企业官网建设流程全解析

按时间先后与逻辑关联顺序，梳理自 OpenAI 出现至今，AI 领域主流新概念的完整演进图谱。100+ 概念，67 条速查，从词向量到 Agent 经济，一册通晓。

最后更新：2026-06-30

目录

前置：📊 概念速查表 · 🗺️ 建议学习路径

1. 奠基时代（2017 之前）
2. Transformer 革命（2017-2018）
3. 预训练规模化时代（2019-2020）
4. ChatGPT 爆发与 LLM 产业化（2022-2023）
5. RAG 与工具生态（2023）
6. Agent 智能体时代（2023-2024）
7. 插件、GPTs 与 Skills 技能系统（2023-2025）
8. 推理模型与深度思考（2024-2025）
9. Agentic AI 与全栈智能（2025-2026）
10. 其他重要概念补遗

📊 概念速查表

一表纵览 67 条概念的出现顺序、一句话解释与代表产品/论文。阅读正文前可先扫一遍，建立全局认知。

按出现时间排序

按功能分类

📐 基础架构层: Transformer → Token/Tokenizer → Embedding → 上下文窗口 → Streaming → Perplexity 🧠 模型层: LLM → GPT系列 → 预训练 → 微调 → LoRA → 量化 → MoE → 蒸馏 → 推测解码 → Scaling Laws → Chinchilla Laws → Model Merging 🤔 推理层: Prompt → CoT → Few-shot/Zero-shot → Self-Consistency → System 2 慢思考 → 推理模型 → Extended Thinking 🔧 工具层: Function Calling → Tool Use → MCP → Computer Use → Plugins → GPTs → Artifacts 🎯 Skills 技能层: Skills → Slash Commands → Hooks → Custom Instructions → Rules 🤖 Agent 层: Agent → ReAct → AutoGPT → 多Agent → Agentic Workflow → Deep Research → Persistent Agent → Agent Swarm → Sub-Agent → A2A Protocol → Agent Economy 📚 知识层: RAG → 向量数据库 → LangChain → LlamaIndex → Prompt Caching → Context Engineering → 大海捞针 🛡️ 安全层: Hallucination → RLHF → DPO → Constitutional AI → Red Teaming → Jailbreak防御 → Guardrails → Structured Output 📊 运维层: Evals → Benchmarks → LLMOps → Observability → Human-in-the-Loop → Memory-as-a-Service → Reasoning Effort Control 🏭 领域 AI / 个人 Agent 层: Hermes Agent (三层记忆+自我推理) → OpenClaw (开源个人 Agent 网关) → 每个人都有的数字助手 → Agent 大众化 💻 本地化层: llama.cpp → GGUF → Ollama → 量化推理 → 端侧AI 🌐 新兴范式 (2025-2026): Vibe Coding → Terminal-Native Agent → Web Agent → Worktree Isolation → Multimodal Agent → AI-Native Development → Agentic by Default 🎯 产品层: ChatGPT → Code Agent → Voice AI → AI-native IDE → Skills 生态 → Agentic AI

🗺️ 建议学习路径

7 周从零到 Agentic，每周聚焦一个主题。

第1周: 理解 Transformer 和 Token → 读 "Attention Is All You Need" 图解版 → 在 OpenAI Tokenizer Playground 上玩 Token 切分 第2周: 理解 LLM 和 Prompt → 使用 ChatGPT/Claude，实验各种 Prompt 技巧 → 学习 CoT、Few-shot、System Prompt 第3周: 理解 RAG → 用 LangChain + Chroma 搭一个简单的 RAG 问答系统 → 理解 Embedding 和向量相似度 第4周: 理解 Agent → 用 LangChain Agent 写一个能搜索+计算的小 Agent → 体验 Function Calling 第5周: 理解 Skills 和 Hooks → 在 Claude Code 中编写一个自定义 Skill → 配置 SessionStart Hook 自动加载项目信息 → 理解 Skills ≠ Plugins ≠ GPTs 的本质差异 第6周: 理解推理模型 → 对比 o1/Claude Extended Thinking 和普通模型的差异 → 学习何时需要"深度思考" 第7周: 理解 Agentic 和 MCP → 搭一个 MCP Server → 体验 Claude Code 或 Cursor 的 Agent 模式 → 用多个 Skills 编排一个端到端工作流

1. 奠基时代（2017 之前）

在 Transformer 出现之前，这些概念是后来所有技术的基础。

1.1 神经网络（Neural Network）

输入层 → 隐藏层 → 输出层 x₁ → h₁ → y₁ x₂ → h₂ → y₂ x₃ → h₃ →

• 定义：模拟人脑神经元连接的计算模型，通过多层非线性变换从数据中学习模式
• 关键人物：Geoffrey Hinton、Yann LeCun、Yoshua Bengio（2018 图灵奖）
• 意义：所有深度学习的基础，没有它就没有后来的 LLM

1.2 词向量 / 词嵌入（Word Embedding）

代表作品：Word2Vec (2013)、GloVe (2014)

• 核心思想：将词语映射到高维向量空间，语义相近的词在向量空间中距离也近
• 经典类比：King - Man + Woman ≈ Queen

"猫" → [0.2, -0.5, 0.8, 0.1, ...] (300维向量) "狗" → [0.3, -0.4, 0.7, 0.2, ...] (与"猫"向量距离很近) "汽车" → [0.9, 0.1, -0.3, -0.7, ...] (与"猫"向量距离很远)

• 遗留问题：词向量是静态的——同一个词在不同上下文中向量相同，“苹果”（水果 vs 公司）无法区分

1.3 RNN / LSTM（循环神经网络）

• RNN (Recurrent Neural Network)：能处理序列数据（文本、时间序列），每个时间步的输出依赖于前一步
• LSTM (Long Short-Term Memory, 1997/2014)：解决 RNN 的"长期遗忘"问题，引入门控机制（遗忘门、输入门、输出门）
• GRU (Gated Recurrent Unit, 2014)：LSTM 的简化版，参数量更少

RNN 展开示意： h₀ → h₁ → h₂ → h₃ → ... → hₙ ↑ ↑ ↑ ↑ ↑ x₁ x₂ x₃ x₄ xₙ

• 瓶颈：串行计算，无法并行；处理长文本时信息衰减严重

1.4 Seq2Seq（序列到序列）

代表论文：Sequence to Sequence Learning with Neural Networks (Google, 2014)

• 架构：Encoder（编码器）+ Decoder（解码器）
• 工作流：编码器将输入序列压缩为固定长度的"上下文向量" → 解码器从该向量逐词生成输出
• 典型应用：机器翻译、文本摘要、对话生成

"你好世界" → [Encoder] → [上下文向量 C] → [Decoder] → "Hello World"

• 痛点：所有信息挤压在一个固定大小的向量中，长句翻译质量差

1.5 注意力机制（Attention Mechanism）

代表论文：Neural Machine Translation by Jointly Learning to Align and Translate (Bahdanau, 2015)

• 核心思想：解码时不再只看最后一个隐藏状态，而是动态关注输入序列中所有位置，给每个位置一个"注意力权重"
• 通俗比喻：翻译长句时，每翻译一个词，模型"回看"原文中最相关的几个词

输入: "The cat sat on the mat" 翻译 "猫" 时，注意力权重集中在 "cat" 上 翻译 "垫子" 时，注意力权重集中在 "mat" 上

• 意义：解决了 Seq2Seq 的信息瓶颈，是 Transformer 的前身

2. Transformer 革命（2017-2018）

2.1 Transformer 架构

论文：Attention Is All You Need(Google, 2017.06)
八位作者全部创业成功，被称为"Transformer 八子"

• 颠覆性创新：完全抛弃 RNN，只用注意力机制处理序列

Transformer 架构（原始论文）: [Encoder 层 ×6] [Decoder 层 ×6] ┌─────────────┐ ┌─────────────┐ │ 多头自注意力 │ │ 掩码多头自注意力│ │ + 残差连接 │ │ + 残差连接 │ │ + 层归一化 │ │ + 层归一化 │ ├─────────────┤ ├─────────────┤ │ 前馈网络 │ │ 交叉多头注意力 │ │ + 残差连接 │ │ (关注Encoder) │ │ + 层归一化 │ │ + 残差连接 │ └───────────