昨天的文章介绍了过去三年AI领域的演进趋势，内容稍短，很多细节都是一笔带过，阅读感受其实并不好。今天这篇文章，聊聊过去三年，AI领域的技术逻辑变化趋势。
特别声明：本文关于AI技术演进的顺序并非严格遵循时间节点，但大体的顺序是线性叙事。原因有两方面：1-阅读感受的流畅性；2-技术发展的必然性。
关键时间节点和与之对应的代表性技术/产品顺序，可参考下图：
2022年ChatGPT刚出现时，它最令人惊叹的能力是“把话说清楚”。
以前我们在互联网获取信息的方式，基本都是通过浏览器输入自己想要查询的信息，然后搜索引擎通过内容检索，将相关内容以链接的方式展示出来。
这些内容展示的方式、顺序、置信度，对普通人来说其实是不太友好的。因为搜索引擎只是做了内容检索，但结果依然需要用户自己去阅读理解，乃至重新拼装组合，才可能获得相关的结果。
为什么OpenAI的ChatGPT能成为行业发展风向标，原因就在于：用户只需要输入想要查询的信息(提示词)，它就能快速展现出逻辑清晰的结果。这意味着我们获取信息的成本大幅度降低，你可以通过ChatBot，“所见即所得”。
随着ChatGPT的爆火，23年上半年，提示词着实火了一阵。但这只是使用方式的问题，这里不过多赘述。
当基于大模型技术的ChatBot可以“把话说清楚”后，业内的关注点又转移到了AI的推理能力方面。
即大模型在给出结果时，要不要展示它背后的推理过程，展示多少合适，以及如何控制推理成本(Token消耗量)。这个阶段有一个标志性的术语，叫做CoT(Chain-of-Thought)。
CoT(Chain-of-Thought)：一种让模型在回答问题之前先进行逐步推理的技术，它的核心思路是将解题过程拆成若干有序的思考步骤，而不是直接给出最终答案。
目前的大语言模型，本质上是一种概率预测机器。用户输入同样的信息(提示词)，大模型会给出不同的答案，这就是所谓的信息幻觉问题。从技术的角度来说，针对同一个或同一组Prompt，大模型的结果不具备幂等性。
为了缓解大模型的信息幻觉问题，RAG技术应运而生。
RAG(Retrieval-Augmented Generation)的意思是检索增强生成，即结合向量数据库中与用户问题高度相关的信息以及Prompt一起投喂给大模型，再生成结果。
将RAG解决信息幻觉的过程进行拆解，可以分为三个步骤：理解-检索-生成。
- 理解：拆解知识点，充分理解用户的需求；
- 检索：找到最合适的信息，然后进行搜索排序优化，并将搜索返回的异构信息统一表示，再送给大模型；
- 生成：综合不同来源信息做出判断，并基于大模型的逻辑推理能力，解决信息冲突等问题，最后生成准确率高、时效性好的答案。
信息幻觉问题得到缓解后，为了在成本和效率方面做出平衡，就有了低冗长(Verbosity: low)的CoT技术。
所谓的低冗长(Verbosity: low)CoT技术，简单来说就是大模型在给出结果时，只保留关键推理环节，省去不必要的解释和细节，使得思考链简洁明了。它的实现方式大致有如下几个步骤：
- 明确问题：一句话概括要解决的任务。
- 列出关键步骤：只写出每一步的核心操作或公式，不展开冗长的背景说明。
- 得出结论：在完成关键步骤后直接给出答案。
这种方式的好处在于：既能让模型保持逻辑连贯，又避免了冗余信息，适合需要快速、精准输出的场景。
解决了信息幻觉和推理成本问题后，AI Agent和MCP等工具随之登上了舞台。
很多时候技术发展的驱动力其实是源于人的欲望：有了好的，就想要更好。大家对AI的关注点，从一开始的“把话说清楚”，到大模型的推理能力，再到动手能力。即不仅要能说会想，更要会做事。
这个时候，单轮对话式的“能说会想”能力就有点不够用了，大模型需要在一大串的调用逻辑中，去回忆一下自己刚才“都做了哪些思考”。此时，一位靓仔出现了，它就是扩展思考(Extended Thinking)。
Extended Thinkin亦称之为Interleaved Thinking(交叉思考)，它允许模型在回答问题前先有一段内部推理，再把必要的信息暴露出来。最早由Anthropic在在其官方研究博客中提出，并随Claude 3.7 Sonnet于2025年2月24日正式发布。
为什么这里要提到Extended Thinkin？原因在于：做事需要严谨的步骤和可临时调整的能力。
低冗长(Verbosity: low)CoT技术解决了推理成本问题，扩展思考(Extended Thinkin)解决了翻阅记忆(上下文记忆)难题。只有具备这两项能力，AI在执行任务时，才能完成工具调用和调整执行步骤。
当然，工具可能来自不同企业和个人，因此MCP协议成为了事实上的AI通信标准。完成复杂任务可能需要多个模型来承担不同的细分任务，MoE(Mixture‑of‑Experts：专家混合)模型架构就此出现。
继Extended Thinkin之后，最近业内关注点又转移到了“Thinking in Tool Use”。简单来说，就是让模型一边进行推理，一遍进行工具调用以完成任务。
MiniMax在今年10月发布新模型M2时，就把Interleaved Thinking作为设计重点之一。在它之后，Gemini 3 Pro、DeepSeek V3.2等新模型相继发布，都宣布支持“推理思考+工具调用”的能力。
你可以这样理解：Agent要想完成复杂任务，就必须不断重复以下步骤：
- 规划下一步行动；
- 根据工具返回的结果，调整后续策略；
- 记住已经尝试过的方案，避免重复犯错；
- 在多轮交互中保持目标不偏离，避免状态漂移。
再专业一点来说，必须让模型在显式推理(reasoning)与工具调用(tool use)之间交替进行，并且在多轮交互中，持续保留和传递之前每一步的推理状态。
Interleaved Thinking机制的另一重作用就是将上述步骤变成模型的默认行为，即“制定计划-任务执行-结果反思”。这种机制化的能力，是更容易被框架理解和承载的格式，更便于让模型以API的形式在工具调用之间保留自己的假设、约束、中间结论和纠错记录。
截至目前，这种机制已经成为AI完成任务的一种共识：只有将Interleaved Thinking机制融入真实的工作流程，大模型才有可能完成复杂的任务。
在我看来，这种在长链路复杂任务中能显著提升规划能力，具备自我修正能力并提升结果可靠性的机制，是接下来AI真正从Infra层走向应用层的核心能力。
从更高维的角度看，这种机制无论对模型、Agent，还是对开发者和生态来说，都具备重要的意义。
对模型来说，它提供了更先进可靠的机制，模型可以在思考推理和工具调用的过程中进行持续不断的纠偏。
对Agent来说，它可以很好的提升可靠性，Agent可以将预定计划、错误日志以及过程中产生的结果当作参考。
对开发者来说，它能带来更好的过程可观测性，开发者可以通过推理过程、错误日志进行问题定位和修复验证。
对AI生态来说，它推动了接口和通信协议的标准化，以后不必再为不同的模型和平台进行适配，开发者完全可以通过统一的协议规范进行开发调试和部署。
最后做一个总结：Interleaved Thinking机制增加了AI能真正完成任务的可能性，可以显著提升Agent在复杂任务中的规划能力与稳定性，它使得长链路任务具备可调试性，避免了状态漂移，最终推动模型“推理思考+工具调用”的过程进入标准化模式。
一句话概括：模型的工作机制，会从Workflow+Agent模式演进到Self Agent模式。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
