一次讲透：从“文字接龙“到“超级智能体“，大模型核心概念的血缘图谱

摘要：在技术圈，我们每天都被 LLM、Agent、RAG、MCP 这些名词轰炸。它们看似孤立，实则是一场长达数年的"接力赛"，每一项技术都是为了弥补前者的缺陷而生。本文将为你绘制一张大模型家族的"概念血缘图谱"，用一条逻辑主线贯穿始终，让你看清这场 AI 浪潮背后唯一的真相：一切技术都在围绕"提示词"做文章。

引言：被概念轰炸前，先看清"万物之源"

如果你刚踏入大模型领域，很容易在层出不穷的新名词中迷失方向。但若让我们回到 2020 年，一切都没那么复杂。

当时的研究者发现了一件神奇的事：当语言模型的参数规模突破某个临界点（大致在数百亿到千亿级别），模型突然"开窍"了。它不再只是机械地模仿，而是展现出了逻辑推理、代码生成、甚至某种意义上的"举一反三"。为了与过去那些表现平平的"小模型"划清界限，我们给了它一个新身份——大语言模型（LLM, Large Language Model）。

但请透过现象看本质：LLM 的核心能力，剥离所有包装后，是一种极其朴素的本能——文字接龙。

给定一串前文"床前明月"，它只做一件事：计算下一个字是"光"的概率。它没有记忆，不知道今天几号，不能访问互联网，更没法操作你的本地文件。一个只会做"完形填空"的机器，为何能被包装成无所不能的助手？

答案在于"上下文 (Context)"。

LLM 本身是一个孤立的函数，但它的输入通道——Context，是一个可以无限做文章的"魔法口袋"。我们今天看到的所有炫酷名词，从 Memory 到 Agent，从 RAG 到 Skill，本质无非都是在做两件事：

• 如何自动往 Context 口袋里塞入更多有用信息。
• 如何用最少次数的交互，拿到最准确的结果。

下面，让我们沿着这条"上下文增强"的主线，把散落的概念重组为一部进化史。

1. 记忆 (Memory)：对抗"鱼的记忆"

LLM 的 API 调用是无状态的。每一轮对话，都是一个新的开始。你第一句话说"我叫李明"，第二句话问"我叫什么？"，它会一脸茫然。

为了让机器能像人一样连续对话，工程师想到了最直接的方案：把你们之前的聊天记录，原封不动地拷贝到新的请求里，放在当前提问的前面。

这部分"历史的聊天记录"，就是大模型的Memory（记忆）。<