AI 发展史（六）：多模态与智能体 —— 我们正身处其中

阶段跨度：2023 – 至今　|　关键词：GPT-4、开源模型、RAG、Agent、MCP、编程智能体
一句话总结：AI 长出了眼睛和耳朵（多模态），学会了用工具干完整的活（智能体）——这一篇写的不是历史，是你正在经历的现在。

1. 发生了什么

多模态：AI 能看能听了。 GPT-4（2023.3）可以看图说话、读图表做题；随后文生视频（Sora、可灵、即梦）、语音实时对话相继成熟。输入不再只有文字，输出也不再只有文字。

开源生态：大模型不再是巨头专利。 Meta 的 LLaMA（2023.2）权重泄露式开源引爆社区，国产力量紧随其后——Qwen、DeepSeek、GLM 等开源模型达到国际一线水平，一张消费级显卡就能本地跑一个"小 GPT"。

智能体（Agent）：从"回答问题"到"完成工作"。 这是 2024–2025 年的主线：

能力	含义	代表
RAG 检索增强	回答前先去你的文档库里查资料，治"幻觉"、认私货	企业知识库问答
Function Calling	模型学会"调用工具"：查天气、订机票、写库	所有主流模型标配
Agent	给定目标后自己拆步骤、调工具、检查结果、循环执行	Manus、AutoGLM
编程智能体	读懂整个代码库、自己改代码、跑测试、修 Bug	Cursor、Claude Code、Copilot Workspace
MCP（模型上下文协议）	2024 年 Anthropic 推出的"AI 版 USB 接口"，让任何工具都能被 AI 一键接入	你现在用的各种 AI 助手就是它的受益者

一句话理解 Agent 和聊天机器人的区别：聊天机器人告诉你怎么做，Agent 直接替你做掉。

① 本地跑一个开源模型（Ollama，5 分钟）：

# 官网下载 Ollama 后：
ollama run qwen2.5:7b     # 拉取并运行通义千问 7B 模型
>>> 用一句话解释什么是Transformer

断网也能用，数据不出本机——这是 2020 年前不敢想的事。

② 理解 RAG 的原理（一图看懂）：

你的问题 ──→ [检索器] 在文档库里找出相关段落
                     │
                     ▼
        问题 + 相关段落 ──→ [大模型] ──→ 带引用的回答

模型不再凭记忆瞎编，而是"开卷考试"——这就是企业知识库问答的原理，Dify/FastGPT 都是把这个流程拖拽化。

③ 体验一次真正的 Agent（编程智能体）：

在 Cursor 或 Claude Code 里输入一句话：

帮我给这个项目加一个用户登录接口，用 JWT，写完跑一遍测试

它会自己读代码 → 建文件 → 写实现 → 跑测试 → 修报错，最后向你汇报。你负责提需求和验收，它负责干。

回头看这六篇，其实就一条主线：

人写规则（符号主义）
  → 人设计特征，机器学参数（统计学习/深度学习）
    → 人设计架构，机器自学一切（预训练）
      → 人只提目标，机器自己规划执行（智能体）

人做得越来越少，机器学得越来越多。 而这条线还没到头——下一个十年会发生什么，也许就看你现在开始记的这些学习笔记了。