AI 能力演进：从 LLM 到自主进化 Agent-后记

后记

写完第十二章，我重新把目录翻了一遍。

从第一章 LLM 的第一个 Token，到第十二章飞书 CLI 的 CI AST 检查器——这中间跨越了将近三年的技术演进，也跨越了我自己理解这件事情的整个过程。

有意思的是，每次我觉得"这个问题终于解决了"，下一章的问题就跟着来了：

LLM 出现了，人终于能用自然语言指挥计算机——但它只会说话，不能做事。
Function Call 解决了"做事"——但工具集成碎片化，每家平台都要重复造轮子。
MCP 解决了碎片化——但有了标准工具，谁来决定用哪些、以什么顺序？
Agent 解决了规划——但每次任务都是第一次，经验用完即忘。
Skill 解决了经验积累——但系统是黑盒，出了问题无从定位。
Harness 解决了可测性——但长时间任务的架构仍然脆弱。
Anthropic Harness 解决了架构——但系统用过就忘，没有进化。
自主进化解决了进化——但工具层设计得不好，Agent 仍然会犯错。
飞书 CLI 解决了工具层设计——然后下一个问题又来了。

这条链没有终点。AI 技术的演进不会在某个版本停下来等大家赶上来。

带走这把锤子

十二章读下来，我希望你带走的不是一份知识清单，而是一把锤子：

它解决了前一项技术无法解决的什么问题？

每当一个新的技术词出现——MoE、A2A、Agent Mesh、端侧推理——焦虑是正常的，但有了这把锤子，你不需要追每一个词。你只需要问：

• 它在回答什么问题？
• 意味着什么现有方案会被替代？
• 意味着哪里有新的机会？

这个问题比任何技术本身都持久。十年前问 NoSQL 解决了什么问题，能回答这个问题的人，最终做出了比那些只会用 MongoDB 的人更好的系统设计。今天问 Agent 解决了什么问题，道理是一样的。

继续的方向

小册选取了完整版的十二个核心章节，覆盖从 LLM 到生产级 Agent 工程的主干路径。如果你想继续：

附录里有四个延伸话题——A2A 协议、端侧 AI、具身智能、工程师在 AI 时代的职业建议——每一个都代表一条正在成形的演进路径，值得单独花时间读一遍。

完整版还有多模态、Computer Use、以及两个完整产品案例的工程解剖，覆盖更多具体场景。

最后一句话

我们处在一个罕见的历史窗口期。AI 能力正在高速成熟，但真正能把这些能力转化为可靠系统的工程师，还远远不够。

这个窗口期不会永远开着。

现在是最好的时机。

写于 2026 年
致每一位正在把 AI 变成真正有用的东西的工程师

“技术的价值不在于它有多先进，而在于它被谁使用，被用来解决什么问题。”