从 1943 年\"人工神经元\"到 2026 年的\"Jev\"，五分钟带你看完AI的演变

原创

GGDog
GGDog

GGDog Sec

2026年10月4日 14:24
北京

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

写在前面：AI 圈每个月都冒出新词，今天 MCP，明天 Skills，后天又是 Loop Engineering。名词看着多，按时间排一遍就会发现，它们基本是一个接一个解决问题长出来的。

这篇文章把整个 AI 史上的关键名词按出现时间排成一条线，每个词只讲三件事：大概怎么回事、有什么用、什么时候谁提出的。越早的越粗，越近的越细，2017 年以后基本按月记。

适合：想入行 AI 的同学（当学习地图），想搞懂 AI 的老板（当名词词典）。

阅读说明

•不同文献时间可能略有偏差，请仔细辨别！

▲ AI 关键概念总时间线

---

一、奠基期（1943–1979）：先把“机器能不能思考”这个问题提出来

1943｜McCulloch-Pitts 神经元（神经科学家 McCulloch、逻辑学家 Pitts）

• 原理：把一个神经元简化成一个开关：输入加权求和，超过阈值就输出 1，否则输出 0。

• 作用：第一次说明“神经网络能做逻辑运算”，今天的大模型往上追，最早就是这个模型。

1950-10｜图灵测试（Alan Turing，论文《计算机器与智能》，发表于期刊 Mind）

• 原理：人隔着屏幕和对方聊天，如果分不出对面是人还是机器，就算机器“会思考”。

• 作用：给“机器智能”定了第一个能实际操作的判断标准。

1956（提案写于 1955-08-31）｜达特茅斯会议，“人工智能”一词诞生（McCarthy、Minsky、Rochester、Shannon）

• 原理：几位学者写提案，召集人开了一个夏季研讨会，第一次用 Artificial Intelligence 来命名这个方向。

• 作用：AI 从这里开始成为一门独立学科。1956 年一般被叫作“AI 元年”。

1958｜感知机 Perceptron（Frank Rosenblatt）

• 原理：一层可以调整权重的神经元，分错了就自动改一点权重。

• 作用：第一个能从数据里学东西的神经网络。

1959｜机器学习 Machine Learning（Arthur Samuel，IBM，跳棋程序论文）

• 原理：规则不由人写死，程序通过大量对局自己变强。

• 作用：“机器学习”这个词从这里来，现在 AI 的主流做法也都属于机器学习。

1965 起｜专家系统 Expert System（Feigenbaum 等，斯坦福 DENDRAL 项目）

• 原理：把专家的知识写成成千上万条“如果……就……”规则，让计算机照着规则推理。

• 作用：80 年代第一次 AI 商业热潮主要靠它。缺点是规则全靠人写，越写越难维护。

1966｜ELIZA 聊天机器人（Joseph Weizenbaum，MIT）

• 原理：匹配用户话里的关键词，再套进模板回复，比如用户说“我很难过”，它就回“你为什么难过？”。

• 作用：最早的聊天机器人。人很容易对机器产生感情和信任，这个现象后来就叫“ELIZA 效应”。

1973｜AI 寒冬（英国 Lighthill 报告常被看作标志）

• 原理：期望太高，成果跟不上，经费就被砍了。

• 作用：AI 史上至少有两次大寒冬。学 AI 的人最好知道它是有泡沫周期的。（注：近年也有史学研究认为 70 年代的“寒冬”被夸大了。）

---

二、起伏期（1980–2005）：神经网络在冷板凳上练内功

1986-10-09｜反向传播 Backpropagation（Rumelhart、Hinton、Williams，Nature）

• 原理：网络输出错了，就把误差从最后一层往前一层层分回去，算出每个参数该往哪个方向调、调多少。

• 作用：多层神经网络从此能训练了。今天所有大模型训练都靠它。

1989｜卷积神经网络 CNN（Yann LeCun 等，贝尔实验室，用于识别手写邮编）

• 原理：用小窗口在图片上滑动，提取边缘、纹理这类局部特征，所有位置共用同一套参数。

• 作用：图像识别的基础结构，后来的人脸识别、自动驾驶视觉都用它。

1995｜智能体 Agent（教科书普及）（Russell & Norvig《人工智能：一种现代方法》）

• 原理：能感知环境、自己做决定并采取行动的系统都叫 Agent。

• 作用：今天“AI Agent”这个词的学术来源。（Agent 这个概念出现得更早，这本教科书把它定成了 AI 的主线。）

1997｜LSTM 长短期记忆网络（Hochreiter & Schmidhuber，Neural Computation）

• 原理：在循环神经网络里加了几道“门”，由门决定哪些信息记住、哪些忘掉。

• 作用：解决了长句子前面的内容记不住的问题。Transformer 出现之前，语音识别和机器翻译主要靠它。

1997-05-11｜深蓝击败卡斯帕罗夫（IBM）

• 原理：专用硬件加上大规模搜索，每秒算几亿步棋，再加上专家调好的局面评估。

• 作用：机器第一次在正式对局中赢了国际象棋世界冠军。但它靠的是搜索，不是学习。

---

三、深度学习期（2006–2016）：数据 + GPU 让神经网络翻身

2006｜深度学习 Deep Learning（Hinton 等，深度信念网络论文）

• 原理：一层一层地预训练，很深的网络也能训练起来。

• 作用：神经网络换了个名字叫“深度学习”，重新回到主流。

2009｜ImageNet 数据集（李飞飞团队，CVPR 2009）

• 原理：一个规模空前的人工标注图片库，从几百万张扩充到上千万张。

• 作用：让大家意识到数据是 AI 的燃料，后来引爆深度学习的那场比赛也是它办的。

2012｜AlexNet（Krizhevsky、Sutskever、Hinton）

• 原理：用 GPU 训练一个很深的 CNN。

• 作用：在 ImageNet 比赛中把错误率大幅拉低（15.3%，第二名是 26.2%），深度学习从这里爆发。GPU 后来成了 AI 的标配，英伟达的故事也从这里开始。

2013-01｜Word2Vec / 词向量 Embedding（Mikolov 等，Google）

• 原理：把每个词变成一串数字（向量），意思接近的词，向量也接近，比如“国王 − 男人 + 女人 ≈ 女王”。

• 作用：“向量”这个思路从这里来，后面的向量数据库和 RAG 都建立在它上面。

2014-06｜GAN 生成对抗网络（Ian Goodfellow 等）

• 原理：一个网络负责造假，一个网络负责识别假货，两边对抗着一起变强。

• 作用：开启了 AI 生成逼真图像的时代，Deepfake 也是从这里开始的。

2014-09｜Seq2Seq 与注意力机制 Attention（Seq2Seq：Sutskever 等，Google；注意力：Bahdanau、Cho、Bengio）

• 原理：编码器先读完一整句，解码器再逐词输出。注意力机制让模型每输出一个词，都回头去看原文里最相关的部分。

• 作用：机器翻译有了通用框架。注意力后来成了 Transformer 的核心。

2015-12｜ResNet 残差网络（何恺明等，微软亚洲研究院）

• 原理：加“跳跃连接”，信息可以绕过某些层直接往后传。

• 作用：网络深度一下子能做到上百层，残差结构到今天几乎所有大模型还在用。

2016-03｜AlphaGo（Google DeepMind）

• 原理：深度神经网络 + 强化学习 + 蒙特卡洛树搜索。

• 作用：4:1 赢了李世石，很多人第一次认真看待 AI，“强化学习”也火了起来。

---

四、大模型期（2017–2022）：从一篇论文到 ChatGPT

▲ 大模型时代 2017–2022

2017-01-23｜稀疏混合专家 MoE（Shazeer、Hinton、Dean 等，Google；MoE 的思想可以追溯到 1991 年 Jacobs 等人）

• 原理：模型里放很多个“专家”子网络，每次只叫醒其中少数几个来干活。

• 作用：参数总量可以很大，每次实际用到的计算却很少。今天 DeepSeek、Qwen、Mixtral 都用这个结构。

2017-06-12｜Transformer（Vaswani 等，Google，论文《Attention Is All You Need》）

• 原理：完全不用循环结构，只用注意力，让句子里每个词直接看到其他所有词，还能并行计算。

• 作用：现在几乎所有大模型的底座，GPT 里的 T 指的就是它。

2017-06-12｜RLHF 基于人类反馈的强化学习（Christiano 等，OpenAI & DeepMind；论文和 Transformer 是同一天提交的）

• 原理：让人比较两个回答哪个好，用这些比较训练一个“打分模型”，再用强化学习让 AI 往高分方向改。

• 作用：ChatGPT 好用、听话，很大程度上靠这一步。

2018-06-11｜GPT-1（OpenAI）

• 原理：先在海量文本上练“预测下一个词”（预训练），再针对具体任务做少量训练（微调）。

• 作用：“预训练 + 微调”这条路线从这里开始。

2018-10-11｜BERT（Google）

• 原理：同时看一个词前后的内容，用类似“完形填空”的方式预训练。

• 作用：之后几年基本统治了搜索、分类、阅读理解这类“理解型”任务。

2019-02-14｜GPT-2（OpenAI）

• 原理：和 GPT-1 同一个思路，模型放大到 15 亿参数。

• 作用：AI 第一次能写出像样的长文章。OpenAI 一开始以“太危险”为由没有完整开放，当时争议不小。

2020-01-23｜Scaling Law 规模定律（Kaplan 等，OpenAI）

• 原理：模型越大、数据越多、算力越多，效果就越好，而且提升幅度可以用公式提前算出来。

• 作用：各家公司砸钱堆算力，理论依据就是这个。

2020-05-22｜RAG 检索增强生成（Lewis 等，Facebook AI Research）

• 原理：先从资料库里找出相关内容，再连同问题一起交给模型，让它根据资料回答。

• 作用：AI 可以回答企业内部的、最新的知识，胡编乱造也少了。企业做 AI 知识库，第一步通常就用它。

2020-05-28｜GPT-3 与“少样本提示 / 上下文学习”（OpenAI，论文《Language Models are Few-Shot Learners》）

• 原理：1750 亿参数。不用改模型，在输入里给几个例子，它就能照着做。

• 作用：大家开始意识到，“怎么问”本身就能决定 AI 的表现。

2020–2022｜提示词工程 Prompt Engineering（⚠️没有单一提出者）

• 原理：精心设计给 AI 的指令，包括角色、步骤、示例、输出格式。

• 作用：用好大模型最基础的技能。GPT-3 之后在开发者圈流行起来，2022 年底 ChatGPT 出来后变成大众词汇。具体哪天诞生，查不到权威出处。

2020-06-19｜扩散模型 DDPM（Ho、Jain、Abbeel，UC Berkeley）

• 原理：先学怎么把一张图一步步加噪变成雪花点，再反过来，从雪花点一步步去噪“变”出新图。

• 作用：Stable Diffusion、Midjourney、Sora 这类图片和视频生成的底层方法。

2021-01-05｜DALL·E 与 CLIP（OpenAI；CLIP 论文 2021-02-26 提交）

• 原理：CLIP 把图片和文字放进同一个“意思空间”，学会判断一张图和一句话对不对得上。

• 作用：多模态的基础之一，文生图、以图搜图都用到它。

2021-01-27｜向量数据库 Vector Database（Pinecone 公测，自称首个“托管式向量数据库”）

• 原理：专门存储向量，并且能按“意思相近”快速检索的数据库。

• 作用：RAG 常配的存储方案，让 AI 能按语义而不是按关键词找资料。（向量检索技术本身出现得更早，这里记的是这个产品类别走红的节点。）

2021-06-17｜LoRA 低秩微调（Hu 等，Microsoft）

• 原理：大模型本身不动，只额外训练一小块“外挂”参数。

• 作用：微调大模型的成本降了几个数量级，个人和小公司也能定制模型了。

2021-06-29｜GitHub Copilot（GitHub × OpenAI Codex）

• 原理：在编辑器里根据上下文自动补全整段代码。

• 作用：第一个大规模普及的 AI 编程助手，后来 Cursor、Claude Code 都走在这条线上。

2022-01-28｜思维链 Chain-of-Thought, CoT（Wei 等，Google Brain）

• 原理：让模型先把推理步骤写出来，再给答案（最出名的一句提示是“让我们一步步思考”）。

• 作用：数学和逻辑题的正确率大幅提升，后来推理模型的思路也来自这里。

2022-03-04｜InstructGPT / 指令微调（OpenAI）

• 原理：用人写的“指令-回答”示范数据加上 RLHF，教模型听懂人话、按要求做事。

• 作用：ChatGPT 的直接前身。

2022-03-29｜Chinchilla 定律（Hoffmann 等，DeepMind）

• 原理：算力固定的话，模型参数和训练数据应该一起按比例增加，光堆参数不划算。

• 作用：修正了早期 Scaling Law，之后大家训练模型都更重视“喂够数据”。

2022-08-22｜Stable Diffusion 开源（Stability AI 等）

• 原理：在压缩过的“潜空间”里做扩散，计算量小了很多。

• 作用：普通电脑也能跑文生图，AIGC 的浪潮从这里开始。

2022-10-06｜ReAct（Yao 等，普林斯顿 & Google）

• 原理：让模型轮流做三件事：先想一下（Reason），然后动手调用工具（Act），再看结果（Observe），一直循环。

• 作用：几乎所有 AI Agent 的基本工作循环，后面讲的“Loop 工程”也是从这里来的。

2022-11-30｜ChatGPT（OpenAI）

• 原理：GPT-3.5 + 指令微调 + RLHF，做成一个免费的聊天网页。

• 作用：AI 从实验室走进了普通人的生活。业内常说的“ChatGPT 时刻”就是指这一天。

2022-12-15｜Constitutional AI 宪法式 AI（Anthropic）

• 原理：给 AI 一份写好的原则清单（“宪法”），让它按这些原则自己批评、自己修改回答，减少对人工标注的依赖。

• 作用：Claude 系列安全训练的核心方法之一。

---

五、Agent 萌芽期（2023–2024）：模型开始自己干活

▲ Agent 萌芽期 2023–2024

2023-02-24｜LLaMA（Meta）

• 原理：参数相对少，但训练数据足够多的基础模型，权重开放给研究者。

• 作用：开源大模型浪潮从这里开始，国内外大量模型最初都基于它。

2023-03｜Cursor（Anysphere）

• 原理：在 VS Code 基础上改的编辑器，AI 能看懂整个项目，直接改代码。

• 作用：AI 原生编程工具的代表，后来成了 Vibe Coding 最常用的工具之一。

2023-03-14｜GPT-4（OpenAI）

• 原理：更大的模型，更多的训练，还能读图片。

• 作用：能力明显上了一个台阶，在律师考试这类专业考试中达到人类前列水平，“大模型能干正事”开始成为共识。

2023-03-30｜AutoGPT（开源项目）

• 原理：你给一个目标，GPT-4 自己拆解任务、调用搜索和文件工具、循环执行。

• 作用：在 GitHub 上一夜爆红，“AI Agent”从此成了大众热词。不过当时的模型能力还撑不住，任务经常跑偏。

2023-04-07｜生成式智能体 Generative Agents（斯坦福 & Google，俗称“斯坦福 AI 小镇”）

• 原理：25 个由大模型驱动的角色，各自有记忆、会反思、会做计划，在虚拟小镇里生活。

• 作用：让大家看到“Agent + 记忆”的潜力，多智能体研究也热了起来。

2023-06-13｜Function Calling 函数调用（OpenAI）

• 原理：模型自己不执行，只输出一段格式固定的“调用单”（JSON），比如“调用查天气，参数是北京”，由你的程序去执行，再把结果交回给模型。

• 作用：大模型从只会说变成能接业务系统，所有 Agent 都靠它连接外部工具。

2023-07-18｜Llama 2（Meta，与 Microsoft 合作发布）

• 作用：开源而且可以商用，企业私有化部署大模型的门槛一下子降了很多。

2023-08-03｜通义千问 Qwen 开源（阿里巴巴，首发 Qwen-7B）

• 作用：中国大厂开源大模型的代表，之后一直在更新，成了国内外开发者常用的开源模型家族。

2023-09-25｜GPT-4V 视觉能力（OpenAI）

• 作用：ChatGPT 能看懂图片、截图、手写笔记，“多模态”这个词开始大众化。

2023-12-06｜Gemini（Google）

• 原理：从训练一开始就同时学文字、图片、音频、视频，也就是“原生多模态”。

• 作用：Google 正式下场和 OpenAI 竞争。

2023-12-11｜Mixtral 8x7B（Mistral AI，法国）

• 原理：开源的 MoE 模型，8 个专家里每次只用 2 个。

• 作用：第一次让大家普遍看到，MoE 在开源模型上又快又省。

2024-02-15｜Sora（预览）（OpenAI，2024-12-09 正式上线）

• 原理：在视频上做扩散，再结合 Transformer。

• 作用：一句话生成一分钟高清视频，“视频生成”和“世界模型”从此进入主流讨论。

2024-03-12｜Devin（Cognition）

• 原理：一个有自己的终端、浏览器、编辑器的 Agent，能自己完成整个开发任务。

• 作用：打出“世界首个 AI 软件工程师”的名号，编码 Agent 开始被资本市场重视。

2024-05-13｜GPT-4o（OpenAI，o 是 omni，意思是“全能”）

• 原理：一个模型同时处理文字、语音、图片，实时对话。

• 作用：AI 语音助手的延迟接近真人，可以随时打断，体验和以前的语音助手完全不同。

2024-09-12｜推理模型 o1 / 测试时计算 Test-time Compute（OpenAI）

• 原理：回答前先在内部写一大段思考过程，“想很久”再作答，怎么想是用强化学习训练出来的。

• 作用：数学、编程、科学题水平大幅提升。光“让模型多想一会儿”就能变强，这成了一条新的 Scaling 方向。

2024-10-22｜Computer Use 电脑操作（Anthropic，随 Claude 3.5 Sonnet 新版发布）

• 原理：模型看屏幕截图，输出“把鼠标移到某处、点击、打字”这样的操作指令。

• 作用：没有 API 的软件 AI 也能直接操作了。各家浏览器 Agent、电脑 Agent 都是这个思路。

2024-11-22｜RLVR 可验证奖励的强化学习（Allen AI，Tülu 3 论文）

• 原理：只用那些能自动判对错的题目给奖励，比如数学答案对不对、代码测试过没过，不用人来打分。

• 作用：o1、DeepSeek-R1 这类推理模型的核心训练方法。

2024-11-25｜MCP 模型上下文协议（Anthropic）

• 原理：一套统一的“插头标准”，工具和数据源按 MCP 写一次，任何支持 MCP 的 AI 应用都能接上。

• 作用：常被叫作“AI 界的 USB-C”，各家都已经支持。2025-12-09 捐给了 Linux 基金会新成立的 AAIF（Agentic AI Foundation）。

2024-12-26｜DeepSeek-V3（深度求索）

• 原理：6710 亿参数的 MoE 模型，每次只激活约 370 亿参数，在训练工程上做了大量省钱的优化。

• 作用：用远低于同行的训练成本做出接近一线水平的开源模型，打破了“必须烧几十亿美元”的固有印象。

---

六、Agent 爆发期（2025）：从“和 AI 聊天”到“给 AI 派活”

▲ Agent 爆发期 2025–2026

2025-01-20｜DeepSeek-R1（深度求索，MIT 协议开源）

• 原理：主要用强化学习（RLVR 思路），让模型自己学会长链条思考。

• 作用：开源推理模型追上了 o1 的水平，引发全球“DeepSeek 时刻”。微软 CEO 纳德拉 2025-01-27 发帖说“杰文斯悖论又应验了”（AI 越便宜，用量越大），这个词跟着火了一把，后文的 Jev 名字就来自它。

2025-01-23｜Operator（OpenAI）

• 原理：一个会自己操作浏览器的 Agent，能点击、输入、滚动页面。

• 作用：把 Computer Use 做成了面向大众的产品，比如帮你订餐、填表。

2025-02-02｜Vibe Coding 氛围编程（Andrej Karpathy 在 X 上发帖）

• 原理：不看代码，只用自然语言告诉 AI 要什么效果，报错就把报错贴回去，跟着感觉走。

• 作用：不会编程的人也能做出小应用。这个词后来被 Collins 词典选为 2025 年度词汇。

• 同一天：OpenAI 发布 Deep Research 深度研究，一个会自己搜几十上百个网页、写研究报告的 Agent。

2025-02-24｜Claude Code（Anthropic，研究预览；2025-05-22 随 Claude 4 正式发布）

• 原理：在终端里运行的编码 Agent，能读整个代码库、改文件、跑测试、提交代码。

• 作用：编码 Agent 的标杆产品，“让 AI 自己写完一个功能”变成了日常操作。

2025-03-06｜Manus（Monica 团队）

• 原理：在云端虚拟机里，自己规划、上网、写代码、交付结果的通用 Agent。

• 作用：国内“通用 Agent”热潮的引爆点。

2025-04-09｜A2A 协议 Agent2Agent（Google 发起）

• 原理：不同公司、不同框架做的 Agent 之间，用一套统一格式自我介绍、分派任务、回传结果。

• 作用：MCP 管 Agent 怎么用工具，A2A 管 Agent 之间怎么协作，两者是互补的。

2025-04-16｜Codex CLI（OpenAI，开源）

• 作用：OpenAI 版的终端编码 Agent，和 Claude Code 正面竞争。

2025-04-29｜Qwen3（阿里巴巴）

• 原理：同一个模型里同时有“深度思考”和“快速回答”两种模式，可以切换。

• 作用：“混合推理”成了开源模型的标配。

2025-06｜上下文工程 Context Engineering（Shopify CEO Tobi Lütke 6 月 19 日发帖提出，Karpathy 6 月 25 日附和后走红）

• 原理：与其琢磨一句话怎么写，不如把 AI 完成任务需要的全部信息（资料、工具、历史、示例）在对的时候放进它的上下文窗口里。

• 作用：开发 Agent 的核心功夫从“写提示词”变成了“管理上下文”。

2025-07-14｜Ralph 循环 Ralph Wiggum Loop（Geoffrey Huntley 发文）

• 原理：一个最朴素的 while 死循环，把同一份任务说明反复喂给编码 Agent，进度存在文件和 git 里，Agent 忘了也不怕。

• 作用：Loop 工程的“草根原型”，很多人第一次发现，让 AI 自己一直跑下去，比人一句句盯着更出活。

2025-08｜AGENTS.md（OpenAI 牵头，Google、Cursor 等一起推）

• 原理：在代码仓库根目录放一个专门写给 AI 看的说明书，写清楚怎么构建、怎么测试、代码规范是什么。

• 作用：AI 进项目先读它。2025-12 和 MCP 一起进了 AAIF。

2025-08-07｜GPT-5（OpenAI）

• 作用：把“深度思考”和“快速回答”做成一个统一的系统，由它自己判断要想多久。

2025-10-16｜Agent Skills 技能包（Anthropic；2025-12-18 发布为开放标准）

• 原理：把一项工作的说明（核心是一个 SKILL.md 文件）、脚本、模板打包成一个文件夹，AI 需要的时候才去读，平时不占上下文。

• 作用：相当于给 Agent 装“岗位技能包”，公司的流程和经验可以沉淀下来反复用。现在多家 Agent 工具都支持同一种格式。

2025-11-24｜OpenClaw 项目诞生（Peter Steinberger，最初叫 Warelay，后来改名 Clawdbot、Moltbot，2026-01-30 定名 OpenClaw）

• 原理：一个在自己电脑上运行的开源个人 AI 助手，可以通过常用的聊天软件指挥它干活。

• 作用：2026 年初在全球爆火，“个人 Agent”从此成了热门方向。

2025-12-09｜AAIF 智能体 AI 基金会（Linux 基金会；Anthropic、OpenAI、Block 等参与）

• 作用：MCP、AGENTS.md、goose 一起交给中立机构管理，Agent 生态开始走标准化。

---

七、2026：从“写提示词”到“设计循环”

2026-01-12｜Claude Cowork（Anthropic）

• 原理：把 Claude Code 那套“自己动手干活”的能力搬到桌面端，给不写代码的人用，可以整理文件、做表格、写报告。

• 作用：编码 Agent 开始往普通白领的工作里扩散。

2026-02 初｜Agentic Engineering 智能体工程（Karpathy 在 Vibe Coding 一周年时提出）

• 原理：工程师基本不亲手写代码了，改成指挥和监督一群 Agent 写，但质量、安全、可维护性仍由人负责。

• 作用：给“专业地用 AI 写软件”起了个正式名字，以便和随意的 Vibe Coding 区分开。（⚠️具体哪一天发帖未查到原帖，媒体报道集中在 2026 年 2 月上旬；这个词在 2025 年也已有人零星使用。）

2026-02-05｜Harness Engineering 驾驭工程（Mitchell Hashimoto 博客《My AI Adoption Journey》；OpenAI 2026-02-11 发文推广）

• 原理：Agent 犯了错，不去改提示词，而是改它的工作环境：补工具、补文档、加自动检查，让它下次没法再犯同样的错。

• 作用：上下文工程之后的下一层功夫，管的是 Agent 运行时周围的那一整套东西。

2026-02-05｜Agent Teams 智能体团队（Anthropic，随 Claude Opus 4.6 推出）

• 原理：好几个 Agent 共用一张任务清单，并行工作，彼此还能发消息。

• 作用：多 Agent 协作从论文走进了日常工具。

2026-04-24｜DeepSeek-V4 预览版（深度求索，开源）

• 作用：开源模型也有了百万 token 级的上下文，对需要长时间运行的 Agent 特别有用。

2026-06-07｜Loop Engineering 循环工程（Peter Steinberger 在 X 上发帖引爆；Addy Osmani 2026-06-08 发长文系统阐述；Claude Code 负责人 Boris Cherny 也说过“我的工作就是写循环”）

• 原理：人不再一句句给 Agent 发提示词，而是写一个会自动给 Agent 派活的循环：定时触发、找到任务、交给 Agent 做、由另一个 Agent 或测试来验收、记下进度，没完成就再来一轮。

• 作用：人的角色从“提示词操作员”变成“流程设计师”。Codex 和 Claude Code 在 2026 年 5 月前后先后上线了 /goal 这类“不达目标不停”的命令，就是这个思路的产品化。

• 作者点名的 “loop engineer”：指做 Loop Engineering 的人。圈里确实有“the most effective loop engineers……”这种说法，但⚠️查不到某人正式提出“loop engineer”这个职位名的出处，建议文中写成“循环工程师（loop engineering 的实践者）”。

2026-08-11｜Grok Bot（SpaceXAI，即并入 SpaceX 后的 xAI，与 Cursor 联合推出，先上线 beta；2026-09-03 推出企业版）

• 原理：每个 Bot 是一个有名字、长期存在的 AI 同事，在云端有自己的电脑（浏览器、文件、终端），能登录你常用的网站和软件干活。几个 Bot 之间可以互相派活，你演示一遍流程，它就能学会。

• 作用：Agent 从“对话框里的助手”变成“24 小时在线的数字员工团队”。

• 背景：2026-02-02 SpaceX 收购 xAI；2026-06-16 宣布收购 Cursor，8 月中旬完成交割。

2026-09-15｜Jev 与 System One 模型（TypeSafe AI，创始人 Diogo Almeida，前 OpenAI 研究员）

• 原理：不生成文字，只做“选择题”。输入当前状态和一组问题，直接一次性输出带概率的结构化答案（选哪个、打几分、是或否）。

• 作用：专门给 Agent 当“快速决策器”，比如该调用哪个工具、这一步风险高不高、任务做完了没有。官方称比通用大模型快、便宜两个数量级。

• 名字由来：System One 来自卡尼曼《思考，快与慢》里的“快思考”，Jev 取自经济学家杰文斯（Jevons），也就是前面提到的“杰文斯悖论”。

• ⚠️待作者确认：作者写的“jev”，我按这个 2026-09 新发布的模型来理解。如果作者其实想说的是“杰文斯悖论 Jevons Paradox”（AI 越便宜用量越大，2025-01-27 因纳德拉发帖走红），请改用前文 DeepSeek-R1 条目里的那段。

▲ 三条主线的演进

---