夜雨聆风我们这个时代的 AI 工程突破，给人一种革命的感觉——
• 2022 年 ChatGPT 出来，"通用智能即将到来" • 2023 年 GPT-4 出来，"我们站在拐点上" • 2024 年 Claude / Gemini 推出多模态、长上下文、agent 模式 • 2025 年 reasoning model 出现，"AI 真的会思考了"
每一项都被包装成"突破"。新闻、博客、推特、融资 deck——都在反复说一个故事：我们正在见证人类历史上前所未有的技术革命。
这个故事不全错——AI 这几年确实在快速演化。但里面藏着一个被忽略的事实——
LLM 时代很多最重要的"工程突破"，其实是几十年前理论的工程化复活。
这不是抹黑、不是唱衰——是一个能让你看 AI 圈更清晰的视角。
第一个例子：LLMLingua → Shannon 1951（跨 72 年）
2023 年 10 月微软发表 LLMLingua——一个让 AI prompt 压缩到 1/20 长度的工具。这件事工程上极其有用，因为它直接把 LLM 推理成本降 90%+。
LLMLingua 的核心算法听起来很工程——"用一个小模型给每个词算概率，删掉概率高（容易被预测）的词"。
但仔细看——这件事完全是 1951 年 Claude Shannon 在贝尔实验室做的同一件事。
那年 Shannon 让人玩"猜下一个字母"游戏，证明英语里能被预测的部分就是冗余的，能删。
72 年后，LLMLingua 把"预测器"从人类换成 GPT-2，把"被压缩对象"从英文文本换成 AI 的 prompt——判定标准（信息 = 不可预测性）一字未变。
Shannon 1951 等了 72 年，等到 LLM 时代——才被工程化到第一个新对象上。
第二个例子：MemGPT → RAID 1988（跨 35 年）
2023 年 10 月 UC Berkeley 团队发表 MemGPT——AI agent 跨多次对话保留记忆的开创性工作。后续 Letta、LangGraph 的 memory 模块、Mem0、Zep 等几乎所有 agent memory 框架都基于 MemGPT 的架构。
MemGPT 的核心架构：
• LLM 的上下文 = RAM（快但容量受限） • 外部数据库 = 硬盘（慢但无限） • LLM 通过函数调用决定"哪些进 RAM、哪些换出去"——像极了操作系统的页面置换算法
论文标题就是 Towards LLMs as Operating Systems。
MemGPT 引用的最关键论文不是任何 NLP 论文——是 1988 年 David Patterson 的 RAID 论文。
1988 年 Patterson 等人提出 RAID——把多块便宜硬盘组合成虚拟大硬盘。表面是磁盘技术，深层是内存分层抽象——把不同性质的存储（快/慢、大/小、贵/便宜）组合成统一接口。
这个思想是计算机系统设计的根基之一。MemGPT 把它从磁盘搬到了 AI 的上下文——LLM context 是新一层快但小的"内存"，需要一个 OS 来管理它和其它存储。
为什么 MemGPT 团队会想到 RAID？看作者——UC Berkeley AMPLab（Spark / Ray 的诞生地）。他们看 AI 不用 NLP 的眼睛，用分布式系统的眼睛。
35 年前的 RAID 思想——被 LLM 时代的工程团队用作 agent memory 的架构蓝本。
第三个例子：Tree of Thoughts → 三条 50 年传统合流
2023 年 5 月，普林斯顿 + DeepMind 团队发表 Tree of Thoughts——让 AI 推理从"直线"升级到"树搜索"，Game of 24 通过率从 4% 飙到 74%。
这件事的根不是一条——是三条 50 年传统的合流——
1968 年的 A 搜索算法（斯坦福 SRI 实验室的 Hart-Nilsson-Raphael）——用启发式函数把盲目搜索升级为有方向探索。50 年来所有导航软件、游戏 AI、物流路径规划都用 A 的变体。
1973 年 Newell-Simon 的"问题空间"框架（卡耐基梅隆大学）——一本 1100 页的著作，奠定了 50 年认知科学的基本词汇：状态、操作、子目标、启发式。
2017 年 DeepMind 的 AlphaZero——把 MCTS 树搜索 + 神经网络评估深度结合，在围棋上达到超人水平。
这三条传统直到 2023 年才在 LLM 上整合——因为 ToT 的作者团队碰巧凑齐了三个传统的传承：Shunyu Yao（LLM agent）+ Tom Griffiths（计算认知科学）+ DeepMind 合作（AlphaZero）。
55 年前的 A*、50 年前的 Newell-Simon、9 年前的 AlphaZero——三个不同传统在一个 LLM 工程里活过来。
第四个例子：Generative Agents → SOAR / ACT-R 1960-2010
2023 年 4 月，斯坦福 + Google 团队发表 Generative Agents——让 25 个 LLM 角色在虚拟小镇里自治，自发组织生日派对、传播八卦。整个 AI 圈被这件事震到了。
Generative Agents 的核心架构——三层记忆（观察→反思→检索）+ 规划。
但这个架构不是 2023 年发明的——
它直接搬自 1960-2010 年代的认知架构传统——CMU 的 Allen Newell 从 1960s 开始做 SOAR，约翰·安德森（John Anderson）1990s 做 ACT-R——这一脉的"通用认知架构"研究持续了 50 年。
2017 年 Laird、Lebiere、Rosenbloom 三位认知架构老兵在《AI Magazine》发了 A Standard Model of the Mind——把这 50 年传统整合成一个"心智的标准模型"——工作记忆 + 情景记忆 + 语义记忆 + 程序记忆。
Generative Agents 直接引用了这篇论文。他们的工作就是把这个 50 年传统用 LLM 重新实现——把 ACT-R 的符号系统换成 LLM、把规则匹配换成自然语言推理。
50 年前的认知架构传统——在 LLM 时代第一次落地为可用产品。
这是个反复出现的模式
把这 4 个例子（还有更多）放一起看，会看到一个几乎所有 LLM 突破都符合的模式——
LLM 时代的工程突破 ← 远源（几十年前的理论）
──────────────────────────────────────────────────────
LLMLingua（2023 prompt 压缩） ← Shannon 1951（72 年）
MemGPT（2023 agent 记忆） ← RAID 1988（35 年）
Tree of Thoughts（2023 推理） ← A* 1968 + Newell-Simon 1973 + AlphaZero 2017（55 年）
Generative Agents（2023 模拟） ← SOAR/ACT-R 1960-2010（50 年）
Self-RAG（2023 主动检索） ← 1980s 反思框架 + 1990s 元认知研究
Flash Attention（2022 加速） ← 1970s 内存层次结构理论
ReAct（2022 工具使用） ← 1990s 反应式 agent 研究模式：LLM 时代的"突破"很多时候不是发明新东西，是把几十年前的理论 / 范式用新基底（LLM）工程化。
Shannon、Newell-Simon、Hart-Nilsson、Patterson、Anderson、Laird——这些人的思想躺在那里几十年，等到 LLM 提供合适的"载体"，它们再次被激活。
为什么是 LLM？
为什么这么多 50 年理论同时在 LLM 时代复活？
因为 LLM 解决了一个这些理论一直没等到的合适载体——
符号系统 + 自然语言 + 涌现能力的三合一。
• SOAR / ACT-R 的认知架构在符号 AI 时代落不了地——因为符号系统处理不好感知和自然语言 • Newell-Simon 的问题空间需要灵活的"操作" 生成——符号 AI 时代每个 operator 都要手工设计 • Shannon 的预测熵需要一个高质量预测器——人类太慢、传统 N-gram 模型不够准 • A* 的启发式需要一个 evaluator——人工设计 heuristic 是几十年的工程瓶颈
LLM 把所有这些瓶颈一次性解决——
• LLM 既能处理符号也能处理自然语言 • LLM 可以作为通用 operator 生成器 • LLM 是高质量的语言预测器 • LLM 可以作为通用 evaluator
所以几十年前的理论一旦遇到 LLM，全部能落地——而且能用最少的工程努力落地。
ThoughtLink 视角下的两层判断
这件事的意义远不止"AI 工程史的小注释"。它指向两个值得停下来想的判断。
第一：好的理论的耐久力——远超它的实现。
Shannon 1951 提的判定标准——信息 = 不可预测性——70 年里被 Huffman 编码、LZ77、JPEG、MP3、LLMLingua 反复实现，判定标准没变。
A* 1968 提的搜索框架——启发式引导——58 年里被无数算法实现，框架没变。
每个时代的"实现"会被下一代替代，但好的判定标准 / 框架穿越所有的实现。
这个判断给所有创作者一个反向视角——
不要追逐"最新的技术 / 最新的工具 / 最新的实现"——
学几个穿越时代的判定标准和框架——这些才是真正耐久的资产。
实现的寿命是 5-10 年，框架的寿命是几个世纪。
第二："看见已经在那里的东西"——比"做新东西"更稀缺。
LLMLingua 不是发明新算法——是看见 Shannon 1951 在 LLM 上能复活。
MemGPT 不是发明新架构——是看见 RAID 1988 在 LLM context 上能复活。
ToT 不是发明新搜索——是看见三个 50 年传统在 LLM 上能合流。
这些工作的真正价值——在 reframe，不在发明。
但 reframe 是最稀缺的能力——因为它需要同时深刻理解：
• 旧理论（要知道它们存在、知道它们的本质） • 新基底（要知道 LLM 能做什么、不能做什么） • 怎么把两者匹配（要识别"这个理论的难点正好是 LLM 擅长的"）
这种跨年代 + 跨学科的视野——是工程深度 + 历史厚度的复合能力。
ThoughtLink 一直说的"答案在贬值，问题在升值"——同一件事的另一种表达。实现层在贬值，判定标准 / 框架 / 历史视野在升值。
一个对你的实操建议
如果你做 AI 应用、AI 创业、AI 内容——下次看到一个"突破"的时候——
先问自己一句——
这个突破的最远思想源头在哪一年？
如果答案是 5 年内——它大概率会很快被超越。
如果答案是 30 年以上——它可能是真东西，因为它绕了几十年才回来。
如果答案是 50 年以上——很可能是某个老理论的复活——研究它的历史能帮你看清未来 10 年的方向。
最值钱的能力不是"懂最新的"——
是懂"老的"和"新的"之间的连接。
收尾
2023 年 LLM 圈每个月都有新的"突破"。
但翻一翻这些突破的引用——一半的根都在 1950-1990 年代的论文里。
我们看到的不是凭空创新——是几十年前的智慧在新载体上第一次有了机会落地。
50 年前的 Newell-Simon 写《人类问题求解》时，不知道 50 年后他的"问题空间"会在 LLM 上被一个推理框架重新实现。
1951 年的 Shannon 玩"猜字母"游戏时，不知道 72 年后他的预测熵公式会被用来压缩 AI 的输入。
1988 年的 Patterson 设计 RAID 时，不知道 35 年后他的内存分层思想会被用作 AI 记忆架构的蓝本。
他们的工作早就在那里——等了几十年——终于在 LLM 时代被看见。
下一个被等的理论是什么？
可能正躺在某本 1970 年代的旧书里——等一个能看见它的人。
写作来源：基于 explore-loop/topics/context-engineering/ SUMMARY 的"Topic 母题"章节展开，串联 lineages 022/025/026/029/031 等
