夜雨聆风你刚在终端里敲下 claude，看着它自己读代码、改文件、跑测试……
是不是觉得，AI 这东西，是这几年才突然蹦出来的？
大错特错。
AI Agent 不是新鲜事——它已经 70 岁了。
今天这篇，把它的 70 年从头走一遍，看完你会明白：现在的 Agent 为什么能自己干活。
先推翻一个流行误解
很多人以为，AI Agent 是 2023 年 ChatGPT 火了之后才有的新物种。
真相是：Agent 的本质，70 年没变过。
70 年前，它就定义了三个动作：感知、推理、行动。
Agent = 模型 + 循环 模型：推理引擎（感知 → 推理 → 决策） 循环：observe → think → act → feedback
而且这句话，从 1956 年至今，一个字都没改。
变化的是别的东西——Agency（感知、推理、行动的能力）到底从哪来。
先给你一张全貌图，后面逐个时代讲：
1956：一个夏天，改变一切
那一年，美国达特茅斯学院开了一场会。
会上，一群人第一次正式使用了 "Artificial Intelligence"（人工智能）这个词。
AI 这个概念，就是在那一天诞生的。
此后的三十年，叫符号 AI 时代（1956-1990）。
那时的主流思路叫 GOFAI（Good Old-Fashioned AI）：智能 = 规则 + 推理引擎。把专家的知识手工编码成规则，塞进知识库，让机器照着规则推理。
1980 年代，专家系统风光无限——MYCIN 能看病，DENDRAL 能分析化学分子。
但好景不长。
每个领域的规则都要专家一条条手写，换个场景就失灵，维护成本高到离谱。
这堵墙，叫"知识获取瓶颈"。
1987 年，专家系统泡沫破裂，符号 AI 跌落神坛。
1990-2012：从"写规则"到"喂数据"
摔了一跤之后，研究者们想明白了一件事：
与其教机器规则，不如让机器自己从数据里学。
机器学习时代开始了。
1997 年，IBM 的 DeepBlue 击败国际象棋世界冠军 Kasparov，震动世界。
但注意——DeepBlue 其实不是"学习型"Agent。 它靠的是搜索算法 + 评估函数，本质上还是人设计的程序。
2000 年代的机器学习，主流是监督学习：要喂大量标注数据，还得靠人工设计特征。
瓶颈从"写规则"，换成了"做特征工程"。
2012-2022：深度学习的狂欢
2012 年，AlexNet 在 ImageNet 竞赛中大幅领先，深度学习时代开启。
这一回，连特征工程都省了——模型直接从原始数据里学。
然后，Agent 的里程碑一个接一个砸过来：
- 2013，DQN
：一个神经网络，只靠原始像素和游戏分数，学会了 7 款 Atari 游戏。没有规则，没有决策树。到 2015 年，同一架构扩展到 49 款游戏，达到职业人类测试员水平。 - 2016，AlphaGo
：击败李世石。围棋的组合动作空间，比宇宙中的原子还多。 - 2019，AlphaStar
：在星际争霸 II 里 10-1 碾压职业选手，打到宗师段位（前 0.15%）。 - 2019，OpenAI Five
：五个神经网络，10 个月自我对弈 45,000 年，击败 Dota 2 世界冠军 OG。 - 2019，腾讯绝悟
：王者荣耀 5v5 击败 KPL 职业选手，训练一天等于人类 440 年。
发现规律了吗？
没有一个靠手工写规则。
每一个里程碑，都指向同一个结论：
Agency——感知、推理、行动的能力——是训练出来的，不是编出来的。
2022 至今：LLM Agent 时代
2022 年后，GPT、Claude、Gemini 接连登场——在人类全部文本和代码上训练出来的大模型。
推理能力、泛化能力，一夜之间全都有了。
Agent 产品随之爆发：
- Claude Code
：编程 Agent，Bash / Read / Write / Edit + Skills + MCP - Cursor
：IDE Agent，补全 + 重构 + 调试 - Codex CLI
：命令行 Agent，Shell 执行 + 文件操作 - OpenClaw
：个人助手 Agent，多渠道通信 + 自动化
这些产品有一个惊人一致的共同点：
一个训练好的模型 + 一套让它能干活的基础设施。
这套基础设施，叫 Harness。
重点来了：提示词水管工陷阱
Agent 火了，市面上冒出一堆"AI Agent 平台"。
它们让你拖拽节点、编排 if-else 分支、把 LLM 调用串成流程图。
看起来很厉害。
但那不是 Agent。
那是把 LLM 调用用 if-else 和节点图硬编码串起来的流水线——我们叫它**"提示词水管工"**。
本质上，它是鲁布·戈德堡机械：过度工程化、脆弱的规则流水线。
一个有着宏大妄想的 shell 脚本。
真 Agent 和假 Agent，一张图看懂：
怎么判断你用的到底是不是真 Agent？
三个问题：
它能不能自己决定"下一步做什么"？（而不是走你编好的流程） 它能不能主动调工具、看结果、再调整？ 你删掉工作流配置，它还活不活？
Agent 的定义，70 年变了几次？
变的是"能力从哪来"，不变的是"感知、推理、行动"这三个动作。
最后，送你一句话
70 年兜兜转转：
符号 AI 靠人写规则，失败了； 机器学习靠喂数据，进步了； 深度学习靠海量数据，爆发了； LLM 靠全量训练，把 Agent 送进了每个人的终端。
这一路走下来，最值钱的一句总结是：
最好的 Agent 出自信任模型、专注 Harness 的工程师之手。
你要做的，不是"教会"AI 思考——那是模型训练的事。
你要做的，是给它一副好身体，然后，信任它。
如果你看懂了 Agent 这 70 年：
点个「在看」，让更多同行看到 评论区聊聊：你现在的 AI 工具，是真 Agent，还是"提示词水管工"？ 后台回复「时间轴」，获取 70 年大事记高清长图
