为什么按时间线了解 AI
AI 的概念不是孤立的，而是层层递进的：先有底层架构（Transformer）→ 才有处理文本的最小单位（Token）→ 为了补足知识出现了（RAG）→ 为了连接外部世界出现了（MCP / Tool）→ 为了复用能力出现了（Skill）→ 为了编排多步任务出现了（Workflow）→ 最终组合成自主系统（Agent）。
如果跳着学，很容易卡在”这个词到底指什么”。所以本系列按上面的顺序写，每篇只讲一个概念，看的时候顺着时间线走就不会有跳跃感。
AI 发展简史（速览）
- 1950s–1980s 符号主义：用规则和逻辑（专家系统）模拟智能，靠人写规则。
- 1990s–2000s 机器学习：让模型从数据中自动学规律（决策树、SVM）。
- 2010s 深度学习：神经网络 + GPU，图像/语音爆发（CNN、RNN）。
- 2017 Transformer：Google 论文《Attention Is All You Need》提出自注意力，奠定现代大模型基石。
- 2018–2022 预训练大模型：BERT、GPT 系列，海量文本预训练 + 微调。
- 2022 ChatGPT：对话式 LLM 出圈，AI 进入大众视野。
- 2023–至今 Agent 时代：RAG、MCP、Tool Calling、Agent 把 LLM 从”聊天”推向”能干活”。
一张图看懂 AI 分层架构
下面这张分层图（参考菜鸟教程 AI 底层架构）把前面那些概念串成了一条从底层到应用的链路：
| 层级 | 核心组件 | 核心作用 |
|---|---|---|
| 基础层（模型） | LLM & Token、Transformer、注意力机制 | AI 的底层计算核心，负责理解与生成文本 |
| 上下文层（记忆） | Context Window、Prompt、Memory、RAG | 管理输入上下文，补充短期/长期记忆与外部知识 |
| 能力扩展层（工具） | MCP、Tool Calling、API、Database | 让 AI 不止聊天，能调用外部能力 |
| 智能体层（决策） | Agent、Plan、Act | 自主拆解任务、规划并闭环执行 |
| 应用层（行动） | Skill、Workflow、Automation | 把能力封装成可落地的产品/流程 |
核心术语速查表
| 术语 | 一句话解释 |
|---|---|
| Transformer | 当前大模型核心架构，用自注意力建立 Token 间关联 |
| Token | 模型处理文本的最小单位（子词/字符/符号） |
| Prompt | 给模型的输入指令，设定角色、控制行为、规范输出 |
| RAG | 检索增强生成，先查外部知识库再让 LLM 整合生成 |
| MCP | 模型上下文协议，统一 AI 与工具/数据的通信标准 |
| Tool Calling | 模型主动调用外部工具完成实际操作 |
| Memory | 给 AI 短期会话记忆 + 长期持久记忆 |
| Skill | 把一类任务的流程/知识封装成可复用能力 |
| Workflow | 把多步骤/Agent 按固定流程编排 |
| Agent | 在 LLM 上叠加”目标 + 规划 + 执行”的自主系统 |
本系列导航（建议按此顺序读）
- Transformer：大模型的底层架构 — 一切的起点
- Token：AI 的计费单位与节省技巧 — 成本从哪来、怎么省
- RAG：给大模型外接知识库 — 解决知识过时与幻觉
- MCP：AI 连接工具的统一协议 — 标准化工具调用 + 常用 MCP 工具
- Skill：把任务封装成可复用能力 — 与 MCP 的区别 + 常用 Skill
- Workflow：把步骤编排成确定性流程 — 与 Agent 的区别
- Agent：会规划、会调用工具的自主系统 — 完整运行流程收尾
读者可以按时间线一篇篇看，每篇都尽量用后端工程师熟悉的比喻，降低理解门槛。