业又在哪些地方陷入了幻觉，而我们作为使用者、创作者、企业和组织，又在这场变化中暴露出了哪些认知短板。 01.从这张图看懂AI发展的主线 第一阶段： ChatGPT 不是终点，而是人类第一次误以为“AI 已经懂了” 2022 年 11 月，ChatGPT 引爆了全民 AI 时刻。 在这张图里，它是第一阶段的起点，与之同时出现的关键词包括 ChatGPT、RLHF、生成式 AI、涌现能力、对齐和 LLM。 ChatGPT 的伟大之处在于，它第一次让普通人直观感受到，机器不再只是冷冰冰地执行命令，而是可以像一个能够交流的对象一样，理解问题、组织语言、给出解释，并且在很多场景下表现得相当自然。 它会写文章，会总结材料，会翻译，会写代码，会扮演角色，也会给出看似严密的分析。正因为这种语言表达能力太强，很多人第一次产生了强烈的错觉：AI 好像真的理解了我们的问题，也好像真的理解了这个世界。 但这恰恰是我们在 AI 时代第一次集体误判。 ChatGPT 的本质仍然是大语言模型，它极其擅长生成符合语言规律的内容，却并不等同于真正理解现实世界。它能把错误说得很流畅，也能把不确定的内容包装成确定的判断。它看起来像是在表达观点，实际上更多是在基于训练中形成的模式进行概率生成。 这也是后来“幻觉”问题成为核心议题的根本原因。 我们最初被它的表达能力震撼，却低估了它的事实边界；我们被它拟人化的交流方式打动，却忽视了它在真实性、可验证性和责任归属上的局限。我们以为“能说清楚”就等于“真的知道”，但 AI 发展给我们的第一课恰恰是：语言的流畅并不等于认知的可靠。 所以，对 ChatGPT 的理解必须从这里开始。它不是 AI 发展的终点，而是一个入口。它把原本隐藏在算法、接口和实验室里的智能能力，第一次以自然语言对话的形式推到大众面前。 然而，进入入口并不意味着抵达终局。真正的 AI 发展，才刚刚开始。 第二阶段： GPT 4 与多模态：我们以为模型越强，问题就会越少 2023 年 3 月，GPT 4 发布，进入第二阶段。 这一阶段的关键词是 GPT 4、多模态、百模大战、Prompt Engineering、幻觉以及 New Bing / Bard。 相比 ChatGPT，GPT 4 的能力明显增强，它在复杂推理、文本理解、知识整合和代码生成等方面表现出更高的稳定性，也让很多人开始相信，只要模型继续变大、数据继续增加、算力继续堆叠，AI 的问题就会逐渐自然消失。 但事实证明，模型能力增强并不意味着问题自动消失。GPT 4 的确更强了，但幻觉仍然存在；多模态的确打开了新的入口，但模型对现实世界的理解依然有限；提示词工程的确提高了输出质量，但它并不能从根本上解决复杂任务的长期稳定交付问题。 这一阶段最典型的误判，是把 Prompt Engineering 过度神化。 那时，很多人相信只要提示词写得足够好，就能驾驭 AI；只要掌握几个固定模板，就可以成为 AI 高手；只要把角色、任务、格式和约束写完整，就能稳定产出高质量结果。这个判断并非完全错误，因为在早期 AI 使用阶段，提示词确实是一种非常重要的操作能力，它帮助用户更清晰地表达意图，也帮助模型更准确地对齐任务目标。 但是现在回头看，Prompt Engineering 更像是 AI 初期使用阶段的一种“手工艺技能”，而不是长期的系统性能力。它解决的是“如何更好地提问”，却没有真正解决“如何让 AI 长期、稳定、可控地完成复杂任务”。真正的 AI 应用并不只是写一段漂亮的提示词，而是要处理知识来源、上下文管理、工具调用、权限控制、任务拆解、质量评估和结果验证等一整套问题。 这就要求我们进行第二次自我批评：我们曾经把提示词能力看得过于重要，却没有及时意识到它只是入口，而不是系统。Prompt 可以改善一次交互，但无法天然支撑一个完整的工作流。 未来真正重要的，不是单句提示词写得多么精妙，而是能否为 AI 构建一个清晰、可靠、可持续运转的任务环境。 第三阶段： RAG 与开源生态：我们开始补课，但仍然低估了工程难度 从 2023 年 6 月到 12 月，AI 进入生态爆发期。 关键词包括 Llama 2、RAG、向量数据库、LangChain、LoRA / QLoRA、AI Agent、OpenAI 宫斗和 GPTs Store。 这一阶段非常关键，因为行业开始意识到一个残酷事实：单靠大模型本身，无法解决所有问题。 模型的知识会过时，模型会产生幻觉，模型不懂企业内部的私有资料，也不知道具体业务流程。它可以基于已有训练数据生成内容，却无法天然访问公司的制度文件、产品文档、客户记录和项目资料。于是，RAG 开始成为 AI 应用落地中的核心架构。 RAG 的价值在于，它让 AI 从“凭模型内部记忆回答”，转向“带着外部资料回答”。通过检索增强生成，模型可以先从知识库中找到相关材料，再基于这些材料组织答案。与 RAG 配套出现的向量数据库，则让企业可以用语义方式组织和检索知识，而不仅仅依赖关键词匹配。LangChain 进一步推动了模型、工具、知识库、API 和记忆模块之间的连接，使开发者可以构建更复杂的 AI 应用。 但这一阶段也产生了新的误判。很多人以为，有了 RAG 就等于解决了幻觉；有了向量数据库就等于拥有了知识库；有了 LangChain 就等于搭建了智能体系统。现实却远比这复杂。RAG 很容易做出一个看起来不错的 Demo，却很难做出一个真正稳定可用的企业级系统。 真正困难的地方在于，资料应该如何切分，知识应该如何更新，检索结果应该如何排序，错误信息应该如何过滤，权限边界应该如何控制，答案应该如何溯源，多轮对话中如何保持上下文一致，检索不到信息时模型又应该如何拒答。这些问题不解决，RAG 就很容易停留在“演示可用”的阶段，而无法进入“生产可用”的阶段。 这也是第三次自我批评：我们太喜欢把“技术概念可用”误认为“业务系统成熟”。一个能演示的 RAG，不等于一个能上线的知识系统；一个能跑通的 Agent，不等于一个能交付结果的数字员工；一个看起来聪明的 Demo，也不等于真正可靠的生产力工具。 AI 应用的难点从来不只是模型，而是工程。 第四阶段： Sora 与世界模型：我们再次被“震撼感”绑架 2024 年初，Sora 的出现让 AI 视频生成成为全行业焦点。图谱中这一阶段包括 Sora、世界模型、DiT、Gemini 1.5、Long Context 和 Claude 3。Sora 让人们第一次清晰看到，AI 不仅能写文字、生成图片，还可以生成具有镜头感、运动感和空间连续性的视频内容。它让“文本生成视频”从想象变成了可见的技术现实。 也正是在这个阶段，“世界模型”成为新的流行词。人们开始讨论 AI 是否真的理解物理世界，是否能够在内部模拟空间关系和时间变化，是否开始具备某种接近人类的现实建模能力。这样的想象当然令人兴奋，因为它意味着 AI 不再只是处理符号和语言，而是开始触及图像、视频、物体、运动和现实场景之间的关系。 但我们也必须警惕，视觉震撼最容易制造认知泡沫。一段视频看起来真实，并不等于模型真正理解世界；一个镜头看起来连续，并不等于它掌握了稳定的因果规律；一个生成结果足够惊艳，也不等于它已经可以稳定服务影视工业、广告工业和内容生产工业。 Sora 的价值毋庸置疑，但它也让行业再次陷入一种熟悉的惯性：只要效果足够震撼，人们就会过早宣布某个行业已经被彻底改写。事实上，从“能生成”到“能商用”，中间还有漫长距离。真实的内容生产需要角色一致性、镜头连续性、可控调度、分镜管理、音画同步、版权合规、团队协作和商业交付，而这些并不是单次演示就能完全证明的。 因此，第四次自我批评是：我们常常把视觉上的惊艳，误判为技术上的成熟。AI 视频生成确实打开了内容工业的新入口，但它仍然需要在可控性、稳定性、成本、流程和版权等层面继续完善。我们可以为它的突破兴奋，但不能因为兴奋就放弃判断。 第五阶段： Agent 元年：我们终于意识到，AI 的价值不在回答，而在行动 2024 年 3 月到 6 月，AI的发展进入 Agent 产品化阶段。关键词包括 Devin、GPT 4o、Function Calling、Multi Agent、Apple Intelligence 和 Llama 3。 这是 AI 发展中非常重要的一次转折，因为从这一阶段开始，行业真正意识到，AI 的终局不是聊天，而是执行。 过去我们向 AI 提问，更多是在要求它输出内容，比如写一篇文章、总结一份材料、分析一个问题、生成一段代码。但 Agent 时代的问题开始发生变化，用户不再只问“请告诉我怎么做”，而是开始期待 AI 直接帮助自己完成一个项目、修复一个 Bug、搭建一个应用、整理资料并形成报告。聊天模型输出的是内容，而智能体真正要交付的是结果。 Function Calling 是这个变化的关键基础设施。它让模型不只是说话，而是可以调用工具、访问函数、连接 API，并把语言能力转化为操作能力。Multi Agent 则进一步打开了复杂任务协作的可能性，一个智能体可以负责规划，另一个负责执行，另一个负责检查，还有一个负责搜索资料。Devin 的出现，让“AI 软件工程师”成为行业想象；GPT 4o 则推动了语音、文本、图像等多模