夜雨聆风从 1956 年「人工智能」一词被正式提出，到今天人人都在谈的 Agent、MCP、Loop Engineer，AI 行业的黑话几乎每两年就换一茬。本文按时间顺序梳理了 40 余个高频术语，帮你一次性读懂「AI 到底经历了什么」，以及为什么今天最热的词是「循环工程」而不是「提示词工程」。
问你一个问题，你是否曾在和旁人讨论 AI 时，而你只能跟着点头，却搞不懂他们在说什么吗？
今天，我们用一篇文章来了解关于「人工智能“黑话”」 70 年的发展史。
一、奠基时代（1950s–2010s）：智能的萌芽
这一时期奠定了「让机器像人一样思考」的底层逻辑，绝大部分概念至今仍是 AI 的根基。
AI（人工智能 Artificial Intelligence）· 1956
1956 年达特茅斯会议上，John McCarthy 首次提出「Artificial Intelligence」一词，标志着 AI 作为独立学科的诞生。广义上，AI 指能感知、推理、学习并自主行动的系统总称——今天你听到的一切名词，都是它的子集。
机器学习 ML（Machine Learning）· 1959
Arthur Samuel 在 1959 年提出「机器学习」概念：与其把每条规则都写死，不如让程序从数据中自己总结规律。这一思想彻底改变了 AI 的范式——从「人编规则」转向「数据驱动」。
神经网络 / 感知机（Perceptron）· 1958
Rosenblatt 于 1958 年提出感知机，是人工神经网络的雏形。它模拟生物神经元，通过加权输入做二分类，是今天深度学习「大脑」的远祖。
专家系统（Expert Systems）· 1980s
1980 年代，AI 迎来第一波实用化：用「if-then 规则库」模拟人类专家决策，典型如 DEC 的 XCON 配置系统。但它依赖人工写规则，脆弱且难以维护，随后陷入「AI 寒冬」。
深度学习（Deep Learning）· 2006 / 2012
2006 年 Hinton 提出深度信念网络训练方法；2012 年 AlexNet 在 ImageNet 竞赛用 GPU + 卷积神经网络击穿准确率纪录，引爆深度学习革命。三层要素就此成型：神经网络架构（大脑）+ 海量数据（燃料）+ GPU（引擎）。
生成对抗网络 GAN（Generative Adversarial Networks）· 2014
Goodfellow 在 2014 年提出 GAN：让「生成器」与「判别器」互相对抗博弈，直到生成内容以假乱真。这是 AI 具备「创作能力」的关键一步，也拉开了 AIGC 的序幕。
二、大模型黎明（2017–2021）：Transformer 与预训练范式
Transformer 架构的出现，是现代大语言模型一切能力的源头。
Transformer（变换器）· 2017
2017 年 Google 论文《Attention Is All You Need》提出 Transformer，用「自注意力机制」让模型一次性看到整句话的上下文关系。它取代了此前的 RNN/LSTM，成为此后所有大模型的统一底座。
预训练 / 微调（Pre-training / Fine-tuning）
预训练用海量通用数据让模型学「基础常识」（像中小学打底）；微调再用特定领域数据让模型适配具体任务（像大学选专业）。这套「先广后专」的范式，是今天所有大模型的标准生产流程。
大语言模型 LLM（Large Language Model）
用海量文本训练、能理解与生成自然语言的模型。2018 年 GPT-1 只能写简单句子，到 GPT-3（2020，1750 亿参数）、GPT-4、Claude、Gemini、DeepSeek 等，能力呈指数级跃迁。LLM 是当下 AI 应用的「大脑」。
BERT / GPT 系列
2018 年 Google 发布 BERT（擅长理解），OpenAI 发布 GPT（擅长生成）。二者代表了「理解」与「生成」两条路线，最终在 decoder-only 的 GPT 架构上殊途同归。
基础模型 Foundation Model（基础模型）· 2021
2021 年斯坦福论文正式提出「基础模型」概念：指经过大规模预训练、可适配多种下游任务的大型模型。它把 LLM、多模态模型统一到一个框架下，强调「一个底座，多种应用」。
多模态（Multimodal）
模型同时理解文本、图像、音频、视频等多种信息。从 CLIP（2021）到 GPT-4V、Gemini，多模态让 AI 从「读文字」走向「看世界」。
嵌入与向量数据库（Embeddings / Vector DB）
嵌入是把文字/图片转成一组数字向量，让语义相近的内容在空间中距离更近；向量数据库（如 Milvus、Pinecone）负责高效检索这些向量。它是 RAG 和语义搜索的底层基础设施。
强化学习人类反馈 RLHF（2022 普及）
用人类偏好数据训练奖励模型，再反过来引导大模型输出更符合人类价值观的内容。InstructGPT（2022）与 ChatGPT 的成功，核心正在于 RLHF——它让模型「更懂人话、更守规矩」。
扩散模型 Diffusion（2020）
2020 年 DDPM 提出扩散模型，通过「逐步加噪—去噪」生成高清图像。2022 年 DALL·E 2、Stable Diffusion、Midjourney 相继爆发，成为 AI 绘画的主流技术。
知识蒸馏 Distillation（2015 / LLM 时代再流行）
知识蒸馏由 Hinton 等人在 2015 年提出：用大模型（教师）的输出去训练小模型（学生），让小模型以远低于大模型的算力逼近其能力。LLM 时代被广泛用于「小模型平替」——如 DeepSeek-R1 蒸馏系列、各类 7B/14B 模型，是边缘端、低成本部署的关键技术。
三、生成式爆发（2022）：ChatGPT 引爆大众认知
这一年，AI 从实验室走进每个人的手机。
ChatGPT · 2022 年 11 月
2022 年 11 月 30 日 OpenAI 发布 ChatGPT，5 天破百万用户。它把 LLM 包装成对话框，让普通人第一次直观感受到「AI 能聊天、能写代码、能创作」，正式开启生成式 AI 大众化时代。
AIGC（AI 生成内容）
指由 AI 自动生成的文字、图片、音乐、视频等内容。从「画一只戴墨镜的熊猫」到 AI 制作科普动画，AIGC 正在重塑内容创作行业，也是大模型落地最广泛的场景之一。
提示词工程 Prompt Engineering（提示词工程）
研究「怎么问 AI 才能得到好答案」的方法论。核心技巧包括：少样本示例（Few-shot）、角色设定、结构化指令等。2023 年它曾是年薪百万的热门岗位——但很快被更上层的工程范式取代。
上下文学习 ICL / 少样本 Few-shot（2020 起）
GPT-3（2020）展现出「无需微调，给几个示例就能学会任务」的能力，被称为 In-Context Learning。它意味着自然语言第一次可以像「编程语言」一样使用。
思维链 CoT（Chain of Thought）· 2022
Google 2022 年发现：在提示中加入「让我们一步一步思考」，能大幅提升模型在推理题上的准确率。CoT 揭示了 Prompt 不只是「告诉模型做什么」，更是「引导模型如何思考」。
ReAct（推理 + 行动）· 2023
2023 年提出的 ReAct 模式，让模型在「思考」和「调用工具行动」之间交替进行。这是 Prompt 从「单次问答」走向「多步执行」的关键转折，也是 Agent 概念萌芽的起点。
Reflection（自我反思 / Reflexion）· 2023
2023 年 Reflexion 论文提出：让 Agent 在完成任务后对自己的输出做「自我批评与反思」，把经验教训写进记忆，下一轮避免再犯。Reflection 是 Agent 从「一次性输出」走向「迭代优化」的核心机制，常与 ReAct 搭配——先行动，再反思，再改进。
四、智能体时代（2023–2025）：从对话到执行
AI 不再只是「回答问题」，而是开始「把活干完」。
AI Agent（AI 智能体）· 2023–2024
以大语言模型为大脑，具备自主理解、规划、记忆、使用工具能力的系统。你告诉它目标，它自己拆解任务、调用工具、反复修正直到完成——像一个「数字员工」。2023 年 AutoGPT、BabyAGI 引爆概念，2025 年 OpenAI Operator、Manus 等把 Agent 推向产品化。
Copilot（副驾驶）
微软提出的「人机协作」范式：AI 不是替代人，而是像副驾驶一样在旁辅助。GitHub Copilot（2021 预览 / 2022 可用）是代码领域的开山之作，此后延伸至办公、设计等全场景。
RAG 检索增强生成（Retrieval-Augmented Generation）· 2020 提出 / 2023 成熟
2020 年 Facebook 提出 RAG：让模型先「检索外部知识库」再生成，解决「知识过时、胡说八道」的痛点。2023–2024 年 RAG 工程化成熟，成为企业落地大模型的标配。
工具调用 / Tool Use / Function Calling · 2023
**Tool Use（工具使用）**是通用说法：凡是 Agent 调用外部工具、API、函数的行为都算 Tool Use；Function Calling是 OpenAI 对其「结构化输出调用指令」能力的命名，二者常混用。2023 年 OpenAI 推出函数调用，让模型能稳定输出结构化指令去调用 API、查数据库、跑代码。从此模型从「只说不做」变成「能动手干活」，是 Agent 的能力基石，也是 ReAct 等模式的底层支撑。
推理模型 Reasoning Models（o1 等）· 2024 年 9 月
2024 年 9 月 OpenAI 发布 o1，模型在回答前会进行「长链条内部思考」，大幅提升了数学、编程、科学推理的准确率。推理模型让 AI 从「快思考」迈向「慢思考」。
编排 Orchestration（多智能体编排）· 2024
2024 年起，随着 LangChain、LlamaIndex、AutoGen、CrewAI、LangGraph 等框架成熟，「编排」成为 Agent 系统的核心能力：把多个步骤、多个工具、多个 Agent 有序组织、协同完成任务。如果说单个 Agent 是工人，Orchestration 就是调度中心——决定谁先谁后、如何并行、何时汇总。它是 Agentic AI 落地的关键工程层。
MCP 模型上下文协议（Model Context Protocol）· 2024 年 11 月
Anthropic 于 2024 年 11 月开源 MCP，被誉為 AI 世界的「USB-C 接口」：为 AI 与外部工具、数据源之间建立统一、安全、标准化的双向通信。它解决了「AI 怎么连工具」的问题，是 Agent 落地最重要的基础设施之一。
A2A（Agent-to-Agent 协议）· 2025 年 4 月
Google 于 2025 年 4 月发布 A2A，专门解决「AI 连 AI」的问题——统一不同厂商智能体之间的服务发现、任务委托与消息交换。一句话区分：MCP 解决 AI 连工具，A2A 解决 AI 连 AI。
上下文工程 Context Engineering · 2025 年 6 月
2025 年 6 月 Karpathy 提出「Context Engineering 正在取代 Prompt Engineering」。它的核心是：与其纠结怎么问，不如设计模型在推理时能「看到什么」——系统提示、工具定义、检索结果、当前状态共同构成模型的「信息环境」。
子代理 Subagent · 2025 年 10 月
2025 年 10 月 GitHub 落地 Custom Agents。主 Agent 像项目经理，按需派出拥有独立上下文和专属权限的「子代理」处理专项任务。Subagent 让多智能体并行协作成为可能。
交接 Handoff（控制权转交）· 2025
Handoff 指把当前任务的控制权从一个 Agent 转交给另一个更合适的 Agent（或转交人类）。它是多智能体协作的关键原语：OpenAI Agents SDK 将其作为一等公民支持——主 Agent 遇到专项问题就「移交」给专家 Agent，专业分工、互不干扰；在客服等场景也指 AI 向人类坐席的平滑转接。
Vibe Coding（氛围编程）· 2025
2025 年 Karpathy 提出：开发者不再手写代码，而是用自然语言描述需求，让 AI 生成并运行，自己只看效果、「感受氛围」。它把编程门槛降到极低，让「人人都是程序员」成为现实。
Agentic AI / 多智能体 AI Teams
指「以智能体为核心、能自主完成复杂工作流」的 AI 形态，以及多个 Agent 分工协作的「AI 团队」。2025–2026 年，企业级应用普遍从「单模型」转向「多 Agent 编排」。
AGI（通用人工智能 Artificial General Intelligence）
指智能水平与人类相当、能跨领域灵活学习与应用的「终极 AI」。它至今仍是目标而非现实，但是贯穿整个行业的北极星——今天所有术语，都在朝它靠近。
五、工程范式跃迁（2025 末–2026）：Loop Engineer 登场
当 Agent 能自己干活，新的问题变成：怎么让它能可靠、自主、持续地干？这催生了两个最新范式。
Harness Engineering（驾驭工程）· 2025 年底
2025 年底由 Mitchell Hashimoto 等提出并推广，OpenAI 也发布同名博客《Harness Engineering: Leveraging Codex in an Agent-First World》。核心公式：Agent = 模型 + Harness（驾驭框架）。
Harness 指包裹在模型外层的整套运行系统：工具编排、验证循环、上下文与记忆、护栏约束、可观测性。它的哲学是——与其反复调教 Prompt，不如改变系统结构，让错误在架构层面无法发生。
Loop Engineering（循环工程）· 2026 年 6 月
2026 年 6 月，Google Chrome 工程负责人 Addy Osmani 正式为这一范式定名，Claude Code 创造者 Boris Cherny、OpenClaw 创始人 Peter Steinberger 同期发声。核心转变是：
你不再一遍遍提示 Agent，而是设计一个「会提示 Agent 的系统」，让它围绕目标反复迭代、自我验证，直到完成。
过去模式：人下指令 → AI 做 → 人检查 → 人再下指令。Loop 模式：读任务 → 对齐规格 → 拆解 → Agent 实现 → 跑测试 → 验证 → 记录状态 → 决定下一步（循环）。
Boris Cherny 的名言：「我不再提示 Claude 了，我有循环在运行，它们在自己提示 Claude。」这一时期，工程师的角色从「操作 Agent 的人」升级为「设计循环系统的厂长」——这正是当下 AI 工程的最新焦点。
一图速查：术语 → 时间 → 一句话
从「写提示词」到「设计循环」
回望这条时间线，一个清晰的规律浮现：人类的控制权在逐级上移——
• 写 Prompt，是在调教「单次输出」； • 做 Context，是在设计「信息环境」； • 搭 Harness，是在构建「运行系统」； • 设计 Loop，是在定义「系统的运行逻辑」。
每一次跃迁，工程师都从「内容」退到「结构」，再退到「系统」，手中的杠杆却几何级放大。2026 年，行业讨论的焦点已经从「Prompt Engineer」变成了「Loop Engineer」。如果你还在简历上写「精通提示词工程」，也许是时候更新一下技能树了。
本文术语时间线综合公开资料与行业发布整理，部分新词（如 Loop Engineering、Harness Engineering）为 2025–2026 年新兴概念，定义以原始提出者表述为准。
