小时候都玩过词语接龙：上一个人说「天空」，你接「空气」，下一个再接「气球」，谁接得最顺、最像话谁就赢。大语言模型干的，本质就是这件事，只是玩得大得多——你给它一段文字，它猜接下来最可能蹦出来的那个字或词，接上去，把整段重新看一遍，接着猜下一个。
它猜的单位有个专门的名字，叫 token。一个 token 可能是一个汉字、一个英文单词，或者半个单词、一个标点。平时听说的「上下文能装多长」「调一次花多少钱」，算的都是 token 数，不是字数。
问题来了：一个只会猜下一个词的机器，怎么长成了今天这副样子，能查资料、写代码，甚至自己打开浏览器把一件事从头办到尾？它后来的这些本事，全是有人从外面一层层给它打上去的补丁，这篇文章要讲的就是这条补丁链。
它只会接龙，所以它会编，也不知道「现在」
它挑词的标准只有一个：读起来顺，没有哪个环节核对真假，两个毛病从这儿长出来。
头一个，它会一本正经地编。遇到拿不准的问题，它很少说「我不知道」，往往顺着语感造一个听着像回事、其实不存在的答案；哪怕接上了外部工具，返回离谱的数字，它有时照样原样抄进回答里。它保证的只有通顺这一件事。
第二个，它对自己身在「当下」一无所知。它不知道自己是谁、现在几点、外面下不下雨，这些信息不在它眼前那串文字里，也不在它训练时啃过的旧知识里。它一次能读进去的文字有上限，叫上下文窗口，今天较好的模型一次能读进上百万个 token，但文字一长，哪怕没到上限，它接得也不那么准了。
问它没学过的问题，它敢编；追问它刚说过的细节，它接不上。那么，这台既会编、又健忘的机器是怎么来的？得往回看它长大的路。
从「会认」到「会创造」，它走了七十年
AI 相关的词特别多，先把关系理清。
这几个词是大圈套小圈。最外面是人工智能，一个愿望：让机器能像人一样想、判断、做事，这个词 1956 年就在达特茅斯会议上正式提出了。往里一层是机器学习，不靠人把规则一条条写死，改成喂一堆数据、让机器自己找规律。像老师傅带徒弟，不塞给他一本手册，跟着看几百遍活怎么干，看多了自己就摸出门道。再往里是深度学习，用很多层的神经网络，是机器学习里这些年最主流的一支。最里面是生成式 AI，能生成新内容的那一类，写文章、画图、作曲都算；大语言模型是其中最主要的一种。
| 阶段 | 时间 | 本事 |
|---|---|---|
| 会认 | 1950 到 1990 年代 | 认出眼前是什么 |
| 会判断 | 1990 年代到 2016 年前后 | 拿数据做预测 |
| 会创造 | 2017 年至今 | 生成新内容 |
最早那几十年，AI 就一个「认」字，银行拿它认支票金额、邮局分拣邮编；接着学会「判断」，垃圾邮件过滤、电商推荐都靠它。真正的转折在 2017 年：一篇叫《Attention is All You Need》的论文提出 Transformer 架构，核心是「注意力机制」，让模型一眼看全整句话、抓住词和词之间的关联，还能大规模并行算。在那之前，处理文字主要靠 RNN、LSTM，只能一个字一个字顺着读，句子一长就忘，还没法并行、训练慢。Transformer 把这两道坎挪开，模型才可能堆得特别大、喂进特别多的数据。2018 到 2019 年，BERT、GPT 冒出来，人们发现模型越大、数据越多，能力越强；到 2022 年底 ChatGPT 发布，两个月用户破亿，这条路才真正走到普通人跟前。
会说之后，离会做还差一截
模型变得又大又强，「只会接龙」却没变。想让它干活，就得从外面一层层往上加东西。
先给它一段看不见的开场白
既然它只会照着眼前的文字往下接，就在开接之前先塞一段文字进去，把设定、背景、规矩提前告诉它，这就是提示词。
提示词分两种：系统提示词由产品方预先写好，用户通常看不见，管的是「你是谁、什么该说什么不该说」；用户提示词就是你在对话框里打的那句话，管的是当下这件具体的事。真实产品里的系统提示词往往长得多，除了人设，还会写明能用哪些工具、该守什么规矩、记忆去哪找。用户只问一句「帮我写首诗」，模型那头收到的系统提示词可能已经超过四千个 token，像舞台上的提词器，观众看不见，演员却全程照着它念。有了这段文字，一个漫无目的往下接的模型，才算有了稳定的身份。
让它把该记的记下来
只有提示词还不够。它每次能看到的就眼前这一次输入，前面的内容不在里面，它就没有痕迹可循。
于是有了「上下文工程」：把该让模型看到的东西组织好再喂给它，因为窗口有上限，不能把聊天记录一股脑塞回去，得挑。记忆是其中的关键：短期记忆是本次会话里说过的话，换个新对话就没了；长期记忆绑在账号上、跨会话留着，比如它记得你做财务工作、偏好简洁的回答。说到底，长期记忆也是把该记住的内容组织成文字，在合适的时候喂回去。
让它先翻资料再开口
到这儿，它有了身份、记得住话，可肚子里的知识全是训练时学的旧东西，还可能记错，比如「公司最新的报销制度」它压根没学过。
办法是让它先查资料再回答，也就是 RAG，全称检索增强生成。要弄懂它怎么查，先得认识 Embedding。
计算机只认数字。Embedding 干的活，就是把一段文字换算成一串数字，这串数字叫向量；意思相近的文字，算出来的数字也挨得近。真实的向量有几百上千维，人脑想不出来，数学模型处理得了。
懂了 Embedding，RAG 就好懂了，三步：先把文档切成小段，每段算成一个坐标点存进知识库；提问时把问题也算成坐标点，去库里找离它最近的那几段；再把这几段资料连同问题喂给模型，让它照着资料答。答案有了出处，瞎编的空间就小了，企业做 AI 头一步几乎都是搭知识库，道理就在这里。
给它一双能动手的手，再接一根通用的线
会说、会记、会查，它仍然只会说、不会做。让它查今天的天气，它自己做不到——天气天天在变，训练时根本学不到。
办法是工具调用。把查天气封装成一个工具，模型只要知道「什么时候用、填什么参数」，不用管内部怎么算。它先输出一段调用指令，系统在后台跑一遍、拿回结果，再交回给它组织成一句通顺的话，这就像叫外卖：你只管把想吃的说清楚，不必知道后厨怎么备料下锅。执行代码、调搜索、发邮件、查数据库，都能封装成工具。
工具一多，新麻烦跟着来：各家接口各说各的方言，这个字段叫 city，那个叫 location。每个工具要对接所有 AI 公司，每家 AI 公司也要适配所有工具，重复劳动量吓人。解法跟人解决语言不通一样，定一套统一协议，这就是 MCP，全称模型上下文协议，由 Anthropic 在 2024 年前后提出，如今被越来越多厂商采纳。它像 USB 接口统一了外设，工具方按这套标准挂出来一次，支持 MCP 的 AI 都能直接调。
到这一步，人设、记忆、资料、手脚都齐了。可这些本事还是「你说一步，它做一步」。
补丁凑齐，它开始自己安排先做什么
2022 年前后，两块拼图凑齐：ChatGPT 靠指令微调和人类反馈强化学习（RLHF），让模型头一回稳定听懂指令；思维链（CoT）让模型学会分步骤想问题。2023 年初，AutoGPT、BabyAGI 这类项目冒出来，智能体（Agent）这扇门就此打开。
智能体的定义很简单：给它一个目标，它自己拆解、规划、调工具，盯着每一步的结果再调整，直到把事办完。你不再一步步下指令，只说清想要什么。
它运转的核心，是目标、行动、观察三件事来回转圈。拿「核对差旅报销单」说：它先读文件，发现一张单子缺发票号，就回头查、标记，再核对下一张，每转一圈离目标近一点。
有个地方容易被忽略：智能体没有凭空多出什么智慧，内部还是在接龙，只是把「目标、上一步、看到的结果」都当文字，一轮轮喂回给那个模型，让它接出下一步，再拿去执行。它聪明到什么份上，上限还是那个模型。
同一套循环，落地有几种不同的组织方式，适合的场景差得远。
| 编排方式 | 怎么运转 | 适合 | 代价 |
|---|---|---|---|
| 单智能体 | 一个 Agent 自己规划、调用、观察，跑完全程 | 目标清晰、步骤不多的活 | 任务一复杂就顾此失彼 |
| 多智能体 | 拆成几个子 Agent 分工，各管一段，还能安排审核角色 | 复杂协作，需要复核把关 | 调度更复杂，算力和成本更高 |
| 工作流 | 流程事先固定成流水线，按条件走分支 | 步骤基本不变、要求稳定的业务 | 灵活度低，遇到没预想过的输入容易卡住 |
| Claw 类 | 能发出操作电脑的指令，自己开文档、点按钮、敲命令 | 需要操作本机软件的开放任务 | 权限和安全风险，长任务仍可能跑偏 |
最后一种多说一句。这类产品 2025 年初火起来，业内叫它 Claw：让 AI 能操作电脑，等于把键盘和鼠标交到它手上，删文件、泄数据、被网页里的恶意指令带偏，都可能发生。任务越不可逆、影响面越大，越要人点头。
能干活，不等于能交付
一个人玩 AI，出点问题不打紧；一家企业把智能体放进真实业务，撞上的墙是另一副样子。
| 企业会撞上的问题 | 单个聊天工具为什么顶不住 |
|---|---|
| 知识从哪来 | 成百上千份文档要解析、切分、更新、管权限，才能变成能用的知识库 |
| 工具怎么接 | 要连内部系统和数据库，得处理鉴权、权限和工具治理 |
| 流程怎么搭 | 严谨业务要固定流程，复杂任务要多智能体，还要能调试、能兜底 |
| 权限和安全 | 不同岗位能看什么、能调什么不一样，数据要隔离、要留痕 |
| 效果和成本 | 上线后要评测效果、监控用量、发现问题，不然就是一笔糊涂账 |
这些墙靠一个聊天窗口推不倒。企业级智能体开发平台就是冲着它们来的，把知识库、工具、流程、权限、评测、运营做成可配置、可监控的东西（课程里的腾讯云 ADP 是这类平台的一个例子）。它要回答的问题很实在：能不能每天可靠地跑，出了事有没有人兜得住。
回头把整条链捋一遍。模型的本质从头到尾没变，还是猜下一个词。变的是它身边多出来的东西：一段设定它的文字（提示词），一份能记住事的记忆，一摞随时能翻的资料（RAG），一双能动手的手（工具调用和 MCP）。这些东西凑齐，它从「会说」走到「会做」；再给它一个转圈的循环，它开始自己安排步骤。难的是后半段：让它每次都对、每次都稳，出了岔子有人兜得住。猜下一个词容易，把「会做事」变成「可靠地做事」，才是它走过的最长一段路。